Hoe virtuele beroemdheidskenmerken de aankoopintentie sturen: het testen van het stimulus-organisme-responskader met structurele vergelijkingsmodellering

Deze studie analyseert hoe virtuele beroemdhedenkenmerken de tevredenheid, royalty, aankoopintentie beïnvloeden en hoe personalisatie de door tevredenheid gedreven royalty versterkt. Bestaande studies identificeren alternatieve middelen en de geloofwaardigheid, maar leggen procesuitkomsten onvoldoende uit. Deze studie verduidelijkt de mechanismen via het SOR-kader, mediatie, personalisatie en matiging.

Om te beginnen definieer je het structurele model voor Partial Least Squares Structural Equation Modeling, of PLS-SEM. Specificeer maximaal zes voorspellers voor de endogene constructen, waaronder drie virtuele beroemdheidskenmerken en drie controlevariabelen. Stel de statistische parameters in, zoals gemiddelde effectgrootte, significantieniveau en statistische sterkte, voor de power-analyse.

Voer nu de vermogensanalyse uit om de minimaal vereiste steekproefgrootte te schatten. Werf deelnemers via een online onderzoekspanel met doelgerichte niet-waarschijnlijkheidssteekproef. Beperk de geschiktheid tot personen van 18 jaar of ouder.

Voeg screeningsvragen en aandachtscontrole-items in de enquête in om de geschiktheid en responskwaliteit te verifiëren. Bekijk de antwoorden op enquêtes en verwijder inzendingen die niet voldoen aan screenings- of aandachtscontrolecriteria. Stop met het verzamelen van gegevens zodra de vooraf bepaalde streefgrootte van de steekproef is bereikt.

Begin met het presenteren van een definitie die virtuele beroemdheden beschrijft als digitaal gecreëerde audiovisuele persona's met een stabiele visuele identiteit, stem en terugkerende verhalende inhoud. Geef deelnemers opdracht om enquêtevragen te beantwoorden op basis van hun daadwerkelijke ervaringen met zulke virtuele beroemdheden. Ontwikkel de vragenlijst door enquêtesecties op te nemen die uiterlijk, stem, inhoudskwaliteit, tevredenheid, loyaliteit, personalisatie, aankoopintentie en demografie behandelen.

Meet alle constructen met 7-punts Likert-schalen waarbij één sterk oneens is en zeven sterk overeenstemming geeft. Voorkom dubbele inzendingen via de platformcontrole-instellingen. Exporteer de verzamelde antwoorden in komma-gescheiden waarden of CSV-formaat en importeer de opgeschonden dataset in de PLS-SEM-software.

Voor meting en evaluatie van structurele modellen specificeer je alle constructen als reflectieve constructen. Evalueer betrouwbaarheid met behulp van Cronbachs alfa- en composietbetrouwbaarheid of CR groter dan of gelijk aan 0,7. Beoordeel convergente validiteit met behulp van de gemiddelde variantie geëxtraheerd of AVE groter dan of gelijk aan 0,5.

Evalueer de discriminantvaliditeit met behulp van het Fornell-Larcker-criterium en de Heterotrait-Monotrait- of HTM-verhouding en zorg dat deze minder dan 0,9 is. Specificeer de structurele paden volgens het conceptuele model en beoordeel multi-collineariteit met behulp van de variantie-inflatiefactor of VISF-waarden onder vijf. Voer bootstrapping uit met 5.000 subsamples om padcoëfficiënten, T-waarden, betrouwbaarheidsintervallen en effectgroottes te schatten.

Schat indirecte effecten met bootstrapping met 5.000 subsamples en 95%-betrouwbaarheidsintervallen om de sequentiële bemiddeling te testen van virtuele beroemdheden naar tevredenheid, tevredenheid naar loyaliteit en loyaliteit tot aankoopintentie. Maak interactietermen om de modererende effecten van personalisatie te testen. Schat moderatiecoëfficiënten en affect sizes met behulp van bootstrapping.

Genereer interactiegrafieken om conditionele effecten te visualiseren. Na predictieve prestatiebeoordeling wordt Q-kwadraat voorspelde waarden, wortelgemiddelde kwadraatfout en gemiddelde absolute fout vergeleken met een lineair benchmarkmodel. Bevestig de voorspellende relevantie wanneer Q-kwadraatwaarden waarden boven nul uitkomen en PLS-fouten lager zijn dan de benchmark.

Betrouwbaarheids- en convergente validiteitstests toonden aan dat alle constructen de aanbevolen drempels overschreden, waarmee werd bevestigd dat de metingen zowel betrouwbaar als geldig zijn. Discriminantvaliditeit beoordeeld met behulp van het Fornell-Larcker-criterium en de Heterotrait-Monotrait-verhouding bevestigt dat alle constructen empirisch verschillend zijn. De evaluatie van het structurele model geeft een matige verklarende kracht en acceptabele voorspellende prestaties aan.

Voorspellende relevantie wordt bevestigd met Q-kwadraat voorspellingswaarden variërend van 0,280 tot 0,485. De voorspellende prestaties van het PLS-SEM-model worden vergeleken met een lineaire regressiebenchmark. Lagere wortelgemiddelde kwadraatfout en gemiddelde absolute foutwaarden duiden op een betere voorspellingsnauwkeurigheid.

Statistische analyse identificeert welke hypothesen in het model door de data worden ondersteund. Uiterlijk, stem en contentkwaliteit hebben een grote invloed op klanttevredenheid. Tevredenheid verhoogt loyaliteit, wat op zijn beurt leidt tot een hogere koopintentie.

Mediationanalyse geeft aan dat tevredenheid de koopintentie indirect beïnvloedt via loyaliteit. Personalisatie versterkt de relatie tussen tevredenheid en loyaliteit, maar beïnvloedt de koopintentie niet. Het protocol kan helpen meten hoe virtuele beroemdheden de tevredenheid, loyaliteit en koopintentie beïnvloeden met behulp van enquêtes en structurele modellering.

In dit protocol waren belangrijke uitdagingen het werven van deelnemers via virtuele beroemdheden en het verduidelijken van inconsistente relaties tussen tevredenheid en koopintentierapporten in eerdere studies. Dit onderzoek faciliteert toekomstige studies naar opkomende AI-technologieën over culturele verschillen heen en het langetermijneffect van personalisatie en virtuele beroemdheidskenmerken.