Summary
Hier wird ein Protokoll vorgestellt, mit dem die Reaktionen der Verbraucher auf Massenanpassungen im Kontext des Online-Handels untersucht werden. Das Protokoll beschreibt das Online-Erhebungsverfahren und wie Daten mittels struktureller Gleichungsmodellierung und Gruppendifferenzen mithilfe latenter Mittelwertanalysen analysiert werden.
Abstract
Da viele Wissenschaftler und Praktiker Personalisierung und Beziehungsmarketing studieren, ist es wichtig, Personalisierung wie Massenanpassung durch Marketing-Technologie bereitzustellen. Ziel dieser Studie ist es, zu untersuchen, wie Verbraucherforschung mittels einer Online-Umfrage und Analyse von Daten durchgeführt werden kann. Diese Studie untersucht die wahrgenommenen Vorteile der Verbraucher bei der Anpassung eines Produkts sowie emotionale Produktbindung, Einstellungen zu einem Anpassungsprogramm und Loyalitätsabsichten im Kontext des Online-Handels. Darüber hinaus untersucht diese Studie, wie sich die Reaktionen der Verbraucher aufgrund individueller Merkmale wie Modeinnovation unterscheiden. Ein Online-Umfrageunternehmen in Südkorea rekrutierte 290 weibliche Bekleidungskäufer, die Bekleidung online kauften. Um die externe Gültigkeit zu verbessern, nutzte diese Studie eine bestehende Retail-Website mit einem etablierten Massenanpassungsprogramm. Nach Abschluss des Anpassungsprogramms füllen die Teilnehmer den Online-Fragebogen aus. Strukturelle Gleichungsmodellierung (SEM) und latente Mittelwertanalysen (LMAs) werden dann für Analysen durchgeführt. In dieser Studie wird betont, wie wichtig es ist, die Messungsinvarianz für mittlere Vergleiche zu testen. Vor dem SEM und LMA folgt diese Studie der Hierarchie von Invarianztests (konfiguraler Invarianztest, metrischer Invarianztest und skalareinre invarianztest), die bei herkömmlichen Ansätzen wie ANOVA nicht berücksichtigt werden. Diese statistischen Analysen bieten die Anwendbarkeit der Invarianztestverfahren und lmA auf das Verbraucherverhalten. Die Schlussfolgerungen der mittleren Unterschiede haben Integrität und Gültigkeit, da sie sich an einem ausgeklügelten statistischen Verfahren orientieren, um die Messungsinvarianz zu gewährleisten.
Introduction
Massenanpassung bezieht sich auf die Fähigkeit eines E-Einzelhändlers, Produkte, Dienstleistungen und die Transaktionsumgebung auf einzelne Kunden zuzuschneiden1. Die Verbraucher von heute sind mit Standardprodukten nicht zufrieden, und viele Einzelhändler haben dies erkannt. Das Angebot einer Massenanpassungsoption ist eine Methode, um Kundenbindung und Wettbewerbsvorteile zu erhalten2. Massenanpassung als Marketingtaktik ermöglicht es Verbrauchern, ihre eigenen Produkte auf der Grundlage besonderer Bedürfnisse zu erstellen und bietet somit individualisierte Produkte oder Dienstleistungen3. Verbraucher können beispielsweise nicht nur ein Paar Schuhe kaufen, die in Massenhergestellt sind, sondern auch ein neues und einzigartiges Paar Schuhe erstellen, die auf normalen Einzelhandelswebsites nicht verfügbar sind, indem sie die Farbe, den Stoff und andere Designkomponenten auswählen. Als Ergebnis können Verbraucher günstigere Produkte kaufen, und ihre Zufriedenheit mit dem kundenspezifischen Produkt sowie Markentreue erhöhen4,5.
Mit der zunehmenden Nutzung des Internets ist der Massenanpassungsprozess schneller und effizienter geworden, was die Reduzierung der Produktionszeit und die Bereitstellung von mehr Designoptionen mit den gleichen Kosten betrifft. Darüber hinaus können sich Einzelhändler darüber informieren, was ihre Zielkunden bevorzugen und so starke Beziehungen zu ihnen aufbauen6,7. Daher haben viele Branchen (z. B. Bekleidung, Schuhe, Autos und Computer) Anpassungsprogramme eingeführt. Obwohl die Massenanpassung sowohl Verbrauchern als auch Einzelhändlern zugute kommt, stehen einige Einzelhändler vor Herausforderungen8. Daher muss untersucht werden, wie die Verbraucher Vorteile wahrnehmen und wie diese Vorteile andere Shopping-Antworten auf langfristigen Erfolg beeinflussen.
Ausgehend von der Hierarchie der Effekte (HOE) Modell aus Überzeugungstheorien9, schlägt diese Studie vor, dass Verbraucher Informationen auf der Grundlage von Kognition-Affekt-Conation-Sequenz zu verarbeiten. Insbesondere untersucht diese Studie (nach der Erstellung eines massenangepassten Produkts), ob wahrgenommene Verbrauchervorteile (Kognition) Loyalitätsabsichten (Konation) durch Produktanhang und die Einstellung zu einem Massenanpassungsprogramm beeinflussen (beeinflussen) . Basierend auf Motivationstheorie10werden wahrgenommene Vorteile in extrinsische und intrinsische Vorteile11unterteilt.
Der extrinsische Nutzen bezieht sich auf den wahrgenommenen Wert eines Verbrauchers, der sich aus der Verwendung eines Produkts12 ergibt (also nahe an der Produktqualität11), während der intrinsische Nutzen auf eine angenehme Erfahrung bei der Verwendung eines Produkts11hinweist. In einem Massenanpassungskontext ist der extrinsische Nutzen mit dem Produkt verbunden, das ein Verbraucher erstellt, und der intrinsische Nutzen hängt mit der Anpassungserfahrung zusammen, die hedonische und erfahrungsgemäße Bedürfnisse13,14erfüllt. Frühere Untersuchungen haben herausgefunden, dass die wahrgenommenen Vorteile der Verbraucher die emotionale Produktbindung15 und die positive Einstellung zu einem Massenanpassungsprogramm verbessern16. Emotionale Produktbindung bezieht sich auf eine emotionale Bindung, die Verbraucher mit einem Produkt verbinden17, die Die Einstellung zum Anpassungsprogramm positiv beeinflusst18 und Loyalitätsabsichten19. Darüber hinaus beeinflussen Einstellungen zu einem Anpassungsprogramm die Loyalitätsabsichtenpositiv 20.
Schließlich untersucht diese Studie, wie ein individuelles Merkmal (d. h. Modeinnovation) die Reaktionen der Verbraucher unterschiedlich beeinflusst. Mode-Innovation bezieht sich auf das Ausmaß, in dem die innovative Tendenz eines Individuums die Akzeptanz eines neuen Modeartikels beeinflusst21. Forschungsergebnisse zeigen, dass Verbraucher, die Konformität vermeiden wollen (d. h. hochmodische innovative Verbraucher), motiviert sind, einzigartige Produkte zu erwerben, was darauf hindeutet, dass Massenanpassung eine wirksame Taktik sein kann, um sich von anderen zu unterscheiden. 22. Daher geht diese Studie davon aus, dass eine größere Anzahl positiver Reaktionen für hochmodische innovative Verbraucher generiert wird.
Basierend auf früheren Literaturrezensionen befasst sich diese Studie mit den folgenden Forschungshypothesen. H1: Wahrgenommene Vorteile (a: extrinsischer Nutzen, b: intrinsischer Nutzen) eines massangepassten Produkts wirken sich positiv auf die emotionale Produktbindung aus; H2: Wahrgenommene Vorteile (a: extrinsischer Nutzen, b: intrinsischer Nutzen) eines massangepassten Produkts wird die Einstellung zu einem Massenanpassungsprogramm positiv beeinflussen; H3: Emotionale Produktbindung wird die Einstellung zu einem Massenanpassungsprogramm positiv beeinflussen; H4: Emotionale Produktbindung wirkt sich positiv auf Treueabsichten aus; H5: Die Einstellung zu einem Massenanpassungsprogramm wird loyalitätsabsichten positiv beeinflussen; und H6: Im Vergleich zu low fashion innovation werden High-Fashion-Innovatoren positivere Reaktionen auf (a) wahrgenommene Vorteile, (b) emotionale Produktbindung, (c) Einstellungen und (d) Verhaltensabsichten haben.
Um die externe Gültigkeit zu verbessern, verwendet diese Studie ein vorhandenes Massenanpassungsprogramm. Potenzielle Teilnehmer in Südkorea werden für diese Studie rekrutiert und werden gebeten, ihre eigenen Trenchcoats mit einem Programm zu erstellen, als ob sie das Produkt tatsächlich gekauft hätten. Um die Antworten der Teilnehmer anhand ihrer Anpassungserfahrungen zu untersuchen, verwendet diese Studie eine Online-Umfrage. Die Teilnehmer können sofort nach der Online-Nutzung des Anpassungsprogramms auf den Fragebogen zugreifen. Nach der Datenerhebung untersucht die Studie mit sem eine Gruppe, um die Auswirkungen von Verbrauchernutzen auf Produktbindung, Einstellung und Loyalitätsabsichten zu untersuchen. Um die moderierenden Rollen der Modeinnovation zu untersuchen, verwendet die Studie LMAs.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Diese Forschung wurde von der IRB Review an der Ewha Womans University ausgenommen und erhielt die Protokollnummer #143-18.
1. Rekrutierung von Teilnehmern
- Bereiten Sie sich auf die Durchführung einer Online-Umfrage vor.
HINWEIS: Eine Online-Umfrage wurde mit einem Umfrageunternehmen in Südkorea durchgeführt. Das Forschungsunternehmen verfügt über das größte Verbraucherpanel mit hohen Ansprechraten in Korea. Die Alters- und Geschlechterverteilungen im Panel spiegeln den Zustand der koreanischen Bevölkerung wider. Das Verbraucherpanel verfügt über ein hohes Maß an Zuverlässigkeit durch die Überprüfung von echten Namen. Da das Forschungsunternehmen das Panel kontinuierlich mit verschiedenen innovativen Methoden verwaltet, ist die Loyalität des Panels gegenüber dem Forschungsunternehmen hoch; Daher sind die vom Unternehmen erzielten Umfrageergebnisse als äußerst zuverlässig bekannt. - Rekrutieren Sie weibliche Verbraucher, die Erfahrung beim Online-Einkauf von Bekleidung haben.
HINWEIS: Weibliche Verbraucher in Korea geben einen hohen Prozentsatz des Einkommens für Bekleidungseinkäufe aus, und das Einkaufsverhalten findet meist onlinestatt 23. Daher ist die Auswahl dieser Gruppe als Teilnehmer für diese Studie geeignet. - Senden Sie den Teilnehmern eine Einladungs-E-Mail, die Informationen über den Zweck der Studie und die Zusicherung der Vertraulichkeit ihrer Antworten enthält.
- Senden Sie Richtlinien an diejenigen, die der Teilnahme an der Umfrage zustimmen und zeigen, wie Trenchcoats mit dem Anpassungsprogramm erstellt werden (siehe Abbildung 1).
HINWEIS: Um mögliche Situationen zu vermeiden, in denen Teilnehmer Schwierigkeiten mit dem Anpassungsprogramm haben können, hat ein Moderator des Forschungsunternehmens die Richtlinien gesendet. Darüber hinaus rief der Moderator die Teilnehmer an und erläuterte das Anpassungsverfahren, während die Teilnehmer die Richtlinien überprüften. - Bitten Sie die Teilnehmer, einen Screenshot des erstellten Trenchcoats zu machen und einen Preis für den Mantel zu liefern, um sicherzustellen, dass sie tatsächlich einen Trenchcoat im Anpassungsprogramm erstellen.
- Senden Sie einen Link, der mit dem E-Massenanpassungsprogramm in einer vorhandenen Shopping-Website verbunden ist, wenn die Teilnehmer das Verfahren verstehen.
- Geben Sie den Teilnehmern folgendes Szenario an: "Stellen Sie sich bitte vor, dass Sie gut genug sind, um sympathische Kleidung zu kaufen und einen Trenchcoat kaufen müssen, um an einem wichtigen Treffen teilzunehmen. Sie möchten einen einzigartigen Trenchcoat erstellen. Beim Surfen im Internet, Sie stoßen auf die perfekte Bekleidungs-Website, die eine Masse Anpassungsprogramm hat".
HINWEIS: Dieser Schritt ist erforderlich, um die Beteiligung zu erhöhen und die Produktart und die Wahrnehmung des Produktpreises durch die Verbraucher zu kontrollieren. - Erlauben Sie den Teilnehmern 24 h, einen Trenchcoat zu erstellen, nachdem Sie das Szenario gelesen haben.
HINWEIS: Den Teilnehmern steht es frei, einen Trenchcoat zu erstellen, indem sie einen bevorzugten Gesamtstil, Kragen, Mantellängen, Ärmellänge, Taschen, Stoff und Futter für den Fall wählen, dass sie ihn tatsächlich kaufen. Wenn sie Probleme beim Erstellen eines Mantels im Anpassungsprogramm haben, dürfen sie den Moderator jederzeit während des 24-Stunden-Zeitraums anrufen und fragen. - Aktivieren Sie den Umfragelink nach 24 h, damit Teilnehmer, die bereit sind, an der Umfrage teilzunehmen (d. h. diejenigen, die den Screenshot des von ihnen erstellten Trenchcoats aufgenommen haben), auf den Umfragelink klicken können.
Abbildung 1: Anweisungen für die Verwendung des E-Massenanpassungsprogramms. Die Teilnehmer der Online-Umfrage lesen Anweisungen zum Erstellen der Trenchcoats mit dem Anpassungsprogramm und befolgen die Schritte 1–8. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
2. Erhebungsverfahren
- Bitten Sie die Teilnehmer, den Screenshot und den Preis des Trenchcoats, den sie erstellt haben, auf die erste Seite der Umfrage hochzuladen (siehe Abbildung 2).
HINWEIS: Nur Teilnehmer, die den Screenshot hochladen, können auf den Fragebogen zugreifen. - Bitten Sie die Teilnehmer, den Online-Fragebogen zu wahrgenommenen Vorteilen, emotionaler Bindung an das angepasste Produkt, Einstellung zum Anpassungsprogramm, Treueabsichten und demografischen Fragen auszufüllen (siehe Tabelle 1).
- Geben Sie denjenigen eine Belohnung, die die Umfrage abschließen.
HINWEIS: Hier erhielten die Teilnehmer eine Belohnung von 10.000 US-Dollar (etwa 10 US-Dollar) für die Teilnahme. Teilnehmer, die die Umfrage beendet haben oder den Screenshot und den Preis nicht zur Verfügung stellen, erhielten 1.000 US-Dollar (etwa 1 US-Dollar).
Abbildung 2: Beispiele für Trenchcoats, die mit dem E-Massenanpassungsprogramm erstellt wurden. Die Teilnehmer erstellten Trenchcoats, indem sie einen bevorzugten Kragen, eine Länge, einen Stoff usw. wählten, gefolgt vom Hochladen eines Screenshots der Trenchcoat-Kreation. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
| Extrinsic Benefit (Franke et al., 2009) |
| im Vergleich zum Standardprodukt würde das angepasste Produkt _____________ |
| 1. Besser meine Anforderungen erfüllen |
| 2. Besser meine persönlichen Vorlieben erfüllen |
| 3. Wahrscheinlicher, die beste Lösung für mich zu sein |
| Intrinsic Benefit (Franke und Schreier, 2010) |
| 1. Ich habe diese Design-Aktivität sehr genossen |
| 2. Ich fand das Design des Produkts sehr angenehm |
| 3. Die Gestaltung dieses Produkts war sehr interessant |
| Emotional Product Attachment (Thomson et al., 2005) |
| Im Vergleich zum Standardprodukt dieser Marke kann mein Gefühl für sein kundenspezifisches Produkt durch ___________ charakterisiert werden. |
| 1. Zuneigung |
| 2. Anschluss |
| 3. Leidenschaft |
| 4. Faszination |
| Haltung zu einem Massenanpassungsprogramm (Li et al., 2001) |
| Das Massenanpassungsprogramm auf dieser Website war ___________ |
| 1. Unattraktiv e ansprechend |
| 2. Unerfreulich e angenehm |
| 3. Unattraktiv e attraktiv |
| 4. Dislikable e sympathisch |
| Loyalty Intentions (Kwon und Lennon, 2009) |
| 1. Ich würde ein maßgeschneidertes Produkt in diesem Anpassungsprogramm in naher Zukunft kaufen |
| 2. Ich würde dieses Anpassungsprogramm Freunden oder Verwandten empfehlen |
| 3. Ich würde auf diese Website zurückkehren und ein Produkt in naher Zukunft anpassen |
| Produktbeteiligung (Zaichkowsky, 1985) |
| Für mich ist Kleidung ___________. |
| 1. Unwichtig e wichtig |
| 2. Langweilig e interessant |
| 3. Unattraktiv e ansprechend |
| 4. Nicht benötigt e benötigt e benötigt |
| 5. Unaufregend e spannend6. Wertlos e wertvoll |
| Mode-Innovation (Park et al., 2007) |
| 1. Im Allgemeinen bin ich der Letzte in meinem Freundeskreis, der die Namen der neuesten neuen Mode kennt (R) |
| 2. Im Allgemeinen gehöre ich zu den Letzten in meinem Freundeskreis, die ein neues Modestück kaufen, wenn es erscheint (R) |
| 3. Im Vergleich zu meinen Freunden besitze ich neue Modeartikel. |
| 4. Ich kenne die Namen neuer Modedesigner, bevor andere es tun. |
| 5. Wenn ich hörte, dass ein neuer Modeartikel im Laden erhältlich war, wäre ich interessiert genug, es zu kaufen. |
| 6. Ich werde ein neues Modestück kaufen, auch wenn ich es noch nicht gesehen habe. |
| (R) Umgekehrt codiert |
Tabelle 1: Messmaßstab. Diese Tabelle wurde bereits29verwendet.
3. Datenaufbereitung
- Speichern Sie die Umfragedaten in einer SPSS-Datei als "Data_TOTAL.sav" (siehe Abbildung 3), die alle Antworten der Umfrageteilnehmer enthält. Löschen Sie Fälle, die fehlende Werte enthalten. Verwenden Sie die bereinigten Daten, um eine SEM-Analyse durchzuführen.
- Trennen Sie die Gesamtdaten in zwei Datendateien: High- und Low-Fashion-Innovative-Gruppen. Verwenden Sie eine Medianaufteilung. Summe und Durchschnitt der Ergebnisse von sechs Elementen der Mode-Innovation, und berechnen Sie den Median der Mode-Innovation (med = 4.17).
HINWEIS: Mediansplit wird häufig in der Psychologie- und Marketingforschung verwendet, und die Verwendung einer Medianaufteilung für eine kontinuierliche Variable zur Untersuchung von Gruppenunterschieden ist gültig24. - Klicken Sie unter dem Menü "Transformieren" auf "In verschiedene Variablen umcodieren". Erstellen Sie eine neue Variable, "Fashion innovative group (FIG)", indem Sie "1 (Low Fashion innovative group)" kodieren, wenn der Mittelwert niedriger ist als der Median (z. B. Median = 4,17), oder indem Sie "2 (High Fashion innovative Group)" codieren, wenn er höher als der Median ist (siehe Abbildung 4 ).
- Klicken Sie unter dem Menü "Daten" auf "In Dateien aufteilen", doppelklicken Sie auf die Variable "Fashion innovative group (FIG)", um sie in das Feld "Fälle nach teilen" zu verschieben, und weisen Sie den Speicherort "Ausgabedateiverzeichnis" zu, um die Dateien zu speichern (siehe Abbildung 5).
- Speichern Sie "1.sav" und "2.sav" im zugewiesenen Verzeichnis. Ändern Sie die Dateinamen in "Data_low fashion innovativeness.sav" und "Data_high fashion innovativeness.sav", um beide für LMA zu verwenden.
Abbildung 3: Data_TOTAL. Die Daten enthalten Antworten aller Teilnehmer (n = 290), die für die SEM-Analyse verwendet werden. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Abbildung 4: Erstellen der neuen Variablen "Fashion innovative group (FIG)". Die neue Variable (FIG) wurde durch die Codierungen "1 (Low Fashion innovative group)" und "2 (high innovative group)" hergestellt. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Abbildung 5: Aufteilen des Datasets in zwei Datendateien. Die gesamte Datendatei "Data_TOTAL" wurde in "Data_low fashion innovativeness.sav" und "Data_high fashion innovativeness.sav"-Dateien für die spätere Verwendung in einem LMA unterteilt. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
4. Ausführen einer Bestätigungsfaktoranalyse (CFA)
-
Führen Sie eine einzelne Gruppe CFA mit dem Fünf-Faktor-Messmodell, um die konvergente Gültigkeit zu bestätigen. Klicken Sie auf "Datendatei(n auswählen) | Data_TOTAL.sav". Entwickeln Sie das Messmodell auf der Grundlage der Forschungsfragen.
- Das Messmodell umfasst fünf latente Variablen (d. h. extrinsische Vorteile, intrinsischen Nutzen, emotionale Produktbindung, Einstellungen zu einem Massenanpassungsprogramm und Treueabsichten) und 17 beobachtete Variablen (drei beobachtete Variablen für extrinsischer Nutzen, drei für intrinsischen Nutzen, vier für emotionale Produktbindung, vier für Einstellungen zu einem Massenanpassungsprogramm und drei für Treueabsichten). Legen Sie Die Varianzen der latenten Variablen als "1" fest (siehe Abbildung 6 und Abbildung 7). Klicken Sie auf "Schätzungen berechnen".
- Überprüfen Sie die Anpassungsindizes des Messmodells anhand der Ergebnisse der einzelnen Gruppe CFA: Goodness-of-Fit-Index (GFI), Adjusted Goodness-of-fit Index (AGFI), Normed Fit Index (NFI), Tucker-Lewis Index (TLI), Comparative Fit Index (CFI) und Root mean square error of Näherung (RMSEA).
Abbildung 6: Modellspezifikation für die Analyse des Bestätigungsfaktors. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Abbildung 7: Messmodell für die Analyse des Bestätigungsfaktors. Das Messmodell für CFA wurde mit dem AMOS-Programm erstellt. Die Varianz latenter Variablen wurde mit "1" festgelegt. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
5. Ausführen eines SEM
- Um die Beziehungen zwischen latenten Variablen zu testen, führen Sie ein SEM durch. Klicken Sie auf "Datendatei(n auswählen) | Data_TOTAL.sav". Entwickeln Sie das SEM auf der Grundlage der Forschungsfragen, einschließlich fünf latenter Variablen und 17 beobachteter Variablen.
- Zeichnen Sie Pfeile von "Extrinsic_V" und "Intrinsic_V" zu "EP_Attachment" und "Attitude_MP" sowie von "EP_Attachment" und "Attitude_MP" zu "Loyalty". Fügen Sie drei unbeobachtete Variablen hinzu, nämlich "z1" als Prädiktor von "EP_Attatchment", "z2" als Prädiktor von "Attitude_MP" und "z3" als Prädiktor von "Loyalty" (siehe Abbildung 8, Abbildung 9). Klicken Sie auf "Schätzungen berechnen". Überprüfen Sie die "Schätzungen" und passen Sie die Indizes des Modells an.
Abbildung 8: Modellspezifikation für die Strukturgleichungsmodellierung. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Abbildung 9: Strukturgleichungsmodellierungsanalyse. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
6. Durchführung von Invarianztests für LMA
- Um die High- und Low-Fashion-Innovationsgruppen zu vergleichen, führen Sie ein LMA auf der Grundlage einer Multi-Group-Bestätigungsfaktoranalyse (MGCFA) durch. Testen Sie vor dem LMA die konfigurale Invarianz, die metrische Invarianz und die skalare Invarianz zwischen beiden Gruppen25.
- Erstellen des multigruppenigen Messmodells: Erstellen Sie das Messmodell (d. h. das Modell für MGCFA) mit zwei Gruppen mit den Namen "hoch" und "niedrig" unter "Gruppen verwalten". Wählen Sie die Datendateien für die Gruppen wie folgt aus: "Data_low fashion innovativeness.sav" für die Low-Fashion-Innovative Group und "Data_high fashion innovativeness.sav" für die High-Fashion-Innovative Group (siehe Abbildung 10).
Abbildung 10: Auswählen von Datendateien für Gruppen. Das Messmodell für MGCFA wurde erstellt und zwei Datendateien ("Data_low fashion innovativeness.sav" und "Data_high fashion innovativeness.sav") hochgeladen. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
-
Testen der konfiguralen Invarianz
ANMERKUNG: Wenn die Struktur der Messmodelle in beiden Gruppen die gleiche Form hat (d. h. die gleichen Abmessungen und die gleichen Muster fester und nicht fester Werte), ist die konfigurale Invarianz befriedigt (siehe Abbildung 11). Wenn die Anpassung des Messmodells zufriedenstellend ist, fahren Sie mit dem nächsten Schritt zur Überprüfung der metrischen Invarianz26fort.- Führen Sie den CFA mit dem zuvor vorgeschlagenen Fünf-Faktor-Messmodell für jede Gruppe aus. Klicken Sie auf "Schätzungen berechnen". Überprüfen Sie die "Schätzungen" und passen Sie die Indizes beider Modelle an. Wenn die Anpassung beider Modelle zufriedenstellend ist und die Faktorkoeffizienten signifikant sind, fahren Sie mit dem nächsten Schritt fort.
- Führen Sie MGCFA mit dem Fünf-Faktor-Messmodell als Basismodell. Fixieren Sie "1" für den Faktorkoeffizienten von jeder latenten Variable auf die erste beobachtete Variable und lassen Sie die anderen Faktorkoeffizienten frei. Klicken Sie auf "Schätzungen berechnen".
- Überprüfen Sie die "Schätzungen" der beiden Gruppen und passen Sie die Indizes des Modells an. Wenn die Anpassung des Modells zufriedenstellend ist und die Faktorkoeffizienten signifikant sind, ist die konfigurale Invarianz erfüllt. Fahren Sie dann mit dem nächsten Schritt fort, der den Metrikinvarianztest beinhaltet.
Abbildung 11: Gleiche Abmessungen und Formen der Messmodelle in zwei Gruppen. (A) Modell für die High-Fashion-Innovationsgruppe und (B) Modell für die Low-Fashion-Innovationsgruppe. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
-
Testen der metrischen Invarianz
ANMERKUNG: Der Test der metrischen Invarianz bewertet, ob die Faktorkoeffizienten, die latente Variablen mit beobachteten Variablen verknüpfen, gruppenübergreifend gleich sind.- Fixieren Sie für den Test der Metrikinvarianz die Faktorkoeffizienten über Gruppen hinweg. Geben Sie denselben Namen für die gleichen Koeffizienten über Gruppen hinweg ein (z. B. "a" für Extrinsic_V | E2, "j" für EP_Attachment | EA4, siehe Abbildung 12). Klicken Sie auf "Schätzungen berechnen". Überprüfen Sie die "Schätzungen" der beiden Gruppen und passen Sie die Indizes des Modells an.
- Führen Sie einen Chi-Quadrat-Differenztest durch, indem Sie das vollständige metrische Invarianzmodell (d. h. das Modell mit festen Faktorkoeffizienten über Gruppen hinweg) mit dem konfiguralen Invarianzmodell (d. h. dem Modell mit freien Faktorkoeffizienten über Gruppen) vergleichen. Wenn die Chi-Quadrat-Differenz nicht signifikant ist, wird die metrisch-invarianz befriedigt. Fahren Sie dann mit dem nächsten Schritt fort, der den skalaren Invarianztest25,26,27.
Abbildung 12: Festlegen der Faktorkoeffizienten über Gruppen hinweg. Durch die Eingabe desselben Namens für die gleichen Koeffizienten über Gruppen hinweg wurden die Faktorkoeffizienten zurückgehalten. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
-
Testen der skalaren Invarianz
ANMERKUNG: Skalare Invarianz bedeutet, dass 1) die gleichen Werte auf dem latenten Konstrukt mit den gleichen Werten auf der beobachteten Variablen assoziiert sind und 2) die Unterschiede in den Mittelwerten der beobachteten Variablen aus den mittleren Unterschieden der latenten Variablen abgeleitet werden. Um skalare Invarianz zu testen, beschränken Sie die Abfangen beobachteter Variablen, sodass sie in den Gruppen28gleich sind.- Klicken Sie im Menü "Ansicht" auf "Analyseeigenschaften". Klicken Sie auf die Registerkarte "Schätzung" und aktivieren Sie "Schätzen bedeutet und fängt ab". Klicken Sie mit der rechten Maustaste auf jede beobachtete Variable und wählen Sie "Objekteigenschaften". Wählen Sie die Registerkarte "Parameter" aus und geben Sie die Parameternamen wie "int_e1" und "int_ea1" in die Textfelder abfangen ein (siehe Abbildung 13).
- Führen Sie einen Chi-Quadrat-Differenztest durch, indem Sie das vollständige metrische/vollständige skalare Invarianzmodell (d. h. das Modell mit festen Intercepts beobachteter Variablen und festen Faktorkoeffizienten über Gruppen hinweg) mit dem vollständigen metrischen Invarianzmodell (d. h. dem Modell mit fixen Faktorkoeffizienten über die Gruppe). Wenn der Chi-Quadrat-Unterschied nicht signifikant ist, wird die vollständige metrische/vollständige skalare Invarianz befriedigt.
HINWEIS: Hierwird wird eine bestimmte Hierarchie (konfiguraler Invarianztest, metrischer Invarianztest, skalare Invarianzprüfung) verwendet. Sobald jeder Invarianztest erfüllt ist, führen Sie das LMA mithilfe des zuletzt ausgewählten Modells (d. h. des vollständigen metrischen/vollständigen skalaren Invarianzmodells) durch.
Abbildung 13: Eingeben von Parameternamen in das Textfeld Abfangen.
Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
7. Ausführen eines LMA
- Führen Sie ein LMA durch Verwendung des vollständigen Skalar-/Vollmetrikinvarianzmodells27,28. Um die Mittelwerte latenter Variablen zu vergleichen, fixieren Sie die Mittelwerte latenter Variablen in einer Gruppe und lassen Sie sie in der anderen Gruppe frei sein.
- Schätzen Sie die mittleren Unterschiede zwischen Gruppen, indem Sie eine Mittelwerte für eine Referenzgruppe auf Null fixieren und dann die Mittelwerte für die andere Gruppe schätzen. Fixieren Sie also die Mittel aller latenten Variablen in der Low-Fashion-Innovationsgruppe auf Null. Es ist wichtig sicherzustellen, dass die Mittel der latenten Variablen in der High-Fashion-Innovationsgruppe frei sind und ihre Varianzen in beiden Gruppen frei sind (siehe Abbildung 14).
- Klicken Sie auf "Schätzungen berechnen". Überprüfen Sie die "Schätzungen" der beiden Gruppen und passen Sie die Indizes des Modells an.
- Klicken Sie unter "Schätzungen" auf "Text anzeigen" und überprüfen Sie die Mittelwerte latenter Variablen in der innovativen High-Fashion-Gruppe unter "Schätzungen" (siehe Abbildung 15).
Abbildung 14: Festlegen der latenten variablen Mittelwerte und Varianzen. (A) High Fashion innovative Gruppe und (B) Low Fashion innovative Gruppe. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Abbildung 15: Ausgabe für latente Mittelwertanalyse. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Die Frequenzstatistik bot Merkmale der Stichprobe. Insgesamt 290 weibliche Online-Konsumenten haben den Einkaufsprozess mit dem E-Massen-Anpassungsprogramm abgeschlossen. Die demografischen Merkmale der Stichprobe waren gleichmäßig verteilt. Nach Altersgruppen waren 23,1 % in den Zwanzigern, 28,3 % in den Dreißigern, 26,6 % in den Vierzigern und 22,1 % in den Fünfzigern. Nach dem Familienstand waren 58,3 % verheiratet, während 40 % ledig waren. Nach Beruf waren 45,2 % Büroangestellte, 22,8 % Hausfrauen, 10,3 % Berufstätige, 9,3 % Studenten und 5,5 % im Dienstleistungssektor(Tabelle 2).
Eine einzelne Gruppe CFA wurde mit fünf latenten Variablen ("Extrinsic_V", "Intrinsic_V", "EP_Attachment", "Attitude_MP" und "Loyalty") und 17 beobachteten Variablen durchgeführt. Die Passform des Fünf-Faktor-Messmodells wurde bewertet. Obwohl die Chi-Quadrat-Statistik signifikant war (Chi-Quadrat = 179,63, df = 109, p = 0,000), ist die Chi-Quadrat-Statistik empfindlich gegenüber großen Stichprobengrößen (n = 209). Die Werte anderer Anpassungsindizes deuteten auf eine gute Gesamtmodellanpassung hin (GFI = 0,93, AGFI = 0,91, NFI = 0,97, TLI = 0,98, CFI = 0,99 und RMSEA = 0,05). Alle kritischen Verhältnisse (CRs) der Faktorkoeffizienten waren signifikant (p < 0,001), was bedeutet, dass die konvergente Gültigkeit erreicht wurde (Abbildung 16).
| altersgruppe | ||
| häufigkeit | Prozent | |
| 20er Jahre | 67 | 23.1 |
| 30er Jahre | 82 | 28.3 |
| 40er Jahre | 77 | 26.6 |
| 50er Jahre | 64 | 22.1 |
| beschäftigung | ||
| häufigkeit | Prozent | |
| Studenten | 27 | 9.3 |
| Büroangestellte | 131 | 45.2 |
| produktion | 1 | 0.3 |
| bedienung | 16 | 5.5 |
| Profis | 30 | 10.3 |
| geschäft | 12 | 4.1 |
| Hausfrauen | 66 | 22.8 |
| Andere | 7 | 2.4 |
| gesamt | 290 | 100.0 |
| familienstand | ||
| häufigkeit | Prozent | |
| Sigle | 116 | 40.0 |
| verheiratet | 169 | 58.3 |
| Andere | 5 | 1.7 |
| gesamt | 290 | 100.0 |
Tabelle 2: Stichprobenmerkmale.
Abbildung 16: Ausgabe für die Analyse des Bestätigungsfaktors. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Eine einzelne Gruppe SEM wurde durchgeführt. Die Anpassungsindizes des Messmodells ergaben eine akzeptable Passung (GFI = 0,93, AGFI = 0,91, NFI = 0,97, TLI = 0,98, CFI = 0,99 und RMSEA = 0,05). Die CR-Werte der Pfadkoeffizienten waren signifikant und zeigten folgendes: (1) positive Effekte von "Extrinsic_V" (beta = 0.431, CR = 6.661, p < 0.001) und "Intrinsic_V" (beta = 0.339, CR = 6.848, p < 0.001) auf "EP_Attachment"; (2) positive Effekte von "Extrinsic_V" (beta = 0.159, CR = 2.581, p < 0.05) und "Intrinsic_V" (beta = 0.378, CR = 6.688, p < 0.001) auf "Attitude_MP"; (3) positive Auswirkungen von "EP_Attachment" auf "Attitude_MP" (beta = 0.328, CR = 4.905, p < 0.001); und (4) positive Effekte von "Attitude_MP" auf "Loyalty" (beta = 0.846, CR = 6.932, p < 0.001). Die Wirkung von "EP_Attachment" auf "Loyalty" war nicht signifikant (beta = 0.078, CR = 0.696, p = 0.486; siehe Tabelle 3).
| Pfadkoeffizient | schätzen | Standardisierte Schätzunge | Se. | C.R. | seiten |
| "Extrinsic_V" --> "EP_Attachment" | 0.431 | 0.437 | 0.065 | 6.661 | *** |
| "Intrinsic_V" --> "EP_Attachment" | 0.399 | 0.439 | 0.058 | 6.848 | *** |
| "Extrinsic_V" --> "Attitude_MP" | 0.159 | 0.166 | 0.061 | 2.581 | 0.01 |
| "Intrinsic_V" --> "Attitude_MP" | 0.378 | 0.429 | 0.056 | 6.688 | *** |
| "EP_Attachment" -->"Attitude_MP" | 0.328 | 0.338 | 0.067 | 4.905 | *** |
| "EP_Attachment" --> "Loyalität" | 0.078 | 0.062 | 0.113 | 0.696 | 0.486 |
| "Attitude_MP" --> "Loyalität" | 0.846 | 0.645 | 0.122 | 6.932 | *** |
| p-Wert < 0,001 | |||||
Tabelle 3: Ergebnisse der Modellierung der strukturellen Gleichung enden. Diese Tabelle wurde aus einer früheren Publikation29geändert.
Durch die Verwendung eines Mediansplits (med = 4.17) wurden die Daten in zwei Gruppen eingeteilt: Low Fashion innovative Group und High Fashion innovative group. Ein t-Testwurde durchgeführt und zeigte signifikante mittlere Unterschiede in der Mode-Innovationskraft zwischen High- und Low-Fashion-Innovationsgruppen (Mhoch = 5,03 > Mniedrig = 3,50; SDhoch = 0,72, SDniedrig = 0,68; Nhoch = 141, Nniedrig = 149; t = 18,53, df = 288, p < 0,001).
Vor dem Vergleich der latenten Mittel zwischen innovativen Gruppen mit hoher und niedriger Mode wurde eine Hierarchie von Invarianztests durchgeführt. Erstens wurden CFAs mit dem vorgeschlagenen Fünf-Faktor-Messmodell getrennt für die Low-Fashion-Innovations- und High-Fashion-Innovationsgruppen durchgeführt. Die Ergebnisse zeigten eine hervorragende Modellpassform für die Low-Fashion-Innovative-Gruppe (NFI = 0,96, TLI = 0,99, CFI = 0,99 und RMSEA = 0,04) und eine innovative High-Fashion-Gruppe (NFI = 0,93, TLI = 0,97, CFI = 0,97 und RMSEA = 0,07). Alle Faktorkoeffizienten waren signifikant, was bedeutet, dass das Fünf-Faktor-Modell für beide Gruppen akzeptiert wird.
Der nächste Schritt bestand darin, von der einzelnen Gruppe CFA zu MGCFA zu wechseln, um das Fünf-Faktor-Messmodell für beide Gruppen zu kreuzvalidieren. Modell 1 (konfigurales Invarianzmodell) wurde getestet, um zu bestätigen, ob die vorgeschlagene Struktur in innovativen Gruppen mit niedriger und hoher Modeidentischkeit gleich sein würde. Die Ergebnisse ergaben, dass die Passform des Modells zufriedenstellend war. Die Werte anderer Anpassungsindizes deuteten auf die gute Gesamtmodellanpassung hin (NFI = 0,94, TLI = 0,98, CFI = 0,98 und RMSEA = 0,04; siehe Tabelle 4). So wurde eine konfigurale Invarianz erreicht. Alle CRs der Faktorkoeffizienten waren signifikant (p < 0,001). Modell 1 wurde als Basismodell betrachtet.
Zum Testen der Metrikinvarianz wurden die Faktorkoeffizienten in zwei Gruppen auf die gleichen Werte beschränkt, und ein weiterer MGCFA wurde durchgeführt (Modell 2). Da Modell 2 in Modell 1 verschachtelt war, wurde ein Chi-Quadrat-Differenztest durchgeführt. Das Ergebnis zeigte, dass eine Chi-Quadrat-Differenz von 14.728 (df = 12) nicht signifikant war (p = 0,257), und die metrische Invarianz war befriedigt (siehe Tabelle 4). Ein Beispiel für den Chi-Quadrat-Differenztest ist wie folgt: chi-square(model 2) - chi-square(model 1) = 323.492 - 308.764 = 14.728; df Differenz: df (Modell 3) - df (Modell 2) = 230-218 = 12; chi-quadratisch (df = 12) = 14.728, p-Wert = 0.256649.
Da das metrische Invarianzmodell (Modell 2) akzeptiert wurde, wurde die skalare Invarianz getestet. Abfangen von fünf latenten Variablen wurde auf die Gleiche in zwei Gruppen beschränkt, und der letzte MGCFA wurde durchgeführt (Modell 3). Da das vollständige metrische/vollständige skalare Invarianzmodell (Modell 3) in Modell 2 verschachtelt war, wurde ein Chi-Quadrat-Differenztest durchgeführt. Die Ergebnisse zeigten, dass eine Chi-Quadrat-Differenz von 11,18 (df = 12) nicht signifikant war (p = 0,514), und skalare Invarianz war befriedigt (siehe Tabelle 4). Ein Beispiel für den Chi-Quadrat-Differenztest ist wie folgt: chi-square(model 3) - Chi-square(model 2) = 334.672 – 323.492 = 11.18; df Differenz: df (Modell 3) - df (Modell 2) = 242-230 = 12; chi-quadratisch (df = 12) = 11.18, p-Wert = 0.513559.
| Chi-Quadrat | Df | RMSEA | Nfi | Tli | Cfi | |
| Konfigurale Invarianz (Basismodell): Modell 1 | 308.764 | 218 | 0.038 | 0.94 | 0.98 | 0.98 |
| Vollständige metrische Invarianz: Modell 2 | 323.492 | 230 | 0.038 | 0.94 | 0.98 | 0.98 |
| Vollständige metrische/vollständige skalare Invarianz: Modell 3 | 334.672 | 242 | 0.036 | 0.94 | 0.98 | 0.98 |
| Chi-Quadrat-Unterschied | df-Differenz | seiten | entscheidung | |||
| Test der vollständigen metrischen Invarianz (Modell 1 vs. Modell 2) | 14.728 | 12 | 0.256649 | annehmen | ||
| Test der vollständigen skalaren Invarianz (Modell 1 vs. Modell 2) | 11.18 | 12 | 0.513559 | annehmen | ||
Tabelle 4: Anpassen von Indizes für Invarianztests für LMA. Diese Tabelle wurde aus einer früheren Publikation29geändert.
Da die konfigurale Invarianz, die metrische Invarianz und die skalare Invarianz erreicht wurden, wurde die LMA durchgeführt. Die Low-Fashion-Innovative-Gruppe wurde als Referenzgruppe verwendet, mit ihren Mitteln latenter Variablen, die auf Null festgelegt sind, während latente Mittelwerte für die High-Fashion-Innovationsgruppe geschätzt wurden. Die Ergebnisse des LMA zeigten, dass die Mittel von fünf latenten Variablen ("Extrinsic_V", "Intrinsic_V", "EP_Attachment", "Attitude_MP" und "Loyalty") für innovative High-Fashion-Gruppen positive Werte waren und deutlich höher waren als die für mode innovative Gruppen (siehe Tabelle 5).
| bauen | Niedrig | Hoch | Se | Cr |
| "Extrinsic_V" | 0 | 0.590 | 0.134 | 4.393*** |
| "Intrinsic_V" | 0 | 0.690 | 0.141 | 4.878*** |
| "EP_Attachment" | 0 | 0.527 | 0.134 | 3.926*** |
| "Attitude_MP" | 0 | 0.521 | 0.127 | 4.084*** |
| "Loyalität" | 0 | 0.980 | 0.169 | 5.796*** |
| p-Wert<0,001 | ||||
Tabelle 5: Ergebnisse der LMA. Diese Tabelle wurde aus einer früheren Publikation29geändert.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Implikationen von Befunden
Die Ergebnisse dieser Studie zeigen, dass die extrinsischen und intrinsischen Vorteile der Verbraucher, die sich aus der Schaffung eines massierten, maßgeschneiderten Produkts ergeben, dazu beitragen, die emotionale Bindung an das Produkt zu fördern, positive Einstellungen zum Anpassungsprogramm zu schaffen und Loyalitätsabsichten. Die Ergebnisse über die mäßigenden Effekte der Mode-Innovation zeigen, dass im Vergleich zu Verbrauchern in einer Low-Fashion-Innovationsgruppe diejenigen in einer High-Fashion-Innovationsgruppe größere Vorteile wahrnehmen, größere Bindungen haben, günstigere Einstellungen gegenüber dem Programm und haben größere Loyalitätsabsichten. Diese Ergebnisse liefern theoretische und praktische Erkenntnisse zur Unterstützung des HOE-Modells.
Auswirkungen der Online-Erhebungsmethodik
Diese Studie führte eine Online-Umfrage mit einem Umfrageunternehmen in Südkorea durch. Das Forschungsunternehmen verfügt über das größte Verbraucherpanel mit hohen Ansprechraten in Korea. Die Alters- und Geschlechterverteilungen im Panel spiegeln den Zustand der koreanischen Bevölkerung wider. Das Verbraucherpanel verfügt über ein hohes Maß an Zuverlässigkeit durch die Überprüfung von echten Namen. Da das Forschungsunternehmen das Panel kontinuierlich mit verschiedenen innovativen Methoden verwaltet, ist die Loyalität des Panels gegenüber dem Forschungsunternehmen hoch; Daher gelten die vom Unternehmen erzielten Umfrageergebnisse als sehr zuverlässig.
Die Verwendung eines bestehenden Massenanpassungsprogramms hat Vorteile gegenüber traditionellen experimentellen Studien. Die Teilnehmer können ein Massenanpassungsprogramm in einer natürlichen und realistischen Umgebung ausprobieren, anstatt eines, das absichtlich für die Studie manipuliert wird. Obwohl die Teilnehmer verstehen, dass sie an einer Studie teilnehmen, nutzen sie kein Massenanpassungsprogramm, das untersucht wird. Reaktivitätseffekte können entfernt werden, und ihre Reaktionen auf das angepasste Massenprodukt ähneln eher ihrem tatsächlichen Verhalten beim Erstellen eines benutzerdefinierten Produkts. Daher verfügt diese Studie über den Vorteil der feldforschung auf basisdem Naturalismus30und behält damit ein hohes Maß an externer Gültigkeit bei. Darüber hinaus ähneln die Antworten der Teilnehmer den Mitgliedern der Bevölkerung, aus der sie ausgewählt wurden. Diese Studie erhält eine Verallgemeinerbarkeit der Ergebnisse für diesen spezifischen Zustand (d. h. weibliche Online-Bekleidung Käufer in Südkorea).
Diese Studie bietet ein Szenario für Teilnehmer, die ein Produkt in einem Anpassungsprogramm erstellen möchten. Eine Kritik an szenariobasierten Studien ist ihre externe Gültigkeit. Die Teilnehmer sind aufgrund der künstlichen Natur desSzenarioseher an kognitiven Bewertungen beteiligt als an emotionalen. Die Ergebnisse zeigen jedoch, dass Verbraucher, die Vorteile des maßgeschneiderten Produkts wahrnehmen, eine größere emotionale Bindung an das Produkt zeigen, was darauf hindeutet, dass sie sowohl kognitive als auch emotionale Aspekte der Erfahrung bewerten können. Diese Studie simuliert eine reale Einkaufserfahrung mit dem beschriebenen Szenario. Dadurch zeigen die Teilnehmer eine höhere Beteiligung an der Einkaufssituation, was die externe Gültigkeit weiter verbessert.
Auswirkungen von SEM und LMA
Diese Studie wendet SEM an, um die Beziehungen zwischen latenten Variablen zu testen, und nutzt die LMA mit MGCFA, um die Mittel latenter Variablen zwischen zwei Verbrauchergruppen (Low- und High-Fashion-Innovative-Gruppen) zu vergleichen. Das LMA erfordert die Hierarchie der Invarianztests, die den kritischen Schritten eines (1) konfiguralen Invarianztests, (2) metrischen Invarianztests und (3) skalaren Invarianztests folgt. Es wurde betont, dass qualitativ hochwertige Forschung Invarianztests anwenden sollte, bevor SEM und LMA getestet werden, da die Invarianztests Messfehler innerhalb jeder latenten Variable korrigieren und bewerten, die Gültigkeit des Konstrukts schätzen und die Messung auswerten können. Invarianz in gruppen13. Die Ergebnisse von Mittelvergleichen können je nach angewandten Datenanalysen wie ANOVA und MGCFA unterschiedlich sein. Wenn die Messinvarianz nicht enthalten ist, werden die statistischen Ergebnisse der mittleren Unterschiede zu ANOVA und MGCFA unterschiedlich und ungültig32.
Diese Studie betont die Bedeutung der Prüfung der Messungsinvarianz für mittlere Vergleiche und liefert Informationen über die Anwendbarkeit von Invarianztestverfahren und LMA in Bezug auf die Forschung über das Verbraucherverhalten. Die Leser sollten in der Lage sein, ihre eigenen Analysen einfach durchzuführen. Falls erforderlich, sind Annahmen im Zusammenhang mit der Messinvarianz nicht erfüllt, und die mittleren Vergleiche latenter Variablen können nicht interpretiert werden. Die Forschungsergebnisse der mittleren Unterschiede können Gültigkeit haben, da sie sich an einem ausgeklügelten statistischen Verfahren orientieren, um die Messungsinvarianz zu gewährleisten. Forscher müssen die Messungsinvarianz abschätzen und mittlere Vergleiche durchführen, um die Integrität zukünftiger Studien zu gewährleisten.
Obwohl sich diese Studie auf mehrere Gruppenvergleiche konzentriert, sind die Vergleiche auf die Untersuchung latenter Mittlerer Unterschiede beschränkt und behandeln keine Gruppenunterschiede in den Beziehungen zwischen latenten Variablen. Ein alternativer Ansatz für mehrere Gruppenvergleiche besteht darin, MGSEM Multiple Group Structural Equation Modeling (MGSEM) anzuwenden und die Pfadkoeffizienten über Gruppen hinweg zu vergleichen. Dazu sind Messinvarianztests erforderlich, und die Hierarchie der Invarianztests ist dann für weitere Forschungen anwendbar.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Die Autoren haben nichts zu verraten.
Acknowledgments
Die Daten wurden aus Park und Yoos Studie29geändert. Diese Arbeit wurde vom Bildungsministerium der Republik Korea und der National Research Foundation of KOREA (NRF = 2016S1A5A2A03927809) unterstützt.
Materials
| Name | Company | Catalog Number | Comments |
| SPSS AMOS 22 | IBM Corporation, Data Solution Inc. | used for confirmatory factor analyses, structural equation modeling analyses, and latent means analyses |
References
- Srinivasan, S. S., Anderson, R., Ponnavolu, K. Customer loyalty in e-commerce: an exploration of its antecedents and consequences. Journal of Retailing. 78 (1), 41-50 (2002).
- Mouw, R. Biggest challenges of mass customization and tips for addressing these challenges. Manufacturing Tomorrow. , Available from: http://www.manufacturingtomorrow.com/article/2016/05/biggest-challenges-of-mass-customization-and-tips-for-addressing-these-challenges-/8047 (2005).
- Fiore, A. M., Lee, S. E., Kunz, G. Individual differences, motivations, and willingness to use a mass customization option for fashion products. European Journal of Marketing. 38 (7), 835-849 (2004).
- Pine, B. J., Gilmore, J. H. The Experience Economy: Work is Theater and Every Business a Stage. , Harvard Business School Press. Boston, MA. (1999).
- Yoo, J., Park, M. The effects of e-mass customization on consumer perceived value, satisfaction, and loyalty toward luxury brands. Journal of Business Research. 69 (12), 5775-5784 (2016).
- Endo, S., Kincade, D. H. Mass customization for long-term relationship development: why consumers purchase mass customized products again. Qualitative Market Research: An International Journal. 11 (3), 275-294 (2008).
- Spiegel, E. How the U.S. can be a leader in the factory of the future. , Available from: http://blogs.wsj.com/experts/2015/06/04/how-the-u-s-can-be-a-leader-in-the-factory-of-the-future (2015).
- Franke, N., Piller, F. T. Value creation by toolkits for user innovation and design: the case of the watch market. The Journal of Product Innovation Management. 21 (6), 401-415 (2004).
- Lavidge, R. J., Steiner, G. A. A model for predictive measurements of advertising effectiveness. Journal of Marketing. 25, 59-62 (1961).
- Deci, E. L. Intrinsic Motivation. , Plenum Press. New York, NY. (1975).
- Kim, H. W., Chan, H. C., Gupta, S. Value-based adoption of mobile internet: an empirical investigation. Decision Support System. 43 (1), 111-126 (2007).
- Rogers, E. M. Diffusion of Innovations, 4th Edition. , The Free Press. New York, NY. (1995).
- Fiore, A. M., Lee, S. E., Kunz, G. Individual differences, motivations, and willingness to use a mass customization option for fashion products. European Journal of Marketing. 38 (7), 835-849 (2004).
- Franke, N., Piller, F. T. Key research issues in user interaction with configuration toolkits in a mass customization system. International Journal of Technology Management. 26 (5/6), 578-599 (2003).
- Grisaffe, D. B., Nguyen, H. P. Antecedents of emotional attachment to brands. Journal of Business Research. 64 (10), 1052-1059 (2011).
- Lee, M. Factors influencing the adoption of internet banking: an integration of TAM and TPB with perceived risk and perceived benefit. Electronic Commerce Research and Applications. 8 (3), 130-141 (2009).
- Pedeliento, G., Andreini, D., Bergamaschi, M., Salo, J. Brand and product attachment in an industrial context: the effects on brand loyalty. Industrial Marketing Management. 53, 194-206 (2016).
- Ilicic, J., Webster, C. M. Effects of multiple endorsements and consumer celebrity attachment on attitude and purchase intention. Australasian Marketing Journal. 19 (4), 230-237 (2011).
- Koo, G. Y., Hardin, R. Difference in interrelationship between spectators’ motives and behavioral intentions based on emotional attachment. Sport Marketing Quarterly. 17 (1), (2008).
- Kang, J. M., Kim, E. e-Mass customization apparel shopping: effects of desire for unique consumer products and perceived risk on purchase intentions. International Journal of Fashion Design, Technology and Education. 5 (2), 91-103 (2012).
- Kim, J. B., Rhee, D. The relationship between psychic distance and foreign direct investment decisions: a Korean study. International Journal of Management. 18 (3), 286-293 (2001).
- Simonson, I. Determinants of customers' responses to customized offers: conceptual framework and research propositions. Journal of Marketing. 69 (1), 32-45 (2005).
- Consumer behavior study reveals South Korean online shopping habits. FedEx. , Available from: http://about.van.fedex.com/newsroom/asia-english/consumer-behavior-study-reveals-south-korean-online-shopping-habits/ (2015).
- Iacobucci, D., Posavac, S. S., Kardes, F. R., Schneider, M. J., Popovich, D. L. Toward a more nuanced understanding of the statistical properties of a median split. Journal of Consumer Psychology. 25 (4), 652-665 (2015).
- Steenkamp, J. B. E. M., Baumgartner, H. Assessing measurement invariance in cross-national consumer research. Journal of Consumer Research. 25 (1), 78-90 (1998).
- Bollen, K. A. Structural Equation with Latent Variables. , Wiley. New York, NY. (1989).
- Sass, D. A. Testing measurement invariance and comparing latent factor means within a confirmatory factor analysis framework. Journal of Psychoeducational Assessment. 29 (4), 347-363 (2011).
- Hong, S., Malik, M. L., Lee, M. K. Testing configural, metric, scalar, and latent mean invariance across genders in sociotropy and autonomy using a non-western sample. Educational and Psychological Measurement. 63 (4), 636-654 (2003).
- Park, M., Yoo, J. Benefits of mass customized products: moderating role of product involvement and fashion innovativeness. Heliyon. 4, 00537 (2018).
- Neuman, W. L. Social Research Methods: Qualitative and Quantitative Approaches, 6th Edition. , Allyn and Bacon. Boston, MA. (2006).
- Kim, J. H., Jang, S. A scenario-based experiment and a field study: a comparative examination for service failure and recovery. International Journal of Hospitality Management. 41, 125-132 (2014).
- Hancock, G. R., Lawrence, F. R., Nevitt, J. Type I error and power of latent mean methods and MANOVA in factorial invariant and noninvariant latent variable systems. Structural Equation Modeling. 7 (4), 534-556 (2000).
