Como as Características das Celebridades Virtuais Impulsionam a Intenção de Compra: Testando a Estrutura Estímulo-Organismo-Resposta com Modelagem de Equações Estruturais

Este estudo analisa como os atributos virtuais das celebridades influenciam a satisfação do consumidor, a realeza, a intenção de compra e como a personalização fortalece a realeza orientada pela satisfação. Estudos existentes identificam meios alternativos e a credibilidade, mas explicam inadequadamente os resultados do processo. Este estudo esclarece os mecanismos por meio do quadro SOR, mediação, personalização e moderação.

Para começar, defina o modelo estrutural para Modelagem de Equações Estruturais de Mínimos Quadrados Parciais, ou PLS-SEM. Especifique um máximo de seis preditores para os construtos endógenos, incluindo três características virtuais de celebridades e três variáveis de controle. Defina os parâmetros estatísticos, como tamanho médio do efeito, nível de significância e potência estatística para a análise de potência.

Agora, execute a análise de potência para estimar o tamanho mínimo necessário da amostra. Recrute participantes por meio de um painel de pesquisa online usando amostragem intencional não probabilística. Restringa a elegibilidade a indivíduos com 18 anos ou mais.

Insira perguntas de triagem e itens de verificação de atenção na pesquisa para verificar elegibilidade e qualidade das respostas. Revise as respostas da pesquisa e remova as inscrições que não passam pelos critérios de triagem ou atenção. Interrompa a coleta de dados assim que o tamanho alvo pré-determinado da amostra for atingido.

Comece apresentando uma definição que descreva celebridades virtuais como personas audiovisuais criadas digitalmente, com identidade visual estável, voz e conteúdo narrativo recorrente. Instrua os participantes a responder perguntas da pesquisa baseadas em suas experiências reais com essas celebridades virtuais. Desenvolva o questionário incluindo seções de pesquisa que abrangem aparência, voz, qualidade do conteúdo, satisfação, lealdade, personalização, intenção de compra e dados demográficos.

Meça todos os construtos usando escalas de Likert de 7 pontos, onde um indica forte discordância e sete indica forte concordância. Evite envios duplicados através das configurações de controle da plataforma. Exporte as respostas coletadas em valores separados por vírgulas ou formato CSV e importe o conjunto de dados limpo para o software PLS-SEM.

Para avaliação de modelos de medição e estrutura, especifique todos os construtos como construtos reflexivos. Avalie a confiabilidade usando a confiabilidade alfa e composta de Cronbach, ou CR maior ou igual a 0,7. Avalie a validade convergente usando a variância média extraída ou AVE maior ou igual a 0,5.

Avalie a validade discriminante usando o critério de Fornell-Larcker e a razão Heterotraço-Monotraço ou HTM e garanta que seja menor que 0,9. Especifique os caminhos estruturais de acordo com o modelo conceitual e avalie a multicolinearidade usando o fator de inflação da variância ou valores VIF abaixo de cinco. Execute bootstrapping com 5.000 subamostras para estimar coeficientes de caminho, valores T, intervalos de confiança e tamanhos de efeito.

Estimar efeitos indiretos usando bootstrapping com 5.000 subamostras e intervalos de confiança de 95% para testar a mediação sequencial dos atributos da celebridade virtual para a satisfação, satisfação para lealdade e lealdade para a intenção de compra. Crie termos de interação para testar os efeitos moderadores da personalização. Estime coeficientes de moderação e afete os tamanhos usando bootstrapping.

Gerar gráficos de interação para visualizar efeitos condicionais. Após a avaliação preditiva de desempenho, compare os valores de previsão Q-quadrado, erro quadrático médio raiz e erro absoluto médio com um modelo de benchmark linear. Confirme a relevância preditiva quando os valores de Q-quadrado previsíveis excedem zero e os erros PLS são menores que o benchmark.

Testes de confiabilidade e validade convergente mostraram que todos os construtos excederam os limites recomendados, confirmando que as medidas são tanto confiáveis quanto válidas. A validade discriminante avaliada usando o critério de Fornell-Larcker e a razão Heterotrait-Monotrait confirma que todos os construtos são empiricamente distintos. A avaliação do modelo estrutural indica poder explicativo moderado e desempenho preditivo aceitável.

A relevância preditiva é confirmada com valores de Q-quadrado que variam de 0,280 a 0,485. O desempenho preditivo do modelo PLS-SEM é comparado com um benchmark de regressão linear. Valores mais baixos de erro quadrático médio e erro absoluto indicam melhor precisão na previsão.

A análise estatística identifica quais hipóteses no modelo são apoiadas pelos dados. A aparência, a voz e a qualidade do conteúdo influenciam significativamente a satisfação do cliente. A satisfação aumenta a lealdade, o que, por sua vez, leva a uma maior intenção de compra.

A análise da mediação indica que a satisfação afeta a intenção de compra indiretamente por meio da lealdade. A personalização fortalece a relação entre satisfação e lealdade, mas não afeta a intenção de compra. O protocolo pode ajudar a medir como os atributos das celebridades virtuais afetam satisfação, lealdade e intenção de compra usando pesquisas e modelagem estrutural.

Neste protocolo, os principais desafios incluíram o recrutamento de celebridades virtuais dos participantes e o esclarecimento de relações inconsistentes entre satisfação e intenção de compra em estudos anteriores. Essa pesquisa facilita estudos futuros sobre tecnologias emergentes de IA em diferentes diferenças culturais e o efeito de longo prazo da personalização e da característica da celebridade virtual.