Применение программы настройки eMASS в качестве исследовательского инструмента для оценки потребительских выгод

Наш протокол требует, чтобы участники осматривали массовую настройку перед опросом, и использует данные опроса для проверки взаимосвязи между ответами потребителей. Протокол позволяет применять потребительские данные к структурному моделированию уравнений и скрытому анализу средств для получения сложных статистических данных и повышения достоверности исследований. Наше исследование принесет пользу исследованиям, исследуя влияние розничных или маркетинговых технологий на реакцию потребителей.

Хотя тестирование нескольких тестов на ингвариантность, таких как конфигурарный, матричный и масштабарный ингвариантность, может быть затруднено, мы советуем проявлять терпение и очень тщательно следовать этой процедуре, чтобы повысить качество данных. Демонстрацией процедуры будет Хиюн Ким, ученица класса А из моей лаборатории. Используйте онлайн-опрос для набора женщин-потребителей, которые имеют опыт покупок одежды в Интернете.

Отправить приглашение по электронной почте квалификационных участников, которая включает в себя информацию о цели исследования и гарантии конфиденциальности ответов. Отправить руководящие принципы для тех участников опроса, которые согласны принять участие в опросе, показывающие, как создать траншеи пальто с помощью программы настройки. Участники, согласившиеся принять участие в опросе, начинают процедуру опроса.

Они получают ссылку, которая подключена к программе настройки eMass в существующем веб-сайте покупки, и просят представить, что вы достаточно хорошо, чтобы купить симпатичную одежду и должны купить траншею пальто для участия в важной встрече. Вам захочется создать уникальный траншею. При просмотре Интернета, вы приходите через идеальный веб-сайт одежды, который имеет массовую программу настройки.

Через 24 часа после получения сценария активируйте ссылку на опрос, чтобы участники, которые закончили траншею и готовы принять участие в опросе, могли нажать на ссылку опроса. В ходе опроса участники загрузили скриншот и цену созданного ими траншеи на первую страницу опроса. Затем, участники заполнить онлайн анкету о предполагаемых преимуществ и эмоциональной привязанности к настраиваемому продукту, и отношение к программе настройки, лояльность намерений, и демографические вопросы.

Предоставьте денежное вознаграждение тем участникам, которые завершают опрос. Когда все обследования будут завершены, сохраните данные обследования в файле SPSS, содержащем все ответы участников опроса, и используйте очищенные данные для проведения анализа структурного моделирования уравнений. Используя средний раскол, сумма и средние баллы из шести пунктов моды инновационности и рассчитать средний балл моды инновационности.

В соответствии с меню преобразования, нажмите перекодировать на различные переменные и код один для низкой моды инновационной группы, если средний балл ниже, чем медиана. Двойной нажмите моды инновационной группы переменной, чтобы переместить его в разделенных случаях по полю. Затем назначьте расположение каталога выходных файлов, чтобы сохранить файлы как Data_low моды.

SAV и Data_high моды инновационности. sav в назначенном каталоге. Чтобы подтвердить достоверность конвергентности, нажмите на выбранные файлы данных, Data_TOTAL.sav.

Разработать модель измерения, основанную на исследовательских вопросах, чтобы включить пять скрытых переменных и 17 наблюдаемых переменных. Установите каждую из дисперсий скрытых переменных в один и нажмите вычислить оценки. Затем проверьте подходящие индексы измерительной модели по результатам анализа одного группового подтверждаемого фактора, благости индекса пригонки, скорректированного показателя годности, нормоприготовленного индекса, индекса Такера Льюиса, индекса сравнительной подгонки и корневой среднего квадратного погрешности приближения.

В ходе этого репрезентативного анализа был проведен анализ одного группового подтверждаемого фактора с пятью скрытыми переменными и 17 наблюдаемыми переменными. Все критические коэффициенты коэффициентов были значительными, что означает, что конвергентная достоверность была достигнута. Подходящие индексы одного группового структурного моделирования уравнений показали приемлемую подгонку.

Переход от анализа одного группы подтверждающих факторов к многогрупповому подтверждаемому анализу факторов для перекрестной проверки модели измерения пяти факторов для обеих групп показывает, что была достигнута конфигуративная ингуляцисть и что все критические коэффициенты коэффициентов фактора были значительными. Для проверки метрики коэффициенты коэффициентов были ограничены одинаковыми между двумя группами, а другой многогрупповой подтверждающий анализ факторов был проведен, что свидетельствует о том, что разница в 14,728 чи-квадрата не является значительной и что показательная неукооперативность была удовлетворена. С тех пор, как была принята модель метрики invariance, была протестирована скаларная ингвариантность.

Поскольку полная модель метрики/полного масштабарного ингварианса была вложена в полную модель метрики, был проведен тест разницы чи-квадрата, демонстрирующий, что разница в 11,18 чи-квадрата не является значительной и что масштабная невступерия была удовлетворена. С учетом того, что была достигнута конфигурируемая ингулярность, метрическая ингулярность и скаларная ингвариантность, был проведен скрытый средний анализ, и средства пяти скрытых переменных для высоких инновационных групп были определены как положительные значения, которые были значительно выше, чем для инновационных групп с низкой модой. Программа массовой настройки может показаться сложной в зависимости от восприятия человеком сложности задачи.

Не забудьте предоставить участникам достаточно времени для акклиматизации к программе настройки. Для устранения групповых различий во взаимоотношениях между скрытыми переменными можно проработать несколько групповых структурных уравнений для сравнения прошлых коэффициентов между группами. Большинство исследователей использовали несколько групп структурного моделирования уравнений для групповых сравнений.

Наше исследование предоставляет еще один способ для нескольких групповых сравнений, которые будут проводиться в области социальных наук.