Как характеристики виртуальных знаменитостей определяют намерение покупки: тестирование структуры стимул-организм-реакция с помощью структурного моделирования уравнений

В этом исследовании анализируется, как атрибуты виртуальных знаменитостей влияют на удовлетворённость потребителей, роялти, намерения покупки, а также как персонализация усиливает роялти, основанный на удовлетворении. Существующие исследования выявляют альтернативные методы и достоверность, но недостаточно объясняют результаты процесса. Это исследование проясняет механизмы через рамки SOR, посредничество, персонализацию, модерацию.

Для начала определим структурную модель для моделирования структурных уравнений с частичными наименьшими квадратами, или PLS-SEM. Закажите максимум шесть предикторов для эндогенных конструкций, включая три характеристики виртуальных знаменитостей и три управляющие переменные. Установите статистические параметры, такие как средний размер эффекта, уровень значимости и статистическая мощность для анализа мощности.

Теперь проведите анализ мощности, чтобы оценить минимально необходимый размер выборки. Привлекайте участников через онлайн-панель исследований, используя целенаправленную невероятностную выборку. Ограничьте право на участие лицами в возрасте 18 лет и старше.

Вставьте вопросы отбора и пункты проверки внимания в опрос, чтобы проверить соответствие требования и качество ответов. Проверьте ответы опроса и удаляйте записи, не проходящие скрининг или критерии проверки внимания. Прекратить сбор данных после достижения заранее определённого размера целевой выборки.

Начните с определения, описывающего виртуальных знаменитостей как цифрово созданные аудиовизуальные персоны со стабильной визуальной идентичностью, голосом и повторяющимся повествовательным контентом. Инструктировать участников отвечать на вопросы опроса, основываясь на их реальных впечатлениях от таких виртуальных знаменитостей. Разработайте анкету, включив разделы опроса, охватывающие внешний вид, голос, качество контента, удовлетворённость, лояльность, персонализацию, намерение покупки и демографию.

Измеряйте все конструкции с помощью 7-балльной шкалы Ликера, где одна указывает на сильное несогласие, а семь — на сильное согласие. Предотвращайте дублирование публикаций через настройки управления платформой. Экспортируйте собранные ответы в формате с разделёнными запятыми или CSV-формате и импортируйте очищенный набор данных в программное обеспечение PLS-SEM.

Для измерения и оценки структурной модели указывайте все конструкции как отражательные конструкции. Оценить надёжность с помощью альфа- и композитной надёжности Кронбаха (CR) превышающей или равную 0,7. Оценить сходимость с помощью средней экстракции дисперсии или AVE превышающей или равную 0,5.

Оценить дискриминантную валидность с помощью критерия Форнелля-Ларкера и отношения гетеротрейт-моночерт или HTM и убедиться, что оно меньше 0,9. Определите структурные пути в соответствии с концептуальной моделью и оцените мультиколлинеарность с использованием коэффициента инфляции дисперсии или значений VIF ниже пяти. Запускайте bootstrapping с 5 000 подвыборками для оценки коэффициентов пути, T-значений, доверительных интервалов и размеров эффектов.

Оценить косвенные эффекты с помощью бутстрэппинга с 5 000 подвыборками и 95% доверительными интервалами для проверки последовательного посредничества от атрибутов виртуальной знаменитости к удовлетворению, удовлетворённости к лояльности и лояльности к намерению покупки. Создайте термины взаимодействия, чтобы проверить модерирующие эффекты персонализации. Оценивайте коэффициенты модерации и влияйте на размеры с помощью бутстрэппинга.

Создайте графики взаимодействия для визуализации условных эффектов. После оценки предиктивной эффективности сравните значения прогноза Q-квадрат, корневую среднюю квадратическую ошибку и среднюю абсолютную ошибку с линейной эталонной моделью. Подтвердить предиктивную релевантность, когда Q-квадрат предсказаемых значений превышает ноль и ошибки PLS ниже эталонного показателя.

Тесты надёжности и сходимости показали, что все конструкции превысили рекомендуемые пороги, подтверждая их надёжность и валидность. Дискриминантная валидность, оценённая с использованием критерия Форнелля-Ларкера и соотношения гетеротрейт-моночерт, подтверждает, что все конструкции эмпирически различны. Оценка структурной модели показывает умеренную объяснительную способность и приемлемую предсказательную эффективность.

Прогностическая значимость подтверждается значениями прогноза Q-квадрата в диапазоне от 0,280 до 0,485. Предсказательная производительность модели PLS-SEM сравнивается с линейным бенчмарком регрессии. Нижняя средняя квадратическая ошибка и значения средней абсолютной ошибки указывают на лучшую точность предсказания.

Статистический анализ определяет, какие гипотезы в модели подтверждаются данными. Внешний вид, голос и качество контента существенно влияют на удовлетворённость клиентов. Удовлетворенность повышает лояльность, что, в свою очередь, приводит к более высоким намерениям покупать.

Анализ медиации показывает, что удовлетворение косвенно влияет на намерение покупки через лояльность. Персонализация укрепляет связь между удовлетворённостью и лояльностью, но не влияет на намерение покупки. Протокол может помочь измерить, как атрибуты виртуальных знаменитостей влияют на удовлетворённость, лояльность и намерение купить с помощью опросов и структурного моделирования.

В этом протоколе ключевыми задачами были привлечение участников виртуальной знаменитости и уточнение несогласованной связи между отчётами о удовлетворенности и намерениях покупки в предыдущих исследованиях. Это исследование способствует будущим исследованиям новых технологий ИИ, несмотря на культурные различия, а также долгосрочное влияние персонализации и черты виртуальной знаменитости.