Summary
Présenté ici est un protocole pour examiner les réponses des consommateurs à la personnalisation de masse dans le contexte de la vente au détail en ligne. Le protocole détaille la procédure d'enquête en ligne et comment analyser les données à l'aide de la modélisation des équations structurelles et des différences de groupe à l'aide d'analyses moyennes latentes.
Abstract
Comme de nombreux chercheurs et praticiens étudient la personnalisation et le marketing relationnel, il est important de fournir la personnalisation comme la personnalisation de masse par la technologie de marketing. Le but de cette étude est d'examiner comment mener des recherches sur les consommateurs à l'aide d'un sondage en ligne et d'une analyse des données. Cette étude examine les avantages perçus par les consommateurs lors de la personnalisation d'un produit ainsi que l'attachement émotionnel du produit, les attitudes à l'égard d'un programme de personnalisation et les intentions de fidélisation dans le contexte de la vente au détail en ligne. En outre, cette étude étudie comment les réponses des consommateurs sont différentes en fonction des caractéristiques individuelles telles que l'innovation de la mode. Une société d'enquête en ligne en Corée du Sud a recruté 290 femmes acheteurs de vêtements qui ont acheté des vêtements en ligne. Pour améliorer la validité externe, cette étude a utilisé un site Web de vente au détail existant avec un programme de personnalisation de masse bien établi. Après avoir terminé le programme de personnalisation, les participants remplissent le questionnaire en ligne. La modélisation des équations structurelles (SEM) et les analyses moyennes latentes (ALM) sont ensuite effectuées pour les analyses. Cette étude souligne l'importance de tester l'invariance de mesure pour les comparaisons moyennes. Avant le SEM et le LMA, cette étude suit la hiérarchie des tests d'invariance (test d'invariance configurale, test d'invariance métrique et test d'invariance scalaire), qui ne sont pas pris en compte par les approches traditionnelles telles que l'ANOVA. Ces analyses statistiques fournissent l'applicabilité des procédures de test d'invariance et l'AMT aux comportements des consommateurs. Les conclusions des différences moyennes ont l'intégrité et la validité parce qu'elles sont guidées par une procédure statistique sophistiquée pour assurer l'invariance de mesure.
Introduction
La personnalisation de masse se réfère à la capacité d'un e-détaillant d'adapter des produits, des services, et l'environnement transactionnel aux clients individuels1. Les consommateurs d'aujourd'hui ne sont pas satisfaits des produits standard, et de nombreux détaillants l'ont reconnu. Offrir une option de personnalisation de masse est une méthode pour obtenir la fidélité de la clientèle et des avantages concurrentiels2. La personnalisation de masse comme tactique de marketing permet aux consommateurs de créer leurs propres produits en fonction de besoins particuliers et fournit ainsi des produits ou services individualisés3. Par exemple, les consommateurs peuvent non seulement acheter une paire de chaussures qui sont produites en série, mais ils peuvent également créer une nouvelle paire unique de chaussures qui ne sont pas disponibles sur les sites Web de vente au détail réguliers en choisissant la couleur, le tissu, et d'autres composants de conception. En conséquence, les consommateurs peuvent acheter des produits plus favorables, et leur satisfaction avec le produit personnalisé ainsi que la fidélité à la marque augmenter4,5.
Avec l'utilisation croissante de l'Internet, le processus de personnalisation de masse est devenu plus rapide et efficace en termes de réduction du temps de production et de fournir plus d'options de conception avec les mêmes coûts. En outre, les détaillants peuvent obtenir des informations sur ce que leurs clients cibles préfèrent et ainsi établir des relations solides avec eux6,7. En tant que tel, de nombreuses industries (c.-à-d. vêtements, chaussures, voitures et ordinateurs) ont adopté des programmes de personnalisation. Bien que la personnalisation de masse profite à la fois aux consommateurs et aux détaillants, certains détaillants font face à des défis8. Par conséquent, il est nécessaire d'examiner comment les consommateurs perçoivent les avantages et comment ces avantages influencent d'autres réponses à l'achat pour réussir à long terme.
S'appuyant sur la hiérarchie des effets (HOE) modèle de théories de persuasion9, cette étude propose que les consommateurs traitent l'information basée sur la cognition-affect-conation séquence. Plus précisément, cette étude examine (après la création d'un produit personnalisé de masse) si les avantages perçus pour les consommateurs (cognition) influencent les intentions de fidélité (conation) par l'attachement au produit et l'attitude à l'égard d'un programme de personnalisation de masse (affect) . Basé sur la théorie de motivation10, les avantages perçus sont divisés en avantages extrinsèques et intrinsèques11.
L'avantage extrinsèque se rapporte à la valeur perçue d'un consommateur dérivée de l'utilisation d'un produit12 (donc, en valeur proche de la qualité du produit11), tandis que l'avantage intrinsèque indique une expérience agréable lors de l'utilisation d'un produit11. Dans un contexte de personnalisation de masse, l'avantage extrinsèque est associé au produit qu'un consommateur crée, et l'avantage intrinsèque est lié à l'expérience de personnalisation qui satisfait les besoins hédonistes et expérientiels13,14. Des recherches antérieures ont révélé que les avantages perçus par les consommateurs améliorent l'attachement émotionnel au produit15 et les attitudes positives à l'égard d'un programme de personnalisation de masse16. L'attachement émotionnel du produit se réfère à un lien émotionnel que les consommateurs se connectent à un produit17, qui influence positivement les attitudes envers le programme de personnalisation18 et les intentions de fidélité19. De plus, les attitudes à l'égard d'un programme de personnalisation influencent positivement les intentions de fidélité20.
Enfin, cette étude examine comment une caractéristique individuelle (c'est-à-d. l'innovation de la mode) influence différemment les réponses des consommateurs. L'innovation de la mode se réfère à la mesure dans laquelle la tendance innovante d'un individu influence l'adoption d'un nouvel article de mode21. Les résultats de la recherche montrent que les consommateurs qui désirent éviter la conformité (c.-à-d. les consommateurs très novateurs à la mode) sont motivés à acquérir des produits uniques, ce qui indique que la personnalisation de masse peut être une tactique efficace pour se différencier des autres. 22. Par conséquent, cette étude suppose qu'un plus grand nombre de réponses positives seront générées pour les consommateurs très innovants de mode.
Basée sur des revues de littérature précédentes, cette étude aborde les hypothèses de recherche suivantes. H1 : Les avantages perçus (a : avantage extrinsèque, b : avantage intrinsèque) d'un produit personnalisé de masse influenceront positivement l'attachement émotionnel du produit; H2 : Les avantages perçus (a : avantage extrinsèque, b : avantage intrinsèque) d'un produit personnalisé de masse influenceront positivement les attitudes à l'égard d'un programme de personnalisation de masse; H3 : L'attachement émotionnel du produit influencera positivement les attitudes à l'égard d'un programme de personnalisation de masse; H4 : L'attachement émotionnel au produit influencera positivement les intentions de fidélité; H5 : L'attitude à l'égard d'un programme de personnalisation de masse influencera positivement les intentions de fidélité; et H6 : Comparé à l'innovation de basse mode, les innovateurs de haute couture auront des réponses plus positives aux (a) les avantages perçus, (b) l'attachement émotionnel de produit, (c) attitudes, et (d) les intentions comportementales.
Pour améliorer la validité externe, cette étude utilise un programme de personnalisation de masse existant. Les participants potentiels en Corée du Sud sont recrutés pour cette étude et sont invités à créer leurs propres trench-coats en utilisant un programme comme s'ils avaient effectivement acheté le produit. Pour explorer les réponses des participants en fonction de leurs expériences de personnalisation, cette étude utilise un sondage en ligne. Les participants peuvent accéder au questionnaire immédiatement après avoir utilisé le programme de personnalisation en ligne. Après avoir recueilli des données, l'étude utilise un seul groupe de SEM pour étudier les effets des avantages pour les consommateurs sur l'attachement, l'attitude et les intentions de fidélité des produits. Pour examiner les rôles modérateurs de l'innovation de la mode, l'étude utilise des LMA.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Cette recherche a été exemptée de l'examen de la CISR à l'Université des femmes d'Ewha et a reçu le numéro de protocole #143-18.
1. Recrutement de participants
- Préparez-vous à mener un sondage en ligne.
REMARQUE: Un sondage en ligne a été réalisé auprès d'une société d'enquête en Corée du Sud. La société de recherche a le plus grand panel de consommateurs avec des taux de réponse élevés en Corée. Les répartitions par âge et sexe dans le panel reflètent l'état de la population coréenne. Le panel de consommateurs a un haut degré de fiabilité grâce à la vérification des vrais noms. Étant donné que la société de recherche gère le panel en permanence avec diverses méthodes novatrices, la loyauté du panel envers la société de recherche est élevée; par conséquent, les résultats de l'enquête obtenus par l'entreprise sont connus pour être très fiables. - Recrutez des consommatrices qui ont de l'expérience dans le magasinage de vêtements en ligne.
REMARQUE: Les consommatrices en Corée dépensent un pourcentage élevé de leurs revenus pour acheter des vêtements, et les comportements d'achat se produisent principalement en ligne23. Par conséquent, la sélection de ce groupe comme participants à cette étude est appropriée. - Envoyer un courriel d'invitation aux participants qui comprend des renseignements sur le but de l'étude et l'assurance de la confidentialité de leurs réponses.
- Envoyer des lignes directrices à ceux qui acceptent de participer à l'enquête pour montrer comment créer des trench-coats à l'aide du programme de personnalisation (voir la figure 1).
REMARQUE: Afin d'éviter les situations potentielles dans lesquelles les participants peuvent rencontrer des difficultés à utiliser le programme de personnalisation, un modérateur de la société de recherche a envoyé les lignes directrices. De plus, le modérateur a appelé les participants et a expliqué la procédure de personnalisation pendant que les participants examinaient les lignes directrices. - Demandez aux participants de capturer une capture d'écran du trench créé et de fournir un prix pour le manteau pour s'assurer qu'ils créent réellement un trench-coat dans le programme de personnalisation.
- Envoyez un lien qui est connecté au programme de personnalisation de masse électronique dans un site Web d'achats existant lorsque les participants comprennent la procédure.
- Fournir le scénario suivant aux participants : « Imaginez s'il vous plaît que vous êtes assez aisé pour acheter des vêtements sympathiques et que vous devez acheter un trench-coat pour assister à une réunion importante. Vous voulez créer un trench-coat unique. Tout en naviguant sur Internet, vous tombez sur le site de vêtements parfait qui a un programme de personnalisation de masse".
REMARQUE: Cette étape est nécessaire pour augmenter les niveaux de participation et contrôler le type de produit et la perception du prix du produit par les consommateurs. - Permettre aux participants de créer un trench-coat à 24 h après avoir lu le scénario.
REMARQUE: Les participants sont libres de créer un trench-coat en choisissant un style global préféré, col, longueurs de manteau, longueur de manche, poches, tissu, et doublure dans le cas où ils vont effectivement l'acheter. S'ils ont des problèmes à créer un manteau dans le programme de personnalisation, ils sont autorisés à appeler et demander au modérateur à tout moment au cours de la période de 24 heures. - Activer le lien de l'enquête après 24 h afin que les participants qui sont prêts à passer le sondage (c.-à-d. ceux qui ont fini de capturer la capture d'écran du trench-coat qu'ils ont créé) puissent cliquer sur le lien de l'enquête.
Figure 1 : Instructions pour l'utilisation du programme de personnalisation de masse électronique. Les participants au sondage en ligne lisent les directives concernant la façon de créer les trench-coats à l'aide du programme de personnalisation et suivent les étapes 1 à 8. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.
2. Procédure d'enquête
- Demandez aux participants de télécharger la capture d'écran et le prix du trench-coat qu'ils ont créé à la première page de l'enquête (voir la figure 2).
REMARQUE: Seuls les participants qui téléchargent la capture d'écran peuvent accéder au questionnaire. - Demandez aux participants de remplir le questionnaire en ligne sur les avantages perçus, l'attachement émotionnel au produit personnalisé, l'attitude à l'égard du programme de personnalisation, les intentions de fidélisation et les questions démographiques (voir le tableau 1).
- Donnez une récompense à ceux qui terminent le sondage.
REMARQUE: Ici, les participants ont reçu une récompense de 10 000 livres (environ 10 $US) pour leur participation. Les participants qui quittent le sondage ou qui ne fournissent pas la capture d'écran et le prix ont reçu 1 000 euros (environ 1 $ US).
Figure 2 : Exemples de trench-coats créés à l'aide du programme de personnalisation de masse électronique. Les participants ont créé des trench-coats en sélectionnant un collier, une longueur, un tissu, etc., puis en téléchargeant une capture d'écran de la création du trench-coat. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.
| Extrinsique Avantage (Franke et coll., 2009) |
| par rapport au produit standard, le produit personnalisé serait . |
| 1. Mieux répondre à mes exigences |
| 2. Mieux répondre à mes préférences personnelles |
| 3. Plus susceptibles d'être la meilleure solution pour moi |
| Avantage intrinsèque (Franke et Schreier, 2010) |
| 1. J'ai beaucoup apprécié cette activité de design |
| 2. Je pensais que la conception du produit était très agréable |
| 3. Concevoir ce produit était très intéressant |
| Attachement aux produits émotionnels (Thomson et coll., 2005) |
| Par rapport au produit standard de cette marque, mon sentiment envers son produit personnalisé peut être caractérisé par . |
| 1. Affection |
| 2. Connexion |
| 3. Passion |
| 4. Captivation |
| Attitude envers un programme de personnalisation de masse (Li et coll., 2001) |
| Le programme de personnalisation de masse dans ce site était . |
| 1. Unappealing e attrayant |
| 2. Désagréable e agréable |
| 3. E attrayant |
| 4. Désagréable e sympathique |
| Loyalty Intentions (Kwon et Lennon, 2009) |
| 1. J'achèterais un produit personnalisé dans ce programme de personnalisation dans un proche avenir |
| 2. Je recommanderais ce programme de personnalisation à des amis ou des parents |
| 3. Je reviendrais sur ce site et personnaliser un produit dans un proche avenir |
| Participation aux produits (Zaichkowsky, 1985) |
| Pour moi, les vêtements, c'est. |
| 1. E important sans importance |
| 2. Ennuyeux e intéressant |
| 3. Unappealing e attrayant |
| 4. Pas nécessaire e nécessaire |
| 5. Unexciting e exciting6. E sans valeur |
| Innovation mode (Park et al., 2007) |
| 1. En général, je suis le dernier de mon cercle d'amis à connaître les noms de la dernière nouvelle mode (R) |
| 2. En général, je suis parmi les derniers de mon cercle d'amis à acheter un nouvel article de mode quand il apparaît (R) |
| 3. Par rapport à mes amis, je possède de nouveaux articles de mode. |
| 4. Je connais les noms des nouveaux créateurs de mode avant d'autres personnes. |
| 5. Si j'ai entendu dire qu'un nouvel article de mode était disponible dans le magasin, je serais assez intéressé pour l'acheter. |
| 6. Je vais acheter un nouvel article de mode, même si je ne l'ai pas vu avant. |
| (R) Code inversé |
Tableau 1 : Échelle de mesure. Ce tableau a été utilisé précédemment29.
3. Préparation des données
- Enregistrez les données de l'enquête dans un fichier SPSS sous le nom de « Data-TOTAL.sav » (voir Figure 3), qui contient toutes les réponses des participants au sondage. Supprimer les cas qui incluent les valeurs manquantes. Utilisez les données nettoyées pour effectuer une analyse SEM.
- Séparez les données totales en deux fichiers de données : les groupes innovants de mode élevée et basse. Utilisez une fente médiane. Sum et la moyenne des scores de six éléments d'innovation de la mode, et de calculer le score médian de l'innovation de la mode (med 4,17).
REMARQUE: La division médiane est fréquemment utilisée dans la recherche en psychologie et en marketing, et l'utilisation d'une fraction médiane pour une variable continue pour examiner les différences de groupe est valide24. - Cliquez sur " Recodez-vous en différentes variables " dans le menu "Transformer". Créer une nouvelle variable, le « groupe d'innovation de la mode », en codant « 1 (groupe d'innovation de faible mode) » si le score moyen est inférieur à la médiane (p. ex., médiane 4,17), ou en codant « 2 (groupe d'innovation de haute couture) » s'il est supérieur à la médiane (voir la figure 4 ).
- Cliquez sur "Split into files" dans le menu "Données", double-cliquez sur la variable "groupe innovant de la mode (FIG)" pour le déplacer vers le champ "Split Cases by", et attribuez l'emplacement "Output File Directory" pour enregistrer les fichiers (voir Figure 5).
- Enregistrer "1.sav" et "2.sav" dans le répertoire assigné. Changez les noms de fichiers en "Data-low fashion innovativeness.sav" et "Data-high fashion innovativeness.sav" à utiliser à la fois pour LMA.
Figure 3 : Données-TOTAL. Les données comprennent les réponses de tous les participants (n ' 290) utilisés pour l'analyse SEM. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.
Figure 4 : Création de la nouvelle variable « groupe innovant mode (FIG) ». La nouvelle variable (FIG) a été faite en codant "1 (groupe innovant de faible mode)" et "2 (groupe high innovative)". Veuillez cliquer ici pour voir une version plus grande de ce chiffre.
Figure 5 : Diviser le jeu de données en deux fichiers de données. Le fichier de données total, "Data-TOTAL", a été divisé en "Data-low fashion innovativeness.sav" et "Data-high fashion innovativeness.sav" fichiers pour une utilisation ultérieure dans un LMA. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.
4. Exécution d'une analyse des facteurs de confirmation (CFA)
-
Effectuer un seul groupe de FCA avec le modèle de mesure à cinq facteurs pour confirmer la validité convergente. Cliquez sur "Sélectionner le fichier de données(s) Données-TOTAL.sav". Élaborer le modèle de mesure en fonction des questions de recherche.
- Le modèle de mesure comprend cinq variables latentes (c.-à-d. l'avantage extrinsèque, l'avantage intrinsèque, l'attachement émotionnel au produit, les attitudes à l'égard d'un programme de personnalisation de masse et les intentions de fidélité) et 17 variables observées (trois variables observées pour avantage extrinsèque, trois pour l'avantage intrinsèque, quatre pour l'attachement émotionnel de produit, quatre pour des attitudes vers un programme de personnalisation de masse, et trois pour des intentions de fidélité). Définir les écarts des variables latentes comme « 1 » (voir la figure 6 et la figure 7). Cliquez sur "Calculer les estimations" (
- Vérifiez les indices d'ajustement du modèle de mesure à partir des résultats du groupe unique CFA : indice de la bonté de l'ajustement (GFI), indice ajusté de la bonté de l'ajustement (AGFI), indice d'ajustement standardisé (NFI), indice Tucker-Lewis (TLI), indice d'ajustement comparatif (CFI), et erreur carrée moyenne racine de approximation (RMSEA).
Figure 6 : Spécification du modèle pour l'analyse des facteurs de confirmation. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.
Figure 7 : Modèle de mesure pour l'analyse des facteurs de confirmation. Le modèle de mesure pour le CFA a été créé en utilisant le programme AMOS. La variance des variables latentes a été fixée comme « 1 ». Veuillez cliquer ici pour voir une version plus grande de ce chiffre.
5. Exécution d'un SEM
- Pour tester les relations entre les variables latentes, effectuez un SEM. Cliquez sur " Sélectionnez les fichiers de données Données-TOTAL.sav". Développer le SEM en fonction des questions de recherche, y compris cinq variables latentes et 17 variables observées.
- Dessinez des flèches de "Extrinsèque-V" et "Intrinsic-V" à "EP-Attachment" et "Attitude-MP", ainsi que de "EP-Attachment" et "Attitude-MP" à "Loyalty". Ajoutez trois variables non observées, à savoir « z1 » en tant que prédicteur de « EP-Attatchment », « z2 » comme prédicteur de « Attitude-MP » et « z3 » comme prédicteur de la « loyauté » (voir Figure 8, Figure 9). Cliquez sur "Calculer les estimations". Vérifiez les « estimations » et les indices d'ajustement du modèle.
Figure 8 : Spécification s'il convient de modéliser les équations structurelles. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.
Figure 9 : Analyse de modélisation des équations structurelles. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.
6. Effectuer des tests d'invariance pour l'AML
- Pour comparer les groupes innovants de mode élevée et basse, effectuez une LMA basée sur l'analyse multi-groupes des facteurs de confirmation (MGCFA). Avant la LMA, testez l'invariance configurale, l'invariance métrique et l'invariance scalaire entre les deux groupes25.
- Création du modèle de mesure multigroupes : créer le modèle de mesure (c.-à-d. le modèle du MGCFA) avec deux groupes nommés « haut » et « faible » sous « Groupes de gestion ». Sélectionnez les fichiers de données pour les groupes de la manière suivante: "Data-low fashion innovativeness.sav" pour le groupe innovant de la basse couture et "Data-high fashion innovativeness.sav" pour le groupe innovant de haute couture (voir Figure 10).
Figure 10 : Sélection de fichiers de données pour les groupes. Le modèle de mesure pour MGCFA a été créé, et deux fichiers de données ("Data-low fashion innovativeness.sav" et "Data-high fashion innovativeness.sav") ont été téléchargés. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.
-
Test de l'invariance configurale
REMARQUE : Si la structure des modèles de mesure dans les deux groupes a la même forme (c.-à-d. les mêmes dimensions et les mêmes modèles de valeurs fixes et non fixes), l'invariance configurale est satisfaite (voir la figure 11). Si l'ajustement du modèle de mesure est satisfaisant, passez à l'étape suivante pour vérifier l'invariance métrique26.- Effectuer le CFA avec le modèle de mesure à cinq facteurs proposé précédemment pour chaque groupe. Cliquez sur "Calculer les estimations". Vérifiez les « estimations » et les indices d'ajustement des deux modèles. Si l'ajustement des deux modèles est satisfaisant et que les coefficients de facteurs sont importants, passez à l'étape suivante.
- Conduisez MGCFA avec le modèle de mesure à cinq facteurs comme modèle de référence. Fixer « 1 » pour le coefficient de facteur de chaque variable latente à la première variable observée et libérer les autres coefficients de facteur. Cliquez sur "Calculer les estimations".
- Vérifiez les « estimations » des deux groupes et adaptez les indices du modèle. Si l'ajustement du modèle est satisfaisant et que les coefficients de facteurs sont importants, l'invariance configurale est satisfaite. Ensuite, passez à l'étape suivante impliquant le test d'invariance métrique.
Figure 11 : Dimensions et formes égales des modèles de mesure entre deux groupes. (A) Modèle pour le groupe innovant de haute couture et (B) modèle pour le groupe innovant de la basse couture. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.
-
Test de l'invariance métrique
REMARQUE : Le test d'invariance métrique évalue si les coefficients de facteur reliant les variables latentes aux variables observées sont égaux entre les groupes.- Pour le test de l'invariance métrique, fixez les coefficients de facteur entre les groupes. Entrez le même nom pour les mêmes coefficients entre les groupes (p. ex., « a » pour Extrinsic-V. E2, "j" pour EP-Attachment EA4, voir Figure 12). Cliquez sur "Calculer les estimations". Vérifiez les « estimations » des deux groupes et adaptez les indices du modèle.
- Effectuez un test de différence chi-carré en comparant le modèle d'invariance métrique complet (c.-à-d. le modèle avec des coefficients de facteur fixe entre les groupes) avec le modèle d'invariance configurale (c.-à-d., le modèle avec les coefficients de facteur libre entre les groupes). Si la différence chi-carré est non significative, l'invariance métrique est satisfaite. Ensuite, passez à l'étape suivante impliquant le test d'invariance scalaire25,26,27.
Figure 12 : Fixation des coefficients de facteurs entre les groupes. En inscrivant le même nom pour les mêmes coefficients entre les groupes, les coefficients de facteur ont été restreints. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.
-
Test de l'invariance scalaire
REMARQUE : L'invariance de Scalar signifie que 1) les mêmes valeurs sur la construction latente sont associées aux mêmes valeurs sur la variable observée et 2) les différences dans les moyens des variables observées sont dérivées des différences moyennes des variables latentes. Pour tester l'invariance des écalaires, limiter les interceptions des variables observées afin qu'elles soient égales entre les groupes28.- Cliquez sur "Propriétés d'analyse" dans le menu "Voir". Cliquez sur l'onglet "Estimation" et cochez "Estimer les moyens et intercepter". Cliquez à droite sur chaque variable observée et choisissez « Propriétés d'objets ». Sélectionnez l'onglet "Paramètres" et entrez les noms de paramètres tels que "int-e1" et "int-ea1" dans les cases de texte d'interception (voir la figure 13).
- Effectuer un test de différence chi-carré en comparant le modèle d'invariance métrique/scalaire complet (c.-à-d. le modèle avec des interceptions fixes des variables observées et des coefficients de facteurs fixes entre les groupes) avec le modèle d'invariance métrique complet (c.-à-d. le modèle avec coefficients de facteurs fixes dans l'ensemble du groupe). Si la différence chi-carré est non significative, l'invariance métrique/scalaire complète est satisfaite.
REMARQUE: Ici, une hiérarchie spécifique (test d'invariance configurale, test d'invariance métrique, test d'invariance scalaire) est utilisée. Une fois que chaque test d'invariance est satisfait, effectuez l'AML en utilisant le modèle finalement sélectionné (c.-à-d. le modèle d'invariance métrique/complète).
Figure 13 : Saisie des noms de paramètres dans la boîte de texte d'interception.
Veuillez cliquer ici pour voir une version plus grande de ce chiffre.
7. Exécution d'un LMA
- Conduisez un LMA en utilisant le modèle complet d'invariance métrique scalaire/métrique27,28. Pour comparer les moyens des variables latentes, fixez les moyens des variables latentes dans un groupe et laissez-les être libres dans l'autre groupe.
- Estimer les différences moyennes entre les groupes en fixant l'un des moyens à zéro pour un groupe de référence, puis en estimant les valeurs moyennes pour l'autre groupe. Ainsi, fixer les moyens de toutes les variables latentes dans le groupe innovant de faible mode à zéro. Il est important de s'assurer que les moyens des variables latentes dans le groupe d'innovation de haute couture sont libres et leurs écarts dans les deux groupes sont libres (voir la figure 14).
- Cliquez sur "Calculer les estimations". Vérifiez les « estimations » des deux groupes et adaptez les indices du modèle.
- Cliquez sur « Afficher le texte » et vérifier les moyens des variables latentes dans le groupe d'innovation de haute couture sous « Estimations » (voir figure 15).
Figure 14: Définition des moyens et des écarts variables latents. (A) Groupe innovant de haute couture et (B) groupe innovant de la basse couture. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.
Figure 15 : Sortie pour l'analyse des moyens latents. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Les statistiques de fréquence offraient les caractéristiques de l'échantillon. Au total, 290 consommatrices en ligne ont terminé le processus d'achat à l'aide du programme de personnalisation de masse électronique. Les caractéristiques démographiques de l'échantillon ont été réparties uniformément. Par groupe d'âge, 23,1 % étaient dans la vingtaine, 28,3 % dans la trentaine, 26,6 % dans la quarantaine et 22,1 % dans la cinquantaine. Par état matrimonial, 58,3 % étaient mariés, tandis que 40 % étaient célibataires. Par profession, 45,2 % étaient des employés de bureau, 22,8 % étaient des femmes au foyer, 10,3 % étaient des professionnels, 9,3 % étaient des étudiants et 5,5 % étaient dans le secteur des services(tableau 2).
Un seul groupe de CFA a été réalisé avec cinq variables latentes ("Extrinsèque-V", "IntrinsèqueV", "EP-Attachment", "Attitude-MP", et "Loyalty") et 17 variables observées. L'ajustement du modèle de mesure à cinq facteurs a été évalué. Bien que la statistique du carré de chi ait été significative (chi-carré 179,63, df 109, p - 0,000), la statistique chi-carrée est sensible aux grandes tailles d'échantillon (n ' 209). Les valeurs des autres indices d'ajustement indiquaient un bon ajustement de modèle global (GFI 0,93, AGFI 0,91, NFI - 0,97, TLI - 0,98, CFI 0,99, et RMSEA 0,05). Tous les ratios critiques (CR) des coefficients de facteurs étaient significatifs (p lt; 0,001), ce qui implique que la validité convergente a été atteinte (figure 16).
| tranche | ||
| fréquence | pour cent | |
| Les années 20 | 67 | 23.1 |
| Les années 30 | 82 | 28.3 |
| 40 ans | 77 | 26.6 |
| 50's | 64 | 22.1 |
| profession | ||
| fréquence | pour cent | |
| Étudiants | 27 | 9.3 |
| employés de bureau | 131 | 45.2 |
| production | 1 | 0.3 |
| service | 16 | 5.5 |
| Professionnels | 30 | 10.3 |
| commerce | 12 | 4.1 |
| Housewives | 66 | 22.8 |
| autres | 7 | 2.4 |
| total | 290 | 100.0 |
| statut conjugal | ||
| fréquence | pour cent | |
| sigle (sigle) | 116 | 40.0 |
| se marier | 169 | 58.3 |
| autres | 5 | 1.7 |
| total | 290 | 100.0 |
Tableau 2 : Caractéristiques de l'échantillon.
Figure 16 : Production pour l'analyse des facteurs de confirmation. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.
Un seul groupe SEM a été mené. Les indices d'ajustement du modèle de mesure ont révélé un ajustement acceptable (GFI 0,93, AGFI 0,91, NFI - 0,97, TLI - 0,98, CFI 0,99, et RMSEA 0,05). Les valeurs CR des coefficients de trajectoire étaient significatives et ont révélé ce qui suit : (1) effets positifs de « Extrinsèque V » (bêta 0,431, CR à 6,661, p lt; 0,001) et « IntrinsèqueV » (bêta à 0,339, CR , 6,848, p lt; 0,001) sur « EP »). (2) Effets positifs de "ExtrinsèqueV" (bêta 0,159, CR 2.581, p 'lt; 0.05) et "Intrinsic'V" (bêta 0.378, CR -6.688, p 'lt; 0.001) sur "Attitude'MP"; (3) Effets positifs de l'"EP-Attachment" sur "Attitude-MP" (bêta 0,328, CR 4,905, p 'lt; 0.001); et (4) effets positifs de "Attitude-MP" sur "Loyalty" (bêta 0.846, CR 6.932, p 'lt; 0.001). L'effet de « l'EP-Attachment » sur la « loyauté » n'était pas significatif (bêta à 0,078, CR , 0,696, p - 0,486; voir tableau 3).
| Coefficient de chemin | estimation | Estimation normaliséee | S.E. | C.R. | page |
| "ExtrinsèqueV" --gt; "EP'Attachment" | 0.431 | 0.437 | 0.065 | 6.661 | *** |
| "IntrinsèqueV" --gt; "EP'Attachment" | 0.399 | 0.439 | 0.058 | 6.848 | *** |
| "ExtrinsèqueV" --gt; "Attitude-MP" | 0.159 | 0.166 | 0.061 | 2.581 | 0.01 |
| "IntrinsèqueV" --gt; "AttitudeMP" | 0.378 | 0.429 | 0.056 | 6.688 | *** |
| "EP-Attachment" ---gt;"Attitude-MP" | 0.328 | 0.338 | 0.067 | 4.905 | *** |
| "EP-Attachment" --gt; "Loyalty" | 0.078 | 0.062 | 0.113 | 0.696 | 0.486 |
| "Attitude-MP" --gt; "Loyalty" | 0.846 | 0.645 | 0.122 | 6.932 | *** |
| p-valeur lt; 0,001 | |||||
Tableau 3 : Résultats de la modélisation des équations structurelles d'un seul groupe. Ce tableau a été modifié à partir d'une publication précédente29.
En utilisant une division médiane (med 4.17), les données ont été divisées en deux groupes: groupe innovant de faible mode et groupe innovant de haute couture. Un t-testa été effectué et a révélé des différences significatives de la moyenne dans l'innovation de la mode entre les groupes innovants de haute et de faible mode (Mélevé - 5,03 -gt; Mfaible - 3,50; SDélevé - 0,72, SDfaible - 0,68; Nhaute 141, Nlow 149; t 18,53, df 288, p 'lt; 0.001).
Avant de comparer les moyens latents entre les groupes innovants de haute et de basse mode, une hiérarchie des tests d'invariance a été réalisée. Premièrement, les CFA qui ont proposé le modèle de mesure à cinq facteurs ont été menés séparément pour les groupes novateurs et de haute couture. Les résultats ont révélé un excellent modèle adapté pour le groupe innovant de faible mode (NFI 0,96, TLI 0,99, CFI - 0,99, et RMSEA - 0,04) et le groupe innovant de haute couture (NFI 0,93, TLI - 0,97, CFI - 0,97, et RMSEA 0,07). Tous les coefficients de facteurs étaient importants, ce qui signifie que le modèle à cinq facteurs est accepté pour les deux groupes.
L'étape suivante consistait à passer du groupe unique CFA au MGCFA pour valider le modèle de mesure à cinq facteurs pour les deux groupes. Le modèle 1 (modèle d'invariance configurale) a été testé pour confirmer si la structure proposée serait la même dans les groupes innovants de faible et de haute couture. Les résultats ont révélé que l'ajustement du modèle était satisfaisant. Les valeurs des autres indices d'ajustement indiquaient le bon ajustement global du modèle (NFI 0,94, TLI 0,98, CFI - 0,98, et RMSEA - 0,04; voir tableau 4). Ainsi, l'invariance configurale a été réalisée. Tous les CR des coefficients de facteur étaient significatifs (p 'lt; 0.001). Le modèle 1 était considéré comme un modèle de référence.
Pour tester l'invariance métrique, les coefficients de facteur ont été contraints d'être les mêmes dans deux groupes, et un autre MGCFA a été exécuté (modèle 2). Depuis que le modèle 2 a été niché dans le modèle 1, un test de différence chi-carré a été effectué. Le résultat a révélé qu'une différence de 14,728 carrés (df à 12) n'était pas significative (p - 0,257), et l'invariance métrique a été satisfaite (voir le tableau 4). Un exemple du test de différence chi-carré est le suivant: chi-square (modèle 2) - chi-square (modèle 1) - 323.492 - 308.764 - 14.728; df différence: df (modèle 3) - df (modèle 2) 230-218 - 12; chi-carré (df 12) 14.728, p-valeur 0.256649.
Depuis que le modèle d'invariance métrique (modèle 2) a été accepté, l'invariance scalaire a été testée. Les interceptions de cinq variables latentes ont été limitées pour être égales entre deux groupes, et le dernier MGCFA a été effectué (modèle 3). Étant donné que le modèle d'invariance métrique/complète (modèle 3) a été niché dans le modèle 2, un test de différence chi-carré a été effectué. Les résultats ont révélé qu'une différence de 11,18 carrés (df à 12) n'était pas significative (p - 0,514), et l'invariance scalaire a été satisfaite (voir le tableau 4). Un exemple du test de différence chi-carré est le suivant: chi-carré (modèle 3) - Chi-square (modèle 2) 334.672 - 323.492 - 11.18; df différence: df (modèle 3) - df (modèle 2) 242-230 - 12; chi-carré (df 12) 11,18 euros, p-value 0,513559.
| Chi-carré | Df | RMSEA (EN) | Nfi | TLI (en) | Fci | |
| Invariance configurale (modèle de base) : Modèle 1 | 308.764 | 218 | 0.038 | 0.94 | 0.98 | 0.98 |
| Invariance métrique complète : Modèle 2 | 323.492 | 230 | 0.038 | 0.94 | 0.98 | 0.98 |
| Invariance métrique/complète de scalaire : Modèle 3 | 334.672 | 242 | 0.036 | 0.94 | 0.98 | 0.98 |
| Différence Chi-carré | df différence | page | décision | |||
| Test d'invariance métrique complète (modèle 1 vs modèle 2) | 14.728 | 12 | 0.256649 | accepter | ||
| Test de l'invariance scalaire complète (Modèle 1 vs Modèle 2) | 11.18 | 12 | 0.513559 | accepter | ||
Tableau 4 : Indices adaptés aux tests d'invariance pour l'AML. Ce tableau a été modifié à partir d'une publication précédente29.
Étant donné que l'invariance configurale, l'invariance métrique, et l'invariance scalaire ont été réalisées, le LMA a été exécuté. Le groupe innovant de la basse couture a été utilisé comme groupe de référence, avec ses moyens de variables latentes fixées à zéro, tandis que les valeurs moyennes latentes pour le groupe innovant de haute couture ont été estimées. Les résultats de la LMA ont révélé que les moyens de cinq variables latentes ("Extrinsèque-V", "IntrinsèqueV", "EP-Attachment", "Attitude-MP", et "Loyalty") pour les groupes innovants de haute couture étaient des valeurs positives et étaient significativement plus élevés que ceux pour les faibles groupes innovants de la mode (voir tableau 5).
| construire | à faible teneur en | maximum | SE (en) | Cr |
| "ExtrinsèqueV" | 0 | 0.590 | 0.134 | 4.393*** |
| "IntrinsèqueV" | 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*** |
| "Loyauté" | 0 | 0.980 | 0.169 | 5.796*** |
| p-valeur lt;0,001 | ||||
Tableau 5 : Résultats de l'AMT. Ce tableau a été modifié à partir d'une publication précédente29.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Conséquences des constatations
Les résultats de cette étude révèlent que les avantages extrinsèques et intrinsèques des consommateurs découlant de la création d'un produit personnalisé de masse contribuent à la croissance de l'attachement émotionnel au produit, à la création d'attitudes positives à l'égard du programme de personnalisation et l'augmentation des intentions de fidélité. Les résultats sur les effets modérateurs de l'innovation de la mode révèlent que par rapport aux consommateurs dans un groupe d'innovation à faible mode, ceux dans un groupe d'innovation de haute couture perçoivent de plus grands avantages, ont de plus grands attachements, forment plus favorable attitudes à l'égard du programme, et ont de plus grandes intentions de loyauté. Ces résultats fournissent des informations théoriques et pratiques à l'appui du modèle HOE.
Implications de la méthodologie d'enquête en ligne
Cette étude a mené une enquête en ligne auprès d'une société d'enquête en Corée du Sud. La société de recherche a le plus grand panel de consommateurs avec des taux de réponse élevés en Corée. Les répartitions par âge et sexe dans le panel reflètent l'état de la population coréenne. Le panel de consommateurs a un haut degré de fiabilité grâce à la vérification des vrais noms. Étant donné que la société de recherche gère le panel en permanence avec diverses méthodes novatrices, la loyauté du panel envers la société de recherche est élevée; par conséquent, les résultats de l'enquête obtenus par l'entreprise sont considérés comme très fiables.
L'utilisation d'un programme de personnalisation de masse existant présente des avantages par rapport aux études expérimentales traditionnelles. Les participants peuvent essayer un programme de personnalisation de masse dans un cadre naturel et réaliste, plutôt que d'un programme qui est intentionnellement manipulé pour l'étude. Bien que les participants comprennent qu'ils participent à une étude, ils n'utilisent pas le programme de personnalisation de masse à l'étude. Les effets de réactivité peuvent être supprimés, et leurs réponses vers le produit personnalisé de masse sont plus similaires à leurs comportements réels lors de la création d'un produit personnalisé. Par conséquent, cette étude possède l'avantage de la recherche sur le terrain basée sur le naturalisme30, maintenant ainsi un degré élevé de validité externe. De plus, les réponses des participants sont semblables à celles des membres de la population dont ils ont été choisis. Cette étude permet d'obtenir la généralisation des résultats de cette condition spécifique (c.-à-d. les femmes acheteurs de vêtements en ligne en Corée du Sud).
Cette étude fournit un scénario aux participants qui veulent créer un produit dans un programme de personnalisation. Une critique des études basées sur des scénarios est leur validité externe. Les participants sont plus susceptibles d'être impliqués dans des évaluations cognitives que les évaluations émotionnelles en raison de la nature artificielle du scénario31. Cependant, les résultats révèlent que les consommateurs qui perçoivent les avantages du produit personnalisé montrent un plus grand attachement émotionnel au produit, indiquant qu'ils peuvent évaluer les aspects cognitifs et émotionnels de l'expérience. Cette étude simule une expérience d'achat réelle à l'aide du scénario décrit. En conséquence, les participants montrent un degré plus élevé de participation à la situation d'achat, améliorant encore la validité externe.
Conséquences de la SEM et de la LMA
Cette étude applique SEM pour tester les relations entre les variables latentes, et il utilise le LMA avec MGCFA pour comparer les moyens de variables latentes à travers deux groupes de consommateurs (groupes innovants de faible et de haute couture). Le LMA exige la hiérarchie des tests d'invariance, qui suit les étapes critiques d'un (1) test d'invariance configurale, (2) test d'invariance métrique, et (3) test d'invariance scalaire. Il a été souligné que la recherche de haute qualité devrait appliquer des tests d'invariance avant de tester SEM et LMA, parce que les tests d'invariance peuvent corriger et évaluer les erreurs de mesure dans chaque variable latente, estimer la validité de la construction, et évaluer la mesure l'invariance entre les groupes13. Les résultats des comparaisons moyennes peuvent différer selon les analyses de données appliquées, telles que l'ANOVA et le MGCFA. Si l'invariance de mesure ne tient pas, les résultats statistiques des différences moyennes de l'ANOVA et du MGCFA deviennent différents et invalides32.
Cette étude souligne l'importance de l'invariance de mesure de test pour les comparaisons moyennes et fournit des informations sur l'applicabilité des procédures de test d'invariance et l'AMT concernant la recherche sur les comportements des consommateurs. Les lecteurs devraient être en mesure d'effectuer leurs propres analyses facilement. Si nécessaire, les hypothèses relatives à l'invariance de mesure ne sont pas satisfaites, et les comparaisons moyennes des variables latentes peuvent ne pas être interprétées. Les conclusions de recherche des différences moyennes peuvent avoir une validité, parce qu'elles sont guidées par une procédure statistique sophistiquée pour assurer l'invariance de mesure. Les chercheurs doivent estimer l'invariance de mesure et effectuer des comparaisons moyennes afin d'assurer l'intégrité des études futures.
Bien que cette étude se concentre sur les comparaisons de groupes multiples, les comparaisons sont limitées pour examiner les différences moyennes latentes et ne traitent pas des différences de groupe dans les relations entre les variables latentes. Une autre approche pour les comparaisons de groupes multiples consiste à appliquer la modélisation des équations structurelles de groupe multiple MGSEM (MGSEM) et à comparer les coefficients de trajectoire entre les groupes. Pour ce faire, des tests d'invariance de mesure sont nécessaires, et la hiérarchie des tests d'invariance sera alors applicable pour d'autres recherches.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Les auteurs n'ont rien à révéler.
Acknowledgments
Les données ont été modifiées à partir de l'étude29de Park et Yoo. Ce travail a été soutenu par le Ministère de l'éducation de la République de Corée et la Fondation nationale de recherche de KOREA (NRF - 2016S1A5A2A03927809).
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).
