Summary
यहाँ प्रस्तुत ऑनलाइन खुदरा बिक्री के संदर्भ में बड़े पैमाने पर अनुकूलन की ओर उपभोक्ता प्रतिक्रियाओं की जांच करने के लिए एक प्रोटोकॉल है. प्रोटोकॉल ऑनलाइन सर्वेक्षण प्रक्रिया का विवरण और कैसे संरचनात्मक समीकरण मॉडलिंग और गुप्त मतलब विश्लेषण का उपयोग कर समूह मतभेद का उपयोग कर डेटा का विश्लेषण करने के लिए.
Abstract
के रूप में कई विद्वानों और चिकित्सकों निजीकरण और संबंध विपणन का अध्ययन, यह विपणन प्रौद्योगिकी के माध्यम से बड़े पैमाने पर अनुकूलन जैसे निजीकरण प्रदान करने के लिए महत्वपूर्ण है. इस अध्ययन का उद्देश्य यह जांच करना है कि ऑनलाइन सर्वेक्षण और डेटा के विश्लेषण का उपयोग करके उपभोक्ता अनुसंधान कैसे करें। यह अध्ययन उपभोक्ताओं के कथित लाभों की जांच करता है, जबकि एक उत्पाद को अनुकूलित करने के साथ-साथ भावनात्मक उत्पाद अनुलग्नक, अनुकूलन कार्यक्रम की ओर अभिवृत्तियां, और ऑनलाइन खुदरा बिक्री के संदर्भ में वफादारी के इरादे। इसके अलावा, इस अध्ययन की जांच कैसे उपभोक्ता प्रतिक्रियाओं फैशन नवीनता के रूप में व्यक्तिगत विशेषताओं के आधार पर अलग हैं. दक्षिण कोरिया में एक ऑनलाइन सर्वेक्षण कंपनी ने 290 महिला परिधान दुकानदारों की भर्ती की जिन्होंने ऑनलाइन परिधान खरीदे। बाहरी वैधता बढ़ाने के लिए, इस अध्ययन में एक अच्छी तरह से स्थापित जन अनुकूलन कार्यक्रम के साथ एक मौजूदा खुदरा वेबसाइट का इस्तेमाल किया. अनुकूलन कार्यक्रम को पूरा करने के बाद, प्रतिभागियों ऑनलाइन प्रश्नावली को पूरा करें। संरचनात्मक समीकरण मॉडलिंग (SEM) और अव्यक्त माध्य विश्लेषण (LMAs) तो विश्लेषण के लिए प्रदर्शन कर रहे हैं. इस अध्ययन मतलब तुलना के लिए परीक्षण माप invariance के महत्व पर जोर दिया. SEM और LMA से पहले, यह अध्ययन invariance परीक्षण के पदानुक्रम का अनुसरण करता है (कॉन्फ़िगरल निप्रसरण परीक्षण, मीट्रिक invariance परीक्षण, और अदिश invariance परीक्षण), जो इस तरह के ANOVA के रूप में पारंपरिक दृष्टिकोण से नहीं माना जाता है. ये सांख्यिकीय विश्लेषण उपभोक्ता व्यवहार के लिए invariance परीक्षण प्रक्रियाओं और LMA की प्रयोज्यता प्रदान करते हैं. मतलब मतभेद के निष्कर्ष अखंडता और वैधता है क्योंकि वे माप invariance सुनिश्चित करने के लिए एक परिष्कृत सांख्यिकीय प्रक्रिया द्वारा निर्देशित कर रहे हैं.
Introduction
बड़े पैमाने पर अनुकूलन एक ई-रिटेलर के उत्पादों, सेवाओं, और अलग-अलग ग्राहकों के लिए लेनदेन वातावरण दर्जी करने की क्षमता को संदर्भित करताहै 1. आज के उपभोक्ताओं को मानक उत्पादों से संतुष्ट नहीं हैं, और कई खुदरा विक्रेताओं इस मान्यता प्राप्त है. एक बड़े पैमाने पर अनुकूलन विकल्प की पेशकश ग्राहक वफादारी और प्रतिस्पर्धी लाभ प्राप्त करने के लिए एक तरीका है2. एक विपणन रणनीति के रूप में बड़े पैमाने पर अनुकूलन उपभोक्ताओं को विशेष जरूरतों के आधार पर अपने स्वयं के उत्पादों को बनाने के लिए अनुमति देता है और इस प्रकार व्यक्तिगत उत्पादों या सेवाओं3प्रदान करता है . उदाहरण के लिए, उपभोक्ताओं को केवल जूते की एक जोड़ी है कि बड़े पैमाने पर उत्पादन कर रहे हैं खरीद नहीं कर सकते हैं, लेकिन वे भी जूते की एक नई और अद्वितीय जोड़ी है कि नियमित रूप से खुदरा वेबसाइटों पर रंग, कपड़े, और अन्य डिजाइन घटकों का चयन करके उपलब्ध नहीं हैं बना सकते हैं. नतीजतन, उपभोक्ता अधिक अनुकूल उत्पाद खरीद सकते हैं, और अनुकूलित उत्पाद के साथ-साथ ब्रांड वफादारी में वृद्धि4,5के साथ उनकी संतुष्टि ।
इंटरनेट के उपयोग में वृद्धि के साथ, बड़े पैमाने पर अनुकूलन प्रक्रिया और अधिक तेजी से और उत्पादन समय कम करने और एक ही लागत के साथ और अधिक डिजाइन विकल्प प्रदान करने के मामले में कुशल हो गया है. इसके अलावा, खुदरा विक्रेता अपने लक्षित ग्राहकों को क्या पसंद करते हैं और इस प्रकार उनके साथ मजबूत संबंध बनाने के बारे में जानकारी प्राप्त कर सकते हैं6,7. जैसे, कई उद्योगों (यानी, परिधान, जूते, कारों, और कंप्यूटर) अनुकूलन कार्यक्रम अपनाया है. हालांकि बड़े पैमाने पर अनुकूलन दोनों उपभोक्ताओं और खुदरा विक्रेताओं लाभ, कुछ खुदरा विक्रेताओंचुनौतियों कासामना 8 . इसलिए, यह जांच करने की आवश्यकता है कि उपभोक्ता लाभ कैसे देखते हैं और ये लाभ दीर्घकालिक सफलता के लिए अन्य खरीदारी प्रतिक्रियाओं को कैसे प्रभावित करते हैं।
प्रभाव के पदानुक्रम पर ड्राइंग (एचओई) मॉडल अनुनय सिद्धांतोंसे 9, इस अध्ययन का प्रस्ताव है कि उपभोक्ताओं को अनुभूति-प्रभाव-कोन अनुक्रम के आधार पर जानकारी की प्रक्रिया. विशेष रूप से, इस अध्ययन की जांच (एक बड़े पैमाने पर अनुकूलित उत्पाद बनाने के बाद) कि कथित उपभोक्ता लाभ (मान्यता) प्रभाव वफादारी इरादों (कोनेशन) उत्पाद लगाव और एक बड़े पैमाने पर अनुकूलन कार्यक्रम के प्रति रवैया के माध्यम से (प्रभाव) . प्रेरणा सिद्धांत10के आधार पर कथित लाभों को बाह्य और आंतरिकलाभ11में विभाजित किया जाता है .
बाह्य लाभ किसी उत्पाद12 (तब, उत्पाद की गुणवत्ता11के मूल्य में निकट) का उपयोग करने से प्राप्त उपभोक्ता के कथित मूल्य से संबंधित है, जबकि आंतरिक लाभ उत्पाद11का उपयोग करते समय एक सुखद अनुभव को इंगित करता है। एक बड़े पैमाने पर अनुकूलन संदर्भ में, extrinsic लाभ उत्पाद एक उपभोक्ता बनाता है के साथ जुड़ा हुआ है, और आंतरिक लाभ अनुकूलन अनुभव है कि संतुष्ट hedonic और अनुभवात्मक की जरूरतहै 13,14से संबंधित है. पूर्व अनुसंधान में पाया गया है कि उपभोक्ताओं के कथित लाभ भावनात्मक उत्पाद लगावबढ़ाने 15 और एक बड़े पैमाने पर अनुकूलन कार्यक्रम की ओर सकारात्मक दृष्टिकोण16. भावनात्मक उत्पाद लगाव एक भावनात्मक टाई है कि उपभोक्ताओं को एक उत्पाद17से कनेक्ट करने के लिए संदर्भित करता है , जो सकारात्मक अनुकूलन कार्यक्रम18 और वफादारी इरादों19की ओर दृष्टिकोण को प्रभावित करती है . इसके अलावा, एक अनुकूलन कार्यक्रम की ओर दृष्टिकोण सकारात्मक वफादारी इरादों को प्रभावित20.
अंत में, इस अध्ययन की जांच कैसे एक व्यक्ति विशेषता (यानी, फैशन innovativeness) उपभोक्ता प्रतिक्रियाओं को अलग ढंग से प्रभावित करती है. फैशन नवीनता उस डिग्री को संदर्भित करती है जिसके लिए किसी व्यक्ति की अभिनव प्रवृत्ति एक नए फैशन आइटम21को अपनाने को प्रभावित करती है। अनुसंधान निष्कर्षों से पता चलता है कि उपभोक्ताओं को जो अनुरूपता से बचने की इच्छा (यानी, अत्यधिक फैशन अभिनव उपभोक्ताओं) अद्वितीय उत्पादों के अधिग्रहण के लिए प्रेरित कर रहे हैं, यह दर्शाता है कि बड़े पैमाने पर अनुकूलन एक प्रभावी रणनीति के लिए खुद को दूसरों से अलग हो सकता है 22इसलिए, इस अध्ययन में यह माना गया है कि अत्यधिक फैशन नवीन उपभोक्ताओं के लिए अधिक से अधिक सकारात्मक प्रतिक्रियाएं उत्पन्न की जाएंगी।
पिछले साहित्य समीक्षा के आधार पर, इस अध्ययन के निम्नलिखित अनुसंधान hypotheses पते. H1: प्रत्यक्ष लाभ (एक: extrinsic लाभ, ख: आंतरिक लाभ) एक बड़े पैमाने पर अनुकूलित उत्पाद के सकारात्मक भावनात्मक उत्पाद लगाव को प्रभावित करेगा; H2: प्रत्यक्ष लाभ (क: extrinsic लाभ, ख: आंतरिक लाभ) एक बड़े पैमाने पर अनुकूलित उत्पाद के सकारात्मक एक बड़े पैमाने पर अनुकूलन कार्यक्रम की ओर दृष्टिकोण को प्रभावित करेगा; H3: भावनात्मक उत्पाद लगाव सकारात्मक एक बड़े पैमाने पर अनुकूलन कार्यक्रम की ओर दृष्टिकोण को प्रभावित करेगा; H4: भावनात्मक उत्पाद लगाव सकारात्मक वफादारी इरादों को प्रभावित करेगा; H5: एक बड़े पैमाने पर अनुकूलन कार्यक्रम की ओर रवैया सकारात्मक वफादारी इरादों को प्रभावित करेगा; और H6: कम फैशन नवीनता की तुलना में, उच्च फैशन नवीन आविष्कारों के लिए और अधिक सकारात्मक प्रतिक्रिया होगी (क) कथित लाभ, (ख) भावनात्मक उत्पाद लगाव, (ग) दृष्टिकोण, और (घ) व्यवहार इरादों.
बाह्य मान्यता बढ़ाने के लिए, यह अध्ययन किसी मौजूदा जन अनुकूलन प्रोग्राम का उपयोग करता है. दक्षिण कोरिया में संभावित प्रतिभागियों को इस अध्ययन के लिए भर्ती कर रहे हैं और एक कार्यक्रम का उपयोग कर अपने स्वयं के खाई कोट बनाने के लिए कहा जाता है के रूप में यदि वे वास्तव में उत्पाद खरीदा था. प्रतिभागियों की प्रतिक्रियाओं को उनके अनुकूलित अनुभवों के आधार पर एक्सप्लोर करने के लिए, यह अध्ययन एक ऑनलाइन सर्वेक्षण का उपयोग करता है। प्रतिभागियों को तुरंत अनुकूलन कार्यक्रम ऑनलाइन का उपयोग करने के बाद प्रश्नावली का उपयोग कर सकते हैं. डेटा एकत्र करने के बाद, अध्ययन एकल समूह SEM का उपयोग करता है उत्पाद लगाव, रवैया, और वफादारी इरादों पर उपभोक्ता लाभ के प्रभाव की जांच. फैशन नवीनता की मोडरेटिंग भूमिकाओं की जांच करने के लिए, अध्ययन LMAs का उपयोग करता है.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
इस शोध को इव्हा वुमन्स विश्वविद्यालय में आईआरबी समीक्षा से छूट दी गई थी और इसे #143-18 प्रोटोकॉल नंबर सौंपा गया था।
1. प्रतिभागियों की भर्ती
- एक ऑनलाइन सर्वेक्षण करने के लिए तैयार.
नोट: दक्षिण कोरिया में एक सर्वेक्षण कंपनी का उपयोग करके एक ऑनलाइन सर्वेक्षण किया गया था। अनुसंधान कंपनी कोरिया में उच्च प्रतिक्रिया दरों के साथ सबसे बड़ा उपभोक्ता पैनल है. पैनल में आयु और लिंग वितरण कोरियाई आबादी की स्थिति को दर्शाते हैं। उपभोक्ता पैनल असली नाम के सत्यापन के माध्यम से विश्वसनीयता के एक उच्च डिग्री है. चूंकि अनुसंधान कंपनी विभिन्न अभिनव तरीकों के साथ लगातार पैनल का प्रबंधन करती है, इसलिए अनुसंधान कंपनी की ओर पैनल की वफादारी अधिक है; इसलिए, कंपनी द्वारा प्राप्त सर्वेक्षण के परिणाम अत्यधिक विश्वसनीय माने जाते हैं। - महिला उपभोक्ताओं को जो परिधान ऑनलाइन के लिए अनुभव खरीदारी की है भर्ती.
नोट: कोरिया में महिला उपभोक्ताओं परिधान खरीदारी पर आय का एक उच्च प्रतिशत खर्च करते हैं, और खरीदारी व्यवहार ज्यादातर ऑनलाइन23होते हैं. इसलिए, इस अध्ययन के लिए प्रतिभागियों के रूप में इस समूह का चयन उपयुक्त है. - प्रतिभागियों को एक निमंत्रण ईमेल भेजें जिसमें अध्ययन के उद्देश्य और उनकी प्रतिक्रियाओं की गोपनीयता के आश्वासन के बारे में जानकारी शामिल है।
- जो लोग अनुकूलन कार्यक्रम का उपयोग करके ट्रेंच कोट बनाने का तरीका दिखाते सर्वेक्षण में भाग लेने के लिए सहमत होते हैं उन्हें दिशानिर्देश भेजें (चित्र 1देखें).
नोट: संभावित स्थितियों से बचने के लिए जिसमें प्रतिभागियों को अनुकूलन प्रोग्राम का उपयोग करने में कठिनाई हो सकती है, शोध कंपनी के एक मॉडरेटर ने दिशानिर्देश भेजे. इसके अलावा, मॉडरेटर ने प्रतिभागियों को बुलाया और अनुकूलन प्रक्रिया के बारे में बताया, जबकि प्रतिभागियों ने दिशानिर्देशों की समीक्षा की। - प्रतिभागियों से पूछो बनाया खाई कोट के एक स्क्रीनशॉट पर कब्जा करने के लिए और कोट के लिए एक मूल्य प्रदान करने के लिए सुनिश्चित करें कि वे वास्तव में अनुकूलन कार्यक्रम में एक खाई कोट बनाएँ.
- एक लिंक है कि एक मौजूदा खरीदारी वेबसाइट में ई-मास अनुकूलन कार्यक्रम से जुड़ा है जब प्रतिभागियों प्रक्रिया को समझने भेजें.
- प्रतिभागियों के लिए निम्नलिखित परिदृश्य प्रदान करें: "कृपया कल्पना करें कि आप अच्छी तरह से कर रहे हैं काफी आकर्षक कपड़े खरीदने के लिए और एक खाई कोट खरीदने के लिए एक महत्वपूर्ण बैठक में भाग लेने के लिए है. आप एक अद्वितीय खाई कोट बनाना चाहते हैं. इंटरनेट ब्राउज़ करते समय, आप सही परिधान वेबसाइट है कि एक बड़े पैमाने पर अनुकूलन कार्यक्रम है भर में आते हैं."
नोट: इस कदम के लिए भागीदारी के स्तर को बढ़ाने और उत्पाद के प्रकार और उत्पाद मूल्य के उपभोक्ता धारणा को नियंत्रित करने के लिए आवश्यक है. - प्रतिभागियों को परिदृश्य पढ़ने के बाद एक खाई कोट बनाने के लिए 24 एच की अनुमति दें।
नोट: प्रतिभागियों को एक पसंदीदा समग्र शैली, कॉलर, कोट लंबाई, आस्तीन लंबाई, जेब, कपड़े, और मामले में अस्तर है कि वे वास्तव में इसे खरीद लेंगे चुनने के द्वारा एक खाई कोट बनाने के लिए स्वतंत्र हैं. यदि उन्हें अनुकूलन कार्यक्रम में कोट बनाने में समस्या है, तो उन्हें 24 h अवधि के दौरान किसी भी समय मॉडरेटर को कॉल करने और पूछने की अनुमति है. - 24 h के बाद सर्वेक्षण लिंक को सक्रिय करें ताकि जो प्रतिभागी सर्वेक्षण लेने के लिए तैयार हैं (यानी, जिन्होंने उनके द्वारा बनाए गए ट्रेंच कोट के स्क्रीनशॉट को कैप्चर करना समाप्त कर दिया है) सर्वेक्षण लिंक पर क्लिक कर सकते हैं।
चित्र 1: ई-मास अनुकूलन प्रोग्राम का उपयोग करने के लिए निर्देश. ऑनलाइन सर्वेक्षण के प्रतिभागियों अनुकूलन कार्यक्रम का उपयोग कर खाई कोट बनाने के लिए और चरणों का पालन करें 1-8 के बारे में निर्देश पढ़ें. कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.
2. सर्वेक्षण प्रक्रिया
- प्रतिभागियों को सर्वेक्षण के पहले पृष्ठ पर बनाए गए ट्रेंच कोट का स्क्रीनशॉट और मूल्य अपलोड करने के लिए कहें (चित्र 2देखें).
नोट: स्क्रीनशॉट अपलोड करने वाले केवल प्रतिभागी ही प्रश्नावली का उपयोग कर सकते हैं। - प्रतिभागियों से कथित लाभों के बारे में ऑनलाइन प्रश्नावली को पूरा करने के लिए कहें, अनुकूलित उत्पाद के प्रति भावनात्मक लगाव, अनुकूलन कार्यक्रम की ओर रवैया, वफादारी के इरादे, और जनसांख्यिकीय प्रश्न (तालिका 1देखें)।
- सर्वेक्षण पूरा करने वालों को एक पुरस्कार दें।
नोट: यहाँ, प्रतिभागियों को 10,000 डॉलर (लगभग अमेरिका $ 10) की भागीदारी के लिए एक पुरस्कार प्राप्त किया. प्रतिभागियों को जो सर्वेक्षण छोड़ दिया या स्क्रीनशॉट और मूल्य प्राप्त ₩ 1,000 (अमेरिका $ 1 के बारे में) प्रदान करने में विफल.
चित्र 2: ई-मास अनुकूलन प्रोग्राम का उपयोग करके बनाए गए ट्रेंच कोट के उदाहरण। प्रतिभागियों को एक पसंदीदा कॉलर, लंबाई, कपड़े, आदि का चयन करके खाई कोट बनाया, खाई कोट निर्माण के एक स्क्रीनशॉट अपलोड करने के बाद. कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.
| बाह्य लाभ (Franke एट अल., 2009) |
| मानक उत्पाद की तुलना में, अनुकूलित उत्पाद होगा [] [] ]] |
| 1. बेहतर मेरी आवश्यकताओं को पूरा |
| 2. बेहतर मेरी व्यक्तिगत वरीयताओं को पूरा |
| 3. अधिक मेरे लिए सबसे अच्छा समाधान होने की संभावना |
| Intrinsic लाभ (Franke और Schreier, 2010) |
| 1. मैं इस डिजाइन गतिविधि बहुत मज़ा आया |
| 2. मैंने सोचा कि उत्पाद डिजाइन काफी सुखद था |
| 3. इस उत्पाद को डिजाइन करना बहुत दिलचस्प था |
| भावनात्मक उत्पाद अनुलग्नक (थॉमसन एट अल., 2005) |
| इस ब्रांड के मानक उत्पाद की तुलना में, अपने अनुकूलित उत्पाद की ओर मेरी भावना की विशेषता हो सकती है []]. |
| 1. स्नेह |
| 2. कनेक्शन |
| 3. जुनून |
| 4. मोहित |
| एक बड़े पैमाने पर अनुकूलन कार्यक्रम की ओर रवैया (ली एट अल., 2001) |
| इस वेबसाइट में बड़े पैमाने पर अनुकूलन कार्यक्रम था [] [] [] |
| 1. अनाकर्षक ई आकर्षक |
| 2. अप्रिय ई सुखद |
| 3. बदसूरत ई आकर्षक |
| 4. अरुचिकर ई आकर्षक |
| वफादारी इरादा (Kwon और लेनन, 2009) |
| 1. मैं निकट भविष्य में इस अनुकूलन कार्यक्रम में एक अनुकूलित उत्पाद खरीद होगा |
| 2. मैं दोस्तों या रिश्तेदारों के लिए इस अनुकूलन कार्यक्रम की सिफारिश करेंगे |
| 3. मैं इस वेबसाइट पर लौटने और निकट भविष्य में एक उत्पाद को अनुकूलित होगा |
| उत्पाद भागीदारी (जाइचकोव्स्की, 1985) |
| मेरे लिए, कपड़े है [] [] [ ] ] |
| 1. महत्वहीन ई महत्वपूर्ण |
| 2. बोरिंग ई दिलचस्प |
| 3. अनाकर्षक ई आकर्षक |
| 4. जरूरत नहीं ई की जरूरत |
| 5. रोमांचक e exciting6. बेकार ई मूल्यवान |
| फैशन नवीनता (पार्क एट अल., 2007) |
| 1. सामान्य में, मैं दोस्तों के अपने सर्कल में पिछले हूँ नवीनतम नए फैशन (आर) के नाम पता है |
| 2. सामान्य में, मैं दोस्तों के अपने सर्कल में पिछले के बीच में हूँ एक नया फैशन आइटम खरीदने के लिए जब यह प्रकट होता है (आर) |
| 3. मेरे दोस्तों की तुलना में, मैं नए फैशन आइटम ही. |
| 4. मैं नए फैशन डिजाइनरों के नाम से पहले अन्य लोगों को पता है. |
| 5. अगर मैंने सुना है कि एक नया फैशन आइटम की दुकान में उपलब्ध था, मैं काफी दिलचस्पी होगी इसे खरीदने के लिए. |
| 6. मैं एक नया फैशन आइटम खरीद भी अगर मैं इसे पहले नहीं देखा होगा. |
| (आर) रिवर्स कोडित |
तालिका 1: मापन स्केल. इस तालिका का उपयोग पहले29किया जा चुका है।
3. डेटा तैयारी
- किसी SPSS फ़ाइल में सर्वेक्षण डेटा को "Data$TOTAL.sav" के रूप में सहेजें (चित्र 3देखें), जिसमें सर्वेक्षण सहभागियों की सभी प्रतिक्रियाएँ हैं. ऐसे मामले हटाएँ जिनमें अनुपलब्ध मान शामिल हैं. SEM विश्लेषण करने के लिए साफ़ किए गए डेटा का उपयोग करें.
- दो डेटा फ़ाइलों में कुल डेटा अलग: उच्च और कम फैशन अभिनव समूहों. एक औसत विभाजन का उपयोग करें. योग और औसत फैशन नवीनता के छह मदों के स्कोर, और फैशन नवीनता के औसत स्कोर की गणना (मेड $ 4.17).
नोट: माध्य विभाजन का प्रयोग अक्सर मनोविज्ञान और विपणन अनुसंधान में किया जाता है और समूह अंतरों की जांच करने के लिए सतत चर के लिए औसत विभाजन का उपयोग करना मान्य24है। - "रूपांतरण" मेनू के अंतर्गत "विभिन्न चरों में पुन: कोड" पर क्लिक करें. एक नया चर बनाएँ, "फैशन अभिनव समूह (FIG)", कोडिंग द्वारा "1 (कम फैशन अभिनव समूह)" अगर मतलब स्कोर औसत से कम है (जैसे, औसत $ 4.17), या कोडिंग द्वारा "2 (उच्च फैशन अभिनव समूह)" अगर यह औसत से अधिक है (चित्र 4 देखें ).
- "डेटा" मेनू के अंतर्गत "फ़ाइलों में विभाजित करें" क्लिक करें, चर "फैशन अभिनव समूह (FIG)" को "विभाजन मामले द्वारा" फ़ील्ड पर ले जाने के लिए डबल-क्लिक करें, और फ़ाइलों को सहेजने के लिए "आउटपुट फ़ाइल निर्देशिका" स्थान असाइन करें (चित्र 5) देखें .
- "1.sav" और "2.sav" असाइन की गई निर्देशिका में सहेजें। LMA के लिए दोनों का उपयोग करने के लिए फ़ाइल नाम "Data]low फैशन innovativeness.sav" और "Data]high फैशन innovativeness.sav" करने के लिए फ़ाइल नाम बदलें।
चित्र 3: Data$TOTAL. डेटा SEM विश्लेषण के लिए उपयोग किए गए सभी प्रतिभागियों (n $ 290) के प्रतिसाद शामिल हैं। कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.
चित्र 4: नया चर "फैशन अभिनव समूह (FIG)" बनाना। नया चर (FIG) कोडिंग द्वारा बनाया गया था "1 (कम फैशन अभिनव समूह)" और "2 (उच्च अभिनव समूह)". कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.
चित्र 5: डेटासेट को दो डेटा फ़ाइलों में विभाजित करना. कुल डेटा फ़ाइल, "Data]TOTAL", में विभाजित किया गया था "Data]low फैशन innovativeness.sav" और "Data]high फैशन innovativeness.sav" एक LMA में बाद में उपयोग के लिए फ़ाइलों. कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.
4. एक Confirmatory फैक्टर विश्लेषण चल रहा है (CFA)
-
अभिसरण वैधता की पुष्टि करने के लिए पांच कारक माप मॉडल के साथ एक एकल समूह CFA का संचालन करें। क्लिक करें "डेटा फ़ाइल (ओं) का चयन करें ] डेटा [TOTAL.sav". अनुसंधान सवालों के आधार पर माप मॉडल का विकास करना।
- माप मॉडल पांच गुप्त चर शामिल हैं (यानी, extrinsic लाभ, आंतरिक लाभ, भावनात्मक उत्पाद लगाव, एक बड़े पैमाने पर अनुकूलन कार्यक्रम की ओर दृष्टिकोण, और वफादारी इरादों) और 17 मनाया चर (तीन मनाया चर के लिए extrinsic लाभ, आंतरिक लाभ के लिए तीन, भावनात्मक उत्पाद लगाव के लिए चार, एक बड़े पैमाने पर अनुकूलन कार्यक्रम की ओर दृष्टिकोण के लिए चार, और वफादारी इरादों के लिए तीन). गुप्त चरों के प्रसरणों को "1" के रूप में सेट करें (चित्र 6 और चित्र 7देखें)। "अनुमानों की गणना करें" पर क्लिक करें.
- एकल समूह सीएफए के परिणामों से माप मॉडल के फिट सूचकांक ों की जाँच करें: अच्छाई-की-फिट इंडेक्स (GFI), अच्छाई समायोजित अच्छाई-की-फिट इंडेक्स (AGFI), मानक फिट इंडेक्स (NFI), टकर-लुइस इंडेक्स (TLI), तुलनात्मक फिट इंडेक्स (CFI), और रूट माध्य वर्ग त्रुटि सन्निकटन (RMSEA).
चित्र 6: पुष्टि कारक विश्लेषण के लिए मॉडल विनिर्देश. कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.
चित्र 7: पुष्टिकारक विश्लेषण के लिए मापन मॉडल. CFA के लिए माप मॉडल AMOS प्रोग्राम का उपयोग करके बनाया गया था। गुप्त चर के विभिन्नता "1" के रूप में सेट किए गए थे। कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.
5. एक SEM चल रहा है
- गुप्त चरों के बीच संबंधों का परीक्षण करने के लिए, SEM का संचालन करें. "डेटा फ़ाइल (फ़ाइलों का चयन करें) का चयन करें] क्लिक करें. डेटा [TOTAL.sav". पांच गुप्त चर और 17 मनाया चर सहित अनुसंधान सवालों के आधार पर SEM का विकास करना।
- से तीर ड्रा "Extrinsic]V" और "Intrinsic]V" करने के लिए "EP$Attachment" और "Attitude]MP," के रूप में के रूप में अच्छी तरह से "EP$Attachment" और "Attitude]MP" से "Loyalty." तीन unobserved चर जोड़ें, अर्थात् "z1" के एक भविष्यवक्ता के रूप में "EP$Attatchment", "z2" के एक भविष्यवक्ता के रूप में "Attitude]MP", और "z3" के एक भविष्यवक्ता के रूप में "Loyalty" (देखें चित्र 8, चित्र 9). "अनुमानों की गणना करें" पर क्लिक करें. मॉडल के "अनुमान" और फिट सूचकांक देखें.
चित्र 8: संरचनात्मक समीकरण मॉडलिंग के लिए मॉडल विनिर्देश। कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.
चित्र 9: संरचनात्मक समीकरण मॉडलिंग विश्लेषण. कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.
6. LMA के लिए Invariance टेस्ट का आयोजन
- उच्च और कम फैशन अभिनव समूहों की तुलना करने के लिए, बहु-समूह पुष्टिकारक कारक विश्लेषण (MGCFA) के आधार पर एक LMA आचरण। LMA से पहले, परीक्षण configural निश्चर, मीट्रिक invariance, और दोनों समूहों के बीच अश्लेक्ष् invariance25.
- बहु-समूह मापन मॉडल बनाना: माप मॉडल बनाएँ (यानी, MGCFA के लिए मॉडल) "उच्च" और "कम" के अंतर्गत "प्रबंधित करें" नाम के दो समूहों के साथ. निम्न लिखित तरीके से समूहों के लिए डेटा फ़ाइलों का चयन करें: "Data]low फैशन innovativeness.sav" कम फैशन अभिनव समूह के लिए और उच्च फैशन अभिनव समूह के लिए "Data]high फैशन innovativeness.sav" उच्च फैशन अभिनव समूह के लिए (चित्र 10देखें).
चित्र 10: समूहों के लिए डेटा फ़ाइलों का चयन करना. MGCFA के लिए माप मॉडल बनाया गया था, और दो डेटा फ़ाइलें ("Data]low फैशन innovativeness.sav" और "Data]high फैशन innovativeness.sav") अपलोड किए गए थे. कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.
-
परीक्षण configural निश्चर
नोट: यदि दोनों समूहों में माप मॉडल की संरचना एक ही प्रपत्र है (यानी, एक ही आयाम और निश्चित और गैर निर्धारित मानों का एक ही पैटर्न), configural invariance संतुष्ट है (चित्र 11देखें). यदि माप मॉडल का उपयुक्त संतोषजनक है, तो मेट्रिक invariance26की जाँच करने के लिए अगले चरण पर जाएँ.- CFA प्रत्येक समूह के लिए पहले से प्रस्तावित पाँच-कारक माप मॉडल के साथ निष्पादित करें। "अनुमानों की गणना करें" पर क्लिक करें. "अनुमान" और दोनों मॉडलों के फिट सूचकांक की जाँच करें. दोनों मॉडल के फिट संतोषजनक है और कारक गुणांक महत्वपूर्ण हैं, तो अगले चरण के लिए आगे बढ़ें।
- एक आधारभूत मॉडल के रूप में पांच कारक माप मॉडल के साथ MGCFA आचरण. फिक्स "1" पहले मनाया चर के लिए प्रत्येक गुप्त चर से कारक गुणांक के लिए और अन्य कारक गुणांक मुक्त करते हैं. "अनुमानों की गणना करें" पर क्लिक करें.
- दो समूहों के "अनुमान" की जाँच करें और मॉडल के सूचकांक फिट करें. यदि मॉडल के फिट संतोषजनक है और कारक गुणांक महत्वपूर्ण हैं, configural निश्चर संतुष्ट है. फिर, मैट्रिक परीक्षा से जुड़े अगले चरण पर आगे बढ़ें.
चित्र 11: समान आयाम और दो समूहों में माप मॉडल के रूप. (A) उच्च फैशन अभिनव समूह के लिए मॉडल और कम फैशन अभिनव समूह के लिए (बी) मॉडल. कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.
-
परीक्षण मेट्रिक invariance
नोट: मीट्रिक inप्रसर्य का परीक्षण मूल्यांकन करता है कि क्या अव्यक्त चरों को प्रेक्षित चरों से जोड़ने वाले कारक गुणांक समूहों में समान हैं.- मेट्रिक invariance के परीक्षण के लिए, समूहों में कारक गुणांकों को ठीक करें. समूहों में एक ही गुणांक के लिए एक ही नाम दर्ज करें (उदा., "a" extrinsic[V] के लिए E2, "J" EP$Attachment के लिए | EA4, चित्र 12देखें । "अनुमानों की गणना करें" पर क्लिक करें. दो समूहों के "अनुमान" की जाँच करें और मॉडल के सूचकांक फिट करें.
- पूर्ण मेट्रिक invariance मॉडल (यानी, मॉडल समूहों में निश्चित कारक गुणांकों के साथ) की तुलना करके एक ची-वर्ग अंतर परीक्षण का आयोजन करें, जिसमें विन्यासात्मक प्रसरण मॉडल (यानी, पूरे समूह में निःशुल्क कारक गुणांकवाला वाला मॉडल) शामिल है. यदि ची-वर्ग अंतर गैर-महत्वपूर्ण है, तो मीट्रिक invariance संतुष्ट है. फिर, अगले चरण पर आगे बढ़ें जिसमें अश्र्भिक परीक्षा25,26,27.
चित्र 12: समूहों में कारक गुणांकों को ठीक करना. समूहों में एक ही गुणांक के लिए एक ही नाम दर्ज करके, कारक गुणांक रोका गया था। कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.
-
परीक्षण अदिश invariance
नोट: स्केलर invariance का अर्थ है कि 1) गुप्त निर्माण पर एक ही मान मनाया चर पर एक ही मूल्यों के साथ जुड़े रहे हैं और 2) मनाया चर के साधन में अंतर गुप्त चर के माध्य अंतर से प्राप्त कर रहे हैं. अदिश के प्रसरण का परीक्षण करने के लिए, प्रेक्षित चरों के इंटरसेप्ट को प्रतिबंधित करें ताकि वे28समूहों में समान हों।- "दृश्य" मेनू के अंतर्गत "विश्लेषण गुण" क्लिक करें. "Estimation" टैब पर क्लिक करें और "अनुमान का मतलब है और अवरोधन" की जाँच करें। प्रत्येक देखे गए चर पर राइट-क्लिक करें और "ऑब्जेक्ट गुण" चुनें. "पैरामीटर" टैब का चयन करें और पैरामीटर नाम दर्ज करें जैसे कि "int-e1" और "int-ea1" इंटरसेप्ट पाठ बॉक्स में (चित्र 13देखें).
- पूर्ण मीट्रिक/पूर्ण अदलक inप्रसरमॉडल (अर्थात, परिक्षेपित चरों के निश्चित अवरोधनों और समूहों में निश्चित कारक गुणांकों के साथ मॉडल) की तुलना पूर्ण मीट्रिक invariance मॉडल (यानी, मॉडल के साथ) की तुलना करके एक ची-वर्ग अंतर परीक्षण का संचालन करें समूह में निश्चित कारक गुणांक). यदि ची-वर्ग अंतर गैर-महत्वपूर्ण है, तो पूर्ण मीट्रिक/पूर्ण अदिश invariance संतुष्ट है।
नोट: यहाँ, एक विशिष्ट पदानुक्रम (कॉन्फ़िगरल invariance परीक्षण, मैट्रिक invariance परीक्षण, अश्र्वर invariance परीक्षण) का उपयोग किया जाता है। एक बार प्रत्येक invariance परीक्षण संतुष्ट है, अंत में चयनित मॉडल का उपयोग करके LMA आचरण (यानी, पूर्ण मीट्रिक /
चित्र 13: अवरोधित पाठ बॉक्स में पैरामीटर नाम दर्ज करना.
कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.
7. एक LMA चल रहा है
- पूर्ण अदिश/पूर्ण मैट्रिक इंप्रूवमेंट्री मॉडल27,28का उपयोग करके एक LMA आचरण . गुप्त चर के साधनों की तुलना करने के लिए, एक समूह में गुप्त चर के साधनों को ठीक करें और उन्हें दूसरे समूह में मुक्त होने दें।
- किसी संदर्भ समूह के लिए शून्य करने के लिए एक साधन निर्धारित करके समूहों में माध्य अंतरों का अनुमान लगाएँ, फिर दूसरे समूह के लिए माध्य मानों का अनुमान लगाएँ. इस प्रकार, शून्य पर कम फैशन अभिनव समूह में सभी गुप्त चर के साधन ठीक. यह सुनिश्चित करना महत्वपूर्ण है कि उच्च फैशन अभिनव समूह में गुप्त चरों के साधन स्वतंत्र हों और दोनों समूहों में उनके प्रसरण मुक्त हों (चित्र 14देखें)।
- "अनुमानों की गणना करें" पर क्लिक करें. दो समूहों के "अनुमान" की जाँच करें और मॉडल के सूचकांक फिट करें.
- "पाठ देखें" क्लिक करें और "अनुमान" के अंतर्गत उच्च फैशन अभिनव समूह में गुप्त चरों के साधनों की जाँच करें (चित्र 15देखें).
चित्र 14: गुप्त चर साधन और प्रसरण निर्धारित करना। (ए) उच्च फैशन अभिनव समूह और (बी) कम फैशन अभिनव समूह. कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.
चित्र 15: अव्यक्त के लिए आउटपुट का अर्थ विश्लेषण है। कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
आवृत्ति आँकड़े नमूने की विशेषताओं की पेशकश की. कुल 290 महिला ऑनलाइन उपभोक्ताओं ने ई-मास अनुकूलन कार्यक्रम का उपयोग करके खरीदारी की प्रक्रिया पूरी की। नमूने की जनसांख्यिकीय विशेषताओं समान रूप से वितरित किए गए. आयु वर्ग के द्वारा, 23.1% उनके बीस के दशक में थे, उनके तीस के दशक में 28.3%, उनके चालीसवें दशक में 26.6%, और उनके पचास के दशक में 22.1%. वैवाहिक स्थिति से, 58.3% शादी कर रहे थे, जबकि 40% एकल थे. व्यवसाय से, 45.2% कार्यालय के कर्मचारी थे, 22.8% गृहणियां थीं, 10.3% पेशेवर थे, 9.3% छात्र थे, और 5.5% सेवा क्षेत्र में थे (तालिका 2)।
एक एकल समूह CFA पांच गुप्त चर के साथ आयोजित किया गया था ("Extrinsic]V", "Intrinsic$V", "EP$Attachment", "Attitude]MP", और "Loyalty") और 17 मनाया चर. पांच कारक माप मॉडल के फिट मूल्यांकन किया गया था. हालांकि ची-वर्ग आंकड़ा महत्वपूर्ण था (ची-वर्ग $ 179.63, df $ 109, p $ 0.000), ची-वर्ग आँकड़ा बड़े नमूना आकार के प्रति संवेदनशील है (n ] 209). अन्य फिट सूचकांक के मान एक अच्छा समग्र मॉडल फिट संकेत दिया (GFI - 0.93, AGFI - 0.91, NFI ] 0.97, TLI - 0.98, CFI - 0.99, और RMSEA $ 0.05). कारक गुणांकों के सभी महत्वपूर्ण अनुपात (सीआर) महत्वपूर्ण थे (च एवं 0.001), जिसका अर्थ है कि अभिसरणीय वैधता प्राप्त की गई थी(चित्र 16)।
| आयु समूह | ||
| आवृत्ति | प्रतिशत | |
| 20 है | 67 | 23.1 |
| 30 है | 82 | 28.3 |
| 40 है | 77 | 26.6 |
| 50's] | 64 | 22.1 |
| व्यवसाय | ||
| आवृत्ति | प्रतिशत | |
| छात्रों | 27 | 9.3 |
| कार्यालय कर्मी | 131 | 45.2 |
| उत्पादन | 1 | 0.3 |
| सेवा | 16 | 5.5 |
| पेशेवरों | 30 | 10.3 |
| व्यापार | 12 | 4.1 |
| गृहिणियों | 66 | 22.8 |
| दूसरों | 7 | 2.4 |
| कुल | 290 | 100.0 |
| वैवाहिक स्थिति | ||
| आवृत्ति | प्रतिशत | |
| सिगल | 116 | 40.0 |
| शादीशुदा | 169 | 58.3 |
| दूसरों | 5 | 1.7 |
| कुल | 290 | 100.0 |
तालिका 2: नमूना विशेषताओं|
चित्र 16: पुष्टि कारक विश्लेषण के लिए आउटपुट. कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.
एक एकल समूह SEM आयोजित किया गया. माप मॉडल के फ़िट सूचकांक एक स्वीकार्य फिट से पता चला (GFI - 0.93, AGFI - 0.91, NFI ] 0.97, TLI ] 0.98, CFI - 0.99, और RMSEA $ 0.05). पथ गुणांकों के CR मान महत्वपूर्ण थे और निम्नलिखित का पता चला: (1) "Extrinsic]V के सकारात्मक प्रभाव (बीटा ] 0.431, CR $ 6.661, p और lt; 0.001) और "आंतरिक ] V" (बीटा ] 0.339, CR ] 6.848, p और lt; 0.001 पर "EP]; (2) "Extrinsic]V" के सकारात्मक प्रभाव (बीटा ] 0.159, CR ] 2.581, p और lt; 0.05) और "आंतरिक ] V" (बीटा ] 0.378, CR $ 6.688, p और lt; 0.001) पर "Attitude]MP"; (3) "Attitude]MP" पर "EP$Attachment" के सकारात्मक प्रभाव (बीटा ] 0.328, CR ] 4.905, p और lt; 0.001); और (4) "Loyalty" पर "Attitude]MP" के सकारात्मक प्रभाव (बीटा ] 0.846, CR ] 6.932, p और lt; 0.001). "Loyalty" पर "EP$Attachment" का प्रभाव महत्वपूर्ण नहीं था (बीटा $ 0.078, CR ] 0.696, p $ 0.486; तालिका 3देखें).
| पथ गुणांक | अनुमान | मानकीकृत अनुमानई | एसई. | सी.आर. | पी |
| "Extrinsic[V" --gt; "EP$Attachment" | 0.431 | 0.437 | 0.065 | 6.661 | *** |
| "Intrinsic$V" --gt; "EP$Attachment" | 0.399 | 0.439 | 0.058 | 6.848 | *** |
| "Extrinsic[V" --gt; "Attitude]MP" | 0.159 | 0.166 | 0.061 | 2.581 | 0.01 |
| "Intrinsic$V" --gt; "Attitude]MP" | 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 | *** |
| पी-मान;lt; 0.001 | |||||
तालिका 3: एकल समूह संरचनात्मक समीकरण मॉडलिंग के परिणाम. यह तालिका पिछले प्रकाशन29से संशोधित की गई है.
एक औसत विभाजन का उपयोग करके (मेड $ 4.17), डेटा दो समूहों में विभाजित किया गया: कम फैशन अभिनव समूह और उच्च फैशन अभिनव समूह. एक टीपरीक्षण आयोजित किया गया था और उच्च और कम फैशन अभिनव समूहों के बीच फैशन नवीनता में महत्वपूर्ण मतलब अंतर से पता चला (एमउच्च $ 5.03 और एमकम $ 3.50; एसडीउच्च $ 0.72, एसडीकम $ 0.68; Nउच्च $ 141, Nकम $ 149; t ] 18.53, df ] 288, p और lt; 0.001).
उच्च और कम फैशन अभिनव समूहों के बीच गुप्त साधन की तुलना करने से पहले, invariance परीक्षण के एक पदानुक्रम किया गया था. सबसे पहले, प्रस्तावित पांच कारक माप मॉडल के साथ CFAs कम फैशन अभिनव और उच्च फैशन अभिनव समूहों के लिए अलग से आयोजित किया गया. परिणाम कम फैशन अभिनव समूह के लिए एक उत्कृष्ट मॉडल फिट पता चला (NFI - 0.96, TLI - 0.99, CFI - 0.99, और RMSEA - 0.04) और उच्च फैशन अभिनव समूह (NFI - 0.93, TLI 0.97, CFI ] 0.97, और RMSEA - 0.07). सभी कारक गुणांक महत्वपूर्ण थे, जिसका अर्थ है कि पाँच कारक मॉडल दोनों समूहों के लिए स्वीकार किया जाता है.
अगले चरण के लिए प्रत्येक समूह CFA से MGCFA करने के लिए ले जाने के लिए किया गया था दोनों समूहों के लिए पाँच कारक माप मॉडल को पार मान्य. मॉडल 1 (कॉन्फ़िगररीय प्रसरण मॉडल) का परीक्षण यह पुष्टि करने के लिए किया गया था कि प्रस्तावित संरचना कम और उच्च फैशन अभिनव समूहों में समान होगी या नहीं। परिणामों में पाया गया कि मॉडल का फिट संतोषजनक था। अन्य फिट सूचकांकों के मानों ने अच्छे समग्र मॉडल को फिट करने का संकेत दिया (NFI ] 0.94, TLI 0.98, CFI ] 0.98, और RMSEA 0.04; तालिका 4देखें। इस प्रकार, विन्यास अवरता प्राप्त की गई थी। कारक गुणांक के सभी CRs महत्वपूर्ण थे (पी और 0.001). मॉडल 1 एक आधाररेखा मॉडल माना जाता था.
मेट्रिक invariance का परीक्षण करने के लिए, कारक गुणांक दो समूहों में समान होने के लिए विवश थे, और एक अन्य MGCFA (मॉडल 2) किया गया था। चूंकि मॉडल 2 मॉडल 1 में नेस्टेड था, एक ची वर्ग अंतर परीक्षण आयोजित किया गया था. परिणाम से पता चला कि 14.728 (डीएफ $ 12) का ची-वर्ग अंतर महत्वपूर्ण नहीं था (च र् 0ण्257) और मीट्रिक निश्चर संतुष्ट था (तालिका 4देखें)। ची-वर्ग अंतर परीक्षण का एक उदाहरण इस प्रकार है: ची-वर्ग (मॉडल 2) - ची-वर्ग (मॉडल 1) - 323.492 - 308.764 ] 14.728; df अंतर: df (मॉडल 3) - df (मॉडल 2) ] 230-218 - 12; ची-वर्ग (df ] 12) ] 14.728, p-value $ 0.256649.
चूंकि मेट्रिक इंप्रसरेंस मॉडल (मॉडल 2) को स्वीकार किया गया था, इसलिए अश्र्भिम के रूप का परीक्षण किया गया था। पांच गुप्त चर के अवरोधन दो समूहों में बराबर होने के लिए विवश थे, और पिछले MGCFA प्रदर्शन किया गया था (मॉडल 3). चूंकि पूर्ण मीट्रिक/पूर्ण अदलक invariance मॉडल (मॉडल 3) मॉडल 2 में नेस्टेड किया गया था, एक ची वर्ग अंतर परीक्षण आयोजित किया गया था। परिणामों से पता चला कि 11ण्18 (डीएफ र् 12) का ची-वर्ग अंतर महत्वपूर्ण नहीं था (च र् 0ण्514) और अदिश निश्चर संतुष्ट था (तालिका 4देखिए)। ची-वर्ग अंतर परीक्षण का एक उदाहरण इस प्रकार है: ची-वर्ग (मॉडल 3) - ची-वर्ग (मॉडल 2) - 334.672 - 323.492 ] 11.18; df अंतर: df (मॉडल 3) - df (मॉडल 2) ] 242-230 ] 12; ची-वर्ग (df ] 12) $ 11ण्18, च-मान ] 0.513559.
| ची-वर्ग | लोमो | आरएमएसईए | एनएफआई | TLI | Cfi | |
| विन्यास निश्चर (आधार रेखा मॉडल): मॉडल 1 | 308.764 | 218 | 0.038 | 0.94 | 0.98 | 0.98 |
| पूर्ण मैट्रिक invariance: मॉडल 2 | 323.492 | 230 | 0.038 | 0.94 | 0.98 | 0.98 |
| पूर्ण मैट्रिक/पूर्ण अदिश invariance: मॉडल 3 | 334.672 | 242 | 0.036 | 0.94 | 0.98 | 0.98 |
| ची-वर्ग अंतर | डी एफ अंतर | पी | निर्णय | |||
| पूर्ण मैट्रिक invariance का परीक्षण (मॉडल 1 बनाम मॉडल 2) | 14.728 | 12 | 0.256649 | स्वीकार करना | ||
| पूर्ण अदिश के प्रसरण का परीक्षण (मॉडल 1 बनाम मॉडल 2) | 11.18 | 12 | 0.513559 | स्वीकार करना | ||
तालिका 4: LMA के लिए invariance परीक्षण के लिए फ़िट सूचकांक. यह तालिका पिछले प्रकाशन29से संशोधित की गई है.
यह देखते हुए कि configural प्रसरण, मीट्रिक invariance, और अदिश invariance प्राप्त किया गया था, LMA प्रदर्शन किया गया था. कम फैशन अभिनव समूह संदर्भ समूह के रूप में इस्तेमाल किया गया था, गुप्त चर शून्य पर तय के अपने साधन के साथ, जबकि उच्च फैशन अभिनव समूह के लिए गुप्त मतलब मूल्यों का अनुमान लगाया गया था. LMA के परिणामों से पता चला है कि पांच गुप्त चर के साधन ("Extrinsic]V", "Intrinsic$V", "EP$Attachment", "Attitude]MP", और "Loyalty") उच्च फैशन अभिनव समूहों के लिए सकारात्मक मूल्यों थे और काफी कम के लिए उन लोगों की तुलना में अधिक थे फैशन अभिनव समूहों (तालिका 5देखें ).
| निर्माण | कम | उच्च | एसई | सीआर |
| "बाहरी]V" | 0 | 0.590 | 0.134 | 4.393*** |
| "आंतरिक]V" | 0 | 0.690 | 0.141 | 4.878*** |
| "ईपी$अनुलग्नक" | 0 | 0.527 | 0.134 | 3.926*** |
| "Attitude]MP" | 0 | 0.521 | 0.127 | 4.084*** |
| "लायल्टी" | 0 | 0.980 | 0.169 | 5.796*** |
| च-मूल्य;lt;0.001 | ||||
तालिका 5: LMA के परिणाम. यह तालिका पिछले प्रकाशन29से संशोधित की गई है.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
निष्कर्षों के निहितार्थ
इस अध्ययन के निष्कर्षों से पता चलता है कि उपभोक्ताओं के extrinsic और आंतरिक एक बड़े पैमाने पर अनुकूलित उत्पाद बनाने से व्युत्पन्न लाभ उत्पाद के लिए भावनात्मक लगाव के विकास में मदद, अनुकूलन कार्यक्रम की ओर सकारात्मक दृष्टिकोण के निर्माण, और वृद्धि हुई वफादारी इरादों. फैशन innovativeness के मोडरेटिंग प्रभाव पर निष्कर्षों से पता चलता है कि जब एक कम फैशन नवाचार समूह में उपभोक्ताओं की तुलना में, एक उच्च फैशन innovativeness समूह में उन अधिक से अधिक लाभ अनुभव, अधिक से अधिक संलग्नक है, फार्म और अधिक अनुकूल कार्यक्रम की ओर दृष्टिकोण, और अधिक से अधिक वफादारी इरादे हैं. ये परिणाम ओएचई मॉडल का समर्थन करने वाले सैद्धांतिक और व्यावहारिक अंतर्दृष्टि प्रदान करते हैं।
ऑनलाइन सर्वेक्षण पद्धति के निहितार्थ
इस अध्ययन में दक्षिण कोरिया में एक सर्वेक्षण कंपनी का उपयोग करएक ऑनलाइन सर्वेक्षण किया. अनुसंधान कंपनी कोरिया में उच्च प्रतिक्रिया दरों के साथ सबसे बड़ा उपभोक्ता पैनल है. पैनल में आयु और लिंग वितरण कोरियाई आबादी की स्थिति को दर्शाते हैं। उपभोक्ता पैनल असली नाम के सत्यापन के माध्यम से विश्वसनीयता के एक उच्च डिग्री है. चूंकि अनुसंधान कंपनी विभिन्न अभिनव तरीकों के साथ लगातार पैनल का प्रबंधन करती है, इसलिए अनुसंधान कंपनी की ओर पैनल की वफादारी अधिक है; इसलिए, कंपनी द्वारा प्राप्त सर्वेक्षण परिणामों को अत्यधिक विश्वसनीय के रूप में देखा जाता है।
एक मौजूदा जन अनुकूलन कार्यक्रम का उपयोग पारंपरिक प्रयोगात्मक अध्ययन से अधिक लाभ है. प्रतिभागियों को एक प्राकृतिक और यथार्थवादी सेटिंग में एक बड़े पैमाने पर अनुकूलन कार्यक्रम की कोशिश कर सकते हैं, बजाय एक है कि जानबूझकर अध्ययन के लिए हेरफेर है. हालांकि प्रतिभागियों को समझते हैं कि वे एक अध्ययन भाग ले रहे हैं, वे जांच के तहत बड़े पैमाने पर अनुकूलन कार्यक्रम का उपयोग नहीं करते. प्रतिक्रिया प्रभाव निकाला जा सकता है, और बड़े पैमाने पर अनुकूलित उत्पाद की ओर उनकी प्रतिक्रियाएँ अनुकूलित उत्पाद बनाते समय उनके वास्तविक व्यवहार के समान होती हैं. इसलिए, इस अध्ययन में प्रकृतिवाद के आधार पर क्षेत्र अनुसंधान के लाभ posseses30,इस प्रकार बाहरी वैधता के एक उच्च डिग्री बनाए रखने. इसके अलावा, प्रतिभागियों की प्रतिक्रियाएं उस जनसंख्या के सदस्यों के समान हैं जहां से उनका चयन किया गया था। इस अध्ययन में इस विशिष्ट स्थिति (यानी, दक्षिण कोरिया में महिला ऑनलाइन परिधान खरीदार) के लिए निष्कर्षों की सामान्यता प्राप्त करता है।
यह अध्ययन उन सहभागियों को एक परिदृश्य प्रदान करता है जो अनुकूलन प्रोग्राम में कोई उत्पाद बनाना चाहते हैं. परिदृश्य आधारित अध्ययन की आलोचना उनकी बाहरी वैधता है। प्रतिभागियों को और अधिक भावनात्मक लोगों की तुलना में संज्ञानात्मक मूल्यांकन में शामिल होने की संभावना है क्योंकि परिदृश्य31की कृत्रिम प्रकृति के . हालांकि, निष्कर्षों से पता चलता है कि उपभोक्ताओं को जो अनुकूलित उत्पाद से लाभ अनुभव उत्पाद के लिए अधिक से अधिक भावनात्मक लगाव दिखाने के लिए, संकेत मिलता है कि वे दोनों संज्ञानात्मक और अनुभव के भावनात्मक पहलुओं का मूल्यांकन कर सकते हैं. इस अध्ययन में वर्णित परिदृश्य का उपयोग कर एक वास्तविक जीवन क्रय अनुभव simulates. एक परिणाम के रूप में, प्रतिभागियों को खरीद की स्थिति में भागीदारी के एक उच्च डिग्री दिखाने के लिए, आगे बाहरी वैधता बढ़ाने.
SEM और LMA के निहितार्थ
इस अध्ययन में गुप्त चर के बीच संबंधों का परीक्षण करने के लिए SEM लागू होता है, और यह दो उपभोक्ता समूहों (कम और उच्च फैशन अभिनव समूहों) भर में गुप्त चर के साधन की तुलना करने के लिए MGCFA के साथ LMA का इस्तेमाल करता है। LMA को invariance परीक्षणों के पदानुक्रम की आवश्यकता होती है, जो (1) विन्यास निप्रसरण परीक्षण, (2) मेट्रिक invariance परीक्षण, और (3) अश्र्भिक निप्रचलन परीक्षण के महत्वपूर्ण चरणों का अनुसरण करता है. यह जोर दिया गया है कि उच्च गुणवत्ता अनुसंधान SEM और LMA परीक्षण से पहले invariance परीक्षण लागू करना चाहिए, क्योंकि invariance परीक्षण सुधार और प्रत्येक गुप्त चर के भीतर माप त्रुटियों का आकलन कर सकते हैं, अनुमान वैधता का निर्माण, और माप का मूल्यांकन समूहों में invariance13| मतलब तुलना के परिणाम लागू डेटा विश्लेषण के अनुसार अलग कर सकते हैं, जैसे ANOVA और MGCFA. यदि माप invariance पकड़ नहीं है, ANOVA और MGCFA से मतलब मतभेद के सांख्यिकीय परिणाम अलग हो जाते हैं और अमान्य32.
इस अध्ययन मतलब तुलना के लिए परीक्षण माप invariance के महत्व पर जोर दिया और invariance परीक्षण प्रक्रियाओं और LMA उपभोक्ता व्यवहार पर अनुसंधान के विषय में प्रयोज्यता के बारे में जानकारी प्रदान करता है. पाठकों को आसानी से अपने स्वयं के विश्लेषण करने में सक्षम होना चाहिए. यदि आवश्यक हो, माप invariance से संबंधित मान्यताओं संतुष्ट नहीं हैं, और अव्यक्त चर का मतलब तुलना व्याख्या नहीं की जा सकती है. मतलब मतभेद के अनुसंधान निष्कर्ष वैधता हो सकता है, क्योंकि वे माप invariance सुनिश्चित करने के लिए एक परिष्कृत सांख्यिकीय प्रक्रिया द्वारा निर्देशित कर रहे हैं. शोधकर्ताओं को माप invariance और आचरण का अनुमान लगाने की जरूरत है भविष्य के अध्ययन की अखंडता सुनिश्चित करने के लिए तुलना मतलब है.
हालांकि इस अध्ययन के एकाधिक समूह तुलना पर केंद्रित है, तुलना अव्यक्त माध्य मतभेद की जांच करने के लिए सीमित कर रहे हैं और गुप्त चर के बीच संबंधों में समूह मतभेद पता नहीं है. एकाधिक समूह तुलना के लिए एक वैकल्पिक दृष्टिकोण MGSEM एकाधिक समूह संरचनात्मक समीकरण मॉडलिंग (MGSEM) लागू करने और समूहों में पथ गुणांकों की तुलना करने के लिए है। ऐसा करने के लिए, माप invariance परीक्षण की आवश्यकता है, और invariance परीक्षण के पदानुक्रम तब आगे अनुसंधान के लिए लागू हो जाएगा.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
लेखकों को खुलासा करने के लिए कुछ भी नहीं है.
Acknowledgments
डेटा पार्क और Yoo के अध्ययन29से संशोधित किया गया है. इस काम कोरिया गणराज्य के शिक्षा मंत्रालय और कोरिया के राष्ट्रीय अनुसंधान फाउंडेशन द्वारा समर्थित किया गया था (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).
