Summary
Presenteras här är ett protokoll för att undersöka konsumenternas svar mot massa anpassning i samband med online detaljhandel. Protokollet specificerar online undersökningsförfarandet och hur man analyserar data med hjälp av strukturella ekvation modellering och gruppskillnader med hjälp av latent medelvärde analyser.
Abstract
Så många forskare och utövare studera personalisering och Relationship Marketing, det är viktigt att ge personalisering såsom massa anpassning genom marknadsföringsteknik. Syftet med denna studie är att undersöka hur man ska bedriva konsumentforskning med hjälp av en online-undersökning och analys av data. Denna studie undersöker konsumenternas upplevda fördelar samtidigt anpassa en produkt samt känslomässiga produkt fastsättning, attityder till ett anpassningsprogram, och lojalitet avsikter i samband med online detaljhandel. Dessutom undersöker denna studie hur konsumenternas svar är olika baserat på individuella egenskaper såsom mode innovativeness. En online-undersökning företag i Sydkorea rekryterade 290 kvinnliga kläder shoppare som köpt kläder på nätet. För att förbättra den externa giltigheten använde denna studie en befintlig detaljhandels webbplats med ett väletablerat Mass anpassningsprogram. Efter att ha slutfört anpassningsprogrammet, deltagarna fylla i online-enkäten. Struktur ekvation modellering (SEM) och latent medelvärde analyser (LMAs) utförs sedan för analyser. Denna studie understryker vikten av att testa mätningens invarians för medel jämförelser. Före SEM och LMA följer denna studie hierarkin av invarians tester (konfigural invarians test, metrisk invarians test och skalär inavvikelse test), som inte anses av traditionella metoder såsom ANOVA. Dessa statistiska analyser ger tillämpligheten av invarians testprocedurer och LMA till konsumenternas beteenden. Slutsatserna av medelvärdes skillnader har integritet och giltighet eftersom de styrs av ett sofistikerat statistiskt förfarande för att säkerställa mätning av invarians.
Introduction
Mass anpassning avser möjligheten för en e-handlare att skräddarsy produkter, tjänster och transaktions miljön till enskilda kunder1. Dagens konsumenter är inte nöjda med standardprodukter, och många återförsäljare har erkänt detta. Att erbjuda ett Mass anpassningsalternativ är en metod för att erhålla kundlojalitet och konkurrensfördelar2. Mass anpassning som marknadsföring taktik tillåter konsumenterna att skapa sina egna produkter baserat på särskilda behov och därmed ger individualiserade produkter eller tjänster3. Till exempel kan konsumenterna inte bara köpa ett par skor som är massproducerade, men de kan också skapa ett nytt och unikt par skor som inte är tillgängliga på vanliga detaljhandeln webbplatser genom att välja färg, tyg och andra design komponenter. Som ett resultat kan konsumenterna köpa mer gynnsamma produkter, och deras tillfredsställelse med den anpassade produkten samt varumärkeslojalitet ökning4,5.
Med ökad användning av Internet, har Mass anpassningsprocessen blivit snabbare och effektivare när det gäller att sänka produktionstiden och ge fler designalternativ med samma kostnader. Dessutom kan återförsäljare få information om vad deras mål kunder föredrar och därmed bygga starka relationer med dem6,7. Som sådan har många branscher (t. ex. kläder, skor, bilar och datorer) antagit anpassningsprogram. Även om Mass anpassning gynnar både konsumenter och återförsäljare står vissa återförsäljare inför utmaningar8. Därför finns det ett behov av att undersöka hur konsumenterna uppfattar fördelar och hur dessa fördelar påverkar andra shopping svar för långsiktig framgång.
Ritning på hierarkin av effekter (HOE) modell från övertalning teorier9, föreslår denna studie att konsumenterna bearbeta information baserad på kognition-affekt-conation sekvens. Specifikt undersöker denna studie (efter att ha skapat en massa-anpassad produkt) om upplevda konsumentfördelar (kognition) påverka lojalitet avsikter (conation) genom produkten kvarstad och attityden mot en massa anpassningsprogram (affekt) . Baserat på motivation teori10, upplevda fördelar delas in i extrinsic och inneboende fördelar11.
Extrinsic fördel avser en konsumentens upplevda värde som härrör från användning av en produkt12 (alltså, nära i värde till produktens kvalitet11), medan inneboende nytta indikerar en trevlig upplevelse när du använder en produkt11. I ett Mass anpassnings sammanhang associeras extrinsic-förmånen med produkten som en konsument skapar, och inneboende nytta är relaterad till anpassnings upplevelsen som uppfyller hedoniska och erfarenhetsrelaterade behov13,14. Tidigare forskning har funnit att konsumenternas upplevda fördelar förbättra känslomässiga produkt bilaga15 och positiva attityder till en massa anpassningsprogram16. Känslomässig produkt bifogad fil hänvisar till en känslomässig slips som konsumenterna ansluter till en produkt17, som positivt påverkar attityder till anpassningsprogrammet18 och lojalitet avsikter19. Dessutom påverkar attityder mot ett anpassningsprogram positivt lojalitets avsikter20.
Slutligen undersöker denna studie hur en individuell egenskap (dvs. mode innovativeness) påverkar konsumenternas svar på olika sätt. Mode innovativitet hänvisar till den grad som en individs innovativa tendens påverkar antagandet av en ny mode punkt21. Forskningsresultat visar att konsumenter som vill undvika överensstämmelse (dvs. mycket mode innovativa konsumenter) är motiverade att förvärva unika produkter, vilket tyder på att Mass anpassning kan vara en effektiv taktik för att särskilja sig från andra 22. denna studie förutsätter därför att ett större antal positiva svar kommer att genereras för innovativa konsumenter med hög modegrad.
Baserat på tidigare litteraturgranskningar behandlar denna studie följande forsknings hypoteser. H1: upplevda fördelar (a: extrinsic fördel, b: inneboende nytta) av en massa anpassad produkt kommer att positivt påverka känslomässiga produkten kvarstad; H2: upplevda fördelar (a: extrinsic fördel, b: inneboende nytta) av en massa anpassad produkt kommer att positivt påverka attityder till en massa anpassningsprogram; H3: känslomässig produkt kvarstad kommer att positivt påverka attityder till en massa anpassningsprogram; H4: känslomässig produkt kvarstad kommer att positivt påverka lojalitet avsikter; H5: attityd mot en massa anpassningsprogram kommer att positivt påverka lojalitet avsikter; och H6: jämfört med låg mode innovativeness, kommer High Fashion innovatörer har mer positiva svar på (a) upplevda fördelar, (b) känslomässig produkt kvarstad, (c) attityder, och (d) beteendemässiga avsikter.
För att förbättra den externa giltigheten använder denna studie ett befintligt Mass anpassningsprogram. Potentiella deltagare i Sydkorea rekryteras för denna studie och uppmanas att skapa sina egna trenchcoat med hjälp av ett program som om de faktiskt hade köpt produkten. För att utforska deltagarnas svar baserat på deras anpassnings erfarenheter, använder denna studie en online-undersökning. Deltagarna kan komma åt enkäten direkt efter att ha använt anpassningsprogrammet online. Efter insamling av data, använder studien Single-Group SEM för att undersöka effekterna av konsumenternas fördelar på produkten kvarstad, attityd och lojalitet avsikter. För att undersöka den modererande roller mode innovativeness, använder studien LMAs.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Denna forskning var undantagen från IRB-granskningen vid Ewha Womans University och tilldelades protokollnummer #143-18.
1. rekrytering av deltagare
- Förbered dig på att genomföra en online-undersökning.
Anmärkning: En online-undersökning genomfördes med hjälp av ett undersökningsföretag i Sydkorea. Forskningsföretaget har den största Konsumentpanelen med höga svarsfrekvenser i Korea. Ålder och könsfördelning i panelen återspeglar tillståndet för den koreanska befolkningen. Konsumentpanelen har en hög grad av tillförlitlighet genom verifiering av riktiga namn. Eftersom forskningsbolaget förvaltar panelen kontinuerligt med olika innovativa metoder är panelens lojalitet mot forskningsföretaget hög; Därför är undersökningsresultat som erhållits av företaget kända för att vara mycket tillförlitliga. - Rekrytera kvinnliga konsumenter som har erfarenhet av shopping för kläder på nätet.
Anmärkning: Kvinnliga konsumenter i Korea tillbringar en hög andel av inkomsten på kläder Shopping, och shopping beteenden förekommer mestadels online23. Därför är det lämpligt att välja den här gruppen som deltagare för denna studie. - Skicka en e-postinbjudan till deltagarna som innehåller information om syftet med studien och försäkran om sekretessen för deras svar.
- Skicka riktlinjer till dem som samtycker till att delta i undersökningen som visar hur man skapar trenchcoats med anpassningsprogrammet (se figur 1).
Anmärkning: För att undvika potentiella situationer där deltagarna kan stöta på svårigheter med anpassningsprogrammet skickade en moderator från forskningsföretaget riktlinjerna. Dessutom uppmanade moderatorn deltagarna och förklarade anpassnings proceduren medan deltagarna granskade riktlinjerna. - Be deltagarna att fånga en skärmdump av den skapade trenchcoat och ge ett pris för pälsen att se till att de faktiskt skapa en trenchcoat i anpassningsprogrammet.
- Skicka en länk som är kopplad till e-Mass anpassningsprogrammet på en befintlig shopping webbplats när deltagarna förstår proceduren.
- Ge följande scenario till deltagarna: "Tänk dig att du är väl avstängd nog att köpa sympabla kläder och måste köpa en trenchcoat att närvara vid ett viktigt möte. Du vill skapa en unik trenchcoat. Medan du surfar på Internet, du stöter på den perfekta kläder webbplats som har en massa anpassningsprogram ".
Anmärkning: Detta steg krävs för att öka engagemang nivåer och kontroll produkttyp och konsumenternas uppfattning av produktens pris. - Tillåt deltagare 24 h att skapa en trenchcoat efter att ha läst scenariot.
Anmärkning: Deltagarna är fria att skapa en trenchcoat genom att välja en önskad övergripande stil, krage, skikt längder, Ärmlängd, fickor, tyg, och foder i det fall att de faktiskt kommer att köpa den. Om de har problem med att skapa en kappa i anpassningsprogrammet, är de tillåtna att ringa och fråga moderatorn när som helst under 24 h-perioden. - Aktivera undersökningen länken efter 24 h så att deltagare som är redo att ta undersökningen (dvs. de som har avslutat fånga skärmdump av trenchcoat de skapat) kan klicka på undersökningen länk.
Figur 1: anvisningar för hur du använder anpassningsprogrammet för e-massa. Deltagare i online-undersökning läsa riktningar om hur man skapar diket rockar med hjälp av anpassningsprogrammet och följ steg 1 – 8. Vänligen klicka här för att se en större version av denna siffra.
2. undersökningsförfarande
- Be deltagarna att ladda upp skärmdumpen och priset på den trenchcoat de skapade till undersökningens första sida (se figur 2).
Anmärkning: Endast deltagare som laddar upp skärmdumpen kan komma åt enkäten. - Be deltagarna fylla i webbenkäten om upplevda fördelar, känslomässig anknytning till den anpassade produkten, attityd mot anpassningsprogrammet, lojalitets avsikter och demografiska frågor (se tabell 1).
- Ge en belöning till dem som slutför enkäten.
Anmärkning: Här fick deltagarna en belöning på ₩10 000 (om oss $10) för deltagande. Deltagare som avslutar undersökningen eller underlåter att tillhandahålla skärmdumpen och priset som mottagits ₩1 000 (om oss $1).
Figur 2: exempel på trenchcoats som skapats med hjälp av e-massa anpassningsprogram. Deltagarna skapade trenchcoats genom att välja en önskad krage, längd, tyg, etc., följt av uppladdning en skärmdump av trenchcoat skapandet. Vänligen klicka här för att se en större version av denna siffra.
| Extrinsic fördel (Franke et al., 2009) |
| jämfört med standardprodukten skulle den anpassade produkten _ _. |
| 1. bättre tillfredsställa mina krav |
| 2. bättre uppfylla mina personliga preferenser |
| 3. mer sannolikt att vara den bästa lösningen för mig |
| Inneboende fördel (Franke och Schreier, 2010) |
| 1. jag njöt av denna design aktivitet väldigt mycket |
| 2. jag tänkte designa produkten var ganska njutbar |
| 3. designa denna produkt var mycket intressant |
| Tillbehör till emotionell produkt (Thomson et al., 2005) |
| Jämfört med den standardprodukt av detta märke, min känsla mot sin skräddarsydda produkt kan kännetecknas av _ _. |
| 1. tillgivenhet |
| 2. anslutning |
| 3. passion |
| 4. captivation |
| Attityd mot ett Mass anpassningsprogram (Li et al., 2001) |
| Mass anpassningsprogrammet på denna webbplats var _ _. |
| 1. oattraktiv e tilltalande |
| 2. obehagligt e trevlig |
| 3. oattraktiv e attraktiv |
| 4. dislikable e sympabel |
| Lojalitets avsikter (Kwon och Lennon, 2009) |
| 1. Jag skulle köpa en skräddarsydd produkt i detta anpassningsprogram inom en snar framtid |
| 2. Jag skulle rekommendera detta anpassningsprogram till vänner eller släktingar |
| 3. Jag skulle återvända till denna webbplats och anpassa en produkt inom en snar framtid |
| Produkt engagemang (Zaichkowsky, 1985) |
| För mig är kläderna _ _. |
| 1. unimportant e viktigt |
| 2. tråkigt e intressant |
| 3. oattraktiv e tilltalande |
| 4. behövs inte e behövs |
| 5. ospännande e exciting6. Värdelös e värdefull |
| Mode innovativitet (Park et al., 2007) |
| 1. i allmänhet är jag den sista i min krets av vänner att veta namnen på de senaste nya mode (R) |
| 2. i allmänhet är jag bland de sista i min krets av vänner för att köpa ett nytt mode objekt när det visas (R) |
| 3. jämfört med mina vänner, jag äger nya mode produkter. |
| 4. jag vet namnen på nya modedesigners innan andra människor gör. |
| 5. om jag hörde att en ny modepost var tillgänglig i butiken, skulle jag vara intresserad nog att köpa den. |
| 6. jag kommer att köpa en ny modepost även om jag inte har sett det förut. |
| (R) omvänd kodad |
Tabell 1: måttskala. Denna tabell har använts tidigare29.
3. förberedelse av data
- Spara undersökningsdatan i en SPSS-fil som "Data_TOTAL. sav" (se figur 3), som innehåller alla svar från enkätdeltagarna. Ta bort ärenden som innehåller saknade värden. Använd rensade data för att genomföra en SEM-analys.
- Separera den totala data i två datafiler: hög och låg mode innovativa grupper. Använd en median uppdelning. Summa och genomsnittet poängen för sex artiklar av mode innovativitet, och beräkna median poängen för mode innovativitet (med = 4,17).
Anmärkning: Median delningen används ofta i psykologi och marknadsföring forskning, och med hjälp av en median Split för en kontinuerlig variabel för att undersöka gruppskillnader är giltig24. - Klicka på "Recode in i olika variabler" under "Transform"-menyn. Skapa en ny variabel, "Fashion Innovative Group (FIG)", genom kodning "1 (Low Fashion Innovative Group)" om medelpoängen är lägre än medianvärdet (t. ex. Median = 4,17), eller genom kodning "2 (High Fashion innovativ grupp)" om den är högre än medianvärdet (se figur 4 ).
- Klicka på "dela upp i filer" under "data"-menyn, dubbelklicka på variabeln "Fashion Innovative Group (FIG)" för att flytta den till "Split Cases by" fältet och tilldela "Output File Directory" plats för att spara filerna (se figur 5).
- Spara "1. sav" och "2. sav" i den tilldelade katalogen. Ändra filnamnen till "Data_low Fashion innovativeness. sav" och "Data_high Fashion innovativeness. sav" för att använda både för LMA.
Figur 3: Data_TOTAL. Uppgifterna inkluderar respons från alla deltagare (n = 290) som används för SEM-analys. Vänligen klicka här för att se en större version av denna siffra.
Figur 4: skapa den nya variabeln "Fashion Innovative Group (Fig)". Den nya variabeln (FIG) gjordes genom kodning "1 (Low Fashion innovativ grupp)" och "2 (hög innovativ grupp)". Vänligen klicka här för att se en större version av denna siffra.
Bild 5: dela upp datauppsättningen i två datafiler. Den totala datafilen, "Data_TOTAL", delades in i "Data_low Fashion innovativeness. sav" och "Data_high Fashion innovativeness. sav" filer för senare användning i en LMA. Vänligen klicka här för att se en större version av denna siffra.
4. köra en bekräftande faktoranalys (CFA)
-
Genomföra en enda grupp CFA med den femfaktorsbaserade Mät modellen för att bekräfta konvergent giltighet. Klicka på "Select Data File (s) | Data_TOTAL. sav ". Utveckla Mät modellen utifrån forskningsfrågorna.
- Mät modellen innehåller fem latenta variabler (dvs extrinsic-fördelar, inneboende nytta, känslomässig produkt anknytning, attityder mot ett Mass anpassningsprogram och lojalitets avsikter) och 17 observerade variabler (tre observerade variabler för extrinsic fördel, tre för inneboende nytta, fyra för känslomässig produkt kvarstad, fyra för attityder till en massa anpassningsprogram, och tre för lojalitet avsikter). Ställ in avvikelser från de latenta variablerna som "1" (se figur 6 och figur 7). Klicka på "beräkna uppskattningar".
- Kontrollera de lämpliga indexen för Mät modellen från resultaten av den enda gruppen CFA: godhet-av-Fit index (GFI), justerade godhet-of-Fit index (AGFI), normerad Fit index (NFI), Tucker-Lewis index (TLI), jämförande Fit index (CFI), och root mean Square fel av tillnärmning (RMSEA).
Figur 6: modell specifikation för bekräftande faktoranalys. Vänligen klicka här för att se en större version av denna siffra.
Figur 7: Mät modell för bekräftande faktoranalys. Mät modellen för CFA skapades med hjälp av AMOS-programmet. Variansen för latenta variabler inställda som "1". Vänligen klicka här för att se en större version av denna siffra.
5. köra en SEM
- Att testa relationerna mellan latenta variabler, genomföra en SEM. Click "Välj datafil (er) | Data_TOTAL. sav ". Utveckla SEM baserat på forskningsfrågor, inklusive fem latenta variabler och 17 observerade variabler.
- Rita pilar från "Extrinsic_V" och "Intrinsic_V" till "EP_Attachment" och "Attitude_MP", samt från "EP_Attachment" och "Attitude_MP" till "lojalitet". Lägg till tre obeobserverade variabler, nämligen "Z1" som prediktor för "EP_Attatchment", "Z2" som prediktor för "Attitude_MP", och "Z3" som prediktor för "lojalitet" (se figur 8, figur 9). Klicka på "beräkna uppskattningar". Kontrollera modellens "uppskattningar" och anpassa index.
Figur 8: modell specifikation för strukturell ekvationsmodellering. Vänligen klicka här för att se en större version av denna siffra.
Figur 9: analys av strukturell ekvationsmodellering. Vänligen klicka här för att se en större version av denna siffra.
6. genomföra invarians tester för LMA
- För att jämföra de höga och låga mode innovativa grupper, genomföra en LMA baserat på flera grupp bekräftande faktoranalys (MGCFA). Innan LMA, testa konfigural invarians, metrisk invarians och skalär invarians mellan båda grupperna25.
- Skapa flergrupps mätnings modellen: skapa Mät modellen (d.v.s. modellen för MGCFA) med två grupper med namnet "hög" och "låg" under "hantera grupper". Välj datafilerna för grupperna på följande sätt: "Data_low Fashion innovativeness. sav" för Low Fashion innovativ grupp och "Data_high Fashion innovativeness. sav" för High Fashion innovativ grupp (se figur 10).
Bild 10: välja datafiler för grupper. Den mått modell för MGCFA var skapade, och två datan arkivera ("Data_low Fashion innovativeness. sav" och "Data_high Fashion innovativeness. sav") var belastat upp. Vänligen klicka här för att se en större version av denna siffra.
-
Testa konfigural invarians
Anm.: om Mät modellernas struktur i båda grupperna har samma form (dvs. samma dimensioner och samma mönster av fasta och icke-fasta värden), är konfiguralinvariansen uppfylld (se figur 11). Om Mät modellens passform är tillfredsställande går du vidare till nästa steg för att kontrollera metrisk inavvikelse26.- Utför CFA med den tidigare föreslagna fem-faktor mätnings modellen för varje grupp. Klicka på "beräkna uppskattningar". Kontrollera "uppskattningar" och passa indexen för båda modellerna. Om båda modellernas passform är tillfredsställande och faktor koefficienterna är signifikanta, gå vidare till nästa steg.
- Utför MGCFA med den femfaktorsbaserade mätnings modellen som utgångs modell. Fix "1" för faktorn koefficienten från varje latent variabel till den första observerade variabeln och låt frigöra andra faktorn koefficienter. Klicka på "beräkna uppskattningar".
- Kontrollera "uppskattningar" av de två grupperna och passa indexen för modellen. Om modellens passform är tillfredsställande och faktorkoefficienterna är signifikanta är konfiguralinvarians uppfyllt. Fortsätt sedan till nästa steg som inbegriper testet för metrisk inavvikelse.
Figur 11: lika mått och former för Mät modellerna i två grupper. (A) modell för High Fashion innovativ grupp och (B) modell för låg mode innovativ grupp. Vänligen klicka här för att se en större version av denna siffra.
-
Testa metrisk invarians
Testet av metrisk inavvikelse utvärderar om faktor koefficienterna som kopplar latenta variabler till observerade variabler är lika mellan olika grupper.- För testet av metrisk invarians, korrigera faktor koefficienterna mellan grupper. Ange samma namn för samma koefficienter mellan grupper (t. ex., "a" för Extrinsic_V | E2, "j" för EP_Attachment | EA4, se figur 12). Klicka på "beräkna uppskattningar". Kontrollera "uppskattningar" av de två grupperna och passa indexen för modellen.
- Genomför en Chi-kvadrat skillnad test genom att jämföra den fullständiga metriska invarians modellen (dvs modellen med fast faktor koefficienter över grupper) med konfigural invarians modellen (dvs modellen med fri faktor koefficienter över grupp). Om skillnaden i Chi-kvadrat inte är signifikant, är måttet invarians uppfyllt. Fortsätt sedan till nästa steg som involverar skalär invarians test25,26,27.
Figur 12: fastställande av faktorkoefficienterna i olika grupper. Genom att ange samma namn för samma koefficienter i olika grupper var koefficienterna återhållsamma. Vänligen klicka här för att se en större version av denna siffra.
-
Testar skalär-invarians
Obs: scalar invarians innebär att 1) samma värden på den latenta konstruktionen är förknippade med samma värden på den observerade variabeln och 2) skillnaderna i de observerade variablens medel härleds från de genomsnittliga skillnaderna mellan de latenta variablerna. Om du vill testa skalär invarians, begränsa fångar av observerade variabler så att de är lika över grupper28.- Klicka på "analys egenskaper" under "Visa"-menyn. Klicka på fliken "uppskattning" och markera "uppskatta medel och fångar". Högerklicka på varje observerad variabel och välj "objekt egenskaper". Välj fliken "parameters" (parametrar) och ange parameternamn som "int_e1" och "int_ea1" i textrutorna för skärningspunkt (se figur 13).
- Genomför en Chi-kvadrat skillnad test genom att jämföra den fullständiga måttet/full skalär invarians modell (dvs modellen med fasta fångar av observerade variabler och fast faktor koefficienter över grupper) med den fullständiga metriska invarians modellen (dvs. modellen med fast faktor koefficienter över grupp). Om Chi-kvadrat skillnaden är icke-signifikant, den fullständiga måttet/full skalär invarians är uppfyllt.
Anmärkning: Här används en specifik hierarki (konfigural invarians test, metrisk invarians test, skalär inavvikelse test). När varje avvikelse test är uppfyllt, utföra LMA med hjälp av den slutligen valda modellen (d.v.s. den fullständiga måttet/full skalär invarians modell).
Figur 13: Ange parameternamn i textrutan skärningspunkt.
Vänligen klicka här för att se en större version av denna siffra.
7. köra en LMA
- Genomföra en LMA genom att utnyttja den fullständiga scalar/full metrisk invarians modell27,28. För att jämföra medel för latenta variabler, fixera hjälpmedlet av latenta variabler i en grupp och låt dem vara fria i den andra gruppen.
- Uppskatta de genomsnittliga skillnaderna mellan grupper genom att fastställa en av medelvärden till noll för en referensgrupp och sedan uppskatta medelvärdena för den andra gruppen. Således fastställa medel för alla latenta variabler i Low Fashion innovativ grupp på noll. Det är viktigt att se till att de latenta variablerna i den innovativa gruppen High Fashion är fria och att deras variationer i båda grupperna är fria (se figur 14).
- Klicka på "beräkna uppskattningar". Kontrollera "uppskattningar" av de två grupperna och passa indexen för modellen.
- Klicka på "Visa text" och kontrollera de latenta variablerna i den innovativa gruppen High Fashion under "uppskattningar" (se figur 15).
Figur 14: ställa in de latenta variabla medlen och varianserna. (A) High Fashion innovativ grupp och (B) låg mode innovativ grupp. Vänligen klicka här för att se en större version av denna siffra.
Figur 15: produktion för latent medel analys. Vänligen klicka här för att se en större version av denna siffra.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Frekvens statistik som erbjudits egenskaper hos provet. Totalt 290 kvinnliga online konsumenter avslutat shopping processen med hjälp av e-massa anpassningsprogram. Urvalet av demografiska kännetecken var jämnt fördelat. Efter åldersgrupp var 23,1% i tjugoårsåldern, 28,3% i trettioårsåldern, 26,6% i fyrtioårsåldern, och 22,1% i femtiotalet. Av civilstånd var 58,3% gifta, medan 40% var ensamstående. Av ockupationen var 45,2% kontorsarbetare, 22,8% var hemmafruar, 10,3% var yrkesverksamma, 9,3% var studerande och 5,5% var inom tjänstesektorn (tabell 2).
En enda grupp CFA utfördes med fem latenta variabler ("Extrinsic_V", "Intrinsic_V", "EP_Attachment", "Attitude_MP" och "lojalitet") och 17 observerade variabler. Den femfaktorbaserade mätnings modellens passform utvärderades. Även om Chi-kvadrat statistiken var betydande (Chi-Square = 179,63, DF = 109, p = 0,000), Chi-kvadrat statistiken är känslig för stora urvalsstorlekar (n = 209). Värdena för andra Fit index indikerade en bra helhets modell Fit (GFI = 0,93, AGFI = 0,91, NFI = 0,97, TLI = 0,98, CFI = 0,99, och RMSEA = 0,05). Alla faktorkoefficienter (CRs) var signifikanta (p < 0,001), vilket innebär att den konvergerande giltigheten uppnåddes (figur 16).
| Åldersgrupp | ||
| Frekvens | Procent | |
| 20s | 67 | 23,1 |
| 30-talet | 82 | 28,3 |
| 40-talet | 77 | 26,6 |
| 50-talet ~ | 64 | 22,1 |
| Ockupationen | ||
| Frekvens | Procent | |
| Studenter | 27 | 9,3 |
| kontorsarbetare | 131 | 45,2 |
| Produktion | 1 | 0,3 |
| Tjänst | 16 | 5,5 |
| Yrkesverksamma | 30 | 10,3 |
| Business | 12 | 4,1 |
| Hemmafruar | 66 | 22,8 |
| Andra | 7 | 2,4 |
| Totala | 290 | 100,0 |
| Civilstånd | ||
| Frekvens | Procent | |
| Sigle | 116 | 40,0 |
| Gift | 169 | 58,3 |
| Andra | 5 | 1,7 |
| Totala | 290 | 100,0 |
Tabell 2: provets egenskaper.
Figur 16: utgång för bekräftande faktoranalys. Vänligen klicka här för att se en större version av denna siffra.
En enda grupp SEM genomfördes. Fit index för Mät modellen visade en godtagbar passform (GFI = 0,93, AGFI = 0,91, NFI = 0,97, TLI = 0,98, CFI = 0,99, och RMSEA = 0,05). CR-värden för sökvägskoefficienter var signifikanta och avslöjade följande: (1) positiva effekter av "Extrinsic_V" (Beta = 0,431, CR = 6,661, p < 0,001) och "Intrinsic_V" (Beta = 0,339, CR = 6,848, p < 0,001) på "EP_Attachment"; (2) positiva effekter av "Extrinsic_V" (Beta = 0,159, CR = 2,581, p < 0,05) och "Intrinsic_V" (Beta = 0,378, CR = 6,688, p < 0,001) på "Attitude_MP"; (3) positiva effekter av "EP_Attachment" på "Attitude_MP" (Beta = 0,328, CR = 4,905, p < 0,001); och (4) positiva effekter av "Attitude_MP" på "lojalitet" (Beta = 0,846, CR = 6,932, p < 0,001). Effekten av "EP_Attachment" på "lojalitet" var inte signifikant (Beta = 0,078, CR = 0,696, p = 0,486; se tabell 3).
| Sökvägskoefficienten | Uppskattning | Standardiserad skattningare | S.Ö. | C.R. | P |
| "Extrinsic_V"--> "EP_Attachment" | 0,431 | 0,437 | 0,065 | 6,661 | *** |
| "Intrinsic_V"--> "EP_Attachment" | 0,399 | 0,439 | 0,058 | 6,848 | *** |
| "Extrinsic_V"--> "Attitude_MP" | 0,159 | 0,166 | 0,061 | 2,581 | 0,01 |
| "Intrinsic_V"--> "Attitude_MP" | 0,378 | 0,429 | 0,056 | 6,688 | *** |
| "EP_Attachment"--> "Attitude_MP" | 0,328 | 0,338 | 0,067 | 4,905 | *** |
| "EP_Attachment"--> "lojalitet" | 0,078 | 0,062 | 0,113 | 0,696 | 0,486 |
| "Attitude_MP"--> "lojalitet" | 0,846 | 0,645 | 0,122 | 6,932 | *** |
| p-värde < 0,001 | |||||
Tabell 3: resultat från en enda grupp strukturell ekvationsmodellering. Den här tabellen har ändrats från en tidigare publikation29.
Genom att använda en median Split (med = 4,17), var uppgifterna indelade i två grupper: låg mode innovativ grupp och hög mode innovativ grupp. Ett t-test genomfördes och avslöjade betydande genomsnittliga skillnader i mode innovativitet mellan hög och låg mode innovativa grupper (Mhög = 5,03 > Mlåg = 3,50; SDhög = 0,72, SDlåg = 0,68; Nhög = 141, nlåg = 149; t = 18,53, DF = 288, p < 0,001).
Innan man jämför de latenta medel mellan hög och låg mode innovativa grupper, en hierarki av invarians tester utfördes. För det första genomfördes CFAs med den föreslagna fem-faktor mätnings modellen separat för låg mode innovativa och hög mode innovativa grupper. Resultaten avslöjade en utmärkt modell passar för låg mode innovativ grupp (NFI = 0,96, TLI = 0,99, CFI = 0,99, och RMSEA = 0,04) och High Fashion innovativ grupp (NFI = 0,93, TLI = 0,97, CFI = 0,97, och RMSEA = 0,07). Alla faktor koefficienter var betydande, vilket innebär att den femfaktorsmodellen accepteras för båda grupperna.
Nästa steg var att flytta från den enda gruppen CFA till MGCFA för att korsvalidera femfaktormätningsmodellen för båda grupperna. Modell 1 (konfigural invarians modell) testades för att bekräfta om den föreslagna strukturen skulle vara densamma över låg och hög mode innovativa grupper. Resultaten visade att modellen var tillfredsställande. Värdena för andra Fit index indikerade den goda helhets modellen Fit (NFI = 0,94, TLI = 0,98, CFI = 0,98, och RMSEA = 0,04; se tabell 4). Således uppnåddes konfigural invarians. Alla CRs av faktorkoefficienter var signifikanta (p < 0,001). Modell 1 ansågs vara en baslinje modell.
För att testa metrisk invarians var faktorkoefficienterna tvungna att vara desamma i två grupper och en annan MGCFA utfördes (modell 2). Eftersom modell 2 kapslades i modell 1 genomfördes en Chi-Square skillnad test. Resultatet visade att en Chi-kvadrat skillnad på 14,728 (DF = 12) var inte signifikant (p = 0,257), och metrisk invarians var uppfyllt (se tabell 4). Ett exempel på Chi-kvadrat skillnad test är följande: Chi-Square (modell 2)-Chi-Square (modell 1) = 323,492-308,764 = 14,728; DF skillnad: DF (modell 3)-DF (modell 2) = 230-218 = 12; Chi-kvadrat (DF = 12) = 14,728, p-värde = 0,256649.
Eftersom den metriska invariansmodellen (modell 2) accepterades, testades skalär invarians. Fångar av fem latenta variabler var tvungna att vara lika över två grupper, och den sista MGCFA utfördes (modell 3). Eftersom fullständig metrisk/fullständig skalär invarians modell (modell 3) var kapslad i modell 2, en Chi-kvadrat skillnad test utfördes. Resultaten visade att en Chi-kvadrat skillnad på 11,18 (DF = 12) var inte signifikant (p = 0,514), och skalär invarians var uppfyllt (se tabell 4). Ett exempel på Chi-kvadrat skillnad test är följande: Chi-Square (modell 3)-Chi-Square (modell 2) = 334,672-323,492 = 11,18; DF skillnad: DF (modell 3)-DF (modell 2) = 242-230 = 12; Chi-kvadrat (DF = 12) = 11,18, p-värde = 0,513559.
| Chi-Square | Df | RMSEA | Nfi | TLI | Cfi | |
| Konfigural invarians (Basmodell): modell 1 | 308,764 | 218 | 0,038 | 0,94 | 0,98 | 0,98 |
| Fullständig metrisk invarians: modell 2 | 323,492 | 230 | 0,038 | 0,94 | 0,98 | 0,98 |
| Fullständig metrisk/fullständig skalär invarians: Model 3 | 334,672 | 242 | 0,036 | 0,94 | 0,98 | 0,98 |
| Chi-kvadrat skillnad | DF skillnad | P | Beslut | |||
| Test av full metrisk invarians (modell 1 jämfört med modell 2) | 14,728 | 12 | 0,256649 | Acceptera | ||
| Test av full skalär invarians (modell 1 vs. modell 2) | 11,18 | 12 | 0,513559 | Acceptera | ||
Tabell 4: Fit index för invarians tester för LMA. Den här tabellen har ändrats från en tidigare publikation29.
Med tanke på att konfigural invarians, metrisk invarians och skalär invarians uppnåddes, utfördes LMA. Den låga mode innovativa gruppen användes som referensgrupp, med dess medel för latent variabler fast vid noll, medan latent medelvärden för High Fashion innovativa gruppen uppskattades. Resultaten av LMA visade att hjälpmedlet av fem latent variabler ("Extrinsic_V", "Intrinsic_V", "EP_Attachment", "Attitude_MP" och "lojalitet") för High Fashion innovativa grupper var positiva värden och var betydligt högre än för låg innovativa mode grupper (se tabell 5).
| Konstruera | Låg | Hög | SE | Hp |
| "Extrinsic_V" | 0 | 0,590 | 0,134 | 4,393 * * * |
| "Intrinsic_V" | 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 * * * |
| Lojalitets | 0 | 0,980 | 0,169 | 5,796 * * * |
| p-värde < 0,001 | ||||
Tabell 5: resultat från LMA. Den här tabellen har ändrats från en tidigare publikation29.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Konsekvenser av resultat
Resultaten av denna studie visar att konsumenternas extrinsic och inneboende fördelar härrör från att skapa en massa skräddarsydd produkt hjälpa tillväxten av känslomässiga engagemang för produkten, skapandet av positiva attityder till anpassningsprogrammet, och ökade lojalitets avsikter. Resultaten på de dämpande effekterna av mode innovativitet avslöjar att jämfört med konsumenter i en låg mode innovativitet grupp, de i en hög mode innovativitet grupp uppfattar större fördelar, har större bilagor, form mer gynnsam attityder mot programmet, och har större lojalitet avsikter. Dessa resultat ger teoretiska och praktiska insikter som stöder HOE-modellen.
Konsekvenserna av Online Survey metodik
Denna studie genomförde en online-undersökning med hjälp av ett undersökningsföretag i Sydkorea. Forskningsföretaget har den största Konsumentpanelen med höga svarsfrekvenser i Korea. Ålder och könsfördelning i panelen återspeglar tillståndet i koreanska befolkningen. Konsumentpanelen har en hög grad av tillförlitlighet genom verifiering av riktiga namn. Eftersom forskningsbolaget förvaltar panelen kontinuerligt med olika innovativa metoder är panelens lojalitet mot forskningsföretaget hög; därför ses enkätresultat som erhållits av företaget som mycket tillförlitlig.
Användningen av ett befintligt Mass anpassningsprogram har fördelar jämfört med traditionella experimentella studier. Deltagarna kan prova en massa anpassningsprogram i en naturlig och realistisk miljö, snarare än en som avsiktligt manipuleras för studien. Även om deltagarna förstår att de deltar i en studie, de använder inte massa anpassningsprogram under utredning. Reactivity effekter kan tas bort, och deras svar mot massan anpassade produkten är mer liknar deras faktiska beteenden när du skapar en anpassad produkt. Därför, denna studie har fördelen av fältforskning baserad på naturalism30, vilket upprätthåller en hög grad av extern giltighet. Vidare liknar deltagarnas svar de befolknings medlemmar från vilka de valdes ut. Denna studie erhåller generaliserbarhet av fynd för detta specifika villkor (dvs., kvinnliga online kläder shoppare i Sydkorea).
Den här studien ger ett scenario till deltagare som vill skapa en produkt i ett anpassningsprogram. En kritik av scenario-based studier är deras yttre giltighet. Deltagarna är mer benägna att delta i kognitiva utvärderingar än känslomässiga sådana på grund av den konstgjorda karaktären av scenariot31. Emellertid, fynd avslöjar att konsumenter som uppfattar fördelarna från den anpassade produkten visar större känslomässig anknytning till produkten, vilket indikerar att de kan utvärdera både kognitiva och känslomässiga aspekter av upplevelsen. Den här studien simulerar en köpupplevelse i verkliga livet med hjälp av det beskrivna scenariot. Som ett resultat av detta visar deltagarna en högre grad av inblandning i inköps situationen, vilket ytterligare förbättrar den externa giltigheten.
Konsekvenserna av SEM och LMA
Denna studie gäller SEM att testa relationerna mellan latent variabler, och den utnyttjar LMA med MGCFA att jämföra medel för latent variabler i två konsumentgrupper (låg och hög mode innovativa grupper). LMA kräver hierarkin av invarians tester, som följer kritiska steg i en (1) configural invarians test, (2) metrisk inavvikelse test och (3) skalär inavvikelse test. Det har betonats att högkvalitativ forskning bör tillämpa invarians tester innan testning SEM och LMA, eftersom invarians tester kan rätta och bedöma mätfel inom varje latent variabel, uppskattning konstruera giltighet, och utvärdera mätning invarians mellan grupperna13. Resultaten av medelvärden jämförelser kan variera beroende på tillämpad dataanalyser, såsom ANOVA och MGCFA. Om mätinvariansen inte håller, blir statistiska resultat av genomsnittliga skillnader från ANOVA och MGCFA olika och ogiltiga32.
Denna studie understryker vikten av att testa mätningens invarians för medelvärden jämförelser och ger information om tillämpligheten av invarians testprocedurer och LMA om forskning om konsumenternas beteenden. Läsarna ska enkelt kunna utföra sina egna analyser. Vid behov är antaganden som hänför sig till mätinvariansen inte uppfyllda, och medelvärdet för jämförelser av latenta variabler får inte tolkas. Forsknings slutsatserna av medelvärdes skillnader kan ha giltighet, eftersom de styrs av en sofistikerad statistisk procedur för att säkerställa mätning invarians. Forskarna måste uppskatta mätning av invarians och beteende betyder jämförelser för att säkerställa integriteten i framtida studier.
Även om denna studie fokuserar på flera grupp jämförelser, är jämförelserna begränsade till att undersöka latenta medel skillnader och inte adressera gruppskillnader i relationerna mellan latenta variabler. En alternativ metod för flera grupp jämförelser är att tillämpa MGSEM flera grupp strukturell ekvation modellering (MGSEM) och jämföra sökvägen koefficienter mellan grupper. För att göra detta krävs mätning av invarians tester och hierarkin av invarians tester kommer då att tillämpas för ytterligare forskning.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Författarna har inget att avslöja.
Acknowledgments
Uppgifterna har ändrats från Park och Yoo studie29. Detta arbete stöddes av ministeriet för utbildning i Sydkorea och National Research Foundation i 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).
