Sanal Ünlü Özellikleri Satın Alma Niyetini Nasıl Yönlendirir: Yapısal Denklem Modelleme ile Uyarıcı-Organizma-Tepki Çerçevesini Test Etmek

Bu çalışma, sanal ünlü özelliklerinin tüketici memnuniyetini, telif hakkını, satın alma niyetini nasıl etkilediğini ve kişiselleştirmenin memnuniyet odaklı telif hakkını nasıl güçlendirdiğini analiz etmektedir. Mevcut çalışmalar alternatif yöntemleri ve güvenilirliği belirler, ancak süreç sonuçlarını yeterince açıklamamaktadır. Bu çalışma, mekanizmaları SOR çerçevesi, arabuluculuk, kişiselleştirme ve moderasyon yoluyla netleştiriyor.

Başlamak için, Kısmi En Küçük Kare Yapısal Denklem Modelleme (PLS-SEM) için yapısal modeli tanımlayın. Üç sanal ünlü özelliği ve üç kontrol değişkeni dahil olmak üzere endozen yapılar için en fazla altı öngörücü belirtin. Güç analizi için orta etki boyutu, anlamlılık seviyesi ve istatistiksel güç gibi istatistiksel parametreleri ayarlayın.

Şimdi, gerekli minimum örneklem büyüklüğünü tahmin etmek için güç analizini yapın. Katılımcıları amaçlı olasılıksız örnekleme kullanarak çevrimiçi bir araştırma paneli aracılığıyla kazanın. Uygunluğu 18 yaş ve üzeri bireylerle sınırlayın.

Ankete uygunluk ve yanıt kalitesini doğrulamak için tarama soruları ekleyin ve dikkat kontrolü maddeleri ekleyin. Anket yanıtlarını gözden geçirin ve tarama veya dikkat kontrolü kriterlerini geçemeyen girişleri çıkarın. Önceden belirlenmiş hedef örneklem büyüklüğü sağlandığında veri toplama durdurulur.

Sanal ünlüleri, istikrarlı görsel kimlik, ses ve tekrarlayan anlatı içeriğine sahip dijital olarak oluşturulmuş görsel-işitsel kişilikler olarak tanımlayan bir tanım sunarak başlayın. Katılımcıları, sanal ünlülerle gerçek deneyimlerine dayanarak anket sorularını yanıtlamaları için yönlendirin. Anketi, görünüm, ses, içerik kalitesi, memnuniyet, sadakat, kişiselleştirme, satın alma niyeti ve demografik konuları kapsayan anket bölümleri dahil ederek geliştirin.

Tüm yapıları 7 noktalı Likert ölçekleriyle ölçün; burada biri kesinlikle katılmıyor, yedi ise kesinlikle katıldığını belirtir. Platform kontrol ayarlarıyla tekrarlanan gönderimleri önleyin. Toplanan yanıtları virgülle ayrılmış değerlerde veya CSV formatında dışa aktarın ve temizlenmiş veri setini PLS-SEM yazılımına aktarın.

Ölçüm ve yapısal model değerlendirmesi için, tüm yapıları yansıtıcı yapılar olarak belirtin. Cronbach'ın alfa ve bileşik güvenilirliği veya CR 0.7'den büyük veya eşit olarak güvenilirliği değerlendirin. Ortalama çıkarılmış varyans veya AVE ile yakınsamak geçerliliğini değerlendirin, 0,5'ten büyük veya eşittir.

Fornell-Larcker kriteri ve Heterotrait-Monotrait veya HTM oranı kullanılarak ayrımcı geçerliliği değerlendirin ve bunun 0.9'dan küçük olduğundan emin olun. Yapısal yolları kavramsal modele göre belirtin ve varyans enflasyon faktörü veya beşin altında olan VIF değerleriyle çoklu kollineerliği değerlendirin. Yol katsayılarını, T-değerlerini, güven aralıklarını ve etki boyutlarını tahmin etmek için 5.000 alt örnekle bootstrapping çalıştırın.

5.000 alt örneklem ve %95 güven aralıklarıyla bootstrapping kullanarak dolaylı etkileri tahmin edin; böylece sanal ünlü özelliklerinden tatmin, memnuniyet sadakati ve satın alma niyetine olan sadakatten ardışık arabuluculuğu test edin. Kişiselleştirmenin ılımlayıcı etkilerini test etmek için etkileşim terimleri oluşturun. Bootstrapping kullanarak moderasyon katsayılarını ve etki boyutlarını tahmin edin.

Koşullu etkileri görselleştirmek için etkileşim grafikleri oluşturun. Öngörücü performans değerlendirmesinden sonra, Q-kare tahmin değerlerini, kök ortalama kare hatasını ve ortalama mutlak hatayı doğrusal bir kıyaslama modeliyle karşılaştırın. Q-kare tahmin değerleri sıfırı aştığında ve PLS hataları kıyaslamadan daha düşük olduğunda öngörücü önemi doğrulayın.

Güvenilirlik ve yakınsak geçerlilik testleri, tüm yapıların önerilen eşikleri aştığını göstererek ölçütlerin hem güvenilir hem de geçerli olduğunu doğruladı. Fornell-Larcker kriterleri ve Heterotrait-Monotrait oranı kullanılarak değerlendirilen ayrımcı geçerlilik, tüm yapıların ampirik olarak farklı olduğunu doğrular. Yapısal model değerlendirmesi, orta düzeyde açıklayıcı güç ve kabul edilebilir öngörü performansı gösterir.

Tahminsel önemlilik, 0.280 ile 0.485 arasında değişen Q-kare tahmin değerleriyle doğrulanır. PLS-SEM modelinin öngörücü performansı, doğrusal regresyon kıyasıyla karşılaştırılır. Daha düşük kök ortalama kare hata ve ortalama mutlak hata değerleri, daha iyi tahmin doğruluğunu gösterir.

İstatistiksel analiz, modeldeki hangi hipotezlerin verilerle desteklendiğini belirler. Görünüm, ses ve içerik kalitesi müşteri memnuniyetini önemli ölçüde etkiler. Memnuniyet sadakati artırır, bu da satın alma niyetinin artmasına yol açar.

Arabuluculuk analizi, memnuniyetin sadakat yoluyla dolaylı olarak satın alma niyetini etkilediğini göstermektedir. Kişiselleştirme, memnuniyet ile sadakat arasındaki ilişkiyi güçlendirir, ancak satın alma niyetini etkilemez. Protokol, sanal ünlü özelliklerinin memnuniyet, sadakat ve satın alma niyetini anketler ve yapısal modelleme yoluyla nasıl etkilediğini ölçmeye yardımcı olabilir.

Bu protokolde temel zorluklar arasında katılımcıların sanal ünlüleri işe alınması ve önceki çalışmalarda memnuniyet ile satın alma niyeti raporları arasındaki tutarsız ilişkilerin netleştirilmesi yer aldı. Bu araştırma, kültürel farklılıklar ve kişiselleştirme ile sanal ünlü özelliğinin uzun vadeli etkisi üzerine ortaya çıkan yapay zeka teknolojileri üzerine gelecekteki çalışmaları kolaylaştırmaktadır.