L'application d'un programme de personnalisation eMASS comme outil de recherche pour évaluer les avantages pour les consommateurs

Résumé

Présenté ici est un protocole pour examiner les réponses des consommateurs à la personnalisation de masse dans le contexte de la vente au détail en ligne. Le protocole détaille la procédure d'enquête en ligne et comment analyser les données à l'aide de la modélisation des équations structurelles et des différences de groupe à l'aide d'analyses moyennes latentes.

Résumé

Comme de nombreux chercheurs et praticiens étudient la personnalisation et le marketing relationnel, il est important de fournir la personnalisation comme la personnalisation de masse par la technologie de marketing. Le but de cette étude est d'examiner comment mener des recherches sur les consommateurs à l'aide d'un sondage en ligne et d'une analyse des données. Cette étude examine les avantages perçus par les consommateurs lors de la personnalisation d'un produit ainsi que l'attachement émotionnel du produit, les attitudes à l'égard d'un programme de personnalisation et les intentions de fidélisation dans le contexte de la vente au détail en ligne. En outre, cette étude étudie comment les réponses des consommateurs sont différentes en fonction des caractéristiques individuelles telles que l'innovation de la mode. Une société d'enquête en ligne en Corée du Sud a recruté 290 femmes acheteurs de vêtements qui ont acheté des vêtements en ligne. Pour améliorer la validité externe, cette étude a utilisé un site Web de vente au détail existant avec un programme de personnalisation de masse bien établi. Après avoir terminé le programme de personnalisation, les participants remplissent le questionnaire en ligne. La modélisation des équations structurelles (SEM) et les analyses moyennes latentes (ALM) sont ensuite effectuées pour les analyses. Cette étude souligne l'importance de tester l'invariance de mesure pour les comparaisons moyennes. Avant le SEM et le LMA, cette étude suit la hiérarchie des tests d'invariance (test d'invariance configurale, test d'invariance métrique et test d'invariance scalaire), qui ne sont pas pris en compte par les approches traditionnelles telles que l'ANOVA. Ces analyses statistiques fournissent l'applicabilité des procédures de test d'invariance et l'AMT aux comportements des consommateurs. Les conclusions des différences moyennes ont l'intégrité et la validité parce qu'elles sont guidées par une procédure statistique sophistiquée pour assurer l'invariance de mesure.

Introduction

La personnalisation de masse se réfère à la capacité d'un e-détaillant d'adapter des produits, des services, et l'environnement transactionnel aux clients individuels¹. Les consommateurs d'aujourd'hui ne sont pas satisfaits des produits standard, et de nombreux détaillants l'ont reconnu. Offrir une option de personnalisation de masse est une méthode pour obtenir la fidélité de la clientèle et des avantages concurrentiels². La personnalisation de masse comme tactique de marketing permet aux consommateurs de créer leurs propres produits en fonction de besoins particuliers et fournit ainsi des produits ou services individualisés³. Par exemple, les consommateurs peuvent non seulement acheter une paire de chaussures qui sont produites en série, mais ils peuvent également créer une nouvelle paire unique de chaussures qui ne sont pas disponibles sur les sites Web de vente au détail réguliers en choisissant la couleur, le tissu, et d'autres composants de conception. En conséquence, les consommateurs peuvent acheter des produits plus favorables, et leur satisfaction avec le produit personnalisé ainsi que la fidélité à la marque augmenter^4,5.

Avec l'utilisation croissante de l'Internet, le processus de personnalisation de masse est devenu plus rapide et efficace en termes de réduction du temps de production et de fournir plus d'options de conception avec les mêmes coûts. En outre, les détaillants peuvent obtenir des informations sur ce que leurs clients cibles préfèrent et ainsi établir des relations solides avec eux^6,7. En tant que tel, de nombreuses industries (c.-à-d. vêtements, chaussures, voitures et ordinateurs) ont adopté des programmes de personnalisation. Bien que la personnalisation de masse profite à la fois aux consommateurs et aux détaillants, certains détaillants font face à des défis⁸. Par conséquent, il est nécessaire d'examiner comment les consommateurs perçoivent les avantages et comment ces avantages influencent d'autres réponses à l'achat pour réussir à long terme.

S'appuyant sur la hiérarchie des effets (HOE) modèle de théories de persuasion⁹, cette étude propose que les consommateurs traitent l'information basée sur la cognition-affect-conation séquence. Plus précisément, cette étude examine (après la création d'un produit personnalisé de masse) si les avantages perçus pour les consommateurs (cognition) influencent les intentions de fidélité (conation) par l'attachement au produit et l'attitude à l'égard d'un programme de personnalisation de masse (affect) . Basé sur la théorie de motivation¹⁰, les avantages perçus sont divisés en avantages extrinsèques et intrinsèques¹¹.

L'avantage extrinsèque se rapporte à la valeur perçue d'un consommateur dérivée de l'utilisation d'un produit¹² (donc, en valeur proche de la qualité du produit¹¹), tandis que l'avantage intrinsèque indique une expérience agréable lors de l'utilisation d'un produit¹¹. Dans un contexte de personnalisation de masse, l'avantage extrinsèque est associé au produit qu'un consommateur crée, et l'avantage intrinsèque est lié à l'expérience de personnalisation qui satisfait les besoins hédonistes et expérientiels^13,14. Des recherches antérieures ont révélé que les avantages perçus par les consommateurs améliorent l'attachement émotionnel au produit¹⁵ et les attitudes positives à l'égard d'un programme de personnalisation de masse¹⁶. L'attachement émotionnel du produit se réfère à un lien émotionnel que les consommateurs se connectent à un produit¹⁷, qui influence positivement les attitudes envers le programme de personnalisation¹⁸ et les intentions de fidélité¹⁹. De plus, les attitudes à l'égard d'un programme de personnalisation influencent positivement les intentions de fidélité²⁰.

Enfin, cette étude examine comment une caractéristique individuelle (c'est-à-d. l'innovation de la mode) influence différemment les réponses des consommateurs. L'innovation de la mode se réfère à la mesure dans laquelle la tendance innovante d'un individu influence l'adoption d'un nouvel article de mode²¹. Les résultats de la recherche montrent que les consommateurs qui désirent éviter la conformité (c.-à-d. les consommateurs très novateurs à la mode) sont motivés à acquérir des produits uniques, ce qui indique que la personnalisation de masse peut être une tactique efficace pour se différencier des autres. ²². Par conséquent, cette étude suppose qu'un plus grand nombre de réponses positives seront générées pour les consommateurs très innovants de mode.

Basée sur des revues de littérature précédentes, cette étude aborde les hypothèses de recherche suivantes. H1 : Les avantages perçus (a : avantage extrinsèque, b : avantage intrinsèque) d'un produit personnalisé de masse influenceront positivement l'attachement émotionnel du produit; H2 : Les avantages perçus (a : avantage extrinsèque, b : avantage intrinsèque) d'un produit personnalisé de masse influenceront positivement les attitudes à l'égard d'un programme de personnalisation de masse; H3 : L'attachement émotionnel du produit influencera positivement les attitudes à l'égard d'un programme de personnalisation de masse; H4 : L'attachement émotionnel au produit influencera positivement les intentions de fidélité; H5 : L'attitude à l'égard d'un programme de personnalisation de masse influencera positivement les intentions de fidélité; et H6 : Comparé à l'innovation de basse mode, les innovateurs de haute couture auront des réponses plus positives aux (a) les avantages perçus, (b) l'attachement émotionnel de produit, (c) attitudes, et (d) les intentions comportementales.

Pour améliorer la validité externe, cette étude utilise un programme de personnalisation de masse existant. Les participants potentiels en Corée du Sud sont recrutés pour cette étude et sont invités à créer leurs propres trench-coats en utilisant un programme comme s'ils avaient effectivement acheté le produit. Pour explorer les réponses des participants en fonction de leurs expériences de personnalisation, cette étude utilise un sondage en ligne. Les participants peuvent accéder au questionnaire immédiatement après avoir utilisé le programme de personnalisation en ligne. Après avoir recueilli des données, l'étude utilise un seul groupe de SEM pour étudier les effets des avantages pour les consommateurs sur l'attachement, l'attitude et les intentions de fidélité des produits. Pour examiner les rôles modérateurs de l'innovation de la mode, l'étude utilise des LMA.

Protocole

Cette recherche a été exemptée de l'examen de la CISR à l'Université des femmes d'Ewha et a reçu le numéro de protocole #143-18.

1. Recrutement de participants

1. Préparez-vous à mener un sondage en ligne.
   REMARQUE: Un sondage en ligne a été réalisé auprès d'une société d'enquête en Corée du Sud. La société de recherche a le plus grand panel de consommateurs avec des taux de réponse élevés en Corée. Les répartitions par âge et sexe dans le panel reflètent l'état de la population coréenne. Le panel de consommateurs a un haut degré de fiabilité grâce à la vérification des vrais noms. Étant donné que la société de recherche gère le panel en permanence avec diverses méthodes novatrices, la loyauté du panel envers la société de recherche est élevée; par conséquent, les résultats de l'enquête obtenus par l'entreprise sont connus pour être très fiables.
2. Recrutez des consommatrices qui ont de l'expérience dans le magasinage de vêtements en ligne.
   REMARQUE: Les consommatrices en Corée dépensent un pourcentage élevé de leurs revenus pour acheter des vêtements, et les comportements d'achat se produisent principalement en ligne²³. Par conséquent, la sélection de ce groupe comme participants à cette étude est appropriée.
3. Envoyer un courriel d'invitation aux participants qui comprend des renseignements sur le but de l'étude et l'assurance de la confidentialité de leurs réponses.
4. Envoyer des lignes directrices à ceux qui acceptent de participer à l'enquête pour montrer comment créer des trench-coats à l'aide du programme de personnalisation (voir la figure 1).
   REMARQUE: Afin d'éviter les situations potentielles dans lesquelles les participants peuvent rencontrer des difficultés à utiliser le programme de personnalisation, un modérateur de la société de recherche a envoyé les lignes directrices. De plus, le modérateur a appelé les participants et a expliqué la procédure de personnalisation pendant que les participants examinaient les lignes directrices.
5. Demandez aux participants de capturer une capture d'écran du trench créé et de fournir un prix pour le manteau pour s'assurer qu'ils créent réellement un trench-coat dans le programme de personnalisation.
6. Envoyez un lien qui est connecté au programme de personnalisation de masse électronique dans un site Web d'achats existant lorsque les participants comprennent la procédure.
7. Fournir le scénario suivant aux participants : « Imaginez s'il vous plaît que vous êtes assez aisé pour acheter des vêtements sympathiques et que vous devez acheter un trench-coat pour assister à une réunion importante. Vous voulez créer un trench-coat unique. Tout en naviguant sur Internet, vous tombez sur le site de vêtements parfait qui a un programme de personnalisation de masse".
   REMARQUE: Cette étape est nécessaire pour augmenter les niveaux de participation et contrôler le type de produit et la perception du prix du produit par les consommateurs.
8. Permettre aux participants de créer un trench-coat à 24 h après avoir lu le scénario.
   REMARQUE: Les participants sont libres de créer un trench-coat en choisissant un style global préféré, col, longueurs de manteau, longueur de manche, poches, tissu, et doublure dans le cas où ils vont effectivement l'acheter. S'ils ont des problèmes à créer un manteau dans le programme de personnalisation, ils sont autorisés à appeler et demander au modérateur à tout moment au cours de la période de 24 heures.
9. Activer le lien de l'enquête après 24 h afin que les participants qui sont prêts à passer le sondage (c.-à-d. ceux qui ont fini de capturer la capture d'écran du trench-coat qu'ils ont créé) puissent cliquer sur le lien de l'enquête.

Figure 1 : Instructions pour l'utilisation du programme de personnalisation de masse électronique. Les participants au sondage en ligne lisent les directives concernant la façon de créer les trench-coats à l'aide du programme de personnalisation et suivent les étapes 1 à 8. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.

2. Procédure d'enquête

1. Demandez aux participants de télécharger la capture d'écran et le prix du trench-coat qu'ils ont créé à la première page de l'enquête (voir la figure 2).
   REMARQUE: Seuls les participants qui téléchargent la capture d'écran peuvent accéder au questionnaire.
2. Demandez aux participants de remplir le questionnaire en ligne sur les avantages perçus, l'attachement émotionnel au produit personnalisé, l'attitude à l'égard du programme de personnalisation, les intentions de fidélisation et les questions démographiques (voir le tableau 1).
3. Donnez une récompense à ceux qui terminent le sondage.
   REMARQUE: Ici, les participants ont reçu une récompense de 10 000 livres (environ 10 $US) pour leur participation. Les participants qui quittent le sondage ou qui ne fournissent pas la capture d'écran et le prix ont reçu 1 000 euros (environ 1 $ US).

Figure 2 : Exemples de trench-coats créés à l'aide du programme de personnalisation de masse électronique. Les participants ont créé des trench-coats en sélectionnant un collier, une longueur, un tissu, etc., puis en téléchargeant une capture d'écran de la création du trench-coat. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.

Extrinsique Avantage (Franke et coll., 2009)

par rapport au produit standard, le produit personnalisé serait .

1. Mieux répondre à mes exigences

2. Mieux répondre à mes préférences personnelles

3. Plus susceptibles d'être la meilleure solution pour moi

Avantage intrinsèque (Franke et Schreier, 2010)

1. J'ai beaucoup apprécié cette activité de design

2. Je pensais que la conception du produit était très agréable

3. Concevoir ce produit était très intéressant

Attachement aux produits émotionnels (Thomson et coll., 2005)

Par rapport au produit standard de cette marque, mon sentiment envers son produit personnalisé peut être caractérisé par .

1. Affection

2. Connexion

3. Passion

4. Captivation

Attitude envers un programme de personnalisation de masse (Li et coll., 2001)

Le programme de personnalisation de masse dans ce site était .

1. Unappealing e attrayant

2. Désagréable e agréable

3. E attrayant

4. Désagréable e sympathique

Loyalty Intentions (Kwon et Lennon, 2009)

1. J'achèterais un produit personnalisé dans ce programme de personnalisation dans un proche avenir

2. Je recommanderais ce programme de personnalisation à des amis ou des parents

3. Je reviendrais sur ce site et personnaliser un produit dans un proche avenir

Participation aux produits (Zaichkowsky, 1985)

Pour moi, les vêtements, c'est.

1. E important sans importance

2. Ennuyeux e intéressant

3. Unappealing e attrayant

4. Pas nécessaire e nécessaire

5. Unexciting e exciting6. E sans valeur

Innovation mode (Park et al., 2007)

1. En général, je suis le dernier de mon cercle d'amis à connaître les noms de la dernière nouvelle mode (R)

2. En général, je suis parmi les derniers de mon cercle d'amis à acheter un nouvel article de mode quand il apparaît (R)

3. Par rapport à mes amis, je possède de nouveaux articles de mode.

4. Je connais les noms des nouveaux créateurs de mode avant d'autres personnes.

5. Si j'ai entendu dire qu'un nouvel article de mode était disponible dans le magasin, je serais assez intéressé pour l'acheter.

6. Je vais acheter un nouvel article de mode, même si je ne l'ai pas vu avant.

(R) Code inversé

Tableau 1 : Échelle de mesure. Ce tableau a été utilisé précédemment²⁹.

3. Préparation des données

1. Enregistrez les données de l'enquête dans un fichier SPSS sous le nom de « Data-TOTAL.sav » (voir Figure 3), qui contient toutes les réponses des participants au sondage. Supprimer les cas qui incluent les valeurs manquantes. Utilisez les données nettoyées pour effectuer une analyse SEM.
2. Séparez les données totales en deux fichiers de données : les groupes innovants de mode élevée et basse. Utilisez une fente médiane. Sum et la moyenne des scores de six éléments d'innovation de la mode, et de calculer le score médian de l'innovation de la mode (med 4,17).
   REMARQUE: La division médiane est fréquemment utilisée dans la recherche en psychologie et en marketing, et l'utilisation d'une fraction médiane pour une variable continue pour examiner les différences de groupe est valide²⁴.
3. Cliquez sur " Recodez-vous en différentes variables " dans le menu "Transformer". Créer une nouvelle variable, le « groupe d'innovation de la mode », en codant « 1 (groupe d'innovation de faible mode) » si le score moyen est inférieur à la médiane (p. ex., médiane 4,17), ou en codant « 2 (groupe d'innovation de haute couture) » s'il est supérieur à la médiane (voir la figure 4 ).
4. Cliquez sur "Split into files" dans le menu "Données", double-cliquez sur la variable "groupe innovant de la mode (FIG)" pour le déplacer vers le champ "Split Cases by", et attribuez l'emplacement "Output File Directory" pour enregistrer les fichiers (voir Figure 5).
5. Enregistrer "1.sav" et "2.sav" dans le répertoire assigné. Changez les noms de fichiers en "Data-low fashion innovativeness.sav" et "Data-high fashion innovativeness.sav" à utiliser à la fois pour LMA.

Figure 3 : Données-TOTAL. Les données comprennent les réponses de tous les participants (n ' 290) utilisés pour l'analyse SEM. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.

Figure 4 : Création de la nouvelle variable « groupe innovant mode (FIG) ». La nouvelle variable (FIG) a été faite en codant "1 (groupe innovant de faible mode)" et "2 (groupe high innovative)". Veuillez cliquer ici pour voir une version plus grande de ce chiffre.

Figure 5 : Diviser le jeu de données en deux fichiers de données. Le fichier de données total, "Data-TOTAL", a été divisé en "Data-low fashion innovativeness.sav" et "Data-high fashion innovativeness.sav" fichiers pour une utilisation ultérieure dans un LMA. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.

4. Exécution d'une analyse des facteurs de confirmation (CFA)

1. Effectuer un seul groupe de FCA avec le modèle de mesure à cinq facteurs pour confirmer la validité convergente. Cliquez sur "Sélectionner le fichier de données(s) Données-TOTAL.sav". Élaborer le modèle de mesure en fonction des questions de recherche.
   1. Le modèle de mesure comprend cinq variables latentes (c.-à-d. l'avantage extrinsèque, l'avantage intrinsèque, l'attachement émotionnel au produit, les attitudes à l'égard d'un programme de personnalisation de masse et les intentions de fidélité) et 17 variables observées (trois variables observées pour avantage extrinsèque, trois pour l'avantage intrinsèque, quatre pour l'attachement émotionnel de produit, quatre pour des attitudes vers un programme de personnalisation de masse, et trois pour des intentions de fidélité). Définir les écarts des variables latentes comme « 1 » (voir la figure 6 et la figure 7). Cliquez sur "Calculer les estimations" (
2. Vérifiez les indices d'ajustement du modèle de mesure à partir des résultats du groupe unique CFA : indice de la bonté de l'ajustement (GFI), indice ajusté de la bonté de l'ajustement (AGFI), indice d'ajustement standardisé (NFI), indice Tucker-Lewis (TLI), indice d'ajustement comparatif (CFI), et erreur carrée moyenne racine de approximation (RMSEA).

Figure 6 : Spécification du modèle pour l'analyse des facteurs de confirmation. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.

Figure 7 : Modèle de mesure pour l'analyse des facteurs de confirmation. Le modèle de mesure pour le CFA a été créé en utilisant le programme AMOS. La variance des variables latentes a été fixée comme « 1 ». Veuillez cliquer ici pour voir une version plus grande de ce chiffre.

5. Exécution d'un SEM

1. Pour tester les relations entre les variables latentes, effectuez un SEM. Cliquez sur " Sélectionnez les fichiers de données Données-TOTAL.sav". Développer le SEM en fonction des questions de recherche, y compris cinq variables latentes et 17 variables observées.
2. Dessinez des flèches de "Extrinsèque-V" et "Intrinsic-V" à "EP-Attachment" et "Attitude-MP", ainsi que de "EP-Attachment" et "Attitude-MP" à "Loyalty". Ajoutez trois variables non observées, à savoir « z1 » en tant que prédicteur de « EP-Attatchment », « z2 » comme prédicteur de « Attitude-MP » et « z3 » comme prédicteur de la « loyauté » (voir Figure 8, Figure 9). Cliquez sur "Calculer les estimations". Vérifiez les « estimations » et les indices d'ajustement du modèle.

Figure 8 : Spécification s'il convient de modéliser les équations structurelles. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.

Figure 9 : Analyse de modélisation des équations structurelles. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.

6. Effectuer des tests d'invariance pour l'AML

1. Pour comparer les groupes innovants de mode élevée et basse, effectuez une LMA basée sur l'analyse multi-groupes des facteurs de confirmation (MGCFA). Avant la LMA, testez l'invariance configurale, l'invariance métrique et l'invariance scalaire entre les deux groupes²⁵.
2. Création du modèle de mesure multigroupes : créer le modèle de mesure (c.-à-d. le modèle du MGCFA) avec deux groupes nommés « haut » et « faible » sous « Groupes de gestion ». Sélectionnez les fichiers de données pour les groupes de la manière suivante: "Data-low fashion innovativeness.sav" pour le groupe innovant de la basse couture et "Data-high fashion innovativeness.sav" pour le groupe innovant de haute couture (voir Figure 10).

Figure 10 : Sélection de fichiers de données pour les groupes. Le modèle de mesure pour MGCFA a été créé, et deux fichiers de données ("Data-low fashion innovativeness.sav" et "Data-high fashion innovativeness.sav") ont été téléchargés. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.

3. Test de l'invariance configurale
   REMARQUE : Si la structure des modèles de mesure dans les deux groupes a la même forme (c.-à-d. les mêmes dimensions et les mêmes modèles de valeurs fixes et non fixes), l'invariance configurale est satisfaite (voir la figure 11). Si l'ajustement du modèle de mesure est satisfaisant, passez à l'étape suivante pour vérifier l'invariance métrique²⁶.
   1. Effectuer le CFA avec le modèle de mesure à cinq facteurs proposé précédemment pour chaque groupe. Cliquez sur "Calculer les estimations". Vérifiez les « estimations » et les indices d'ajustement des deux modèles. Si l'ajustement des deux modèles est satisfaisant et que les coefficients de facteurs sont importants, passez à l'étape suivante.
   2. Conduisez MGCFA avec le modèle de mesure à cinq facteurs comme modèle de référence. Fixer « 1 » pour le coefficient de facteur de chaque variable latente à la première variable observée et libérer les autres coefficients de facteur. Cliquez sur "Calculer les estimations".
   3. Vérifiez les « estimations » des deux groupes et adaptez les indices du modèle. Si l'ajustement du modèle est satisfaisant et que les coefficients de facteurs sont importants, l'invariance configurale est satisfaite. Ensuite, passez à l'étape suivante impliquant le test d'invariance métrique.

Figure 11 : Dimensions et formes égales des modèles de mesure entre deux groupes. (A) Modèle pour le groupe innovant de haute couture et (B) modèle pour le groupe innovant de la basse couture. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.

4. Test de l'invariance métrique
   REMARQUE : Le test d'invariance métrique évalue si les coefficients de facteur reliant les variables latentes aux variables observées sont égaux entre les groupes.
   1. Pour le test de l'invariance métrique, fixez les coefficients de facteur entre les groupes. Entrez le même nom pour les mêmes coefficients entre les groupes (p. ex., « a » pour Extrinsic-V. E2, "j" pour EP-Attachment EA4, voir Figure 12). Cliquez sur "Calculer les estimations". Vérifiez les « estimations » des deux groupes et adaptez les indices du modèle.
   2. Effectuez un test de différence chi-carré en comparant le modèle d'invariance métrique complet (c.-à-d. le modèle avec des coefficients de facteur fixe entre les groupes) avec le modèle d'invariance configurale (c.-à-d., le modèle avec les coefficients de facteur libre entre les groupes). Si la différence chi-carré est non significative, l'invariance métrique est satisfaite. Ensuite, passez à l'étape suivante impliquant le test d'invariance scalaire^25,26,27.

Figure 12 : Fixation des coefficients de facteurs entre les groupes. En inscrivant le même nom pour les mêmes coefficients entre les groupes, les coefficients de facteur ont été restreints. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.

5. Test de l'invariance scalaire
   REMARQUE : L'invariance de Scalar signifie que 1) les mêmes valeurs sur la construction latente sont associées aux mêmes valeurs sur la variable observée et 2) les différences dans les moyens des variables observées sont dérivées des différences moyennes des variables latentes. Pour tester l'invariance des écalaires, limiter les interceptions des variables observées afin qu'elles soient égales entre les groupes²⁸.
   1. Cliquez sur "Propriétés d'analyse" dans le menu "Voir". Cliquez sur l'onglet "Estimation" et cochez "Estimer les moyens et intercepter". Cliquez à droite sur chaque variable observée et choisissez « Propriétés d'objets ». Sélectionnez l'onglet "Paramètres" et entrez les noms de paramètres tels que "int-e1" et "int-ea1" dans les cases de texte d'interception (voir la figure 13).
   2. Effectuer un test de différence chi-carré en comparant le modèle d'invariance métrique/scalaire complet (c.-à-d. le modèle avec des interceptions fixes des variables observées et des coefficients de facteurs fixes entre les groupes) avec le modèle d'invariance métrique complet (c.-à-d. le modèle avec coefficients de facteurs fixes dans l'ensemble du groupe). Si la différence chi-carré est non significative, l'invariance métrique/scalaire complète est satisfaite.
      REMARQUE: Ici, une hiérarchie spécifique (test d'invariance configurale, test d'invariance métrique, test d'invariance scalaire) est utilisée. Une fois que chaque test d'invariance est satisfait, effectuez l'AML en utilisant le modèle finalement sélectionné (c.-à-d. le modèle d'invariance métrique/complète).

Figure 13 : Saisie des noms de paramètres dans la boîte de texte d'interception.
Veuillez cliquer ici pour voir une version plus grande de ce chiffre.

7. Exécution d'un LMA

1. Conduisez un LMA en utilisant le modèle complet d'invariance métrique scalaire/métrique^27,28. Pour comparer les moyens des variables latentes, fixez les moyens des variables latentes dans un groupe et laissez-les être libres dans l'autre groupe.
2. Estimer les différences moyennes entre les groupes en fixant l'un des moyens à zéro pour un groupe de référence, puis en estimant les valeurs moyennes pour l'autre groupe. Ainsi, fixer les moyens de toutes les variables latentes dans le groupe innovant de faible mode à zéro. Il est important de s'assurer que les moyens des variables latentes dans le groupe d'innovation de haute couture sont libres et leurs écarts dans les deux groupes sont libres (voir la figure 14).
3. Cliquez sur "Calculer les estimations". Vérifiez les « estimations » des deux groupes et adaptez les indices du modèle.
4. Cliquez sur « Afficher le texte » et vérifier les moyens des variables latentes dans le groupe d'innovation de haute couture sous « Estimations » (voir figure 15).

Figure 14: Définition des moyens et des écarts variables latents. (A) Groupe innovant de haute couture et (B) groupe innovant de la basse couture. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.

Figure 15 : Sortie pour l'analyse des moyens latents. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.

Résultats

Les statistiques de fréquence offraient les caractéristiques de l'échantillon. Au total, 290 consommatrices en ligne ont terminé le processus d'achat à l'aide du programme de personnalisation de masse électronique. Les caractéristiques démographiques de l'échantillon ont été réparties uniformément. Par groupe d'âge, 23,1 % étaient dans la vingtaine, 28,3 % dans la trentaine, 26,6 % dans la quarantaine et 22,1 % dans la cinquantaine. Par état matrimonial, 58,3 % étaient mariés, tandis que 40 % étaient c...

Discussion

Conséquences des constatations
Les résultats de cette étude révèlent que les avantages extrinsèques et intrinsèques des consommateurs découlant de la création d'un produit personnalisé de masse contribuent à la croissance de l'attachement émotionnel au produit, à la création d'attitudes positives à l'égard du programme de personnalisation et l'augmentation des intentions de fidélité. Les résultats sur les effets modérateurs de l'innovation de la mode révèlent que par rapport aux ...

matériels

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