Tüketici Faydalarını Değerlendirmek Için Araştırma Aracı Olarak EMASS Özelleştirme Programı Uygulamak

Özet

Burada sunulan online perakendecilik bağlamında kitlesel özelleştirme doğru tüketici yanıtları incelemek için bir protokoldür. Protokol, çevrimiçi anket prosedürünü ve yapısal denklem modellemesi ve grup farklılıklarını gizli ortalama analizleri kullanarak verilerin nasıl analiz edilebildiğini ayrıntılarıyla anlatır.

Özet

Birçok akademisyen ve uygulayıcıları kişiselleştirme ve ilişki pazarlama çalışma gibi, pazarlama teknolojisi ile kitle özelleştirme gibi kişiselleştirme sağlamak önemlidir. Bu çalışmanın amacı, çevrimiçi bir anket ve veri analizini kullanarak tüketici araştırmasının nasıl yapılacağını incelemektir. Bu çalışma, bir ürünü ve duygusal ürün eki, özelleştirme programına yönelik tutumları ve çevrimiçi perakendecilik bağlamında sadakat niyetlerini özelleştirerek tüketicilerin algılanan faydalarını inceler. Buna ek olarak, bu çalışma, tüketici yanıtlarının moda yenilikçiliği gibi bireysel özelliklere göre nasıl farklı olduğunu araştırmaktedir. Güney Kore'de bir online anket şirketi online giyim satın 290 kadın giyim alışveriş işe aldı. Dış geçerliliği artırmak için, bu çalışmada iyi kurulmuş bir kitle özelleştirme programı ile mevcut bir perakende web sitesi kullanılmıştır. Özelleştirme programını tamamladıktan sonra, katılımcılar çevrimiçi anketi tamamlarlar. Daha sonra analizler için yapısal denklem modelleme (SEM) ve gizli ortalama analizleri (LmAs) yapılır. Bu çalışma, ortalama karşılaştırmalar için ölçüm değişmezliği test önemini vurgulamaktadır. SEM ve LMA'dan önce, bu çalışma, ANOVA gibi geleneksel yaklaşımlar tarafından dikkate alınmayan değişmezlik testleri (yapılandırma değişmezlik testi, metrik değişmezlik testi ve skaler değişmezlik testi) hiyerarşisini takip eder. Bu istatistiksel analizler, değişmezlik testi prosedürlerinin ve LMA'nın tüketici davranışlarına uygulanabilirliğini sağlar. Ortalama farklılıkların sonuçları bütünlük ve geçerlilik sahibidir, çünkü ölçüm değişmezliğini sağlamak için gelişmiş bir istatistiksel prosedür tarafından yönlendirilirler.

Giriş

Toplu özelleştirme, bir e-perakendecinin ürünleri, hizmetleri ve işlem ortamını tek tek müşterilere uyarlama yeteneğini ifade eder^1. Günümüzün tüketicileri standart ürünlerden memnun değildir ve birçok perakendeci bunu fark edilmiştir. Bir kitle özelleştirme seçeneği sunan müşteri sadakati ve rekabet avantajları elde etmek için bir yöntemdir². Bir pazarlama taktiği olarak Kitle özelleştirme tüketicilerin belirli ihtiyaçlarına göre kendi ürünlerini oluşturmak için izin verir ve böylece bireyselleştirilmiş ürün veya hizmetler^{sağlar 3}. Örneğin, tüketiciler sadece seri olarak üretilen bir çift ayakkabı satın almakla kalmayıp, aynı zamanda renk, kumaş ve diğer tasarım bileşenlerini seçerek normal perakende web sitelerinde bulunmayan yeni ve benzersiz bir çift ayakkabı da oluşturabilirler. Sonuç olarak, tüketicilerin daha uygun ürünler satın alabilirsiniz, ve özelleştirilmiş ürün ile memnuniyeti yanı sıra marka sadakati artış^4,5.

Internet kullanımının artmasıyla birlikte, kitlesel özelleştirme süreci üretim süresini düşürme ve aynı maliyetlerle daha fazla tasarım seçeneği sunma açısından daha hızlı ve verimli hale gelmiştir. Ayrıca, perakendeciler hedef müşterilerinin tercih ne ile ilgili bilgi elde edebilir ve böylece onlarla güçlü ilişkiler kurmak^6,7. Bu nedenle, birçok endüstri (örneğin, giyim, ayakkabı, araba ve bilgisayar) özelleştirme programları benimsemiştir. Kitle özelleştirme hem tüketicilere hem de perakendecilere fayda sağlamış olsa da, bazı perakendeciler^8. Bu nedenle, tüketicilerin yararları nasıl algıladıkları ve bu faydaların uzun vadeli başarı için diğer alışveriş yanıtlarını nasıl etkilediğini incelemek gerekir.

İkna kuramları^9'danetki hiyerarşisi (HOE) modelinden yararlanan bu çalışma, tüketicilerin bilgiyi biliş-etki-konation dizisine göre işlemelerini önermektedir. Özellikle, bu çalışma (bir kitle özelleştirilmiş ürün oluşturduktan sonra) algılanan tüketici yararları (biliş) ürün eki ve kitle özelleştirme programı (etkisi) karşı tutum yoluyla sadakat niyetleri (conation) etkisi olup olmadığını inceler . Motivasyon teorisine dayanarak¹⁰, algılanan yararları dışsal ve içsel yararları^{ayrılır 11}.

Bir ürünü kullanmaktan elde edilen tüketicinin algılanan değeri ile ilgilidir¹² (böylece, ürün kalitesine yakın değeri^11),içsel yarar ise bir ürün kullanırken hoş bir deneyim gösterir¹¹. Kitlesel özelleştirme bağlamında, dışsal yarar bir tüketici oluşturur ürün ile ilişkilidir ve içsel yarar hedonik ve deneyimsel ihtiyaçlarını karşılayan özelleştirme deneyimi ile ilgilidir^13,14. Önceki araştırmalar tüketicilerin algılanan yararları duygusal ürün eki geliştirmek buldu¹⁵ ve kitle özelleştirme programı doğru olumlu^{tutumlar 16}. Duygusal ürün eki tüketicilerin bir ürün¹⁷bağlanmak duygusal bir kravat anlamına gelir , hangi olumlu özelleştirme programı¹⁸ ve sadakat niyetleri¹⁹karşı tutumları etkiler . Ayrıca, bir özelleştirme programına yönelik tutumlar sadakat niyetlerini olumlu yönde etkiler^20.

Son olarak, bu çalışma, bireysel bir özelliğin (yani moda yenilikçiliği) tüketici tepkilerini nasıl farklı etkilediğini inceler. Moda yenilikçilik derecesi bir bireyin yenilikçi eğilim yeni bir moda öğesi²¹benimsenmesi etkiler anlamına gelir. Araştırma bulguları, uygunluktan kaçınmak isteyen tüketicilerin (yani, son derece moda yenilikçi tüketicilerin) benzersiz ürünler elde etmek için motive olduklarını göstererek, kitlesel özelleştirmenin kendilerini diğerlerinden ayırt etmek için etkili bir taktik olabileceğini gösteriyor. ²². Bu nedenle, bu çalışma, yüksek moda yenilikçi tüketiciler için olumlu tepkiler daha fazla sayıda oluşturulacağını varsayar.

Önceki literatür incelemelerine dayanarak, bu çalışma aşağıdaki araştırma hipotezlerini ele almaktadır. H1: Kitlesel özelleştirilmiş bir ürünün algılanan yararları (a: dışsal fayda, b: içsel fayda) duygusal ürün eki olumlu etkileyecektir; H2: Bir kitle özelleştirilmiş ürünün algılanan yararları (a: dışsal yarar, b: içsel yarar) olumlu bir kitle özelleştirme programına yönelik tutumları etkileyecektir; H3: Duygusal ürün eki, kitlesel özelleştirme programına yönelik tutumları olumlu yönde etkileyecektir; H4: Duygusal ürün eki sadakat niyetlerini olumlu yönde etkileyecektir; H5: Bir kitle özelleştirme programına yönelik tutum sadakat niyetlerini olumlu yönde etkileyecektir; ve H6: Düşük moda yenilikçiliği ile karşılaştırıldığında, yüksek moda yenilikçileri (a) algılanan yararları, (b) duygusal ürün eki, (c) tutumlar ve (d) davranışsal niyetleri daha olumlu tepkiler olacaktır.

Dış geçerliliği artırmak için, bu çalışma varolan bir toplu özelleştirme programı kullanır. Güney Kore'de potansiyel katılımcılar bu çalışma için işe alınır ve onlar aslında ürün satın almış gibi bir program kullanarak kendi trençkot oluşturmak için istenir. Katılımcıların yanıtlarını özelleştirme deneyimlerine göre incelemek için, bu çalışma bir çevrimiçi anket kullanır. Katılımcılar, özelleştirme programını çevrimiçi olarak kullandıktan hemen sonra ankete erişebilirler. Veri topladıktan sonra, çalışma, tüketici yararlarının ürün eki, tutum ve sadakat niyetleri üzerindeki etkilerini araştırmak için tek grup LU'yu kullanır. Moda yenilikçiliğinin ılımlı rollerini incelemek için, çalışma LMAs kullanır.

Protokol

Bu araştırma Ewha Womans Üniversitesi'ndeki IRB İncelemesinden muaf tı ve #143-18 numaralı protokol eki atandı.

1. Katılımcıların İşe Alınması

1. Çevrimiçi bir anket yapmaya hazırolun.
   NOT: Bir online anket Güney Kore'de bir anket şirketi kullanılarak yapılmıştır. Araştırma şirketi Kore'de yüksek tepki oranları ile en büyük tüketici paneli vardır. Paneldeki yaş ve cinsiyet dağılımları Kore nüfusunun durumunu yansıtıyor. Tüketici paneli gerçek isimlerin doğrulanması yoluyla yüksek derecede güvenilirliğe sahiptir. Araştırma şirketi paneli sürekli olarak çeşitli yenilikçi yöntemlerle yönettiğinden, panelin araştırma şirketine olan sadakati yüksektir; bu nedenle, şirket tarafından elde edilen anket sonuçları son derece güvenilir olduğu bilinmektedir.
2. Online giyim için alışveriş deneyimi olan kadın tüketicileri işe al.
   NOT: Kore'de kadın tüketiciler giyim alışveriş gelirin yüksek bir yüzdesi harcamak, ve alışveriş davranışları çoğunlukla online²³oluşur. Bu nedenle, bu çalışma için katılımcı olarak bu grup seçimi uygundur.
3. Katılımcılara çalışmanın amacı ve yanıtlarının gizliliğinin güvencesi ile ilgili bilgileri içeren bir davet e-postası gönderin.
4. Özelleştirme programını kullanarak trençkotların nasıl oluşturulacaklarını gösteren ankete katılmayı kabul edenlere yönergeler gönderin (Bkz. Şekil 1).
   NOT: Katılımcıların özelleştirme programını kullanmakta güçlük çekebileceği olası durumları önlemek için, araştırma şirketinden bir moderatör yönergeleri gönderdi. Ayrıca, moderatör katılımcıları aradı ve katılımcılar yönergeleri gözden alırken özelleştirme prosedürünü açıkladı.
5. Katılımcılardan oluşturulan trençkotun ekran görüntüsünü yakalamalarını ve özelleştirme programında bir trençkot oluşturduklarından emin olmak için kat için bir fiyat vermelerini isteyin.
6. Katılımcılar prosedürü anladığı zaman, mevcut bir alışveriş web sitesinde e-toplu özelleştirme programına bağlı bir bağlantı gönderin.
7. Katılımcılara aşağıdaki senaryoyu sağlayın: "Lütfen sevimli giysiler satın alacak kadar iyi durumda olduğunuzu ve önemli bir toplantıya katılmak için bir trençkot satın almak zorunda olduğunuzu düşünün. Benzersiz bir trençkot oluşturmak istiyorum. Internet gezinirken, bir kitle özelleştirme programı olan mükemmel giyim web sitesi rastlamak".
   NOT: Bu adım, katılım düzeylerini artırmak ve ürün türünü ve tüketiciürün fiyatı algısını kontrol etmek için gereklidir.
8. Katılımcıların senaryoyu okuduktan sonra bir trençkot oluşturmalarına izin verin.
   NOT: Katılımcılar tercih edilen genel stil, yaka, kat uzunlukları, kol uzunluğu, cepler, kumaş ve astar seçerek bir trençkot oluşturmak için ücretsizdir aslında satın alacak durumda. Özelleştirme programında palto oluşturmakta sorun yaşıyorlarsa, 24 saat boyunca istedikleri zaman moderatöre soru sorabilirler.
9. 24 saat sonra anket bağlantısını etkinleştirin, böylece ankete girmeye hazır olan katılımcılar (örneğin, oluşturdukları trençkotun ekran görüntüsünü almayı bitirenler) anket bağlantısını tıklayabilir.

Şekil 1: E-kütle özelleştirme programını kullanma yönergeleri. Çevrimiçi anketin katılımcıları, özelleştirme programını kullanarak trençkotların nasıl oluşturulacaklarına ilişkin talimatları okur ve 1-8 adımlarını izlerler. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

2. Anket Prosedürü

1. Katılımcılardan oluşturdukları trençkotun ekran görüntüsünü ve fiyatını anketin ilk sayfasına yüklemelerini isteyin (Bkz. Şekil 2).
   NOT: Ankete yalnızca ekran görüntüsünü yükleyen katılımcılar erişebilir.
2. Katılımcılardan algılanan faydalar, özelleştirilmiş ürüne duygusal bağlılık, özelleştirme programına yönelik tutum, sadakat niyetleri ve demografik sorularla ilgili çevrimiçi anketi tamamlamalarını isteyin (Bkz. Tablo 1).
3. Anketi tamamlayanlara ödül verin.
   NOT: Burada katılımcılara katılımları için 10.000 TL (yaklaşık 10 ABD doları) ödül almıştır. Anketi bırakan veya ekran görüntüsünü ve fiyatı sağlayamayan katılımcılar 1.000 TL (yaklaşık 1 ABD Doları) aldı.

Şekil 2: E-kütle özelleştirme programı kullanılarak oluşturulan trençkot örnekleri. Katılımcılar tercih edilen bir yaka, uzunluk, kumaş, vb seçerek trençkot oluşturdu, trençkot oluşturma bir ekran görüntüsü yükleyerek izledi. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Extrinsic Benefit (Franke ve ark., 2009)

standart ürün ile karşılaştırıldığında, özelleştirilmiş ürün ______________________________________________________________

1. Daha iyi benim ihtiyaçlarını karşılamak

2. Kişisel tercihlerimi daha iyi karşıla

3. Daha benim için en iyi çözüm olması muhtemeldir

İçsel Yarar (Franke ve Schreier, 2010)

1. Ben çok bu tasarım etkinliği zevk

2. Ben ürün tasarımı oldukça keyifli olduğunu düşündüm

3. Bu ürünün tasarımı çok ilginçti

Duygusal Ürün Eki (Thomson vd., 2005)

Bu markanın standart ürün ile karşılaştırıldığında, onun özelleştirilmiş ürün doğru benim duygu _____________ ile karakterize edilebilir.

1. Sevgi

2. Bağlantı

3. Tutku

4. Büyü

Kitlesel özelleştirme programına yönelik tutum (Li ve ark., 2001)

Bu web sitesinde ki toplu özelleştirme programı __________________________________________________________

1. Unappealing e çekici

2. Tatsız e hoş

3. Çekici olmayan e çekici

4. Sevimsiz e sevilebilir

Sadakat Niyetleri (Kwon ve Lennon, 2009)

1. Ben yakın gelecekte bu özelleştirme programında özelleştirilmiş bir ürün satın alacak

2. Ben arkadaşlar veya akrabalar için bu özelleştirme programı tavsiye ederim

3. Ben bu web sitesine dönmek ve yakın gelecekte bir ürün özelleştirmek istiyorsunuz

Ürün Katılımı (Zaichkowsky, 1985)

Bana göre, giyim _________________________________________________

1. Önemsiz e önemli

2. Sıkıcı e ilginç

3. Unappealing e çekici

4. Gerekli değil e gerekli

5. Heyecan verici olmayan e heyecan verici6. Değersiz e değerli

Moda yenilikçiliği (Park vd., 2007)

1. Genel olarak, ben en son yeni moda (R) isimlerini bilmek arkadaş benim daireiçinde son duyuyorum

2. Genel olarak, ben (R) göründüğünde yeni bir moda öğesi satın almak için arkadaş çevremde son arasındayım

3. Arkadaşlarımla karşılaştırıldığında, ben yeni moda öğeleri kendi.

4. Ben diğer insanlar önce yeni moda tasarımcılarının isimlerini biliyorum.

5. Ben yeni bir moda öğesi mağazada mevcut olduğunu duydum, ben yeterince satın almak için ilgi olacaktır.

6. Ben daha önce görmedim bile yeni bir moda öğesi satın alacak.

(R) Ters kodlu

Tablo 1: Ölçüm ölçeği. Bu tablo daha önce²⁹kullanılmıştır.

3. Veri Hazırlama

1. Anket verilerini bir SPSS dosyasına anket katılımcılarının tüm yanıtlarını içeren "Data_TOTAL.sav" (Bkz. Şekil 3)olarak kaydedin. Eksik değerleri içeren servis taleplerini silin. SEM çözümlemesi yapmak için temizlenen verileri kullanın.
2. Toplam verileri iki veri dosyasına ayırın: yüksek ve düşük moda yenilikçi gruplar. Ortanca bölme kullanın. Toplam ve moda yenilikçilik altı öğe nin ortalama puanları ve moda yenilikçilik medyan puanı (med = 4,17) hesaplamak.
   NOT: Ortanca bölme psikoloji ve pazarlama araştırmalarında sıklıkla kullanılır ve grup farklılıklarını incelemek için sürekli bir değişken için ortanca bölme kullanmak geçerlidir²⁴.
3. "Dönüştür" menüsü altında "Farklı Değişkenlere Yeniden Kodla" seçeneğini tıklayın. Ortalama puan ortancadan daha düşükse "1 (düşük moda yenilikçi grubu)" kodlayarak veya ortancadan daha yüksekse "2 (yüksek moda yenilikçi grubu)" kodlayarak yeni bir değişken, "moda yenilikçi grubu (FIG)" oluşturarak (bkz. Şekil 4 ).
4. "Veri" menüsü altında "Dosyalara Bölme"yi tıklatın, "moda yenilikçi grubu (FIG)" değişkenini çift tıklatın ve "Servis Taleplerini Böl" alanına taşıyın ve dosyaları kaydetmek için "Çıktı Dosya Dizini" konumunu atayın (Bkz. Şekil 5).
5. Atanan dizinde "1.sav" ve "2.sav" kaydedin. Dosya adlarını "Data_low fashion innovativeness.sav" ve "Data_high fashion innovativeness.sav" olarak değiştirin ve her ikisini de LMA için kullanın.

Şekil 3: Data_TOTAL. Veriler, SEM analizi için kullanılan tüm katılımcıların (n = 290) yanıtlarını içerir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Şekil 4: Yeni değişken "moda yenilikçi grubu (FIG)" oluşturma. Yeni değişken (FIG) "1 (düşük moda yenilikçi grup)" ve "2 (yüksek yenilikçi grup)" kodlaması ile yapılmıştır. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Şekil 5: Veri kümesini iki veri dosyasına bölme. Toplam veri dosyası olan "Data_TOTAL", bir LMA'da sonraki kullanım için "Data_low fashion innovativeness.sav" ve "Data_high fashion innovativeness.sav" dosyalarına ayrılmıştır. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

4. Doğrulayıcı Faktör Analizi (CFA) Çalıştırma

1. Yakınsak geçerliliği doğrulamak için beş faktörlü ölçüm modeliyle tek bir grup CFA gerçekleştirin. "Veri dosya(ları seçin" | Data_TOTAL.sav". Araştırma sorularına dayalı ölçüm modelini geliştirin.
   1. Ölçüm modeli beş gizli değişken (yani, dışsal fayda, içsel fayda, duygusal ürün eki, kitlesel özelleştirme programına yönelik tutumlar ve sadakat niyetleri) ve 17 gözlemlenen değişkeni (üç gözlemlenen değişken dışsal yarar, içsel yarar için üç, duygusal ürün eki için dört, bir kitle özelleştirme programına karşı tutumlar için dört ve sadakat niyetleri için üç). Gizli değişkenlerin varyanslarını "1" olarak ayarlayın (Bkz. Şekil 6 ve Şekil 7). "Tahminleri hesapla"yı tıklatın.
2. Tek grup CFA sonuçlarından ölçüm modelinin uygun endekslerini kontrol edin: uygunluk iyilik endeksi (GFI), ayarlanmış uygunluk endeksi (AGFI), normlaştırılmış uygunluk indeksi (NFI), Tucker-Lewis indeksi (TLI), karşılaştırmalı uyum indeksi (CFI) ve kök ortalama kare hatası yaklaşık (RMSEA).

Şekil 6: Doğrulayıcı faktör analizi için model belirtimi. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Şekil 7: Doğrulayıcı faktör analizi için ölçüm modeli. CFA ölçüm modeli AMOS programı kullanılarak oluşturulmuştur. Gizli değişkenlerin varyansı "1" olarak ayarlandı. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

5. Bir SEM çalışan

1. Gizli değişkenler arasındaki ilişkileri test etmek için, BIR SEM. Tıklayın "Veri dosyası(lar) seçin | Data_TOTAL.sav". Beş gizli değişken ve 17 gözlenen değişken de dahil olmak üzere araştırma sorularına dayalı SEM'i geliştirin.
2. "Extrinsic_V" ve "Intrinsic___V"den "EP_Attachment" ve "Attitude_MP"ye ve "EP_Eki" ve "Attitude_MP"den "Sadakat"e ok çizin. "EP_Attatchment","Attitude_MP"nin bir belirleyicisi olarak "z1", "Sadakat"in belirleyicisi olarak "z2" ve "Sadakat"in belirleyicisi olarak "z3" olmak üzere üç gözlemlenmemiş değişken ekleyin (bkz. Şekil 8, Şekil 9). "Tahminleri hesapla"yı tıklatın. "Tahminler"i kontrol edin ve modelin dizinlerini sığdırın.

Şekil 8: Yapısal denklem modellemesi için model belirtimi. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Şekil 9: Yapısal denklem modelleme analizi. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

6. LMA için Değişmezlik Testleri Yapmak

1. Yüksek ve düşük moda yenilikçi grupları karşılaştırmak için, çok gruplu doğrulayıcı faktör analizine (MGCFA) dayalı bir LMA gerçekleştirin. LMA önce, test yapılandırmadeğişmezlık, metrik değişmezlik ve her iki grup arasında skaler değişmezlik²⁵.
2. Çok gruplu ölçüm modelioluşturma: "Grupları Yönet" altında "yüksek" ve "düşük" adlı iki grupla ölçüm modelini (mgcfa modeli) oluşturun. Gruplar için veri dosyalarını aşağıdaki şekilde seçin: düşük moda yenilikçi grubu için "Data_low fashion innovativeness.sav", yüksek moda yenilikçi grubu için "Data_high fashion innovativeness.sav" (Bkz. Şekil 10).

Şekil 10: Gruplar için veri dosyaları nın seçilmesi. MGCFA için ölçüm modeli oluşturuldu ve iki veri dosyası ("Data_low fashion innovativeness.sav" ve "Data_high fashion innovativeness.sav") yüklendi. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

3. Yapılandırma değişmezliğini test etme
   NOT: Her iki gruptaki ölçüm modellerinin yapısı aynı forma sahipse (yani, aynı boyutlar ve sabit olmayan ve sabit olmayan değerlerin aynı desenleri), yapılandırma değişmezliği karşılanır (Bkz. Şekil 11). Ölçüm modelinin uygunluğu tatmin ediciyse, metrik değişmezliği^26'yıdenetlemek için bir sonraki adıma geçin.
   1. CFA'yı her grup için önceden önerilen beş faktörlü ölçüm modeliyle gerçekleştirin. "Tahminleri hesapla"yı tıklatın. "Tahminler"i kontrol edin ve her iki modelin endekslerine uygun. Her iki modelin uyumu tatmin edici yse ve faktör katsayıları önemliyse, bir sonraki adıma geçin.
   2. MGCFA'yı temel model olarak beş faktörlü ölçüm modeliyle gerçekleştirin. Her gizli değişkenden ilk gözlenen değişkene faktör katsayısı için "1"i düzeltin ve diğer faktör katsayıları serbest bırakın. "Tahminleri hesapla"yı tıklatın.
   3. İki grubun "Tahminleri"ni kontrol edin ve modelin dizinlerini sığdırın. Modelin uygunluğu tatmin edici yse ve faktör katsayıları önemliyse, yapılandırma değişmezliği tatmin olur. Ardından, metrik değişmezlik testini içeren bir sonraki adıma geçin.

Şekil 11: Ölçüm modellerinin iki grup arasında eşit boyutları ve biçimleri. (A) Yüksek moda yenilikçi grup için model ve düşük moda yenilikçi grup için (B) modeli. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

4. Metrik değişmezliği test etme
   NOT: Metrik değişmezlik testi, gizli değişkenleri gözlemlenen değişkenlere bağlayan faktör katsayıları gruplar arasında eşit olup olmadığını değerlendirir.
   1. Metrik değişmezlik testi için, gruplar arasında faktör katsayıları düzeltin. Gruplar arasında aynı katsayılar için aynı adı girin (örneğin, Extrinsic_V için "a"| E2, EP_Eki için "j" | EA4, bkz. Şekil 12). "Tahminleri hesapla"yı tıklatın. İki grubun "Tahminleri"ni kontrol edin ve modelin dizinlerini sığdırın.
   2. Tam metrik değişmezlik modelini (yani gruplar arasında sabit faktör katsayıları olan modeli) yapılandırılmış değişmezlik modeliyle (yani grup genelinde serbest faktör katsayıları olan model) karşılaştırarak ki-kare farkı testi yapın. Ki-kare farkı anlamlı değilse, metrik değişmezlik tatmin olur. Daha sonra skaler değişmezlik testi^25,26,27içeren bir sonraki adıma geçin.

Şekil 12: Faktör katsayıları gruplar arasında sabitlenmesi. Gruplar arasında aynı katsayılar için aynı ad girilerek, faktör katsayıları ölçüldü. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

5. Skaler değişmezliği test etme
   NOT: Skaler değişmezlik, 1) gizli yapıdaki aynı değerlerin gözlenen değişkendeki aynı değerlerle ilişkili olduğu ve 2) gözlenen değişkenlerin anlam farklılıklarının gizli değişkenlerin ortalama farklılıklarından türetildiği anlamına gelir. Skaler değişmezliği test etmek için, gözlemlenen değişkenlerin kesişmelerini kısıtlayın, böylece²⁸grubu arasında eşit olurlar.
   1. "Görünüm" menüsünün altındaki "Analiz özellikleri"ni tıklatın. "Tahmin" sekmesini tıklatın ve "Tahmin araçları ve engellemeleri" kontrol edin. Gözlenen her değişkene sağ tıklayın ve "Nesne Özellikleri"ni seçin. "Parametreler" sekmesini seçin ve kesme metin kutularına "int_e1" ve "int_ea1" gibi parametre adlarını girin (Bkz. Şekil 13).
   2. Tam metrik/tam skaler değişmezlik modelini (örneğin, gruplar arasında gözlenen değişkenlerin sabit kesişmeleri ve sabit faktör katsayıları olan modeli) tam metrik değişmezlik modeliyle (örn. grup genelinde sabit faktör katsayıları). Ki-kare farkı anlamlı değilse, tam metrik/tam skaler değişmezlik tatmin olur.
      NOT: Burada belirli bir hiyerarşi (yapılandırma değişmezlik testi, metrik değişmezlik testi, skaler değişmezlik testi) kullanılır. Her değişmezlik testi karşılandıktan sonra, SON seçilen modeli (yani tam metrik/tam skaler değişmezlik modeli) kullanarak LMA'yı gerçekleştirin.

Şekil 13: Kesme metin kutusuna parametre adları girme.
Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

7. Bir LMA Çalışan

1. Tam skaler /tam metrik değişmezlik modeli^27,28kullanarak bir LMA gerçekleştirin. Gizli değişkenlerin araçlarını karşılaştırmak için, bir gruptaki gizli değişkenlerin araçlarını düzeltin ve diğer grupta serbest bırakın.
2. Bir başvuru grubu için araçlardan birini sıfıra sabitleyerek ve ardından diğer grubun ortalama değerlerini tahmin ederek gruplar arasındaki ortalama farklılıkları tahmin edin. Böylece, sıfır düşük moda yenilikçi grup tüm gizli değişkenlerin araçlarını düzeltmek. Yüksek moda yenilikçi grubundaki gizli değişkenlerin araçlarının ücretsiz ve her iki gruptaki varyanslarının ücretsiz olduğundan emin olmak önemlidir (bkz. Şekil 14).
3. "Tahminleri hesapla"yı tıklatın. İki grubun "Tahminleri"ni kontrol edin ve modelin dizinlerini sığdırın.
4. "Metni görüntüle"yi tıklatın ve "Tahminler" altında yüksek moda yenilikçi grubundaki gizli değişkenlerin araçlarını kontrol edin (bkz. Şekil 15).

Şekil 14: Gizli değişken araçlarının ve varyanslarının belirlenmesi. (A) Yüksek moda yenilikçi grup ve (B) düşük moda yenilikçi grup. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Şekil 15: Gizli çıkış, analiz anlamına gelir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Sonuçlar

Frekans istatistikleri, numunenin özelliklerini sundu. Toplam 290 kadın online tüketici e-kitle özelleştirme programı kullanarak alışveriş sürecini tamamladı. Örneğin demografik özellikleri eşit olarak dağıtıldı. Yaş grubuna göre %23,1'i yirmili yaşlarda, %28,3'ü otuzlu yaşlarda, %26,6'sı kırklı yaşlarda ve %22,1'i ellili yaşlarda ydı. Medeni statüye göre %58,3'ü evli, %40'ı bekardı. Meslek te%45,2'si ofis çalışanı, %22,8'i ev hanımı, %10,3'ü profesyonel, %9,3'ü öğrenci ve %5,...

Tartışmalar

Bulguların sonuçları
Bu çalışmanın bulguları, tüketicilerin kitlesel özelleştirilmiş bir ürün oluşturmaktan elde edilen dışsal ve içsel faydalarının ürüne duygusal bağlılığın büyümesine, özelleştirme programına karşı olumlu tutumların yaratılmasına ve artan sadakat niyetleri. Moda yenilikçiliğinin ılımlı etkileri hakkındaki bulgular, düşük moda yenilikçilik grubundaki tüketicilerle karşılaştırıldığında, yüksek moda yenilikçilik grubundakilerin ...

Malzemeler

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