당사의 프로토콜은 참가자가 설문조사를 시작하기 전에 대량 사용자 지정을 경험하도록 요구하고 설문조사 데이터를 사용하여 소비자 응답 간의 관계를 테스트해야 합니다. 이 프로토콜을 통해 소비자 데이터를 구조 방정식 모델링 및 잠재 수단 분석에 적용하여 정교한 통계 데이터를 얻고 연구의 유효성을 높일 수 있습니다. 우리의 연구는 소비자 응답에 소매 또는 마케팅 기술의 영향을 조사하는 연구에 도움이 될 것입니다.
구성, 매트릭스 및 스칼라 변종과 같은 여러 가지 변종 테스트를 테스트하는 것은 어려울 수 있지만, 우리는 인내심을 조언하고 데이터의 품질을 높이기 위해 매우 신중하게이 절차를 따르십시오. 절차를 시연하는 것은 제 실험실에서 온 A학년 학생인 김희균이 될 것입니다. 온라인 설문조사를 통해 온라인 의류 쇼핑 경험이 있는 여성 소비자를 모집합니다.
연구 목적과 응답의 기밀성에 대한 보증에 관한 정보가 포함된 적격 참가자에게 초대 이메일을 보냅니다. 사용자 지정 프로그램을 사용하여 트렌치코트를 만드는 방법을 보여주는 설문 조사에 참여하는 데 동의하는 설문조사 참가자에게 지침을 보냅니다. 설문조사에 참여하는 데 동의하는 참가자는 설문조사 절차를 시작합니다.
기존 쇼핑 웹 사이트에서 eMass 커스터마이징 프로그램에 연결된 링크를 받고, 좋아하는 옷을 구입하고 중요한 회의에 참석하기 위해 트렌치코트를 구입해야 할 만큼 충분히 떨어져 있다고 상상해 보라고 요청받습니다. 독특한 트렌치코트를 만들고 싶을 것입니다. 인터넷을 탐색하는 동안, 당신은 대량 사용자 정의 프로그램이 완벽한 의류 웹 사이트를 건너 온다.
시나리오를 받은 후 24시간 후에 설문조사 링크를 활성화하여 트렌치코트를 완료하고 설문조사를 받을 준비가 된 참가자가 설문조사 링크를 클릭할 수 있도록 합니다. 설문 조사에서 참가자들은 설문 조사의 첫 페이지에 만든 트렌치코트의 스크린샷과 가격을 업로드하도록 합니다. 그런 다음, 참가자들은 맞춤형 제품에 대한 인식된 혜택과 정서적 애착, 사용자 지정 프로그램, 충성도 의도 및 인구 통계학적 질문에 대한 태도에 관한 온라인 설문지를 작성하도록 합니다.
설문조사를 완료한 참가자에게 금전적 보상을 제공합니다. 모든 설문조사가 완료되면 설문조사 데이터를 설문조사 참가자의 모든 응답을 포함하는 SPSS 파일에 저장하고 정리된 데이터를 사용하여 구조 방정식 모델링 분석을 수행합니다. 중간 분할을 사용하여, 합계 및 패션 혁신성의 여섯 항목의 점수를 평균하고 패션 혁신성의 중간 점수를 계산합니다.
변환 메뉴에서 평균 점수가 중앙값보다 낮은 경우 다양한 변수로 다시 코드를 클릭하고 낮은 패션 혁신 그룹에 대해 코드 하나를 지정합니다. 패션 혁신적인 그룹 변수를 두 번 클릭하여 필드별로 분할 케이스로 이동합니다. 그런 다음 출력 파일 디렉터리 위치를 할당하여 파일을 Data_low 패션 혁신성으로 저장합니다.
패션 혁신성을 Data_high. 할당된 디렉토리에 음부하십시오. 수렴 유효성을 확인하려면 데이터 파일 선택(Data_TOTAL.sav 클릭합니다.
5개의 잠복 변수와 17개의 관찰된 변수를 포함하도록 연구 질문에 기초하여 측정 모델을 개발한다. 잠재 변수의 각 분산을 하나로 설정하고 계산 견적을 클릭합니다. 그런 다음, 단일 그룹 확인 인자 분석, 적합성 지수의 장점, 적합 지수의 조정 된 장점, 규범 적적합 지수, 터커 루이스 지수, 비교 적합 지수 및 근사치의 루트 평균 정사각형 오차의 결과로부터 측정 모델의 적합성 지수를 확인하십시오.
본 대표적인 분석에서, 5개의 잠복 변수와 17개의 관찰된 변수로 단일 그룹 확인 계수 분석을 수행하였다. 요인 계수의 모든 임계 비율은 수렴 타당성을 달성했다는 것을 암시하며, 유의했습니다. 단일 그룹 구조 방정식 모델링의 적합성 지수는 허용 가능한 적합성을 드러냈습니다.
단일 그룹 확인 계수 분석에서 다그룹 확인 인자 분석으로 이동하여 두 그룹에 대한 5인자 측정 모델을 교차 검증하여 구성 변동이 달성되었으며 인자 계수의 모든 중요 비율이 유의한 것으로 나타났습니다. 메트릭 변동을 테스트하기 위해 계수 계수는 두 그룹에서 동일하게 제한되었고, 또 다른 다중 그룹 확인 계수 분석이 수행되어 14.728의 치스퀘어 차이가 중요하지 않았으며 메트릭 변동이 충족되었음을 나타냅니다. 메트릭 분산 모델이 허용되었기 때문에 스칼라 분산이 테스트되었습니다.
전체 메트릭/전체 스카라 분산 모델이 전체 메트릭 변종 모델에 중첩되었기 때문에 치스퀘어 차이 테스트가 실시되어 11.18의 치스퀘어 차이가 크지 않았으며, 스칼라 변이성이 만족되었다. 구성 적 변이성, 메트릭 변동 및 scalar 변이성이 달성되었다는 점을 감안할 때, 잠재 평균 분석이 수행되었고 높은 혁신적인 그룹에 대한 5 개의 잠재 변수의 수단이 낮은 패션 혁신 그룹보다 훨씬 높은 긍정적 인 값으로 결정되었습니다. 대량 사용자 지정 프로그램은 작업의 복잡성에 대한 개인의 인식에 따라 어려워 보일 수 있습니다.
참가자가 사용자 지정 프로그램에 적응할 수 있는 충분한 시간을 제공해야 합니다. 잠재 변수 간의 관계의 그룹 차이를 해결하기 위해 여러 그룹 구조 방정식 모델링을 수행하여 그룹 전체의 과거 계수를 비교할 수 있습니다. 대부분의 연구자들은 그룹 비교를 위해 여러 그룹 구조 방정식 모델링을 사용했습니다.
우리의 연구는 사회 과학 분야에서 여러 그룹 비교가 수행 될 수있는 또 다른 방법을 제공합니다.
