Оригинални статии

  • Пълен член
  • Цифри и данни
  • Препратки
  • Цитати
  • Метрика
  • Лицензиране
  • Препечатки и разрешения
  • PDF

РЕЗЮМЕ

Използван е полеви експеримент в рамка, съчетан с латентен клас иконометричен подход, за да се изследва как поведението, търсещо престиж, влияе върху избора на храни. Ние предлагаме теоретична рамка за тестване на видимата консумация на специални хранителни продукти. Тестваме хипотезата емпирично, като категоризираме индивидите в ненаблюдавани латентни класове според общото им търсене на престиж. Намираме доказателства за консумацията на храна, движени от престиж до степен да се превърнем в символ на социалния статус. Поведението, търсещо престиж, изглежда е мотивирано от инвидно сравнение или лица от по-висок клас, които се стремят да се разграничат от индивиди от по-нисък клас; и парична емулация, или лица от по-нисък клас, които купуват престижни стоки, за да бъдат възприемани като членове на по-висок клас. Констатациите от това проучване разкриват, че ефектите от диференцирането на етикетиращите атрибути имат по-голямо въздействие върху лицата, класифицирани в класове с търсене на престиж, за постигане на повишен социален статус.

статия

[‘Кажи ми какво ядеш и аз ще ти кажа какво си’, Brillat-Savarin].

Въведение

Публикувано онлайн:

Фигура 1. Индекс на потребителските цени за избрани категории храни (1982–1984 = 100).

Източник: Бюро по трудова статистика.

Фигура 1. Индекс на потребителските цени за избрани категории храни (1982–1984 = 100).

Източник: Бюро по трудова статистика.

Общата цел на тази статия е да даде представа за източниците на ненаблюдавана хетерогенност на предпочитанията сред потребителите и да изследва връзката между тенденциите на потребителите да търсят престиж и техните оценки за търгуемите атрибути на храната, по-специално етикетиране на информация и вкус. За да постигнат това, хората ще бъдат разделени в ненаблюдавани латентни класове въз основа на тяхното престижно търсене на потребителско поведение.

Ние допринасяме за литературата, като предоставяме теоретична рамка, за да проверим дали потребителите получават статут на полезност от консумацията на специални хранителни продукти. Тестваме хипотезата емпирично, като иконометрично категоризираме индивидите в ненаблюдавани латентни класове според общото им поведение, търсещо престиж. За да се намали чувствителността на факторите, движещи членството в класа, беше използвана добре позната и утвърдена маркетингова скала, основана на отношението на респондентите към престижа и значимостта на социалния статус, за да се определи членството в класа. Останалата част от статията продължава по следния начин. Раздел II описва експерименталните процедури. Раздел III представя теоретичната рамка. Раздел IV показва резултатите и дискусията. Раздел V обобщава и завършва.

II. Експериментални процедури

Общо 201 участници (нестуденти) от среден град, разположен в голям университетски кампус, участваха в проучването през февруари 2014 г. Имаше девет сесии със средно участие, вариращи от н = 22 до н = 25 теми на сесия. Макар че набирането на пробен кран, пълен с студенти, може да е било удобно и по-евтино, една от целите по време на процеса на набиране е да се привлече проба, която е представителна за купувачите на хранителни стоки. За тази цел преди експериментите в местен вестник бяха публикувани поредица от реклами и беше установена кореспонденция по имейл с потенциални заинтересовани страни. След пристигането участниците бяха проверени и бяха помолени да прочетат и подпишат формуляр за съгласие. В зависимост от индивидуалното подписване на формуляра за съгласие, те бяха седнали и им беше предоставен идентификационен номер на участник, който гарантираше анонимност, пакет за участие, който включваше въпросника и описание на тръжните процедури.

След третирането на всяка група, един от двата кръга на търг за зеленчуци във всяка сесия беше избран произволно да бъде обвързващ и офертите за свързващия продукт в този кръг бяха сортирани от най-високата към най-ниската. Използва се втори аукционен механизъм на Vickrey, при който офериращият се превърна в купувач и плати пазарната цена (която беше втората най-висока оферта) за продукта (Vickrey 1961). Участниците бяха информирани, че кръговете за търг на зеленчуци са обвързващи и ако те станат купувач, сума, еквивалентна на пазарната цена, ще бъде приспадната от таксата им за компенсация от 30 щ.д. и те ще получат обвързващия продукт за вкъщи.

Докато се определяха купувачът и пазарната цена на търговете за зеленчуци, участниците във всички сесии попълваха въпросник, който събираше информация за демографските данни (включително възраст, размер на домакинството, доходи, заетост, семейно положение, образование и раса) и изкупуване на зеленчуци поведение (място за закупуване, честота, значение на факторите при закупуване на маруля и др.). Освен това участниците отговаряха на въпроси в стил мащаб, които се отнасяха до възприятията за тяхната индивидуална престижност и търсене на поведение с помощта на валидирана мярка за скала (Eastman, Goldsmith и Flynn 1999). И накрая, след попълването на въпросника бяха обявени купувачът (ите), пазарната цена и обвързващият продукт и кръг.

III. Теоретична рамка

За да се получи информация за поведението на потребителите, свързано с престижа, във въпросника беше включена широко валидирана скала за търсене на престиж (Eastman, Goldsmith и Flynn 1999). Потребителите посочват степента, в която са съгласни или не, или одобряват или не одобряват всеки елемент от мащаба. Скалата за престиж-чувствителност е подскала в скалата за възприятие на цените, разработена и потвърдена от Lichtenstein, Ridgway и Netemeyer (1993), а също така е документирана в Bearden and Netemeyer (2011). Скалата за чувствителност и престиж помага да се идентифицира склонността на индивида да купува стоки за „чувствата на известност и статус“ (Eastman, Goldsmith и Flynn 1999; Lichtenstein, Ridgway и Netemeyer 1993). Отговорите на участниците на престижната скала се използват в скрит анализ на класа (LCA), за да се идентифицират и характеризират подгрупи от различни видове потребители в извадката.

LCA работи на предпоставката, че популацията може да бъде категоризирана в ненаблюдавани подгрупи според определени показатели. Той използва комбинация от класическа регресия и байесов анализ, за ​​да оцени вероятността даден индивид, принадлежащ към една от тези подгрупи, наричан още латентен клас, въз основа на подобни наблюдавани променливи (Lanza, Tan и Bray 2013; Greene 2012). Лицата са разделени на С латентни класове с = 1, ..., С, дефиниран от редица j = 1, ..., J наблюдавани променливи, известни също като индикатори. Броят на възможните резултати, свързани с променливата j се обозначава с Мj за физически лица i = 1, ..., н. Наблюдаемите данни са индивидуалните iНаблюдаваните отговори на J индикатори за реакция на мащаба и поведенчески променливи и представени от вектор Xi = (Xi1, ..., XiJ), където възможните резултати от Xij са известни като м и м = 1, ..., Мj. Нека I x i j = m действа като индикаторна функция, която е равна на 1, ако отговорът на индикатора j = m, и 0 в противен случай. Функцията на плътността на вероятността на индивид, демонстриращ специфичен профил на членство, е дадена като: (1) X i

f i (x i; φ) = ∑ s = 1 S π s f i | s (x i; θ s) = ∑ s = 1 S π s ∏ j = 1 J ∏ m = 1 M j (θ j m | s) I (x i j = m), (1)

където разпределението и параметрите на индикаторните променливи, X i, е равно на вероятността за отделен човек i отговарящи на условията за членство в клас с ∑ s = 1 S π s, умножено по свързаната функция на плътността на условната вероятност (f i | s x i; θ s) за всички класове. Функцията на плътността се дефинира допълнително като произведение на индикатора (J) и възможен резултат (Mj) вектори. Параметрите на функцията на плътността, (θ j m | s), представляват вероятността за реакция индикатор на специфичен отговор, mj към променливата на индикатора j, като се има предвид членството на индивида в клас с. Следователно, ако наблюдаваните показатели, х, и броя на латентните класове, С, са известни, тогава идеята е да се решат параметрите φ = π, θ. Това може да стане чрез следната функция на вероятността за φ: (2) L φ | X = ∏ i = 1 n f i x i; φ. (2)

Параметрите φ могат да бъдат оценени чрез алгоритъма за очакване-максимизация (EM), тъй като членството на индивида в класа е несигурно и по този начин може да се счита за липсващи данни (Dempster, Laird и Rubin 1977). Вероятността за регистрация се определя като: (3) l n L φ = ∑ i = 1 n l n [∑ s = 1 S π s f i | s y i; θ s]. (3)

EM алгоритъмът може да се използва на l n L φ след отпечатване на случайни първоначални оценки на π s и f i | s y i; θ s при байесово изчисление на задната вероятност, всичко в опит да се определят параметрите за членство в класа, φ. Първата стъпка е да се използва байесов подход за определяне на вероятността за членство в класа на този индивид i принадлежи към класа с, предвид наблюдаваното к индикатори: (4) P (s = k | Y i = y i) = α i k = π k ∏ j = 1 J f i j | k (y i j; θ k) = s = 1 S π s f i j | s (y i j; θ s). (4)

На следващо място, прилагането на случайни първоначални оценки дава приблизителна стойност, α ˆ i k 0, за неизвестните вероятности за членство в клас P (s = k | Y = y i, φ 0) = α ˆ i k 0. След тази оценка, втората част на EM алгоритъма е максимизирането на E ln L φ 0 по отношение на φ, при ∑ s = 1 S π s = 1, π s> 0 и s = 1,…, С . Това максимизиране дава максимални оценки на вероятността от π s и θ s за с = 1, ..., С, полезно за преизчисляване на задните вероятности.

Тъй като действителният брой латентни класове, търсещи престиж, е неизвестен, се използват определени критерийни тестове, за да се получи по-точна оценка на С. Като цяло информационният критерий на Akaike (AIC) благоприятства по-големите модели (Akaike 1973), а критерият за байесов информационен критерий (BIC) отчита размера на извадката и предпочита по-скроменните модели (Schwarz 1978), а коригираният BIC (Sclove 1987) са основните методи за оценка на кое ниво на С е най-подходящо. Окончателните задни оценки на вероятността α ˆ i s се използват за сортиране на индивидите в С латентни класове чрез сравняване на най-високите индивидуални специфични задни вероятности. Например индивидуално i има членство в класа к ако α ˆ i k> α ˆ i s за всички с ≠ к.

След това WTP се превръща във функция на присъщите характеристики на продукта и поведенческите характеристики на индивидите, лечения (информация за дегустация или етикетиране) и ефекти от взаимодействието на латентните класове като WTP itj * = fvitj, η, β, θ, S, ε itj, където WTP* itj е скритата стойност на индивида iОферта за лечение т за продукт j, WTPitj е наблюдаваната стойност на офертата, vitj е набор от наблюдавани характеристики на продукта, социално-икономически характеристики и показатели за лечение, η е вектор на случайни прихващания, β е вектор на случайни коефициенти, θ е вектор на постоянни коефициенти, С са латентни ефекти на взаимодействието между класовете и εisj е термин с произволна грешка. Тъй като WTP е цензуриран на нула, моделът се изчислява с помощта на произволни параметри Tobit framework, който е определен като: (5) WTP itj ∗ = a η i + x 1, i β i + x 2, i θ + ε i, (5)

IV. Резултати и дискусия

LCA използва отговори от търсените от престижа показатели за маркетингови мащаби, седмично поведение на упражнения и седмични разходи за плодове и зеленчуци, за да определи редица С съществуващи класове, където С се изчислява за диапазон от 2–9 класа. Информационните критерии (IC) дадоха противоречиви резултати за оптималния брой класове - минималният BIC предлага двукласен модел, докато минимално коригираните BIC и AIC предлагат четирикласен модел. Dziak и сътр. (2012) предполага, че когато интегралните схеми се различават, AIC често е склонна да предпочита голям модел (пренастройване), докато BIC представлява рискове, тъй като често поддържа по-малък модел (недостатъчно оборудване). Противоречивите критерии за избор на модел са ограничение на анализа и тъй като при малки размери на извадката, както в нашия случай, грешката обикновено е недостатъчно подходяща, предпочитаният критерий е този с по-ниски нива на недостатъчно оборудване, в този случай AIC (Dziak et al . 2012 г.).