Social Networks Marketing, Value Co-Creation, and Consumer Purchase Behavior: Combining PLS-SEM and NCA
Notice bibliographique
Résumé
Given the mediating role of value co-creation, this paper tries to demonstrate how social network marketing (SNM) could influence consumer purchase behavior (CPB). The proposed hypotheses are empirically tested in this study using a PLS-SEM and Necessary Condition Analysis (NCA) method combination. The novel methodology adopted in this study includes the use of NCA, IPMA matrix, permutation test, CTA, and FIMIX. The assessment of the outer model, the inner model, the NCA matrix, and the IPMA matrix are the four steps that the paper takes. Instagram users with prior experience making purchases online made up the statistical population of the study. Four hundred twenty-seven questionnaires were analyzed by SmartPLS3 software. Based on the findings, SNM positively and significantly influenced economic, enjoyment, and relational values. Furthermore, these three types of values significantly and directly influenced CPB. For CPB, the model accounted for 73.8% of the variance. The model had high predictive power because it outperformed the PLS-SEM benchmark for all of the target construct’s indicators in terms of root mean square error (RMSE). According to the NCA’s findings, SNM, economic, recreational, and relational values are necessary conditions for CPB that are meaningful (d ≥ 0.1) and significant (p < 0.05). Four prerequisites must be met for CPB to reach a 50% level: relational value at no less than 8.3%, enjoyment value at no less than 16.7%, economic value at no less than 33.3%, and SNM at no less than 31.1%. The highest importance score for SNM is shown to be 0.738, which means that if Instagram channels improve their SNM performance by one unit point, their overall SNM will also improve by 0.738.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».