Exploring the influence of social media and materialism on impulsive real estate buying decisions among young immigrants in Canada
Notice bibliographique
Résumé
Purpose The purpose of this paper is to study the impact of social media and materialism on impulsive buying decisions and real estate. Furthermore, the paper examines whether social media correlates with materialism and provides insights that will facilitate a better economic climate. Design/methodology/approach The data for the study was collected using an online survey circulated among young immigrants in Canada. A five-point Likert scale was used, followed by structure modeling to test the hypothesis. Findings The findings reveal how impulsive buying behaviors are influenced by materialism and social media among young immigrants. The data support two hypotheses since it confirms that social media affects the amount of materialistic wants possessed by respondents and that the higher their levels of materialism, the more likely they are to make impulsive buying decisions, especially when it comes to buying real estate. Research limitations/implications As the data was limited to Canada, the findings are limited to this region and could vary across geographic regions. The age group was not considered as a huge factor as minors do not always have the purchasing power in terms of housing. Practical implications Materialism, social media and impulsive buying may not always lead to purchasing a home spontaneously. However, one must still consider their financial situation before purchasing anything. The findings in this paper will help customers and consumers of social media to understand what truly drives impulsive buying, resulting in unnecessary purchases. Originality/value To the best of the authors’ knowledge, this is the first study to examine the factors affecting impulsive real estate buying decisions among young immigrants in Canada, including social media and materialism.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,006 | 0,002 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».