Consumer Purchasing Behaviour Pattern Recognition with Application of Meta-Analysis and Structural Equation Modelling as a Guide to Marketing Strategies for New Energy Vehicles
Notice bibliographique
Résumé
With the proposal of sustainable development of energy, countries begin to develop from fuel vehicles to new energy vehicle market.Firstly, we construct a consumer purchase behavior recognition model based on XG Boost algorithm, simulate the gradient enhancement process of purchase behavior recognition, obtain the approximation value based on function calculation to become the learning target of the overflow value, and at the same time, give higher learning weight to the samples with unsatisfactory accuracy in the last round, and after continuous iteration, gradually correct the purchase behavior recognition bias.According to the number of purchase behavior features identified correctly, the number of features that do not have purchase behavior features, and the number of features that are not identified, invalid users are eliminated to improve the accuracy of the algorithm.The Cronbach's alpha coefficients of the four factors are found to be 0.891, 0.895, 0.813, and 0.800, all of which are greater than or equal to 0.800, indicating that the factors are internally consistent.And the relationship values between the factors and purchase intention are 0.439, 0.406, 0.430, 0.387, which are all greater than 0. Therefore, there is a prominent relationship between all four dimensions of consumer purchase behavior factors and consumption impulse, and the identification of purchase behavior patterns has a guiding role in electric energy vehicle marketing strategy.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 ».