A Meta‐Analysis of Influencers of Automobile Purchase Intention of Customers and Evolution of the Automobile Consumer Behavior From TCB
Notice bibliographique
Résumé
Several studies have explored the antecedents of automobile purchase intention (API) of customers across different geographical regions of the world. These have, however, come up with contradictory findings about the polarities of effects of some antecedents, as well as about some of their differences across countries. We were motivated by these contradictions and differences to carry out a meta‐analysis on API. In the study, we considered articles from peer‐reviewed databases such as Google Scholar, Web of Science, Scopus, ScienceDirect, and Wiley. Our study and analysis of the full texts of 136 articles yielded 64 antecedents. The specific polarity of effect (positive or negative) on API is established for 59 of these antecedents, whereas the same remained undetermined for the rest five. We identified these as research gaps, the areas yet to be convincingly explored. Furthermore, based on the absence of publication bias and the 95% CI of impact not crossing the line of null effect, we enlisted 20 antecedents spread across the different stages of the automobile purchase decision process, which we propose to add to the theory of consumer behavior as the automobile consumer behavior (TACB). Our study can help managers to better understand consumer behavior in terms of the discovered antecedents, especially those having a higher impact at a particular stage of the process, and can result in better business decisions.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».