A Factor Analysis Approach to Determine Extrinsic Determinants Influencing Apparel Purchase: A Study based in a Metropolitan City in India
Notice bibliographique
Résumé
Abstract Understanding consumer purchase behaviour is vital in today’s competitive retail environment, particularly in the fast-growing apparel sector of India. The current study investigates the impact of external factors on the buying behaviour within the organized sector of Kolkata, an eastern metropolis in India, utilising the Stimulus–Organism–Response (SOR) model. The study uses Exploratory and Confirmatory factor analyses to extract factors and validate them. Initially, 24 external attributes were identified from past literature, out of which 20 of them were confirmed through a pilot survey. The main survey collected 550 responses, out of which 362 responses were found to be complete and valid for the study. Exploratory factor analysis (EFA) was performed on 253 responses and Confirmatory factor analysis (CFA) on the remaining 109 responses. Seven factors namely, Product Positioning, Shop Locale, Merchandising, Fabric Quality, Aesthetics, Elegance and Durability were extracted and confirmed. Independent t-tests conducted to examine gender-based differences showed disparities across four factors while chi-square tests show multiple statistically significant associations among the factors. The results validate the relevance of the SOR framework in the emerging apparel market scenario of the metropolis, showing a distinct relationship between external triggers, internal assessments and consumer buying intentions. The research provides practical guidance for the apparel marketers, recommending strategic retail approaches. Limitations and future research avenues have been addressed, highlighting the need for multi-city studies and integration of internal factors also.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,004 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».