Partial least squares structural equation modeling-based discrete choice modeling: an illustration in modeling retailer choice

Quelle

Forschungsfrage / Summary

Methode und Evidenzqualität

Key Findings

• PLS-SEM liefert ähnliche Vorzeichen und Koeffizienten wie Conditional Logit.

• Wichtigste Treiber der Wahl waren Staff Product Knowledge und Stock Availability.

• Attributgewichte können in PLS-SEM direkt interpretiert werden.

• Unterschiede zwischen Verfahren waren klein.

Effektgrößen / Outcomes

• Mean absolute difference between conditional logit and rescaled PLS-SEM total effects: 0.019

• Staff product knowledge importance: 18.22% conditional logit vs. 14.20% PLS-SEM

• Stock availability importance: 15.90% vs. 18.38%

• Outcomes: binary retailer choice, importance weights of attributes, rescaled total effects of attribute levels, comparability of PLS-SEM and conditional logit estimates

Conversion-Implikationen

• PLS-SEM kann helfen, handlungsrelevante Attributtreiber von Wahlentscheidungen zu priorisieren.

• Nützlich für Angebots-, Vertrauens-, Verfügbarkeits- und Service-Signale in Conversion-Research.

• Latente Scores können Segmentierung und Prediction unterstützen.

Limitationen

• Nur eine illustrative Anwendung in spezifischem Retail-Kontext.

• Keine psychologische Kausalstudie, sondern Methodendemonstration.

• DCE-Daten nicht perfekt orthogonal.

• Keine externe Validierung über weitere Kategorien.

Verknüpfte Konzepte

• Uncertainty Reduction

• Cognitive Load

Unterstützte Claims