Divatos ételek: az élelmiszer-vásárlások társadalmi helyzetének látens osztályelemzése

Eredeti cikkek

Teljes cikk
Ábrák és adatok
Hivatkozások
Idézetek
Metrikák
Engedélyezés
Újranyomtatások és engedélyek
PDF

ABSZTRAKT

Keretezett terepi kísérletet látens osztályú ökonometriai megközelítéssel kombinálva alkalmazták annak megvizsgálására, hogy a presztízskereső magatartás hogyan befolyásolja az ételválasztást. Javaslunk egy elméleti keretet a speciális élelmiszerek szembetűnő fogyasztásának tesztelésére. A hipotézist empirikusan teszteljük azáltal, hogy az egyéneket nem megfigyelt látens osztályokba soroljuk általános presztízskereső magatartásuk szerint. Bizonyítékot találunk a presztízs által vezérelt élelmiszer-fogyasztásra a társadalmi státus szimbólumává válásig. Úgy tűnik, hogy a presztízskereső magatartást az motiválja ravasz összehasonlítás vagy magasabb osztályú egyének, akik meg akarják különböztetni magukat az alacsonyabb osztályú személyektől; és pénzbeli utánzás, vagy alacsonyabb osztályú egyének, akik rangos árukat vásárolnak, hogy magasabb osztály tagjaiként érezhessék őket. E tanulmány megállapításai azt mutatták, hogy a címkézési attribútumok megkülönböztetésének hatása nagyobb hatással volt a presztízskereső magatartású osztályokba sorolt egyénekre, hogy elérjék az emelkedett társadalmi státuszt.

[„Mondd meg, mit eszel, és én elmondom neked, mi vagy”, Brillat-Savarin].

I. Bevezetés

Online közzététel:

1. ábra Fogyasztói árindex kiválasztott élelmiszer-kategóriákhoz (1982–1984 = 100).

Forrás: Munkaügyi Statisztikai Hivatal.

1. ábra Fogyasztói árindex kiválasztott élelmiszer-kategóriákhoz (1982–1984 = 100).

Forrás: Munkaügyi Statisztikai Hivatal.

E cikk általános célja, hogy betekintést nyújtson a fogyasztók körében a figyelem nélküli preferencia-heterogenitás forrásaiba, és megvizsgálja a fogyasztók presztízskeresési tendenciáinak és az élelmiszerek piacképes tulajdonságaihoz, különösen az információk címkézéséhez és ízéhez fűződő értékelése közötti kapcsolatot. Ennek elérése érdekében az egyéneket tekintet nélküli fogyasztói magatartásuk alapján nem megfigyelt látens osztályokba soroljuk.

Hozzájárulunk a szakirodalomhoz azzal, hogy elméleti keretet adunk annak tesztelésére, hogy a fogyasztók a speciális élelmiszer-ipari termékek fogyasztásából származnak-e állapotjóvá. A hipotézist empirikusan teszteljük azáltal, hogy az egyéneket ökonometriai szempontok szerint nem megfigyelt látens osztályokba soroljuk általános presztízskeresési magatartásuk szerint. Az osztálytagságot ösztönző tényezők érzékenységének csökkentése érdekében az osztálytagság meghatározásához jól ismert és validált marketing skálát használtak, amely a válaszadók presztízséhez és társadalmi státuszának előtérbe helyezéséhez való viszonyulásán alapult. A cikk többi része a következőképpen folytatódik. A II. Szakasz ismerteti a kísérleti eljárásokat. A III. Szakasz az elméleti keretet mutatja be. A IV. Szakasz bemutatja az eredményeket és a megbeszéléseket. Az V. szakasz összefoglalja és befejezi.

II. Kísérleti eljárások

Összesen 201 résztvevő (nem diák) egy közepes méretű városból, egy nagy egyetemi campuson vett részt a vizsgálatban 2014 februárjában. Kilenc foglalkozás volt, átlagos részvételi arány n = 22-ig n = 25 tantárgy munkamenetenként. Míg a főiskolai hallgatókkal teli mintacsoport felvétele kényelmes és olcsóbb lehetett, a toborzási folyamat során az egyik cél az volt, hogy vonzanak egy olyan mintát, amely reprezentatív volt az élelmiszer-vásárlók számára. Ennek érdekében a kísérleteket megelőzően egy helyi újságban egy sor hirdetést adtak ki, és e-mailben leveleztek a potenciális érdekelt felekkel. Érkezéskor a résztvevőket bejelentkeztették, és felkérték őket, hogy olvassák el és írják alá a beleegyező nyilatkozatot. A beleegyező űrlapot aláíró személytől függően legközelebb leültették őket, és megadták nekik az anonimitást biztosító résztvevői azonosító számot, a kérdőívet tartalmazó részvételi csomagot és az aukciós eljárások leírását.

Az egyes csoportok kezelését követően az egyes foglalkozások két zöldség aukciós fordulójának egyikét véletlenszerűen választották kötelezőnek, és az adott fordulóban lévő kötőtermékre vonatkozó ajánlatokat a legmagasabbtól a legalacsonyabbig rendezték. Második árú Vickrey aukciós mechanizmust alkalmaztak, amelyben a legmagasabb ajánlatot tevő vevő lett és a termék piaci árát (ami a második legmagasabb ajánlat volt) fizette (Vickrey 1961). A résztvevők tudomásul vették, hogy a zöldségárverési körök kötelezőek, és ha vevővé válnak, a piaci árnak megfelelő összeget levonnak a 30 dolláros kompenzációs díjukból, és megkapják a kötelező terméket, amelyet hazavihetnek.

Amíg a zöldségárverések vevő- és piaci árát meghatározták, az alanyok minden ülésen kitöltöttek egy kérdőívet, amely információkat gyűjtött a demográfiai adatokról (beleértve az életkorot, a háztartás méretét, a jövedelmet, a foglalkoztatást, a családi állapotot, az iskolai végzettséget és a fajt) és a zöldségvásárlást. viselkedés (vásárlási hely, gyakoriság, a tényezők fontossága a saláta vásárlásakor stb.). Ezenkívül a résztvevők skála stílusú kérdésekre válaszoltak, amelyek az egyéni presztízsérzékenységük észleléséhez és a viselkedés kereséséhez kapcsolódtak a validált skálaméret (Eastman, Goldsmith és Flynn 1999). Végül a kérdőív kitöltése után bejelentették a vevőt/vásárlókat, a piaci árat, a kötelező terméket és a kört.

III. Elméleti keret

Annak érdekében, hogy információt szerezzünk a fogyasztók presztízsével kapcsolatos magatartásáról, a kérdőívbe egy kiterjedt validált presztízskeresési skálát vontak be (Eastman, Goldsmith és Flynn 1999). A fogyasztók jelzik, hogy az egyes skálaelemekkel mennyiben értenek egyet vagy nem, vagy jóváhagyják vagy elutasítják. A presztízsérzékenységi skála az árfelfogási skálán belüli alskála, amelyet Lichtenstein, Ridgway és Netemeyer (1993) dolgozott ki és validált, valamint Bearden és Netemeyer (2011) is dokumentált. A presztízsérzékenységi skála segít azonosítani az egyén hajlandóságát árucikkek vásárlására a „kiemelkedés és a státusz érzése érdekében” (Eastman, Goldsmith és Flynn 1999; Lichtenstein, Ridgway és Netemeyer 1993). A résztvevők presztízs skálára adott válaszait egy látens osztályelemzésben (LCA) használják a mintán belüli különböző típusú fogyasztók alcsoportjainak azonosítására és jellemzésére.

Az LCA abból indul ki, hogy egy populációt bizonyos mutatók szerint nem megfigyelt alcsoportokba lehet sorolni. A klasszikus regresszió és a Bayes-elemzés kombinációjával becsüli meg annak valószínűségét, hogy az egy ilyen alcsoportba tartozó egyén, más néven látens osztály, hasonló megfigyelt változók alapján (Lanza, Tan és Bray 2013; Greene 2012). Az egyének fel vannak osztva S látens osztályok s = 1,…, S, számából definiálva j = 1,…, J megfigyelt változók, más néven mutatók. A változóhoz kapcsolódó lehetséges eredmények száma j jelöli Mj az egyének számára i = 1,…, n. A megfigyelhető adatok az egyének énMegfigyelt válaszai a J skála-válasz mutatók és viselkedési változók, amelyeket vektor képvisel Xi = (Xi1,…, XiJ), ahol a Xij néven ismertek m és m = 1,…, Mj. Legyen I x i j = m 1-gyel egyenlő indikátorfunkcióként, ha a mutatóra adott válasz j = m, és különben 0. Egy adott tagsági profilt bemutató valószínűségi sűrűségfüggvény a következő: (1) X i

f i (x i; φ) = ∑ s = 1 S π s f i | s (x i; θ s) = ∑ s = 1 S π s ∏ j = 1 J ∏ m = 1 M j (θ j m | s) I (x i j = m), (1)

ahol az indikátorváltozók eloszlása és paraméterei, X i, megegyezik az egyén valószínűségével én osztály tagságának megszerzése s ∑ s = 1 S π s, szorozva a kapcsolódó feltételes valószínűségi sűrűségfüggvénnyel (f i | s x i; θ s) minden osztályra. A sűrűségfüggvényt tovább definiáljuk a mutató szorzataként (J) és a lehetséges eredmény (Mj) vektorok. A sűrűségfüggvény paraméterei (θ j m | s) egy adott válasz indikátor-válasz valószínűségét képviselik, mj az indikátor változóra j, tekintettel az egyén osztálytagságára s. Ezért, ha a megfigyelt mutatók, x, és a látens osztályok száma, S, ismertek, akkor az ötlet a φ = π, θ paraméterek megoldása. Ez a lik következő valószínűségi függvényével végezhető el: (2) L φ | X = ∏ i = 1 n f i x i; φ. (2)

A φ paramétereket az elvárás – maximalizálás (EM) algoritmus segítségével lehet megbecsülni, mivel az egyén osztálytagsága bizonytalan, ezért hiányzó adatoknak tekinthetők (Dempster, Laird és Rubin 1977). A log-valószínûséget a következõképpen határozzuk meg: (3) l n L φ = ∑ i = 1 n l n [∑ s = 1 S π s f i | s y i; θ s]. (3)

Az EM algoritmus az l n L φ -n használható, miután π s és f i véletlenszerű kezdeti becsléseket nyomtattunk | s y i; θ s a hátsó valószínűség Bayes-számításán, az osztály tagsági paramétereinek meghatározása érdekében, φ. Az első lépés egy bayesi megközelítés alkalmazása az egyén osztálytagsági valószínűségének meghatározására én osztályba tartozik s, tekintettel a megfigyeltre k indikátorok: (4) P (s = k | Y i = y i) = α i k = π k ∏ j = 1 J f i j | k (y i j; θ k) ∑ s = 1 S π s f i j | s (y i j; θ s). (4)

Ezután a véletlenszerű kezdeti becslések alkalmazásával becsült értéket (α ˆ i k 0) kapunk az ismeretlen osztálytagsági valószínűségekre P (s = k | Y = y i, φ 0) = α ˆ i k 0. Ezt a becslést követve az EM algoritmus második része az E ln L φ 0 maximalizálása respect vonatkozásában, ha ∑ s = 1 S π s = 1, π s> 0 és s = 1,…, S. Ez a maximalizálás π s és θ s maximális valószínűség becslést eredményez a s = 1,…, S, hasznos a hátsó valószínűségek újraszámításához.

Mivel a presztízskereső látens osztályok tényleges száma nem ismert, bizonyos kritérium teszteket alkalmaznak a S. Általánosságban elmondható, hogy Akaike információs kritériuma (AIC) a nagyobb modelleket részesíti előnyben (Akaike 1973), a Bayes-i információs kritérium (BIC) pedig a minta nagyságát veszi figyelembe, és inkább a parsimonikus modelleket részesíti előnyben (Schwarz 1978), és a módosított BIC (Sclove 1987) az elsődleges módszerek annak becslésére, hogy melyik szint S a legmegfelelőbb. A végső hátsó valószínűségi becsléseket α ˆ i használják az egyének rendezésére S látens osztályok a legmagasabb egyénspecifikus hátsó valószínűségek összehasonlításával. Például egyéni én osztály tagsággal rendelkezik k ha α ˆ i k> α ˆ i s mindenki számára s ≠ k.

Ezután a WTP-t az egyének belső termékjellemzőinek és viselkedési jellemzőinek, a kezeléseknek (akár kóstolási, akár címkézési információknak) és a látens osztályok interakciós hatásainak függvényévé teszik, mint WTP itj ∗ = fvitj, η, β, θ, S, ε itj, ahol a WTP* itj az egyén látens értéke énAjánlata a kezelésben t termékhez j, WTPitj a megfigyelt ajánlati érték, vitj a megfigyelt termékjellemzők, társadalmi-gazdasági jellemzők és kezelési mutatók összessége, η a véletlenszerű elfogások vektora, β a véletlen együtthatók vektora, θ konstans együtthatók vektor, S a látens osztály kölcsönhatásai, és εisj egy véletlenszerű hiba kifejezés. Mivel a WTP-t nullán cenzúrázzák, a modellt véletlenszerű paraméterekkel becsüljük meg a Tobit keretrendszer segítségével, amelyet a következőképpen határozunk meg: (5) WTP itj ∗ = a η i + x 1, i β i + x 2, i θ + ε i, (5)

IV. Eredmények és vita

Az LCA a presztízskereső marketing skála mutatóinak, a heti testedzési magatartás, valamint a heti gyümölcs- és zöldségkiadások válaszait felhasználva meghatározta számos S meglévő osztályok, ahol S 2–9 osztályra becsülték. Az információs kritériumok (IC) ellentmondásos eredményeket hoztak az osztályok optimális számához - a minimális BIC két osztályú modellt javasolt, míg a minimálisan kiigazított BIC és AIC négy osztályos modellt javasolt. Dziak és mtsai. (2012) azt sugallja, hogy amikor az IC-k eltérnek, az AIC gyakran inkább egy nagy modellt részesít előnyben (túlillesztés), míg a BIC kockázatot jelent, mert gyakran egy kisebb modellt támogat (alulrepülés). Az ellentmondásos modellválasztási kritériumok korlátozzák az elemzést, és mivel a kis mintanagyságok esetében, mint esetünkben, a hiba általában alulteljesítésű, az előnyben részesített kritérium az alacsonyabb arányú alulbecslés, ebben az esetben az AIC (Dziak et al. . 2012).