3.1. Individual characteristicsPrev

3.1. Individual characteristics

Previous empirical studies have developed logit models to investigate the effects of shopping mode attributes, characteristics of consumer shopping behavior on Internet shopping (Koppelman et al., 1991, Koyuncu and Bhattacharya, 2004 and Bhatnagar and Ghose, 2004). Following the formulation of logit models in literature, this study applies a binary logit model to determine consumer choice probabilities for both Internet and conventional shopping. Let Ux,k(t, j) represent the total utility of consumer x who orders goods in zone j at time t via shopping mode k. Furthermore, Ux,k(t, j) = Vx,k(t, j) + εx,k, where Vx,k(t, j) denotes the deterministic component, and εx,k denotes a random utility component representing the unobservable or immeasurable factors of Ux,k (t, j). Supposing that all εx,k are independent and identically distributed as a Gumbel distribution,1 then the probability of choosing shopping mode k can be estimated using the binary logit model ( Ben-Akiva and Lerman, 1985). Let subscripts TS and R denote Internet shopping and conventional shopping, respectively, and the choice probability of choosing Internet stores for consumer x in zone j at time t, Px,TS(t, j), can then be estimated as:

ผลลัพธ์ (ไทย) 1:

3.1. แต่ละลักษณะศึกษาเชิงประจักษ์ที่ก่อนหน้านี้มีพัฒนาแบบจำลอง logit การตรวจสอบผลกระทบของการช้อปปิ้งโหมดแอตทริบิวต์ ลักษณะของผู้บริโภคค้าลักษณะการทำงานบนอินเทอร์เน็ต (Koppelman et al. 1991, Koyuncu และตฤณา กุล 2004 และ Bhatnagar และ Ghose, 2004) ตามสูตรของแบบจำลอง logit ในวรรณคดี ศึกษาครั้งนี้ใช้แบบจำลอง logit ไบนารีเพื่อตรวจสอบน่าจะเลือกบริโภคทั้งอินเทอร์เน็ตและทั่วไป ให้ Ux (t, j) k แสดงถึงอรรถประโยชน์รวมของผู้บริโภคเท่าที่สั่งสินค้าในโซน j ที่เวลา t ผ่านช้อปปิ้งโหมด k นอกจากนี้ Ux (t, j) k = Vx (t, j) k + εx, k ที่ Vx, k (t, j) หมายถึงส่วนประกอบ deterministic และ εx, k หมายถึงส่วนประกอบโปรแกรมอรรถประโยชน์การสุ่มแสดงปัจจัย unobservable หรือเงินก้อนของ Ux (t, j) k ถ้าทั้งหมด εx, k เป็นอิสระ และกระจายเหมือนกันเป็นการกระจาย Gumbel, 1 แล้วความน่าเป็นของการเลือกช้อปปิ้งโหมด k สามารถจะประเมินโดยใช้รูปแบบ binary logit (Akiva เบนและเลอร์แมน 1985) ตัวห้อยให้ TS และ R แทนอินเทอร์เน็ตช้อปปิ้งและทั่วไปช้อปปิ้ง ตามลำดับ และความน่าเป็นทางเลือกของการเลือกอินเทอร์เน็ตเก็บสำหรับผู้บริโภค x ในโซน j ที่เวลา t, Px, TS (t, j), แล้วความเป็น:

ผลลัพธ์ (ไทย) 2:

3.1 ลักษณะของแต่ละบุคคล

ก่อนหน้าการศึกษาเชิงประจักษ์ได้มีการพัฒนาแบบจำลองโลจิตเพื่อศึกษาผลของการช้อปปิ้งแอตทริบิวต์โหมดลักษณะของพฤติกรรมการช้อปปิ้งของผู้บริโภคในการช้อปปิ้งทางอินเทอร์เน็ต (Koppelman et al., 1991 Koyuncu และ Bhattacharya 2004 และ Bhatnagar และ Ghose, 2004) ต่อไปนี้สูตรของแบบจำลองโลจิตในวรรณคดีการศึกษาครั้งนี้ใช้รูปแบบไบนารี logit เพื่อตรวจสอบความน่าจะเป็นทางเลือกของผู้บริโภคสำหรับทั้งอินเทอร์เน็ตและแหล่งช้อปปิ้งทั่วไป ให้ Ux, K (T, J) เป็นตัวแทนของยูทิลิตี้รวมของผู้บริโภค X ที่ยอดสั่งซื้อสินค้าในเขต J ที่เวลา t ผ่านโหมดการช้อปปิ้ง K นอกจากนี้ Ux, K (T, J) = Vx, K (T, J) + εx, K, ที่ Vx, K (T, J) หมายถึงองค์ประกอบที่กำหนดและεx, K หมายถึงองค์ประกอบยูทิลิตี้สุ่มตัวแทนสำรวจ หรือปัจจัยมากมายของ Ux, K (T, J) เผื่อว่าที่εxทั้งหมด K มีความเป็นอิสระและกันกระจายเป็นกระจายกัมเบล 1 แล้วน่าจะเป็นของการเลือกโหมดการช้อปปิ้ง K สามารถประมาณโดยใช้รูปแบบไบนารี logit (เบน Akiva และ Lerman, 1985) ปล่อยให้ห้อย TS และ R หมายถึงการช้อปปิ้งอินเทอร์เน็ตและการช้อปปิ้งแบบเดิมตามลำดับและความน่าจะเป็นทางเลือกในการเลือกร้านค้าอินเตอร์เน็ตสำหรับผู้บริโภคในเขต x J ที่เวลา t, PX, TS (T, J) จากนั้นจะสามารถประมาณเป็น:

ผลลัพธ์ (ไทย) 3:

3.1 . ลักษณะบุคคลการศึกษาเชิงประจักษ์ก่อนหน้าได้พัฒนาแบบจำลองโลจิตเพื่อศึกษาผลของการช้อปปิ้งคุณลักษณะโหมด ลักษณะของพฤติกรรมการซื้อของผู้บริโภคในการช้อปปิ้งอินเทอร์เน็ต ( koppelman et al . , 1991 , koyuncu และ bhattacharya 2004 และ bhatnagar และ ghose , 2004 ) ตามสูตรของแบบจำลองโลจิตในวรรณกรรม การศึกษานี้ใช้แบบจำลองโลจิตแบบไบนารีเพื่อตรวจสอบการเลือกของผู้บริโภคความน่าจะเป็นทั้งอินเทอร์เน็ตและช้อปปิ้งตามปกติ ให้ ux , K ( T , J ) เป็นตัวแทนของทั้งหมดประโยชน์ของผู้บริโภค x ที่สั่งซื้อสินค้าในโซน J ที่เวลา t ผ่านช้อปปิ้งโหมด K . นอกจากนี้ , ux , K ( T , j ) = VX , K ( T , J ) + ε X , K , ที่ VX , K ( T , J ) หมายถึง องค์ประกอบเชิงกำหนดและε x , K หมายถึงอรรถประโยชน์ส่วนสุ่มแทน unobservable หรือมากมายปัจจัยของ ux , K ( T , J ) สมมติว่าε x , k เป็นอิสระและกันกระจายเป็นความถี่การแจกแจงความน่าจะเป็นของ K 1 แล้วเลือกโหมดช้อปปิ้ง สามารถประเมินโดยใช้แบบจำลองโลจิท ไบนารี ( เบน วา และ เลอร์แมน , 1985 ) ให้ subscripts TS และ R แทนอินเทอร์เน็ตช้อปปิ้งและแหล่งช็อปปิ้ง ปกติตามลำดับ และความน่าจะเป็นของการเลือกร้านค้าอินเทอร์เน็ตสำหรับผู้บริโภค x ในโซน J ที่เวลา t , PX , TS ( T , J ) จากนั้นจะสามารถประเมินเป็น :