Penalizing Neural Network and Autoencoder for the Analysis of Marketing Measurement Scales in Service Marketing Applications
Penalizing Neural Network and Autoencoder for the Analysis of Marketing Measurement Scales in Service Marketing Applications
复制标题
惩罚神经网络和自动编码器用于分析服务营销应用中的营销测量量表
DOI：
10.1007/978-3-030-90275-9_3
复制
发表时间：
2021
期刊：
影响因子：
--
通讯作者：
Toshikuni Sato
中科院分区：
文献类型：
--
作者：
Yoshizawa Daisuke;Nakamoto Yuya;and Kagawa Shigemi;Takumi Kato;Ken Miura;Toshikuni Sato
本文讨论了惩罚神经网络，建立了一个稳定的神经网络模型的调查数据测量的传统营销规模。由于神经网络的不可识别性，解释神经网络中估计的隐藏单元和权重通常具有挑战性。社会科学中的因素模型是一种传统的用于分析问卷测量的不可识别模型。因此，许多研究提出了识别条件。相应地，我们提出了惩罚函数，代表标准因子模型的等效识别条件，以减少神经网络的不可识别性和不稳定性。我们将这些惩罚函数应用于自动编码器与电子服务质量尺度数据的实证分析。所提出的方法提供了一个可解释的结果，在理论上是合理的，电子服务质量的规模。在比较惩罚自动编码器与传统因素模型的同时，我们讨论了所提出的方法在服务营销研究中的潜在应用和任务，以进一步探索。
This paper discusses penalized neural networks to establish a stable neural network model for survey data measured by traditional marketing scales. Interpreting estimated hidden units and weights in a neural network is often challenging because of its non-identifiability. Factor models in social science are a traditional non-identifiable model for analyzing questionnaire measurements. Hence, many studies have proposed identification conditions. Accordingly, we propose penalty functions that represent the equivalent identification conditions in standard factor models to reduce the non-identifiability and instability of neural networks. We apply these penalty functions in the empirical analysis of autoencoders with e-service quality scale data. The proposed method provides an explainable result that is theoretically reasonable in that e-service quality scale. While comparing the penalized autoencoder with traditional factor models, we discuss potential applications and tasks of the proposed method in service marketing research for further exploration.
登录
查看更多内容
影响因子：
3
作者：
C. Peeters
通讯作者：
C. Peeters
在数字化和潜在颠覆时代开展专业服务工作
影响因子：
12.4
作者：
F. Pemer
通讯作者：
F. Pemer
营销和消费者行为研究中非线性测量模型的构造验证
DOI：
10.2139/ssrn.3804525
发表时间：
2019
期刊：
SSRN Electronic Journal
影响因子：
--
作者：
Sato Toshikuni
通讯作者：
Sato Toshikuni
使用在线评论数据研究客户体验和属性表现对总体评级的影响：使用神经网络进行非线性估计和可视化
DOI：
--
发表时间：
2019
期刊：
Social Science Research Network
影响因子：
--
作者：
Sato Toshikuni
通讯作者：
Sato Toshikuni
具有潜在狄利克雷分配的可识别主题模型的贝叶斯估计
DOI：
10.2139/ssrn.3721769
发表时间：
2020
期刊：
SSRN Electronic Journal
影响因子：
--
作者：
Sato Toshikuni
通讯作者：
Sato Toshikuni