h3：差評對銷量有反向影響力，差評量越多，購買量越低。
3、回歸分析模型
在研究線上評論與銷量關係時，很可能會產生遺漏相關變量的問題。在回歸模型中，遺漏重要的相關變量是導致內生性的主要原因。影響產品銷量的可能並非是網絡口碑效應，而是其它一些因素，如質量等。Duan等在控製內生性後，發現僅有評論數量顯著影響電影票房收入，而評論效價的影響並不顯著。
基於上述考慮，本文將采用麵板數據，通過固定效應模型進行分析，以此來控製由遺漏變量而產生的內生性影響。具體的回歸模型設定如下：
lnit=α0+α1lnposit+α2lnmodit+α3lnnegit+α4lnaddit+
α5lnimait+α6vieit+α7scoit+？滋i+？著it
下標i=1，…N代表，t=1，…N代表時間。？滋i為以 為單位的固定效應，用於控製“質量”等非觀測效應的影響。lnpos為好評數量；lnmod為中評數量；lnneg為差評數量；lnadd為追評數量；lnima為用圖片表示的評論數量；lnvie 為瀏覽量；lnsco 為評分。我們對上述的因變量和自變量均進行了對數變換。除了因為排名取自然對數後與銷量線性相關以外，這樣做還有兩點好處。一是數據的對數化壓縮了變量的量綱，控製了離群值的影響。在我們的樣本中，有的有上萬條消費者評論，所以有必要對其進行對數變換。二是將潛在的非線性關係變為線性關係，使得回歸模型的結果更加穩健。經過對數變換後，回歸係數的估計值為彈性，即自變量的變化率對因變量變化率的影響。
二、數據收集與分析
1、數據收集
本文采用淘寶網數據，以2014年4月15日到2014年5月5日期間消費者在鞋類和服裝類產品的消費評價記錄做為網絡口碑對在線銷售影響的研究樣本，找出了影響網絡口碑的變量，如：好評、中評、差評、追評、圖片、交易數量、遊覽量主星級等數據，共有250條評論數據。
2、回歸分析
由於在模型中假設非觀測效應？滋i與多個線上評論變量相關，所以采用固定效應模型而非隨機效應模型來進行回歸分析。考慮到線上評論的影響與消費者的購買行為在時間上可能存在一定的先後順序，用同期的因變量和自變量進行回歸，以檢驗回歸結果的穩健性。
首先從表1可以看出，F值為84.778，較大，且其對應的顯著概率遠遠小於0.05，因此可以推斷回歸方程成立。然後根據表2所示，在0.05顯著水平條件下，追評和好評沒有通過檢驗，假設1不成立，表明追評和好評對銷量沒有顯著影響。中評、圖片、瀏覽量與評分的係數是正向顯著的，說明假設2和假設3都成立，其中中評的係數最大，再依次是瀏覽量、評分、圖片；差評的係數為負數，說明差評數量與銷售量之間呈反方向變動，差評量越多，銷售量就越小。它們的關係如下麵的模型框架回歸方程所示：
lnit=-406.655+0.595lnmodit-0.508lnnegit+0.173lnimait+
0.334vieit+0.197scoit+？滋i+？著it
三、結論與營銷建議
1、結論
以淘寶網評論的大樣本麵板數據，通過建立計量模型，對線上評論信息與銷量的關係進行了實證分析，研究發現中評數量、圖片數量、瀏覽量與評分分數對銷量有顯著的正向影響，差評分數會負向影響產品銷量。