为了更加准确地衡量产品评论的口碑效应，一些学者开始尝试利用情感分析技术进行评论挖掘。在现有相关研究中，主要使用粗粒度情感分析方法判断产品评论的整体情感极性，进而讨论产品评论的正、负面情感对销量的影响。

Ghose等[118]利用LingPipe对音频/视频播放设备和数码相机的评论进行粗粒度情感分类，并且采用线性回归方法，研究产品评论的正、负面情感与音频/视频播放设备以及数码相机的销售排名的相关关系。实证研究的结果表明，产品评论的正、负面情感显著地影响音频/视频播放设备的销售排名，但是对数码相机的销售却没有显著的影响。

Antweiler和Frank[119]利用朴素贝叶斯分类器对股票评论进行粗粒度情感分类，并且以在线股评数量和股评反映的“投资情绪”为解释变量，建立了线性回归模型，以此研究股评对股票交易量和波动率等指标的影响。通过变量之间的相关性分析发现，正、负面情感的在线股评对股市都具有一定的影响力。

Mishne和Glance[120]利用Winnow对电影评论进行粗粒度情感分类，并采用Pearson's R-correlation方法探讨电影首映之前的好评数量与票房成功的相关性。实证研究的结果表明二者之间具有较强的相关性，但是这种相关性不足以用来预测票房。

Das和Chen[121]利用Naïve Classifier（NC），Vector Distance Classifier（VDC），Discriminant-based Classifier（DBC），Adjective-Adverb Phrase Classifier（AAPC）和Bayesian Classifier（BC）等多种分类器的组合对股票评论进行粗粒度情感分类。在此基础上，建立线性回归模型衡量前一天在线股评所反映的“投资情绪”与股票总指数的相关性。实证研究的结果显示二者显著正相关，但是对于单个公司而言，这种关系并不成立。

Liu等[122]利用潜在语义分析方法对电影评论进行粗粒度情感分类，并且建立票房收入的回归模型。实证研究的结果表明，在加入产品评论的正、负面情感变量以后，提高了回归模型对第二期票房收入的预测能力。(www.daowen.com)

Ye等[123]利用LingPipe对酒店评论进行粗粒度情感分析，并且建立酒店评论对销售的线性回归模型。实证研究的结果反映了酒店评论的正、负面情感对于其在线销售具有显著的影响，并且酒店对旅客评论的在线答复可以对经营起到显著的正向促进作用。

Law等[104]对携程网的酒店评论进行了粗粒度情感分析，并且利用线性回归模型研究酒店评论对房间预订量的影响。实证研究的结果表明，酒店评论的情感极性对房间预订量具有显著的影响。

Archak等[124-125]认为应当提取产品特征及其观点作为评价短语，将其引入产品销量的计量模型中，分析用户对不同产品特征的评价对销售排行的影响。他们采用基于众包（Crowdsourcing）的方法，通过亚马逊提供的Amazon Mechanical Turk（AMT）平台雇佣人力，对评论中的产品特征和评价观点进行人工识别与打分，并且提取前20对特征观点对作为评论的样本数据。

卢向华等[126]针对大众点评网的餐馆评论与餐馆营业收入的关系进行实证研究。结果表明餐馆评论的数量、评分以及负面点评率对餐馆的营业收入有显著的影响。除此之外，价格的调节作用也确实存在，例如对于高价位的菜式而言，评论评分的边际重要性较高。并且随着价位进一步提高，评论数量对营业收入的边际效应会大幅度地递减，甚至最后变为负面影响。

此外，还有部分学者从产品评论的有用性以及不同产品类型等角度出发，研究产品评论与销量的关系。例如，Forman等[127]采用亚马逊网站的图书销售排名替代销量进行回归分析，结果表明，评论者信息披露与评论的有用性对图书销量起到正面的促进作用。Jung Lee和Jae-Nam Lee[128]探讨了产品评论对不同类型产品销售的影响。结果表明，对于有统一评价标准的产品，产品评论将有利于用户对产品进行纵向比较，从而做出最佳选择；而对于评价标准各异的产品，产品评论只能为用户提供产品的相关信息，从而帮助其做出最合适的选择。