第二個研究問題，也就是電子化發展的模型分析方式上，本研究將使用定群資 料分析方法（panel analysis）。傳統橫斷面資料所使用的最小平方法估計式（ordinary least squares, OLS）對於同時涵蓋時間與空間面向的資料，會產生相當無效率的估計 結果。而所謂的定群分析，指的是針對同一群觀察對象，重複觀察兩次以上，並將不 同 時 間 點 所 觀 察 到 的 資 料 ， 同 時 放 入 分 析 模 型 當 中 。 相 較 於 橫 斷 面 的 資 料
（cross-sectional data），Hsiao（1986）、Klevmarken（1989）、Frees（2004）、Solon（1989）、 黃紀（2005）認為，定群資料分析可以相當有效地提昇估計的效率、捕捉觀察單位之 間的異質性、減低共線性的影響、提供更多變數之間的因果關係訊息、估計觀察對象 之間的總變量、建立較為複雜的因果模型…等優點，更重要的是，Singer and Willett
（2003: 10）認為僅有一個或甚至兩個時間點，不可能看得出每個觀察對象變化趨勢
101
it kit k it
it i
it
X X X
y ＋
1 1
2 2 ....
的型態（shape），也無法區辨測量誤差（measurement error）與真正的改變（change）。
而這些優點其實也就是過去以迴歸模型分析政府業務電子化解釋因素之相關研究所 缺少的部份。
一般而言，定群資料分析的模型分成固定效果模型（fixed effect model）與隨機 效果模型（random effect model；或稱 random component model）兩類。一個簡單區別 兩者的方法為，固定效果模型是假定每個觀察對象具有一個固定且不同的截距項
（intercept），藉此來捕捉不同觀察對象之間的獨特性，通常用在分析「非抽樣出來的 樣本」之上，只對所分析的資料進行推論。隨機效果模型則假定模型的截距項是一個 隨機的分佈，並且與其他自變數是相互獨立的，通常用在分析「由母體抽樣出來」的 樣本上。上述模型的表示方式為：
(3.1）
其中
y
為依變數，y
it表示不同i=1…..n（觀察國家）在 t=1…T 這個時間點的觀 察值；k=1….K，表示第 k 個自變數，Xkit表示i 國家在 t 這個時間點的 Xk觀察值。ε
it則為誤差項。αi為截距項，若將此截距假定為一個固定的值，則為固定效果模型，若 將此截距視為隨機的分佈，則為隨機效果模型。由於固定效果與隨機效果模型各有其 特色與適用情況，兩者的取捨除了依照所分析樣本的來源、自變數的型態（固定效果 模型無法放入二分型態的自變數）作為簡單判斷的標準之外，也可以用 Hausman 檢 定來做區辨。
除了縱貫性資料的定群分析之外，由於本研究的研究目的之一，是想探討不同 電子化發展速率、不同發展程度的國家，是否受到不同因素的影響而驅動電子化政府 與電子民主參與向上成長的動力，因此，本研究也將透過分量迴歸（quantile regression）
估計方法來嘗試回答這個問題。分量迴歸是Koenker and Bassett（1978）首先提出來 的，它其實是最小平方迴歸的延伸，分量迴歸的特點是不對資料的分配型態做任何的 假設，因此可以依照資料的不同分佈特性做估計，這與最小平方估計方法假設資料必 須為常態分佈不同，此外，分量迴歸是估計自變數在特定「條件分量（百分位數）」
下對依變數所產生的效果，而傳統的最小平方估計法，則是估計自變數對依變數的「條
) ( )
( 1 ) ( 0
p i i p p
y
i
件平均數」（conditional mean）的影響（Hao and Naiman, 2007; 陳建良，2007）。
分量迴歸的模型表示方式為（Hao and Naiman, 2007: 29）：
(3.2) 其中的 0<p<1，指的是分量（百分位數）位置。
Hao and Naiman（2007: 2-3）認為，傳統條件平均數的估計方式至少有三個限制，首 先，它無法擴大解釋到那些不是位於中央分佈下的個案（例如極端值）；其次，這個 模 型 的 假 定 很 難 與 現 實 世 界 所 觀 察 到 的 資 料 相 符 ， 例 如 條 件 變 異 數 齊 一
（homoscedasticity）的假定通常無法捕捉到依變數真正的分佈型態，一些現實世界（尤 其是社會科學）當中常看到的極端值，也常會使得條件平均數估計方法產生很大的偏 誤；最後，社會科學界常對那些發展最佳（或最差）的個案感興趣，但如果以傳統的 估計法來估計，這些個案通常會因為是極端值而被刪除。因此，當樣本分配為不偏分 配時，傳統的條件平均數的估計結果相當正確，最小平方法與分量迴歸的估計結果也 是類似的；但當樣本為左偏或右偏分佈時，兩者的參數估計結果將有很大的差別，此 時將以分量迴歸的估計結果較能符合原先的資料型態。
103