因素分析

45

表3.7 專利指標與專利價值關係之文獻與基本假設(續)

專利指標 專利指標與專利價值關係之文獻 基本假設

訴訟前被 引證數

Narin et al.【36】提出專利被引證的次數越多，其 專利價值越高。

專利被其他 專利引證數 越多，其專 利 價 值 越 高。

全球專利 家族數

美國專利 家族數

Jonathan A. Barney【24】的發現中，專利家族數 目被訴訟之專利有較多之專利家族數目，由於申 請專利時容許申請者申請無上限之連續案，以有 效地說服審查員通過專利申請。申請者亦可申請 部分連續案以增加新的發明或資訊，來鞏固原有 專利之申請，亦可將原有發明拆成兩個以上之發 明，以分割案申請。即公司重視之發明，必定會 花更多成本來獲得專利。

專利家族數 目越多，其 專利價值越 高。

資料來源：本研究整理

46

2 2

0

2 5 ( 1)

( 1) ln ~ ( )

6 2

n n n

p R

χ

= −^⎡⎢⎣ − − ^{+ ⎤}⎥⎦

χ

⁻ (3.2.1)

若 ₀^{2 2} ( 1)

( )

2

n n

χ

≥

χ

α ⁻ 則 拒 絕 虛 無 假 設，既 可 做 結 構 化(因 子 分 析 )。

KMO指標計算原理為：所有變數之偏相關與經抽出共同因子後之變數偏 相關值之差距，KMO 數值介於0與1之間，數值愈靠近1，表示變項的相關愈 高，愈適合進行因素分析，數值愈靠近0，表示變項的相關愈低，愈不適合進 行因素分析。若KMO值>0.5則適合進行資料縮減，KMO值<0.5則不適合進行 資料縮減。KMO值說明如表3.8。

表3.8 各範圍 KMO 值程度說明

KMO值 解釋

>0.90 極佳 0.80~0.89 良好 0.70~0.79 中度 0.60~0.69 平庸 0.50~0.59 粗劣

<0.50 無法接受 資料來源：本研究整理 二、因素個數的選擇

在 選 取 因 素 個 數 的 過 程 中 ， 為 找 尋 共 同 因 子 ， 先 以 各 變 數

1, 2,..., _n

X X X 所估計的相關矩陣 R ，且樣本的資料型態

11 12 1

21 22 2

1 2

n n

p p pn

X X X

X X X

X

X X X

⎛ ⎞

⎜ ⎟

⎜ ⎟

= ⎜ ⎟

⎜ ⎟

⎜ ⎟

⎝ ⎠

L L

M M M M

L

(3.2.2)

其中 p 代表樣本數，n代表變數數目，利用因素分析中的主成份法，令

R

=

XX ′

(3.2.3)

47

即為原始變量之相關係數矩陣，R 的特徵值為行列式 det(

R

−

λ I

) 0= 的根，特 徵值為

λ λ

₁, ,...,₂

λ

_n，其中

λ

₁ ≥

λ

₂ ≥L≥

λ

_n，而共同因子數目選擇方法主要有 兩種，第一種以 Kaiser(1960)的標準，保留特徵值大於 1 的主成份來選取因 素個數；第二種方法選取因素個數以特徵值比例選取，即

1 2

1

0.7

m n

i i

λ λ λ

λ

=

+ + +

∑

≥

L (3.2.4)

因為

F

=( , ,...,

F F

_{1 2}

F

_n)，由此選擇m個共同因子

F F

₁, ,...,₂

F 。

_m 三、因素轉軸

轉軸法使因素負荷量易於解釋。進行轉軸之後，會導致變項在每個 因素的負荷量變大或變小，而非原先每個因素負荷量均等的情況。最大 變 異 法(Varimax) 、 四 次 方 最 大 值 法 (Quartimax) 、 相 等 最 大 值 法 (Equamax)、直接斜交轉軸法(Direct Oblimin)、Promax 轉軸法，前三者屬 於「直交(正交)轉軸法」(Orthogonal Rotations)，在直交轉軸法中，因素 與因素之間沒有相關，因素軸之間的夾角等於90 度；後兩者屬於「斜交 轉軸」(oblique rotations)，表示因素與因素之間彼此有某種程度的相關，

因素軸之間的夾角不是90 度。

轉軸的主要目的是協助因素更具有實質意涵的解釋模式，亦即達成

「簡化結構」(simple structure)的原則，最常使用的方法為正交轉軸 (orthogonal rotations)，原因為結果簡單，易於解釋，認為因素之間沒有相 關性存在。本研究為了使每個變數的因素負荷能在一個因素下顯著，因 此在選取上要求轉軸後的因素負荷量為正值且由最大的先決定，再比較 因素中各變數的負荷程度來加以選取。

四 、 因 素 分 析 主 成 份 法

主成分分析法主要作為訂定指標的依據，它是對多個變數決定各變 數權重而成加權平均，依此訂出總指標。主成分分析法是由Pearson(1901) 提出，再由 Hotelling (1933)加以發展的一種方法。主成分分析能將資料 簡化，將多個有相關的變數簡化成少數的主成分，且經由線性組合而得

48

的主成分能保有原來變數最多的資訊，即主成分有最大的變異數。

主 成 分 分 析 將 多 個 有 相 關 的 變 數 簡 化 為 少 數 沒 有 相 關 的 主 成 分 ，經 由 樣 本

x

₁

, x

₂

, L , x

_n所 估 計 的 相 關 矩 陣 R ，可 得 到 該 矩 陣 的 特 徵 值

λ λ

₁, ₂,_L ,

λ

_n ，則 λ _i 所 對 應 的 特 徵 向 量

α

_i，則

1 1 2 1 1

1 2

1 2

, , ,

n n

n n n n

α α α

α α α

α α α

⎛ ⎞ ⎛ ⎞ ⎛ ⎞

⎜ ⎟ ⎜ ⎟ ⎜ ⎟

= ⎜ ⎟ = ⎜ ⎟ = ⎜ ⎟

⎜ ⎟ ⎜ ⎟ ⎜ ⎟

⎝ ⎠ ⎝ ⎠ ⎝ ⎠

M M L M

(3.2.5)

其 中

α α

_{i i}′ = ，

I R α

_i =

λα

_{i i}。 利 用

α

_i將 x轉 換 成 第 i 個 主 成 份

F ， 轉 換 結 果 如 下 ：

第一主成份為：

F

₁ =

α

_{11 1}

x

+

α

_{12 2}

x

+L+

α

_{1n n}

x

第二主成份為：

F

₂ =

α

_{21 1}

x

+

α

_{22 2}

x

+L+

α

_{2n n}

x

M

第n主成份為：

F

_n =

α

_{n1 1}

x

+

α

_{n2 2}

x

+L+

α

_nn

x

_n

為了達到簡化的目的，通常主成份個數只取最大m個來替代原本的 n個變數，而這m個變數可解釋原始變數變異數的比例為

2 1 2

1 2

m n

R λ λ λ

λ λ λ

+ + +

= + +L+

L (3.2.6)

在文檔中 中 華 大 學 碩 士 論 文 (頁 55-58)