第三章 研究方法
3.2 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 02 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, ,...,2λ
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 2F
n),由此選擇m個共同因子F F
1, ,...,2F 。
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 1x
+α
12 2x
+L+α
1n nx
第二主成份為:F
2 =α
21 1x
+α
22 2x
+L+α
2n nx
M第n主成份為:
F
n =α
n1 1x
+α
n2 2x
+L+α
nnx
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)