因素分析(Factor Analysis)

進行因素分析時需要考慮若干問題如下列四點(Ford et al.，1986)[11]，經 過這幾項分析所做出的結果，每一被選擇因素都有實質性的影響最終解釋分析:

(1) 選擇使用之因素模型：

採用因素分析時，研究人員面臨的第一個決定就是該採用哪種因素模型。因素 分析目前應用上分兩種不同的方法：因素分析和主成分分析，這兩種方法都允許研 究人員，對於研究變數間的差異性分析。與因素分析法近似之主成分分析法

（Principal Components）是有些差異的，因素分析重於分析解釋變數間的關係。

另外，主成份分析與探索性因素分析這二種多變量方法均屬構面縮減技術，其 特因素(specific factor)(丁承，2011)[34]，參考圖 9。

資料來源:本研究整理 圖 9 因素分析概略圖

主成份分析是最基本的構面縮減工具，係以共變數矩陣 (covariance matrix) S 或相關係數矩陣 (correlation matrix) R 為基礎進行分析，所求得的新變數是 原變數的線性組合，滿足各新變數的變異數極大、次大、. . .，且新變數彼此間 無關(uncorrelated) 的條件，這些新變數依其變異數的大小依次稱之為第一主成 份、第二主成份、. . .等(丁承，2011)[34]，參考圖 10。

資料來源:本研究整理 圖 10 主成分分析概略圖

「探索性」與「驗證性」因素分析:

兩者的差異在於前者並未有關聯理論基礎，僅藉由資料所呈現之特性試圖爲相 關性較高之變數萃取其共同因素；後者則係針對已存在之因素結構 (包括共同因素 個數及其所對應之指標變數)，以資料進行實證，此時在統計推論上有更細緻的處 理。在 SAS 中探索性因素分析係採用 PROC FACTOR 參考，驗證性因素分析則採用 PROC CALIS(丁承，2011)[34]。

(2) 決定保留相關因素的個數:

因素分析旋轉之前的結果在絕大部分取決於諸多因素中怎麼樣去保留因素個 數。不幸的是，保留因素的標準是不確定的(Ford et al.，1986)[11]，而在成分 分析(Components Analysis)，使用 Kaiser 準則讓特徵值(Eigen values)大於 1 之因素予以保留，尤其是當樣本數量大於變數其比例為 10:1 較適當。

(3) 選擇主成分分析及因素轉軸方法:

因素模式，每一原始變數皆是共同因素的線性組合加上一誤差項或稱為獨特因 素，線性組合的係數稱為因素負荷量(factor loadings)，因素負荷量矩陣則稱為 pattern matrix (or pattern)，如何決定因素個數並估計因素負荷量是因素分析 的重點，通常我們可採用主成份法(principal component method)與最大概似法 (maximum likelihood method ， 此 時 資 料 須 滿 足 多 變 量 常 態 ) 為 之 ( 丁 承 ， 2011)[34]。

經過主成分法後可得負荷量矩陣，可進一步藉由因素轉軸(factor rotation) 獲致 simple structure 以增進解釋能力，其中最大變異 (varimax)正交轉軸 (orthogonal rotation)法常可達此目的，且又能維持共同因素原有的特性(含共同 因素間無關)，作法上係藉由 PROC FACTOR 中 ROTATE=PROMAX 的指令為之(丁承，

2011)[34]。由以上主成分分析及轉軸後得到結果，可以儲存成另外的資料集(Data Set)供後續回歸、集群、MDS 等分析之所需的資料。

(4) 解釋(Interpretation)因素的解決方案:

因素分析，最終的目標是將分析的眾多變數歸類並定義一個有意義的因素，通 常這是很主觀判別，為了減少其主觀性需有一個規則來加以解釋，常用規則是指定 大於 0.4 的因素負荷量此唯一的變數應視為「顯著」，用來定義該因素採用規則 (Ford et al.，1986)[11]。

2.2.5.2 集群分析（Cluster Analysis）

集群分析法利用已知的分類標準，將欲觀察對象以不同特徵加以集群歸類，歸 類之同一集群內觀察對象彼此特徵相似度越接近越好，而不同類別之集群異質性越 高越好。而常見集群分析的方法，可分為兩大類，4 種基本方法(Gatignon，

2003)[12]：

階層式集群方法（hierarchical methods）

(1)單一連結法（single linkage）

(2)質心法（centroid method）

(3)華德最小變異法(Ward's minimum variance method）

非階層式集群方法（non-hierarchical methods）

(4)K 平均數法（k-means methods）

階層式集群方法使用各觀察體間距離或組內差異值比較兩個觀察體最接近合 併為同一集群內，合併後觀察體間距離或組間內差異值再次比較，直到研究觀察體 都被合併到適合的集群內。本研究採華德最小變異法（Ward's minimum variance method），採用此法可得合併後集群內的聯合組內變異量可達到最小差距。

非層次集群方法是將研究者已知（known）或假設（assumed）預先假設群集個 數 k，每個觀察體會依照與每個集群 k 之質心（centroid）最小距離加以比較分配 到最短距離之集群，每個觀察體依照此標準（criterion）驗證直到完全到適合的 集群內。最常使用為 k 平均數法（k-means methods）來分群分類。本研究運用此 法做為分類策略及群標準。

第三章 研究方法

3.1 研究架構

本研究參考紅鯡魚(Herring，2013)[18]及雲端運算期刊(Ulitzer，2012)[33]

選出 146 家上市企業，雲端產業價值鏈相關軟硬體研發、製造及服務商，並經由 (McGraw-Hill，2013)[24]之 S&P compustat 的北美（North America）及全球（Global）

資料庫蒐集財務數據將研究數據以金融風暴(2008 年)為分界點分為前期及後期，

分為此兩期目的，主要是利於了解雲端產業在金融風暴後期發展，因資料量需求暴 增，讓資料儲存量及應用進入另一個新紀元即巨量資料(Big data)，前期是期間為 2005 年到 2008 年月共 4 年，後期 2009 年到 2012 年共 4 年，供本研究之因素及集 群財務數據資料分析。財務數據採用(Tang、Liou，2010)[32]杜邦等式為基礎的理 論框架，擷取出財務指標分析雲端產業在前期及後期間差異分析試圖了解這 8 年間 雲端產業發展概況。

參考杜邦等式及企業財務指標為基礎，探討企業配置資源能力有四個方向，分 別 為 客 戶 關 係 管 理 (Customer Relationship Management) 、 供 應 商 關 係 管 理 (Supplier relationship Management)、智慧財產權管理(Intellectual Property Management)和固定資產管理(Fixed Asset Management)這四大方向供後續因素分 析命名參考，如 2.2.4 章之圖 8。

採用因素分析法(Factor Analysis)將財務指標以 KMO 檢定分析，其分析結果 了解採用變數是否可進行初步因素分析程度，如果檢驗結果不適合，建議刪除或更 換指標直到符合 KMO 檢定條件，經過符合檢定適合因素分析法後之財務指標即適合 進行下一步驟之因素轉軸，以利後續進行因素命名並供後續集群分類命名參考，故 因素分析主要是將本研究「財務指標變數」加以簡化並且得到合理因素解釋。最後，

針 對 本 研 究 採 用 146 家 上 市 企 業 進 行 分 類 ， 使 用 方 法 為 集 群 分 析 (Cluster Analysis)，需要分析可以分類多少集群個數?本研究採華德法最小變異數分析法，

判斷 R-Squared、CCC（Cubic clustering criterion）和 Pseudo-F 結果決定群集 個數之準則，得知適合的分類集群個數，採因素分析之合理因素來做為命名集群的 參考依據，研究架構流程如圖 11 所示。

資料來源:本研究整理 圖 11 研究架構

3.2 資料來源

本研究參考紅鯡魚(Herring，2013)[18]評選出北美、歐洲與亞洲之百大創新 公司雲端運算服務業者及雲端運算期刊(Ulitzer，2012)[33]評選出上百家雲端運 算公司等媒體來源(相元翰，2011)[36]，收集全球雲端產業價值鏈相關企業之軟硬 體供應及製造商共 146 家上市企業，並經由 S&P compustat 的北美（North America）

及全球（Global）資料庫蒐集財務數據，蒐集時間分為前期西元 2005 至 2008 年共 電腦來進行運算，本研究採 SAS 軟體其版本為 9.3。本研究參考(Tang、Liou，

2007)[31]之杜邦等式財務變數分析，並從 S&P Compustat 下載財務指標如下:

 SALE（Sales Turnover Net）：銷售淨額，出售商品所產生的淨收入。

 EBIT :(Earnings Before Interest and Taxes):利息與營業稅前的盈餘，其 公式為 EBIT * (1–t) + 遞延所得稅調整項（若有;但本研究不包含此項）。

 ICAPT（Invested Capital Total）：投入總資本額。

 NOPAT（投入資本報酬率）：利息與營業稅前的盈餘(EBIT)－所得稅費用(TXT)

 ROIC（投入資本報酬率）：ROIC

3.4 資料分析方法

3.4.1 因素分析法（Factor analysis）

因素分析過程中，利用KMO檢定來判斷研究資料之變數是否適合進行因素分析。

KMO是Kaiser-Meyer-Olkin的取樣適當性衡量，當KMO值越大，表示變數間的共同因 素越多，越適合進行因素分析。根據Kaiser的觀點，若KMO＞0.8表示很好

(meritorious)，KMO＞0.7表示中等(middling)，KMO＞0.6表示普通（mediocre）， 若KMO＜0.5則表示不能接受（unaccept）(Gazzaz et al.，2012)[13]，定義如表3 所示。

表 3 KMO 值解釋規則

資料來源:Kaiser(1974)

3.4.2 集群分析法（Cluster analysis）

因素分析中我們研究目的是要將變數項目（本研究為財務指標）加以分類，而 運用群集分析雲端產業觀察體（146 家上市企業）而加以分類進而分析最終的策略 集群命名及分析。本研究採兩階段法，第一階段為階層式分層法(Hierarchical) 之 華 德 (Wards) 最 小 變 異 法 ， 決 定 群 組 個 數 。 第 二 階 段 為 非 階 層 式 法 (Nonhierarchical)，運用 K-means 進行群集命名及分析。

3.5 財務指標之敘述性統計

敘述性統計分析主要目的，是要將原始資料加以組織、彙整並描述其特性，從 而使資料有系統的呈現出來。敘述性統計分析欲了解分析資料「中央趨勢情況」可 採平均數、中位數與眾數用以表示資料的中心位置，但中位數與眾數缺點為容易受 到極端值(extreme value)的影響或研究資料排列當中資料漏掉幾筆時，中位數即 失去代表性，如有資料呈現分散情形將會影響分析結果。本研究將對於資料離散程 度、形狀及對稱分配、常態分配作其敘述性統計分析。

3.5.1「檢定研究資料是否為常態分配」之敘述性統計方法

統計方法中通常假設資料來自於常態母體，故需檢測資料的常態性，以確保分析 的結果是「可信的」。本研究以 Kolmogorov-Smirnov 來統計檢定的顯著水準, 若是達 到顯著水準 p-value <0.001 則符合常態分配。

3.5.2 「資料分散程度」或「離散程度」之敘述性統計

「資料分散程度」或「離散程度」可知資料變異的原因和性質，目前常見分析 資料分散情形有:

全距(Range, R)，資料中的最大值與最小值之差即為全距(range)，通常以 R 來 表示，通常研究資料尚未分組時候全距計算如(1)式，

R =Max. value - Min. Value (1) 如果研究資料進行分組齊全距如(2)式，

R =upper limit -lower limit (2)

四分位差(Quartile Deviation)，是將四分位距(Inter-Quartile Range；IQR) 將資料去掉兩端最大( )及最小值( )各 25%的觀察值，只剩中間 50%部分的資料，

之後再求這 50%資料的全距，如(3)式的 代表第一個四分位數， 代表第二個四 分位數而 =IQR 稱為四分位距(Inter-Quartile Range)

(3)

平均絕對離差(Mean Absolute Deviation；MAD)，將研究資料各觀察值與 平均數的距離總和取其算術平均數，而不討論離均差之正負號，稱為平均絕對離差 (mean absolute deviation)，如下列未分組資料的平均絕對差如(4)式所示，n 為 觀察值個數，^x為 n 各觀察值加總後取其絕對值。

標準差(Standard Deviation)，研究資料未被分組資料的母體標準差σ及樣 本標準差，如(9)式和(10)式所示，其中，N、n 分別代表母體及樣本的資料個數。

資料之組數，^m為樣本資料之組數， ^N

變異係數(Coefficient of Variation,CV)，變異係數為標準差與平均數比

變異係數(Coefficient of Variation,CV)，變異係數為標準差與平均數比