第三章 研究模型與資料處理
第三節 實證模型之建立
一、追蹤資料模型(panel data)
以交易量作為被解釋變數之模型選擇部分,可分為使用最小平方法(ordinary least squares)之混合資料(pooled data)、以及追蹤資料模型固定效果(fixed effect) 與隨機效果(random effect)模型三種。混合資料由於採用最小平方法估計,該模
‧
使用 random effect 較佳
使用 pooled OLS 較佳 LM 檢定
拒絕 H0 接受 H0
使用 fixed effect 較佳 使用 pooled OLS
較佳
使用 random effect 較佳
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
第三章 研究設計與資料說明
二、熱點分析
熱點分析指找出事件相互靠近的空間型態,一般可將分析方法分為座標分析 和屬性分析(參圖 3-11),座標分析係針對點資料的分析方法,常見的熱點分析 方法如最近鄰階層群聚(Nearest Neighbor Hierarchical Clustering Method) 及核密度估計(Kernel density estimation),兩者主要透過計算點與點之間的 距離,並以統計檢定分析群聚的可靠度,藉此尋找熱區(廖興中、廖洲棚及陳敦 源,2015)。屬性分析的分析單位則不僅限於點,且可進一步分析相鄰地區之地 物屬性值是否相近,亦即是否有空間相依性。鄰近住宅有相似的鄰里特徵、交通 可及性,對需求者而言具有替代性,而使鄰近的里間交易量可能相近,有空間相 依問題存在,因此本研究將選用屬性分析方式。
透過屬性分析進行熱點分析時,又可依分析的範圍將分析方法分為全域分析 及區域分析,全域分析主要在了解研究範圍的整體分布型態,即判斷是否存在群 聚的現象,但並無法得知群聚的位置;區域分析則可針對研究範圍內每一空間單 元計算出一個統計值,了解地區內空間群聚(熱區、冷區)的分布位置。因此欲尋 找熱區,本文將先進行全域分析,判斷台北市各里交易量的分布是否有空間群聚 現象,後再進一步進行區域分析,找出交易量群聚的位置。
‧
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
第三章 研究設計與資料說明
大於 0 且越接近 1 代表鄰近地區間越相近,呈聚集分布;反之小於 0 越接近-1 呈現分散分布,若越接近 0 即為隨機分布。求得 I 值後再將其標準化進行顯著性 檢定。設虛無假設(H0)為「空間型態非群聚,即I≦0」,對立假設(H1)為「空間 型態群聚,I>0」,在給定顯著水準下,得否拒絕虛無假設,依此判斷研究範圍 是否有空間相依。
(二)區域分析
區域分析即為空間自相關的局部檢定,可以了解空間群聚的分布位置,檢定 方法如 Local Indicators of Spatial Association (LISA)、Local G-statistic (Gi*),兩者 差別在於 Local G-statistic 統計值可直接辨識各空間單元是被相同高值或相同低 值包圍,因此本研究將利用 Local G-statistic (Gi*)統計方法,找尋交易熱區及冷 區,計算公式如下:
其中i≠j, , 為 i 里與其所有鄰近的 j 里的鄰近權重。 值 的大小主要受鄰近地區權重、交易量大小影響,式中分子中減去( 和分母 皆為標準化的過程,因此 值可直接與臨界值比較,判斷是否有足夠信心水準拒 絕虛無假設,虛無假設為 ,代表 i 里沒有聚集現象;若拒絕虛無假設則表 示有群聚現象。再透過 之正負值判斷冷熱群聚,值為正代表高值群聚(熱區), 為負表示低值群聚(冷區)。
‧
三、次序羅吉特結合追蹤資料模型(panel ordered logit model )
由於本研究係將交易量分為冷區、熱區與非冷熱區三類作為被解釋變數,而 三個分類間其實具有程度上的差異,並非完全獨立的選項,因此應選用次序羅吉 特模型(ordered logit model)較適宜(Mehmetoglu & Jakobsen,2016)。另外本研究選 取之資料同時包含時間與橫斷面之資料,若以最小平方法估計混合資料(pooled), 模型(Random effects ordered logit model;黃芳玫、吳齊殷,2010)。次序羅吉特 結合追蹤資料模型之公式為:
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
第三章 研究設計與資料說明
其中 H(·)是羅吉特累積分布函數。定義指數函數 I( ) = 1,若 落在第 j 個 區間,則指數函數值 I = 1; 反之 I = 0, 則此模型之概似函數為
取log 之後, 極大化log概似函數,即可估得模型中 及k的估計值。
‧
P<0.05,表示隨機效果模型優於混合資料估計,故再進行 Hausman 檢定,得值 150.27,P<0.05,拒絕 H0,故固定效果模型為最適合模型,模型結果如表 4-1。