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。