第五章 實證結果
第二節 實證模型正確度之檢驗
過程更為嚴謹，本文以下用RESET檢定（regression specification error test） 、LM檢定（Lagrange Multiplier test）、共線性（collinearity）和異 質變異檢定來驗證實證模型的正確性，及研究結果的可信度。
一、實證模型是否設定錯誤( misspecification )
在檢定實證模型是否設定錯誤方面，本文使用RESET檢定加以測試。
‧
二、殘差項是否存在自我相關（autocorrelation）
由於本研究採用的是結合時間序列及橫斷面資料的追蹤資料，因此在 時間序列上自我相關的問題就必須加以考慮，因為它可能導致估計值的高 估或低估，因而影響區間估計及假設檢定的準確性，因此，對於此一問題，
本研究採用LM檢定(Lagrange Multiplier test) 進行檢測，首先，令本研究實 證模型第（3）、（4）式的殘差值遵循一階自我迴歸模型如式（9）所示：
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
H0：ρ＝0，與對立假說H1：ρ≠0， 若拒絕H0表示原始模型設定的殘差 項是其有自我相關。檢定結果得知ρ之P值分別為0.39、0.96在α=0.1 的顯 著水準下，無法拒絕H0：ρ＝0的虛無假設，因此，透過LM檢定並未發現 本研究模型其有自我相關性。
三、解釋變數間是否具共線性（collinearity）
所謂共線（collinear）指在多元迴歸之下，各解釋變數間有某種規律 性的方式一起變動，而當有數個變數牽涉在模型在內時，即稱為共線性
（collinearity）或線性重合（multicollinearity），只要解釋變數間有共線，
則最小平方法估計式則無法定義。Hill et al. （2001） 使用成對解釋樣本 間的相關係數 （correlation coefficients）予以判斷。若其絕對值大於0.8或 0.9時，便有線性重合情形存在，必須修正實證模型，避免影響估計結果的 準確性。本文採用0.85作為判定標準檢測結果顯示，尚無任兩個解釋變數 之相關條數大於0.85的情況，綜合所得稅各解釋變數之皮爾森相關係數矩 陣詳如表5-2；營利事業所得稅方面，其中製造業、運輸倉儲、服務業、家 庭所得、這4個變數，相關係數發現大於0.85，經去除後營利事業所得稅各 解釋變數之皮爾森相關係數矩陣如表5-3所示。另再進一步以輔助迴歸 ( auxi1iary regression) 檢定，對解釋變數失業率與其他自變數重新進行迴 歸，檢定結果R-Square為0.54 ，檢定結果為小於0.85。因此，本研究模型 兩兩解釋變數之間，未發現有線性重合的現象。
‧
‧
異質變異性，因此利用White（1980）所提出的修正方式加以修正。56模型 估計之結果已無誤。56此一方法及利用White heteroskedasticity robust 共變異數矩陣（covariance matrix），對估計係 數的標準差加以修正，但不影響係數估計值。
項目 檢定方法 結果
RESET檢定 P值分別為0.59 、0.20
之 P-value>α 大於臨界值0.10
接受虛無假設則模型無誤 模型無誤
LM檢定 P 值分別為0.39、0.96
之 P-value>α 大於臨界值0.10
接受虛無假設則不具相關性 無自我相關性