第四章 研究設計
第一節 實證模型
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y 第四章 研究設計
第一節 實證模型
由於本研究目的是期望能找出影響臺灣自殺率的因素，資料採用的是 2004 至 2010 年 23 個縣市的統計資料，因涵蓋不同行政區域，可探討各縣市 間之特定效果，俾以分析各縣市在所選擇的變數以外，是否存在其他無法量 化的變數對自殺率的影響，進而造成各縣市間之差異，故本研究採用追蹤資 料模型（panel data model）的實證分析方法。
根據 Hsiao（2002）指出，追蹤資料分析法是指針對某一特定調查對象組 群，鎖定這些組群持續一段時間所得到的各種資料。由於是時間序列資料
（time-series data）和橫斷面資料（cross-section data）的合併使用，因此不但 具有時間序列的動態性質，同時亦可兼顧橫斷面資料可以表達不同樣本間特 性的優點。此外，追蹤資料與橫斷面資料不同之處在於橫斷面資料是來自於 個體資料，普遍用來解釋不同個體之間的行為變化模式，而追蹤資料不但可 以觀察到變數間原來無法觀察到的動態變化，更得使用固定效果模型（fixed effect model）來分析觀察個體的固定效果，瞭解個體的特性，藉此降低參數 估計上的偏誤，因此準確性較橫斷面資料為佳。若想要分析某觀察群體長期 性的決定因素，使用追蹤資料較能分析出正確且嚴謹的結果，故追蹤資料較 符合本研究的要求。
Hsiao（2002）也認為追蹤資料與橫斷面或時間序列資料相較之下，除了 提供更多的樣本數，改進估計參數時的效率外，尚具有下列優點：
一、降低估計上的偏誤
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
如果在設定模型時，忽略了某一顯著變數，且該忽略變數剛好與模型中 的自變數相關，則在普通最小帄方法（ordinary least squares，OLS）的估計下，
將產生參數偏誤的情形。由於設定橫斷面資料模型時，普遍只有量化資料，
而缺乏質化資料（qualitative data），在此情形下，模型可能因為未包含這些 潛在重要的質化資料，因而產生偏誤。但若改用追蹤資料中的固定效果模型 進行估計，則可利用虛擬變數（dummy variable）來代表一些難以獲得的質化 變數，使得模型在估計時，因而得以避免因模型不完整而產生的估計偏誤問 題。
二、減少共線性的問題
多數的時間序列資料由於資料本身期間太短及現有資訊無法滿足模型設 定，因此存在缺乏自由度（degree of freedom）及高度共線性（multicollinearity）
的問題。此時，若使用含有橫斷面和縱斷面性質的追蹤資料，除了可以提供 比較多的樣本數滿足模型的資訊及自由度外，同時，不同觀察個體間的特質 差異也會比使用單一觀察個體的時間序列資料來得大，因此會減少共線性問 題的產生。
三、提供更完整的訊息
橫斷面資料所估計的參數比較能夠解釋不同觀察個體間（inter-individual）
的差異，而時間序列資料比較能解釋觀察個體本身（intra-individual）的動態 變化。由於追蹤資料包含橫斷面資料與縱斷面資料的優點，因而得以涵蓋更 完整的訊息，藉以降低模型設定的錯誤以及估計參數時的誤差。
基於追蹤資料擁有上述眾多的優點，因此本研究決定採用其資料型態來 進行影響自殺率之因素探討，希望藉此資料較為嚴謹的特性，得到較佳的估 計結果。但追蹤資料又可分為固定效果模型及隨機效果模型，兩者的差異在 於固定效果以固定截距代表模型不同的結構，而截距項與解釋變數間存在相
‧
擬變數模型（least square dummy variable model；LSDV），即個別單位分別 對應一虛擬變數，當考量該單位資料時，代表該單位的虛擬變數為 1，否則‧
‧
與隨機誤差項
e
it可合併成一組合誤差項（composed error term）。此時實證模 型具變異數異質的特性，應以一般化最小帄方法（generalized least squares，GLS）來進行估計，才能獲得具一致性與有效性的估計。
‧
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
有所偏誤，為避免估計發生偏誤，本研究採用追蹤資料模型進行估計。然而，
如前所述，追蹤資料模型又可分為固定效果模型與隨機效果模型，因此，本 研究在計量方法的選擇上，將進一步採用 Hausman 檢定，以決定採用固定效 果模型或是隨機效果模型。
‧
淨遷入率（Mig）、女性勞動參與率（Flp）以及社會福利支出占歲出比率（Wel）。
此外，Rodríguez（2005）指出多數追蹤資料的研究都採用整體自殺率、
it