模型的調整

首先，我們根據上一章定義的變數與建立的固定效果模型，利用最小帄方法 (ordinary least squares, OLS)獲得我們模型參數的估計結果，結果如表 5。然而，統 計推論要有效，誤差項必須符合同質變異數(homoskedasticity)、無同期相關( no contemporaneous correlation)與無序列相關(no serial correlation)的條件；否則，就必 須做出調整。因此，我們將針對誤差項做相關的檢定。

誤差項的檢定

首先，我們利用 Breusch-Pagan test 來檢定誤差項是否符合同質變異數的假設。

根據檢定的結果，除了模型(3)檢定的 p 值為 0.22 之外²²，其他模型檢定的 p 值皆 小於 0.01，故我們認為同質變異數的假設並不成立。

接著，由於我們模型的貨幣份額每一期加起來都會是 1，故我們的誤差項應該 會有同期的負相關。於是，我們利用 Breusch-Pagan's LM test²³檢定模型的誤差項是 否有同期相關。根據檢定的結果，除了模型(3)檢定的 p 值為 0.13 之外，其他模型 檢定的 p 值皆小於 0.01，故我們認為誤差項之間具有同期相關。

22 由於模型(3)只包含金融海嘯期間的樣本，樣本數偏少，故檢定結果較不容易顯著，在後面有關 模型(3)的檢定都會遇到此問題。

表 5 調整前之 OLS 估計結果

Fixed effects OLS estimation

最後，我們利用 Breusch-Godfrey test 來檢定模型的誤差項是否有序列相關。

根據檢定的結果，除了模型(3)檢定的 p 值為 0.35 之外，其他模型檢定的 p 值皆小 於 0.01，故我們認為誤差項之間具有序列相關。

最後結果

由於我們模型的誤差項不但是異質變異數(heteroskedasticity)，而且同時具有同 期相關與序列相關的性質；因此，我們必須做一些調整。

通常遇到這樣的狀況時，我們可以找出誤差項的共變異數矩陣(covariance matrix)，並且利用 FGLS(feasible generalized least squares)估計，以得到較精確的估 計量；然而，Beck and Katz (1995)提到，當縱橫資料的個體數小於 20 或是時間數 小於 40 時，較不適合使用 FGLS；因此，在本研究的樣本貨幣只有 6 個的情況下，

我們必須尋找更穩健的估計方式。

於是，我們參考了 Driscoll and Kraay (1998)與 Hoechle (2007)對於處理誤差項 同期相關的研究之後，決定採用以下方式估計：我們一樣使用 OLS 估計，但是我 們使用 Driscoll and Kraay 標準誤；Driscoll and Kraay 標準誤是一個在誤差項同時 具有異質變異數、同期相關、序列相關時，依然可靠的估計方式。

我們將此估計的結果呈現在表 6。由於我們一樣是使用 OLS 來估計，所以表 6 的估計參數與表 5 是相同的；而不一樣的部分發生在標準誤的部分，由於 Driscoll and Kraay 是一個較穩健的估計方式，所以在大部分情況下，Driscoll and Kraay 標 準誤會比未經過調整的標準誤大；也就是說，利用 Driscoll and Kraay 估計的參數 較不容易顯著，發生型二錯誤的機率較低。

在下一節，我們將針對利用 Driscoll and Kraay 標準誤估計出的結果，討論機 會主義對於企業選擇外幣債券發行貨幣行為的影響，以及金融海嘯期間與一般期

表 6 使用 Driscoll and Kraay 標準誤之估計結果

Fixed effects OLS estimation with Driscoll and Kraay standard error