第三章 研究設計
3.6 研究分析方法
本研究實證部分第一階段由本章所建立的兩個模型進行驗證，模型所使用研 究方法為普通最小帄方法(OLS)迴歸模型。而為加強實證結果之有效與一致性，
在實證的的二階段乃再進行穩定性檢驗(robust test)，在此階段所採用的研究方法 則為加入應變數 Y 的落後一期來對照第一階段模型的實證結果。
資料分析部分利用 Excel 軟體整理資料，並使用 Eviews 和 SPSS 統計軟體 作進一步統計檢定，本研究採取之統計檢定方法與檢定分析技術簡述如下：
3.6.1 簡單敘述性統計
利用簡單敘述統計量分析，計算整個研究期間各研究變數的彙總統計值-帄均 數、中為數、標準差、最小值與最大值等變數特徵值，以便了解樣本資料的基本 特性及其分配情況。
3.6.2 相關性分析
為明瞭各變數間是否有高度相關性，而使得迴歸模式出現共線性（Collinear）
的問題，將不易區分個別自變數對應變數的影響，造成迴歸結果產生偏誤，所以 先利用相關分析找出各變數間的相關性程度。另一方面，也可以先由相關分析瞭 解到自變數與因變數間的影響方向，及彼此的相關係數是否呈現顯著的關係，本 研究以Pearson 相關係數探討變數間之變化方向與程度。Pearson 相關係數之大 小可指出兩變數關係之密切程度，相關係數越高，兩變數關係越密切，越低則表 示越不相關。一般其意義為：相關係數之絕對值0.8 以上表示相關程度極高，絕 對值在0.6 至0.8 間表示相關程度為高，絕對值在0.4 至0.6 間表示相關程度普
通，絕對值在0.2 至0.4 間表示相關程度低，而絕對值在0.2 以下表示相關程度 極低。
若發現迴歸模型中出現線性重合的問題時，所得到之結果將會失去參考價 值，而我們要如何解決線性重合的問題，可以參考Ramu Ramanathan所著之 Introductory Econometrics with Application中提出的改善方法:
(1)善意忽略(benign neglect):若研究感興趣的是利用迴歸模型進行預測，而不是解 釋時，共線性尌不是嚴重的問題，可以將之忽略;(2)刪除變數(eliminating variables):
去掉一個或是數個自變數;(3)增加樣本(increasing the sample size):增加樣本個數 可以增加精確性，降低共線性之存在;(4)另設模型(reformulating the model):例如，
改變自變數操作型式以當作新變數，然後以此新變數作估計與預測;(5)增加外來 資訊(using extraneous information):例如，參考某經濟理論或其他來源資訊來設立 變數和模型。
3.6.3 Panel data 分析
一般均使用普通最小帄方法(Ordinary Least Squares, OLS)來分析時間序列和橫斷 面資料，但 OLS 方法因無法區分同公司不同年之資料，造成樣本結果易產生偏 誤的現象，與整體資料的分析結果和個別分析結果不盡相同，故本研究爲克服此 種問題，採用可同時兼具時間序列和橫斷面(Cross-section)分析 Panel Data 模型。
故將 Panel Data 模型簡介如下，第一步先介紹 Panel Data 的基本模型，之後 則介紹 Panel Data 中之固定效果與隨機效果模型，最後列出檢定選擇固定效果或 隨機效果之 Hausman 檢定。
1.基本模型
了解Panel Data的特性之後，Panel Data的基本模型為:
Y it = αi + β'X it +εit i= 1… N ；t = 1…T 其中，i = 1… N表在同一時間，橫斷面上不同的公司
t = 1…T表研究樣本的時間範圍
Y it 表第i家公司在第t 期時，被解釋變數的數值
X it 表第i家公司在第t 期時，所對應之解釋變數的數值
εit 表i公司在t 時間點上的隨機誤差 2.固定效果模型(Fixed Effects Model)
以 Panel Data 進行分析時，通常假設參數固定不變，此時較易產生異質偏誤
3.隨機效果模型(Random Effects Model)
隨機效果模型又稱誤差成分模型(Error Component Model)，其與固定效果模 型差別在於此模型強調資料的整體關係，而非個別變數的差異，即各迴歸式的截 距項是隨機產生且不會因時間而改變。
(1)一元隨機效果模型：
根據 Panel Data 固定效果模型中，αi為一固定截距項係數，但在隨機模型中 αi為隨機型態，則一元隨機效果模型可表示如下：
αi=λ+μi yit =λ+μi + β'X it+εit
其中λ 表以隨機產生之截距項
μ
i表截距項之誤差。一元隨機效果模型檢定方式係採用Breusch and Pagan(1980)所提出之拉式乘 數(Lagrange Multiplier, LM)檢定，其檢定方式如下：
H0:σμ2=σλ2
=0; Nt=0 H1: σμ2 ≠0 ; Nt=0
判定標準為若 LM 檢定不拒絕 H0表示支持虛無假設，則使用 OLS；若拒絕 H0則使用隨機效果模型。
4. 隨機效果或固定效果之判別
在固定或隨機模型之選擇上，Mundlak(1978)提出若隨機模型之截距項與解 釋變數間具有相關性，則會產生偏誤之情形，此時應使用固定效果模型；若是截 距項與解釋變數無關，則使用隨機效果模型。在判定模型上之選擇，可利用 Hausman(1978)所提出之檢定方法來做檢測：
H0:E(μi，Xit )=0 H1:E(μi，Xit )≠0
若 Hausman 檢定結果不拒絕 H0表示截距項與解釋變數無關，則使用隨機效 果模型;若拒絕 H0表示隨機模型之截距項與解釋變數間具有相關性，會產生偏誤 之情形，則使用固定效果模型。
本研究探討台灣之 ICT 產業公司之上市前後績效是否因管理行為之不同而
產生差異之現象，其樣本期間為 1987 年至 2007 年，引用 Panel Data 分析方法同 時進行時間序列與橫斷面兩方面之分析探討，同時控制變數在橫斷面上之公司異 質性問題及變數在時間序列之自我相關性問題，使樣本更具有自由度高、效率性 佳之優點。