研究方法

本研究所收集之研究資料為 1998 年至 2004 年台灣、南韓與美國之資訊科技產業廠 商資料，亦即為考慮橫斷面 (cross-sectional data)與時間序列 (time-series data)之追蹤資 料（panel data），此模型可將個別公司在不同時間點的資料串連起來，作為研究長期行 為策略、趨勢之用，同時保有時間序列資料的動態特質，又顧及橫斷面資料的個體差異 性。再者，本研究採用 Limdep 統計軟體，就 COMPUSTAT 取得之資料進行實證分析。

在分析追蹤資料時，含括了 N 個個體與 T 時間的觀察值，與橫斷面資料或時間序

列資料相比，如果廠商存在異質性，倘若採用古典最小平方法 (ordinary least squares method)所取得之估計式，會產生偏誤、甚至於無意義之情形，採用長期追蹤資料，便 可以控制這些個體異質性現象 (Hsiao, 1986)。Panel data 的自由度會因同時考量橫斷面 與時間序列資料的結果而有效提升，可以藉此避免發生線性重合 (collinearity)或無效率 的問題；使用 panel data 亦可以掌握資料的長期動態調整，並建立與檢定較橫斷面資料 或時間序列資料模型更複雜的行為模型，而且對於降低模型設定的錯誤及參數估計的誤 差提供了更完整的訊息。

一般而言，panel data 分為固定效果模型 (fixed effect model)與隨機效果模型 (random effects model)等兩種追蹤資料模型，因同時考慮橫斷面與時間序列資料，不僅 幫助我們解決上述異質性的問題，並提高模型自由度與估計式的效率性，更可表現橫斷 面的差異性，及時間序列的動態性差異。

若每個廠商其本身的截距項固定，不隨時間改變，則稱之為固定效果模型，又稱為 虛擬變數 (dummy variable)模型，換句話說，固定效果模型乃以每個廠商之固定截距代 表其不同結構；若每個廠商其截距項乃隨機參數而非固定參數時，則稱之為隨機效果模 型，又稱為誤差成分 (error component)模型，簡言之，隨機效果模型以隨機截距項來代 表每個橫斷面之不同結構。

模型選取的準則為：

（二）隨機效果模型與古典最小平方法之選擇，是利用 LM（Lagrange multiplier）test 檢定截距項是否為具有隨機變數之性質，其虛無假設H 與對立假設₀ H 分別為： _A

若檢定結果棄卻虛無假設，則採用隨機效果模型；反之，則採用古典最小平方 法。

（三）固定效果模型與隨機效果模型之選取，則根據截距項與自變數間的關係而定，若 截距項與自變數間為統計無關，則應採用隨機效果模型；若隨機截距項與自變數 間為統計相關，則應採用固定效果模型，Hausman test 即據此提供判斷準則。其 虛無假設H 與對立假設₀ H 分別表示如下： _A