第四章 實證分析
第一節 研究假設
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
32
第四章 實證分析
本章將以第一章、第二章及過去文獻的模型架構為基礎，並藉由第三章所整 理之資料對本研究所提出之假設進行實證分析。
第一節 研究假設
本 研 究 建 立 在 Lee et al.(2014) 的 基 礎 上 ， 將 其 使 用 的 橫 斷 面 資 料 (Cross-sectional Data)擴展成追蹤資料(Panel Data)，並針對台灣的創業投資案，深 入探究台灣的創投經理人與被投資公司董監經理人團隊過去的教育連結關係是否 有助於提升並持續影響被投資公司自身的研發能力。故可提出以下假設：
𝐻0：創投經理人與被投資公司董監經理人團隊的「教育網絡」關係對 被投資公司專利申請數量或專利被引證次數無影響。
𝐻𝑎：創投經理人與被投資公司董監經理人團隊的「教育網絡」關係對 被投資公司專利申請數量或專利被引證次數有影響。
並以 Cohen, Frazzini and Malloy(2007)及 Lee et al.(2014)的模型為基礎，將「教 育網絡」分成四種層級：
(1) Type I：被投資公司與創投公司成員，至少一人畢業於相同學校。
(2) Type II：被投資公司與創投公司成員，至少一人畢業於相同學校、相 同學院，取得相同學位。
(3) Type III：被投資公司與創投公司成員，至少一人曾在相同時間點、
相同學校就讀。
(4) Type IV：被投資公司與創投公司成員，至少一人曾在相同時間點、
相同學校、相同學院就讀，並取得相同學位。
值得注意的是，觀察此四種層級即可發現，四種層級的「教育網絡」強度逐
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
33
級增強，並明確指出投資與被投資雙方過去累積的社會網絡緊密程度，有助於了 解教育網絡對「創投績效」及「公司研發能力」深層影響。然而本研究由於研究 時間不足，再加上 Type III 及 Type IV 的連結關係計算相當複雜，故本研究將不予 考慮 Type III 及 Type IV，僅呈現 Type I 及 Type II 實證結果8。
8 在判斷 Type III 及 Type IV 時我們考慮學長學弟的可能性，而一般而言大學的就讀年限是 4 年、
碩士班是 2 年、博士班是 5 年，因此我們將每個人的大學畢業年度加減 3、碩士畢業年度加減 1、
博士畢業年度加減 4 以得出 Type III 及 Type IV 的連結關係。但由於 Type III 及 Type IV 計算較複 雜，預計必須再花 6 個月的時間整理資料及計算 Type III 及 Type IV 連結變數，故本研究將不考 慮以上兩變數。
‧
本研究所使用之資料屬追蹤資料(Panel Data)，即重複追蹤同一觀察個體之變 化，其同時具備橫斷面(Cross Section)資料及縱斷面(Time Series)資料特性。橫斷面 分析是以觀察個體某一時點的資料為樣本來探討解釋變數對被解釋變數的影響，
若以普通最小平方法(Ordinary Least Square Regression, OLS)進行迴歸估計，僅能反 映「平均而言，解釋變數對被解釋變數的影響程度」，而此時若各觀察個體間存在 異質性問題，則將可能產生估計誤差；另縱斷面分析方面是透過長期追蹤某一觀 察個體來探討其趨勢的演變並深入探究該觀察個體的發展情況，然而一旦觀察個 體出現殘差項自我相關(Auto-correlation)問題時，將出現估計偏誤，因此時間序列 分析通常都會先用單根檢定(Unit Root Test)來看觀察個體是否穩定。
而若採用時具備橫斷面與縱斷面特性的追蹤資料來進行估計，一方面可透過
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
35
其中，𝒚是𝑛𝑇 × 1 矩陣；𝑿是𝑛𝑇 × 𝑘矩陣；𝜺是𝑛𝑇 × 1 矩陣。
因此線性迴歸式可寫成：
𝐲 = 𝐗𝛃 + 𝛆，𝛃 = [ 𝛽1
⋮
𝛽𝑘]，此即為追蹤資料的資料結構。
而一般而言，追蹤資料分析方法可區分為兩種：固定效果模型(Fixed Effect Model)及隨機效果模型(Random Effect Model)，此兩模型最主要的差異在於對干擾 項的處理方式不同，以下將簡要介紹兩種的特性與差異：
一、固定效果模型：
若只看單一觀察個體時，則前述追蹤資料之結構式為 𝐲𝒊𝒕 = 𝐗𝒊𝒕𝛃 + 𝛆𝒊𝒕，我們 可先將干擾項進一步拆解成：
𝛆𝒊𝒕= 𝛂𝒊+ 𝝁𝒊𝒕
並假設𝝁𝒊𝒕與𝐗𝒊𝒕無關且𝛂𝒊與𝐗𝒊𝒕有關，此外，右式第一項𝛂𝒊則稱為個別效果 (Individual Effect)，從下標 i 可知，個別效果並不隨時間變動而變動，但會隨觀察 個體的不同而變動。
而固定效果將β1視為特定常數(即截距項)，但不同觀察個體有其各自的特定常 數(即截距項)，也就是說該模型認為不同觀察個體間的差異可被不同個別效果(即 β1)解釋。因此第 i 個觀察值可表示如下：
𝐲𝒊𝒕= 𝐉 β1+ 𝐗𝒊𝒕𝛃 + 𝛆𝒊𝒕
其中，𝐲𝒊𝒕與𝐗𝒊𝒕分別為𝑇 × 1 及𝑇 × (𝑘 − 1)矩陣，𝐉 = [1 … 1]′為𝑇 × 1 矩陣，
每一元素皆為 1。故模型可再簡化為：
𝐲 = 𝐃 β1 + 𝐗𝛃 + 𝛆
其中𝐃為一虛擬變數，因此固定效果模型又稱最小平方虛擬變數模型(Least Squares Dummy Variable Model, LSDV)。
‧
Component Model)。三、固定效果模型及隨機效果模型之比較與檢定
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
37
本研究的資料並非抽樣選取，且各觀察個體的特性也較不隨時間而變動，由 此可判斷本研究較適用固定效果模型。此外，我們可進一步透過 Hausman’s Test 方法來檢定誤差項與自變數是否獨立來確認應該採取固定效果模型或隨機效果模 型。若無法拒絕虛無假設，表示誤差項與自變數為獨立，應採用隨機效果模型；
若拒絕虛無假設，表示誤差項與自變數不是獨立，應採用固定效果模型。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
38
第三節 變數與資料結構
本節將針對本研究所使用之所有變數做一綜合說明。
一、被解釋變數
(一) PA：Patent Application / yr，當年專利申請數量。
(二) C：Citations / yr，當年申請專利被引證次數。
二、解釋變數
(一) SN_T1：即 Type I 連結，被投資公司與創投公司成員，至少一人畢 業於相同學校。
(二) SN_T2：即 Type II 連結，被投資公司與創投公司成員，至少一人畢 業於相同學校、相同學院，取得相同學位。
三、控制變數
(一) 創投方控制變數：
1. vc_twtop：當年度創投公司成員至少一人畢業於台灣大學、清華大學、
交通大學或成功大學。
2. vc_ustop：當年度創投公司成員至少一人畢業於常春藤盟校或加州大學
，常春藤盟校包含：布朗大學、哥倫比亞大學、康乃爾大學、達特茅 斯學院、哈佛大學、賓州大學、普林斯頓大學、耶魯大學。
3. vcNCCUBaep：當年度創投公司成員至少一人畢業於政治大學企業家經 營管理研究班。
4. vcMBA：當年度創投公司成員取得商學院學位比例。
5. vcScience：當年度創投公司成員取得工學院學位比例。
6. vcTaipei：創投公司註冊地點位於台北。
7. vcHsinchu：創投公司註冊地點位於新竹。
(二) 被投資公司方控制變數：
1. f_twtop：當年度被投資公司成員至少一人畢業於台灣大學、清華大學
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
39
、交通大學或成功大學。
2. f_ustop：當年度被投資公司成員至少一人畢業於常春藤盟校或加州大 學，常春藤盟校包含：布朗大學、哥倫比亞大學、康乃爾大學、達特 茅斯學院、哈佛大學、賓州大學、普林斯頓大學、耶魯大學。
3. fNCCUBaep：當年度被投資公司成員至少一人畢業於政治大學企業家 經營管理研究班。
4. fMBA：當年度被投資公司成員取得商學院學位比例。
5. fScience：當年度被投資公司成員取得工學院學位比例。
6. fTaipei：被投資公司註冊地點位於台北。
7. fHsinchu：被投資公司註冊地點位於新竹。
8. fAge：當年度公司的年齡。
9. f_1：被投資公司屬於製造業。
10. f_2：被投資公司屬於高科技或生物科技產業。
11. f_3：被投資公司屬於金融或服務業。
四、創業投資記錄控制變數
1. Syn：同一投資案是否有超過 2 間創投公司以上投資之紀錄。
2. AR：截至當年度被投資公司累積的投資案次數。
由於本研究中並非每間公司的公司年齡均相同，故資料結構屬非對稱追蹤資 料(Unbalanced Panel Data)。另方面，本研究以各創業投資案為基礎，故我們給予 各創業投資案一個編號並設定其為追蹤資料 ID 變數(Panel ID Variable)；每一筆創 業投資案的資料起始時間是被投資公司成立年，結束時間是 2011 年，因此本研究 的時間變數即公司的年齡，再加上上述之各解釋變數與被解釋變數已組成本研究 之資料結構，並以下表(表 6)為例簡單地輔助說明。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
40
表 6：本研究之資料結構
創投案代號 創投公司 被投資公司 解釋變數 被解釋變數
公司成立年 1 1 41 X Y
⋮ 1 1 41 X Y
2011 年 1 1 41 X Y
公司成立年 2 2 41 X Y
⋮ 2 2 41 X Y
2011 年 2 2 41 X Y
公司成立年 3 3 42 X Y
⋮ 3 3 42 X Y
2011 年 3 3 42 X Y
※Y 指被解釋變數矩陣，包含所有被解釋變數；X 指解釋變數矩陣，包含所有解 釋變數。
我們整理出敘述統計表(表 9)並置於附錄。由敘述統計表我們可看出台灣的被 投資公司平均而言一家公司持有 5.32 個專利，而被引證次數為 11.16 次。在所有 投資案中，創投方與被投資方具有 SN_T1 連結關係的約佔 44.29%，具有 SN_T2 連結關係的約佔 38.58%。就被投資公司而言，具有台灣大學、交通大學、清華大 學及成功大學學歷的比例約 48.91%，具有常春藤盟校或加州大學學歷的比例約 20.23%，具有商學背景學歷的比例約 18.47%，具有理工背景學歷的比例約 28.63%
。就創投公司而言，具有台灣大學、交通大學、清華大學及成功大學學歷的比例 約 59.82%，具有常春藤盟校或加州大學學歷的比例約 52.03%，具有商學背景學歷 的比例約 26.95%，具有理工背景學歷的比例約 21.39%。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
41
第四節 迴歸模型
本節整合本章前三節之論述，首先利用 Hausman’s Test 檢測本研究之資料應採 用固定效果模型或隨機效果模型。檢定結果如下表所示：
表 7：Hausman’s Test 檢定結果表
P-value SN_T1 SN_T2 PA 0.0000 0.0000 C 0.0000 0.0000
檢定結果顯示所有模型均應採用固定效果模型。而根據固定效果模型，在分 析教育網絡的貢獻程度之前必須先控制住創投公司及被投資公司各別獨有的特性(
如同第三節所列之創投方控制變數及被投資公司方控制變數)，使教育網絡的貢獻 程度估計結果不因這些特性而受影響。接著，由於不同創業投資案的聯合投資狀 況及注資次數均不同，故必須再控制住創業投資記錄的影響程度(即創業投資記錄 控制變數)後，即可估計出教育網絡對被投資公司自身的研發能力的「淨影響效果
」，故可將本研究之模型以下列之迴歸估計式表示：
R&𝐷 𝑂utput𝑖𝑡 = constant + 𝑇𝑦𝑝𝑒𝑎,𝑖𝑡+ ∑ 𝑓𝑜𝑢𝑛𝑑𝑒𝑟𝑏
𝐵
𝑏=1
+ ∑ 𝑉𝐶𝑐
𝐶
𝑐=1
+ 𝐼𝑛𝑣𝑒𝑠𝑡𝑚𝑒𝑛𝑡𝑡+ 𝜀𝑖𝑡，for a = 1,2
其中，i表示第 i 個創業投資案，
a表示「教育網絡」的二種分類層級，
b表示第b家被投資公司，
c表示第c家創業投資公司。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
42
此迴歸估計式的意義為，在控制住創投公司及被投資公司雙方各自學歷經歷 背景、地點因素及創業投資記錄因素後，教育網絡在第 i 個創投投資案中對被投資
此迴歸估計式的意義為，在控制住創投公司及被投資公司雙方各自學歷經歷 背景、地點因素及創業投資記錄因素後，教育網絡在第 i 個創投投資案中對被投資