第三章 研究方法
第四節 資料分析
一、 迴歸模式
依據研究假說、變數衡量與樣本資料庫，採用縱橫資料(Panel data)的迴歸分析，資 料分析模式如下：(歷史績效落差與社會比較績效落差分開估計，模式 1 代表歷史績效 落差，模式2 代表社會比較績效落差)
模式 1:歷史績效落差模式
RDIi, t = βi ……….…………..廠商特定效果
+β1(ADh i,t-1)……….………問題導向搜尋主效果
+β2(Si,t-1)…..………..…………寬裕資源搜尋主效果
+β3(Ai,t-1) ……….………認知導向搜尋主效果
+β4(ADh i,t-1) (Ai,t-1) ……….………認知導向搜尋調節效果
+β5(Si,t-1) (Ai,t-1) ………認知導向搜尋調節效果
+β6 (Zi,t-1) ……….…控制變項
+εi,t
依賴變數(RDIi, t)代表第 i 家廠商，第 t 期研發密度；βi代表廠商特定效果，(ADh i,t-1 =
Pi,t-1-HAi,t-2)代表歷史績效落差； Si,t-1代表第i 家廠商，第 t-1 期的寬裕資源；Ai,t-1代表
第i 家廠商，第 t-1 期的的關注焦點；Zi,t-1代表第i 家廠商，第 t-1 期的的控制變數。
模式 2:社會比較績效落差模式
RDIi, t = βi +β1(ADs i,t-1) +β2(Si,t-1) +β3(Ai,t-1) +β4(ADs i,t-1) (Ai,t-1) +β5(Si,t-1) (Ai,t-1) +β6 (Zi,t-1) +εi,t
(ADs i,t-1)代表社會比較績效落差；其餘與模式 1 相同。
47
二、 資料結構模式
縱橫資料(Panel data)包含空間與時間兩構面，空間構面係指觀察研究的對象，時間 構面則紀錄觀察對象在不同時間(年度)的資料。所以包含於橫斷面資料(不同研究對象在 同一時間點的觀察值)，與時間序列資料(同一研究對象在不同時間點的觀察值)。
本研究資料屬於縱橫資料庫，最後的樣本資料包含 46 家廠商，11 個年度(1998 年 至2008)的觀察值，總計有 506 個樣本點(廠商_年)。在資料庫安排方面，本文假設當期 績效落差、寬裕資源與關注焦點影響下一期的創新承諾決策，因此所有的獨立變數與控 制變數皆為t-1 期的觀察值，而依賴變數則為 t 期的觀察值。
以縱衡資料庫進行分析，可能產生遞迴因果(Reverse causality)、自我相關與未 觀察到異質性等問題。以下分別說明產生原因與處理方式。
遞迴因果(Reverse causality)。在時間序列資料中，假設前期解釋變數影響當期 依賴變數，但當期的依賴變數可能影響下期的解釋變數，以致於無法確認因果關係。例 如，Kaplan (2008)指出高階主管提到光纖技術相關字眼愈多(認知變數)，則代表該廠 商愈重視光纖科技，因此觀察該廠商後續年度引進光纖技術的機率也愈高。實證結果符 合假說。但實際上可能是當廠商引進光纖技術時，高階主管就愈重視光纖技術，所以公 開談論光纖技術的頻率就愈高。為偵測是否發生遞迴因果現象，可調換 DV 與 IV，檢驗 DV 是否影響 IV。但在本研究中研發支出愈多，不太可能直接降低績效，或是增加寬裕 資源。再者，考慮 Prospector/defender 關鍵字並未包含研究發展等相關字眼，本研究 出現遞迴因果機率不高，可略此現象。
自我相關與未觀察到異質性。因為包含不同的廠商與年度，以事件為分析單位，每 一個樣本個體(廠商)蒐集連續數年的資料，產生縱橫資料數(Panel data set)，所以除了解 釋變數對於依賴變數的影響外，個體的異質性(橫斷面)與時間的變化(時間序列)同時影 響迴歸式的估計。所以必須考量不同廠商特性產生的廠商效果與前後年度的自我相關等 問題。例如，假設每一家廠商都有一條迴歸方程式，因為不同廠商擁有不同的資產、與 研發策略，所以產生不同的截距項。另外根據組織慣性假設，廠商既有的組織結構、制 度運作在短時間內不易大幅度變化，所以廠商的創新承諾決策受到前年度決策的影響，
48
產生自我相關問題。
自我相關。本研究中研發支出可能受到前期研發支出的影響，產生自我相關。自我 相關則是時間序列資料常出現的問題，在時間數列資料中，滯延項(lagged variables)是形 成產生自我相關的主要原因，例如當期依賴變數除了受到前期解釋變數的影響外，還有 可能受到前期依賴變數的影響。所以如果未控制延滯項，估計式的殘差項與解釋變數非 獨立(因為殘差項包含延滯項目的影響成分)。以本研究而言，以研發支出(密度)為 DV，
通常廠商每年度的研發支出係於前一年度預算決定。預算制定作業程序通常不會大幅變 更，而預算數也通常包含基本預算數與變動預算數，換言之，當年度的研發支出金額受 到前一年度研發支出金額的影響。為避免滯延項的慣性作用產生自我相關，致使估計式 殘差項非獨立，所以將前期研發密度納入控制變項，消除因自我相關可能影響的估計偏 誤。
未觀察到異質性。廠商效果可能產生未觀察到異質性，在縱橫資料庫(Panel data set) 中，估計式若僅描述解釋變數與依賴變數的關係，可能產生未觀察到的異質性。除非觀 察個體皆屬同質，但以廠商為觀察個體時，因為不同廠商擁有不同的資源、能力，同質 性的假設無法成立。
根據上述說明，應選擇適當的縱橫迴歸模式，以區分廠商效果及降低自我相關問題 (Greve, 2004)。不過在研究方法上，仍執行 F 檢定與 LM 檢定確認廠商效果是否存在，如 果廠商間接近同質性，不會有廠商效果干擾時，可逕行執行 OLS。否則須再執行 Hausman 檢定，選擇適當的分析模式(固定效果模式或隨機效果模式)。以下說明本研究的處理方 式。
三、 模式選擇(固定效果與隨機效果模式)
本研究採用固定效果的縱橫迴歸模式分析樣本資料，因為考慮每個廠商個別特性，
以及年度景氣變化可能影響創新承諾的行為模式。
本研究屬於縱貫性研究，樣本資料為縱橫資料庫，包含橫斷面的46 家廠商與時間 序列的觀察值。如果不存在廠商效果，即可直接以最小平方法(OLS)進行迴歸分析。否 則，即須採用固定效果或隨機效果的縱橫迴歸模式(Fixed effects or Radom effects model
49
of panel regression)。因為 OLS 假設解釋變數與誤差項互為獨立，若此假設不為真，極 可能產生估計誤差。估計模式中，可能因為廠商特質差異，產生未觀察到的變異，影響 估計模式的正確性。尤其本研究樣本廠商的基本資料顯示，各廠商的總資產、營業額顯 著差異，更顯得考量個別廠商效果的重要性。以下說明廠商效果的檢定方式，首先檢定 是否存在廠商效果，其次決定採用固定效果模式或隨機效果模式。：
將本研究的迴歸模式簡化如下
Yt = α+βXi,t-1+εi,t-1 (4-1) 殘差項(εi,t-1)可區分為廠商效果(ui)與純粹的隨機項(vi)
(一)廠商效果檢定(F 檢定與 LM 檢定)
首先，以F 檢定及 LM 檢定，若接受虛無假設，代表不存在廠商效果與時間效果，
即可直接採用最小平方法(OLS)。否則固定效果或隨機效果較為合適。
F 統計量來檢定每一家廠商效果是否相等，其虛無假設為
H0：u1= u 2= u 3=….. =n H1：至少一個不相等
檢定結果若未能拒絕虛無假設，代表示不存在廠商間的異質性，誤差項符合最OLS 的不偏估計，可直接最小平方法(OLS)；相對的，則採取固定效果模式。
固定效果模式假設存在廠商效果，且廠商效果為固定常數，不會隨著時間的改變而 變動，所以廠商效果可視為迴歸式的常數項。公式4-1 修改如下
Yt = (α+ ui,t-1 )+βXi,t-1+ vi,t-1 (4-2)
但若存在廠商效果，且隨時間變動而變動時，此時假設廠商效果為隨機變異，與解 釋變數(βXi,t-1)無關，公式 4-1 修改如下。也就是廠商個體的差異或時間變異表現於殘差 項。
50
Yt =α+ +βXi,t-1+( ui,t-1 + vi,t-1) (4-3)
以Lagrange Multiplier (LM) 檢定 (Breusch & Pagan, 1980)。
(二)固定效果模式或隨機效果模式檢定
以F 檢定及 LM 檢定，確認存在廠商效果後，再利用郝斯曼檢定(Hausman specification test)檢定是否採用固定效果模式(Fixed effect model)或是隨機效果模式 (Random effect model)。固定效果模式或隨機效果模式主要的區分是在廠商效果是否與 解釋變數相關，如果相關，應存在於迴歸模式的截距項。若存在廠商效果，但與解釋變 數無關，則屬應屬於迴歸模式的殘差項(Greene, 2008)。也就是說利用郝斯曼檢定廠商效 果(u)與解釋變數(Xi,t-1)是否統計相關。若廠商效果(u)與解釋變數(Xi,t-1)具有統計相關 時，則應採用因定效果模式：反之若廠商效果(u)與解釋變數(Xi,t-1)不具有統計相關時，
則應採用隨機效果模式。其虛無假設為：
H0: E(ui, Xi,t-1) = 0
H1: E(ui, Xi,t-1) ≠ 0
本研究藉由郝斯曼檢定，結果顯示固定效果模式是較佳的選擇。
同時，在控制廠商與年度的異質性後，固定效果模式可降低分析縱橫資料的自我相 關與異質性等問題 (Hitt, Gimeno, & Hoskinson, 1998; Greene, 2008; Tuggle, Sirmon, Reutze, & Bierman, 2010)。所以，本研究採用固定效果模式(又稱最小平方虛擬變數模式 (Least Squares Dummy Variables Model)。
51
第四章 結果與討論
利用縱橫資料庫，檢核資料的正確性後，依照假說順序，分別執行各項分析，在本 節中將分別說明敘述性統計與相關矩陣、假說檢定結果。
第一節 敘述性統計與相關矩陣
表3 顯示主要變數的敘述性統計與 Pearson 相關係數矩陣。主要變數間相關係數低 於0.5 ，應可判斷沒有共線性問題。再依照 Neter, Wasserman 與 Kutner (1985)的程序檢 定共線性，最大的VIF(Variance inflation factor)值低於一般可接受的 10，結果顯示主要 變數間沒有共線性的問題(分析模式的最大 VIF 值，詳見表與表 5-1 與 5-2)。
三個獨立變數(歷史/社會績效落差、寬裕資源指數與關注焦點)都與依賴變數顯著相 關，且方向符合預期。績效落差與研發密度負相關，寬裕資源指數、關注焦點與研發密 度正相關。充分寬裕資源可提供創新承諾必要的資源與緩衝，因此寬裕資源與研發密度 正相關。相對前瞻者導向關注焦點的廠商，強調創新承諾，所以，關注焦點與研發密度 正相關。二個績效落差解釋變數皆與研發密度負相關，亦符合績效回饋模式之假說推 論。當績效產生落差時，引發廠商投入創新承諾的動機，因此，績效落差與研發密度負 相關。
除了依賴變數(研發密度)與解釋變數之間皆顯著相關，符號方向也符合本研究之假 說推論外，控制變數(廠商規模與前期研發密度)也與研發密度正向顯著相關。前期研發 密度與當期研發密度正顯著相關，符合組織慣性的假設，當期研發密度與前期研發密度 正相關。有關廠商規模部分，顯示廠商規模(總員工人數對數值)與研發密度有正向的關 係。
52
表3、敘述統計與相關矩陣
平均數 標準差 1 2 3 4 5 6 7 8 9 10 1 研發密度t 9.5556 10.5205 1
2 廠商規模t-1 2.7746 0.6484 -.280(**) 1
3 前期研發密度t-1 9.7355 12.2445 .565(**) -.248(**) 1
4 歷史績效落差t-1 -0.2590 13.2317 -.153(**) -.051 .128(**) 1
5 社會績效落差t-1 0.5142 15.3603 -.169(**) -.100(*) -.069 .519(**) 1
6 寬裕資源指數t-1 0.0000 2.2409 .506(**) -.425(**) .354(**) -.032 .134(**) 1
7 關注焦點t-1 0.0543 0.4160 .177(**) .009 .075 -.052 -.051 .113(*) 1
8 關注焦點*歷史績效落差t-1 -0.2998 5.9713 -.031 .092(*) -.049 .175(**) .032 -.109(*) -.028 1
9 關注焦點*社會績效落差t-1 -0.2977 12.1445 -.113(*) .121(**) -.091(*) .017 .194(**) -.151(**) -.507(**) .223(**) 1 10 關注焦點*寬裕資源指數t-1 0.1054 1.5216 .157(**) -.058 .046 -.071 -.178(**) .033 .590(**) -.113(*) -.751(**) 1
計有46 家廠商，樣本數(廠商年) = 506
** 在顯著水準為 0.01 時 (雙尾)，相關顯著。 * 在顯著水準為 0.05 時 (雙尾)，相關顯著。
53 進行縱橫資料診斷(Panel Diagnosis)分析檢定結果詳如表 4-1~2。
表4-1 總資產報酬率(ROA)之歷史績效落差模式檢定表
F 檢定 Breusch-Pagan(LM)檢定 Hausman test H0: 最小平方法(OLS) H0: 最小平方法(OLS) H0: 隨機效果模式 H1: 固定效果模式 H1: 隨機效果模式 H1: 固定效果模式 F 值 7.43779*** LM 值 89.6334*** H 值 207.359***
p-value 0.0000 p-value 0.0000 p-value 0.0000 拒絕虛無假設，固定效果
p-value 0.0000 p-value 0.0000 p-value 0.0000 拒絕虛無假設，固定效果
54
二、迴歸模式分析
本研究以總資產報酬率(ROA)為績效標準，假設廠商可能比較歷史績效與產業績效
本研究以總資產報酬率(ROA)為績效標準，假設廠商可能比較歷史績效與產業績效