由於門診次數是典型的計次（整數）資料，具有非負數、間斷及高度偏斜分配的資料，
這樣的資料原則上不適合以OLS方式估計。然而在高計次數值（均值遠離零）的情況下，
依據中央極限定理及大樣本理論，計次資料的分配與常態分配接近，OLS的估計方法或 許尚可適用。本研究的老人門診次數的年平均值約30次，屬於高計次數值，而且樣本觀 察值超過10,000人，我們嘗試用OLS方法估計老人的門診次數，並以估計係數、顯著性 及樣本配適度等指標，比較線性與非線性DID模型估計結果的差異。其中，線性DID的 價格、震災或兩者的處置效果，皆直接以受影響族群之虛擬變數與時間交叉相乘項衡量 之，用於衡量顯著性之𝑡𝑡值的標準誤亦比照非線性DID模型進行異質性的調整。分析結果 呈現於表10。
由表10可發現線性DID與非線性DID的估計結果看起來頗為一致。例如，以
𝐷𝐷12𝑁𝑁𝑁𝑁, 𝐷𝐷1𝐶𝐶𝐶𝐶, & 𝐷𝐷2𝑁𝑁𝑁𝑁之全部與男性為估計樣本時，在比較震災發生前後一年門診利用的 差異時，價格處置效果在兩個設定模型下皆非常顯著，估計值與𝑡𝑡值亦非常接近；但是 在震災效果方面，線性DID的（5.61次）明顯較非線性DID估計值（4.63次）大，相差近 1次（21.17%的誤差），男性樣本的估計結果亦如此（5.63次vs. 4.55次）。另外，在政 府補助結束後，非災民的榮民（𝐷𝐷1𝐶𝐶𝐶𝐶）比災民的榮民（𝐷𝐷12𝑁𝑁𝑁𝑁）多增加門診次數（此可 能是因震災使榮民災民增加災後第二年的住院機率，而使其門診的利用相對較非災民的 榮民少），線性DID震災效果的估計值仍比非線性DID的值大約0.5次，雖然估計值皆只 達10%的顯著性。而在表格下方𝐷𝐷2𝑁𝑁𝑁𝑁
vs.
𝐷𝐷3𝐶𝐶𝐶𝐶（全部觀察值高達34.7萬人，男性則約有15 萬人），線性DID與非線性DID的估計值及𝑡𝑡值皆非常一致。我們再進一步比較兩個模型 估計結果之AIC （Akaike’s Information Criteria）與BIC（Bayesian Information Criteria），作為模型配適度（goodness of fit）的比較。25由表10可得知，在各樣本與各期間對比的 估計結果中，與線性DID相比，非線性DID的log-likelihood函數值皆較大，AIC與BIC的 值皆較小（值愈小代表模型配適度愈好），顯示非線性DID對計次資料的配適度表現比 線性DID較佳。
綜合線性與非線性DID估計結果的比較，除了地震效果的估計值有較明顯的差別外，
兩者的估計結果大體上相當一致，但是在模型配適度上仍以非線性的DID為較佳的模型 選擇。雖然線性與非線性DID估計結果具某種程度的一致性，但值得注意的是這樣的結 果有可能是在特殊狀況（高計次值與大樣本）下所獲得之偶然的幸運，是不是一體適用 於大樣本、高計次數值的狀況，則需要更多的模擬分析。然而文獻上的確是針對以OLS 估計計次資料的不適當性有許多討論（King, 1988；Cameron and Trivedi, 2013）。倘若計 次平均值小（如年輕人或較罕見疾病的門診次數）或觀察值個數少，則線性與非線性估 計結果可能會有很大的差別；除此之外，以OLS估計計次資料會有模型設定錯誤的問題，
產生估計偏誤、無效率與預測值出現負數的現象（請詳見King（1988），頁 845-846的 說明）。為避免因錯誤設定而出現的估計問題，建議計次資料的估計方法仍應以Poisson 或負二項分配相關的模型為主，所獲得的估計結果會較為可靠。
25 AIC = −2 × log( likelihood) + 2 × 𝑘𝑘，BIC = −2 × log(likelihood) + ln (𝑁𝑁) × 𝑘𝑘（其中𝑘𝑘是自由度，𝑁𝑁是樣
本觀察值），在本文中因為線性與非線性 DID 估計模型的𝑘𝑘與𝑁𝑁皆相同，二者的差別主要來自 log-likelihood 函數值的差異。
表 10 門診次數非線性 DID 與線性 DID 實證結果比較 Log likelihood -285021.8 -294225.0 -274457.7 -283048.6 -158652.3 -164316.6 -152907.7 -158138.5 AIC 570057.7 588464.1 548929.4 566113.1 317318.5 328647.2 305829.5 316290.9 BIC 570121.2 588527.6 548992.7 566185.5 317378.1 328706.7 305888.7 316350.2 觀察值個數 64,984 64,984 62,996 62,996 36,452 36,452 35,212 35,212 Log likelihood -1463559.5 -1531263.72 -1446671.9 -1507255.3 -630277.16 -665784.5 -620345.2 -652546.9 AIC 2927137 3062541 2893358 3014525 1260570 1331583 1240708 1305108 BIC 2927234 3062617 2893433 3014600 1260650 1331652 1240797 1305177 觀察值個數 347,600 347,600 338,248 338,248 151,522 151,522 146,832 146,832
§T0