三、 研究方法
3.4 資料分析方法
3.4.2 集群分析法(Cluster analysis)
因素分析中我們研究目的是要將變數項目（本研究為財務指標）加以分類，而 運用群集分析雲端產業觀察體（146 家上市企業）而加以分類進而分析最終的策略 集群命名及分析。本研究採兩階段法，第一階段為階層式分層法(Hierarchical) 之 華 德 (Wards) 最 小 變 異 法 ， 決 定 群 組 個 數 。 第 二 階 段 為 非 階 層 式 法 (Nonhierarchical)，運用 K-means 進行群集命名及分析。
3.5 財務指標之敘述性統計
敘述性統計分析主要目的，是要將原始資料加以組織、彙整並描述其特性，從 而使資料有系統的呈現出來。敘述性統計分析欲了解分析資料「中央趨勢情況」可 採平均數、中位數與眾數用以表示資料的中心位置，但中位數與眾數缺點為容易受 到極端值(extreme value)的影響或研究資料排列當中資料漏掉幾筆時，中位數即 失去代表性，如有資料呈現分散情形將會影響分析結果。本研究將對於資料離散程 度、形狀及對稱分配、常態分配作其敘述性統計分析。
3.5.1「檢定研究資料是否為常態分配」之敘述性統計方法
統計方法中通常假設資料來自於常態母體，故需檢測資料的常態性，以確保分析 的結果是「可信的」。本研究以 Kolmogorov-Smirnov 來統計檢定的顯著水準, 若是達 到顯著水準 p-value <0.001 則符合常態分配。
3.5.2 「資料分散程度」或「離散程度」之敘述性統計
「資料分散程度」或「離散程度」可知資料變異的原因和性質，目前常見分析 資料分散情形有:
全距(Range, R)，資料中的最大值與最小值之差即為全距(range)，通常以 R 來 表示，通常研究資料尚未分組時候全距計算如(1)式，
R =Max. value - Min. Value (1) 如果研究資料進行分組齊全距如(2)式，
R =upper limit -lower limit (2)
四分位差(Quartile Deviation)，是將四分位距(Inter-Quartile Range；IQR) 將資料去掉兩端最大( )及最小值( )各 25%的觀察值，只剩中間 50%部分的資料，
之後再求這 50%資料的全距，如(3)式的 代表第一個四分位數， 代表第二個四 分位數而 =IQR 稱為四分位距(Inter-Quartile Range)
(3)
平均絕對離差(Mean Absolute Deviation；MAD)，將研究資料各觀察值與 平均數的距離總和取其算術平均數，而不討論離均差之正負號，稱為平均絕對離差 (mean absolute deviation)，如下列未分組資料的平均絕對差如(4)式所示，n 為 觀察值個數，x為 n 各觀察值加總後取其絕對值。
標準差(Standard Deviation)，研究資料未被分組資料的母體標準差σ及樣 本標準差，如(9)式和(10)式所示，其中，N、n 分別代表母體及樣本的資料個數。
資料之組數，m為樣本資料之組數， N
變異係數(Coefficient of Variation,CV)，變異係數為標準差與平均數比 值的百分數且變異係數值的大小，顯現出研究觀察值變動的大小，數值越大其變動
3.5.3「資料形狀及對稱分配」之敘述性統計
偏度分配(Skewness Distribution)和峰度分配(Kurtosis Distribution)常被 用來描述一個「分佈」的形狀特徵，也用於在常態驗證(Joanes、Gill，1998)[20]，
研究資料的「資料形狀及對稱分配」最常用採用參考為偏態係數(coefficient of skewness,SK) 及 峰 態 係 數 (coefficient of kurtosis; ) 。 有 關 偏 度 分 配 (Skewness Distribution)分布可分三種型態，參考圖 12。
資料來源:本研究整理
圖 12 偏度分配 Skweness Distribution
其中偏度係數（Coefficient of Skewness, SK）用來度量分佈是否對稱，如對 稱分佈左右是對稱的，偏度係數為 0。偏態分為負偏態 (Negative Skewed) 與正偏態 (Positively Skewed) 二種表示，都是屬於單峰分配偏態的一種係數，如(15)式所示 主要觀察值為母體，如(16)式所示主要觀察值為樣本，其中與x分別代表母體平均 數與樣本平均數，Me是中位數， 與s 分別代表母體標準差與樣本標準差。
)
(
3 Me
Sk (15)
s Me
Sk 3(x ) (16)
對稱分佈(No Skew)：SK=0，左右是對稱的，其眾數=中位數=平均值之對稱分 佈，參考圖 13。
資料來源:本研究整理
圖 13 對稱分配 No Skwen Distribution
正偏態(Positive Skew)：尾部拖向右側的分佈，含極大值 (maximum)，主峰 偏向左邊，眾數<中位數<平均值，參考圖 14。
資料來源:本研究整理
圖 14 正偏態分配 Positively Skwed Distribution
負偏態(Negative Skew)：SK>0，尾部拖向左側的分佈，含有極小值 (minimum)，
主峰偏向右邊，眾數 > 中位數 > 平均值偏右分佈，較大的負值表明有左側 較長尾部，參考圖 15。
資料來源:本研究整理
圖 15 負偏態分配 Negative Skwed Distribution
峰度分配(Kurtosis Distribution)
:如圖 16 所示，測量峰度高低的量數稱為峰度係數(coefficient of kurtosis)通 常採用 表示度量數據在分配中心聚集頻率程度，而峰度可分三種型態:
> 3，資料分布呈現高狹峰（Lepto kurtosis）。
= 3，資料分布呈現常態峰（Normal kurtosis）。
< 3，資料分布呈現低闊峰（Platy kurtosis）。
資料來源:本研究整理
圖 16 峰度分配 Kurtosis Distribution
峰度的頻率分佈不能描述實際物理特性的頻率(Pearson，1905)[28]，峰度及偏度可 應用分析資料形狀及頻率、對稱性分配之特性。
第四章 資料分析與結果
4.1 各財務指標敘述性統計分析
本研究以 2008 年金融風暴為界分前後兩個時期，前期為西元 2005 年至 2008 年 共 4 年，後期為西元 2009 年至 2012 年共 4 年。並以變異係數(Coefficient of Variation, CV)分析整體產業，以平均值為基準看其變動大小幅度(%)，以偏態係數 (coefficient of skewness)及峰態係數(coefficient of kurtosis)觀察整體產業之 分配輪廓。
而財務指標分別為 ROIC(投入資本報酬率)、CH_S（現金／銷售淨額）、DPACT_S
（折舊及攤銷／銷售淨額）、COGS_S（銷貨成本／銷售淨額）、FA_S（固定資產／銷售 淨額）、XSGA_S（管銷費用／銷售淨額）、XRD_S（研究及開發費用／銷售淨額）、INVCH_S
（存貨／銷售淨額）、RECCH_S（應收帳款／銷售淨額）、TXT_S（營業所得稅／銷售淨 額）及 AP_S（應付帳款／銷售淨額）綜合彙整以上分析結果參考表 4。
表 4 財務指標敘述統計彙整總表
資料來源:本研究整理
變異係數(CV)之前後期比較:
變異係數(CV)可顯現出資料變動的大小，彙整前後期之變異系數對應分析參考圖 17，後期相較於前期之變異係數%敘述性統計分析參考表 5。
資料來源:本研究整理
圖 17 前期及後期之變異係數 CV(%)比較
表 5 後期相較於前期之變異係數% (CV=σ/μ)敘述性統計分析
資料來源:本研究整理
峰態係數 ( )之前後期比較:
如圖 18，峰度係數之 = 3 為基準點(常態峰)，分析資料分布度量數據在 分配中心聚集頻率程度由圖可知雲端產業趨向於低闊峰，詳細分布敘述如下:
> 3，資料分布呈現高狹峰之財務指標為
TXT_S 營業所得稅/銷售淨額。並且包含後期之 AP_S 應付帳款/銷售淨額。
= 3，資料分布呈現常態峰: 前期之 XRD_S(研究及開發費用/銷售淨額)。
< 3，資料分布呈現低闊峰: 包含前後期之 DPACT_S(折舊及攤銷/銷售淨額) 、 INVCH_S(存貨/銷售淨額)、RECCH_S(應收帳款/銷售淨額) 、FA_S(固定資產/銷 售淨額)、CH_S(現金/銷售淨額)、XRD_S(研究及開發費用/銷售淨額)、XSGA_S(管 銷費用/銷售淨額)、ROIC(投資報酬率)
資料來源:本研究整理
圖 18 前期及後期峰態系數(Bk)比較
偏態係數 (SK)之前後期比較:
如圖 19 所示，偏態係數之 SK= 0 為基準點對稱分佈(No Skew)，由圖各財務指 標偏態係數可知，雲端產業趨向於正偏態(Positive Skew)。
資料來源:本研究整理
圖 19 前期及後期偏態系數(SK)比較
雲端產業之 Distribution 分析:
綜合以前後期之正偏態及低闊峰結果參考圖 20，並對照其正常分佈圖( = 3 為常態峰和 SK=0 為正偏態)可知雲端產業呈現穩定成長趨勢。
資料來源:本研究整理
圖 20 雲端產業之分配(Distribution)概似圖
4.2 因素分析(Factory Analysis)
本研究採因素分析其萃取方法採主成分分析法(PRINCIPAL)，並採用複相關係 數平方法(SCM)，採用此法可用變數中的一個變數最為基礎變數，用此基礎變數和 其他變數之複相關係數的平方之值做為變數共通性，其好處為被分析變數與其他變 數間的關係都會考量在內。
4.2.1 因素取樣適當性分析
本研究進行因素分析前，先確定各變數分數間具有共同變異之存在，如此才值 得做因素 分析 。 本研 究運用 KMO 判斷 資 料是否適 合進 行因素 分析， KMO 是 Kaiser-Meyer-LOkin 的 取 樣 適 當 性 量 數 (Kaiser-Meyer-Olkin measure of sampling adequacy)，當 KMO 值越大，代表變數間的共同因素愈多，越適合進行因 素分析。根據 Kaiser 的觀點(Gazzaz et al.，2012)[13]，可以了解變數進行因素 分析可行性程度，若 KMO＞0.8 表示很好(meritorious)，KMO＞0.7 表示中等 (middling)，KMO＞0.6 表示普通（mediocre），若 KMO＜0.5 則表示不能接受
（unaccept）。由表 6 及表 7 可看出本研究採用前後期財務指標其取樣適當性量數 (MSA)係數皆大於 0.6，表示該資料分析結果可接受進行因素分析。
前期由表 6 可知其取樣適當性量數(MSA)為 0.709 並符合 KMO>0.5 之條件表示 本研究採取財務變數適合並且可接受做進一步的因素分析。
表 6 因素分析之 Kaiser 取樣適當性量數-前期
資料來源:本研究整理
後期由表 7 可知，其取樣適當性量數(MSA)為 0.65 並符合 KMO>0.5 之條件表示 本研究採取財務變數適合並且可接受做進一步的因素分析。
表 7 因素分析之 Kaiser 取樣適當性量數-後期
資料來源:本研究整理
4.2.2 決定因素個數
前期如圖 21 所示，前 3 個因素以特徵值大於 1 予以保留，3 個因素累積解釋 率為 59%，期代表意義為此 3 個因素可以解釋整體因素能力達 59%可供本研究分析。
資料來源:本研究整理
圖 21 因素分析相關矩陣的特徵值-前期
後期如圖 22 所示，前 3 個因素以特徵值大於 1 予以保留，3 個因素累積解釋 率為 59%，期代表意義為此 3 個因素可以解釋整體因素能力達 59%可供本研究分析。
資料來源:本研究整理
圖 22 因素分析相關矩陣的特徵值-後期
4.2.3 因素命名
如表 8 所示，本研究運用因素分析（Factor analysis）進行構面縮減分析，
旋轉方法採因素轉軸法中 Varimax 最大變異數轉換法，它使因素負荷表中變異最 大，其目的是將因素負荷矩陣的行做簡化，並將相關係數及因素負荷量的值相乘再 做四捨五入後可得大於 0.4 以上的因素用旗標「*」表示做為因素歸納分析參考 (Ford et al.，1986)[11]。
表 8 因素分析經最大變異數法(Varimax)之前期與後期比較表
資料來源:本研究整理
參考表 9 及表 10，本研究將前後期之 3 個因素整理如下:
「知識管理能力」 :因素 1 在前後期有相同顯著變數 XSGA_S(管銷費用／銷售淨額)、
XRD_S(研究及開發費用／銷售淨額)、AP_S(應付帳款／銷售淨額)、COGS_S(銷售成 本／銷售淨額)、 CH_S(現金／銷售淨額)，本研究將此因素命名為知識管理能力。
「運用資產管理能力」:前後期之因素 2 有顯著的共同之變數有 DPACT_S(折舊及攤 銷／銷售淨額)、FA_S(固定資產／銷售淨額)，本研究將此因素命名為運用資產管 理能力。
「供應商與客戶管理能力」:因素 3 之顯著的共同之變數 INVCH_S(存貨／銷售淨額)、
TXT_S(營業所得稅／銷售淨額)，本研究將此因素命名為供應商與客戶管理能力，
RECCH_S(應收帳款／銷售淨額)在前後期有明顯差別，在前期歸納在「運用資產管
理能力」因素上，而後期歸納在「供應商與客戶管理能力」。 表 9 前期因素命名
資料來源:本研究整理 表 10 後期因素命名
資料來源:本研究整理
4.3 集群分析(Cluster Analysis)
4.3.1 階層式分層法(Hierarchical)-決定群集個數
運用群集分析之華德法最小變異數分析法，判斷 R-Squared、CCC（Cubic clustering criterion）和 Pseudo-F 結果決定群集個數之準則：
Pseudo-F：
Pseudo-F 公式 ，其中 G 是群集數，T 是平方的總和，
和 PG 是組內的平方總和。由公式可知，集群中 Pseudo-F 數值較大的可以表示較好 的集群個數選擇條件。
R-Squared：
代表集群間相異性程度，R-Squared 值大一點較佳。
CCC（Cubic Clustering Criterion）：
立方集群準則主要判別方法為均勻分布值中取出其偏差值較明顯值。
立方集群準則主要判別方法為均勻分布值中取出其偏差值較明顯值。