Page 18 - 論文手稿_林詩莉R
P. 18
Pearson) 以及斯皮爾曼等級相關係數 (Spearman’s rank correlation
coefficient,以下簡稱 Spearman) 探討資料中兩兩候選因子間的相關
性,作為後續消除迴歸模型共線性的依據。Spearman 相關性分析是
對連續但不符合常態假設的資料進行相關分析的方法,該方法是先將
資料透過排序 (rank),再將排序後的等級進行 Pearson 相關性分析。
接著使用最小平方法 (ordinary least squares, OLS) 建立多元線性
迴歸模型 (multiple linear regression model),輔以變異數膨脹因
子 (variance inflation faction, VIF) 共線性檢驗以及逐步迴歸分
析 (stepwise regression analysis) 挑選適當自變項修正模型;再使用限
制最大概似估計法 (restricted maximum likelihood, REML) 進行混合
線性模型 (linear mixed model, LMM) 分析,以模型的訊息量準
則 (information criteria, IC)及相關指標觀察不同模型的優劣。模型的
穩定性分析則是透過穩健三明治估計量 (robust sandwich estimator,
RSE) 重新計算 t 統計量,根據穩健的新統計值判斷專利風險因子與
企業價值相關性並進行解釋。
第三節 多元線性迴歸
先不論樣本間是否有相關性,將每個數據都看作是獨立的
樣本,並使用 R 軟體預設之最小平方法 (OLS) 進行多元線性迴歸分
析專利風險因子與企業價值之間的關係,以便從眾多自變數中找到可
能適合用於解釋連續型依變數 Tobin’s Q 的因子。多元線性迴歸模型
之數學式如下:
n
Y i X , i NID(0, 2 ),
i
0
i
i
i 1
其中,有 n 自變數 X 對依變數 Y 進行解釋; 為截距項、 為
i
i
i
0
迴歸係數,以及 為誤差項。對迴歸模型進行驗證時須檢視包含:
i
誤差項要符合常態分佈 (常態性)、誤差項之間有相同的變異 (同質性)
以及誤差項之間相互獨立 (獨立性) 的情形,此外,也需要進一步檢
18