Page 19 - 論文手稿_林詩莉R
P. 19

視迴歸模型是否有多重共線性 (multicollinearity) 的問題。為了從中

                   挑選合適的自變數,筆者是透過向前選取法 (foreward)、向後選取

                   法 (backward) 以及逐步迴歸法 (stepwise) 挑選自變數,採用的標準


                   係以赤池訊息準則 (Akaike information criterion, AIC) 最高的迴歸模
                   型為主。AIC 定義如下 :



                            AIC    2ln( )+2 ,
                                          L


                   其中 L 是概似函數,  是參數個數。




                                      第四節                混合線性迴歸




                        由於本研究數據結構可能包含複數個層級,因此筆者進一步以較


                   有效率之混合線性迴歸模型 (LMM) 觀察專利風險因子與企業價值

                   之間的關係,參數估計方法則採用 R 軟體中的限制最大概似估計

                   法 (REML)。混合線性迴歸模型為 Laird and Ware (1982) 所提出,又

                   常被稱為隨機效應模型 (random effect model),模型包含固定效應及

                   隨機效應,其中假設隨機效應與誤差項為常態分配。此模型主要是適

                   用於有群體現象或重複測量的數據資料,以隨機效應 (random effect)

                   來估計截距項以及斜率項,由於每個觀測群體的迴歸係數不同,因此

                   允許群體之間有不同的隨機效應參數。其公式如下:



                                           m
                            Y  , j p      , j p      , k j X  k , , p     , j p  ;
                                                     j
                                          k  1 
                                                                  2
                              , j p     00      , j p  , , j p  ∼  NID(0,  ),即
                                                m
                            Y                    X          ,
                                                           j
                              , j p  00    , j p     , k j  k , , p  , j p
                                                k 1



                   其中,有 m 個自變數 X 對有 j 個觀測群體第 p 個樣本的依變數
                                                  k
                   Y j,p  進行解釋;          , j p  表示各個觀測群體的截距項,當中的                           00  表示
                                                            19
   14   15   16   17   18   19   20   21   22   23   24