Page 29 - 論文手稿_林詩莉R
P. 29
表 3: 多元線性迴歸分析 (續)
TQ
模型 I II III IV
變數 O LS R SE O LS R SE O LS R SE O LS R SE
註: *p<0.05; **p<0.01; ***p<0.001 ; () 內為自變數標準誤。
變數定義 :
TQ 企業市場價值/企業有形資產重置成本。
COR 專利發生救濟的次數/專利年份,取對數。
NOFR 專利被後續其他專利引用的次數/專利年份,取對數。
NOPA 專利的法律狀態變動次數/專利年份,取對數。
NOCS 專利權範圍的權利項數量取對數。
NOPS 專利申請策略類別數量/專利年份,取對數。
NOFC 同族專利國家數量取對數。
NOPF 同族專利專利數量取對數。
CUR 流動資產/流動負債。
GRW 企業銷售收入的年變化比率。
LEV 總債務/總資產。
NOE 員工人數取對數。
RDE 前一年研發費用/前一年總資產。
ROA 稅後息前利益/總資產。
第三節 混合線性迴歸模型
由於本研究中使用的專利實證資料有集中於各自專利權人手中
的情形,直觀上核心專利的聚集可能與專利風險及企業價值有潛在的
關係,故進行統計分析時,將模型設計使專利聚集的公司集中於同一
群體以利分析,倘若以一般多元線性迴歸進行分析,忽略了群組數據
下的組間與組內不同層次的架構,有可能會造成研究結果的誤判。進
行混合線性迴歸分析之前,首先對依變數 TQ 確認所分群組組內相
關係數 (intraclass correlation coefficient, ICC) 檢驗結果。結果顯示
ICC 為 0.479,大於 Bliese (2000) 所建議 ICC > 0.12 的標準,這表
示組內變異程度大且有高度的組內相關。另外也確認群組組間與組內
變異是否具有顯著性,研究結果發現,組間變異 p 值為 0.005 具顯
著性,故不應忽略群聚資料的影響,這也說明數據資料有違反迴歸分
析資料間獨立性的假設。因此在考量資料量及混合線性迴歸的基本要
求下,本研究是以企業核心專利數作為分群變量設計隨機截距模
29