Page 29 - 論文手稿_林詩莉R

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