臺大管理論叢 NTU Management Review VOL.30 NO.3

The Relationships among Characteristics of Interlocking Directorate Network, Technological Diversity and Innovation Performance: Evidence from Taiwan’s Electronics Industry 154 （三）控制變數 根據以往研究指出，本研究採用以下控制變數： 1. 企業規模 (FSIZE) ：企業會 因為自身規模的大小影響企業的創新能力，擁有較大規模之企業能運用自身較多的 資源進行研發因而產生更多創新績效，因此本研究依循 Frankel, McNichols, and Wilson (1995) 與 Lin, Lee, and Hung (2006) 採用期末總資產取自然對數作為企業規模 之代理變數，預期符號為正 6 。 2. 企業年齡 (FAGE) ：企業會因為成立的時間愈長而 使知識技術不斷增進，而創新績效是企業長久以來累積的知識成果 (Calantone, Cavusgil, and Zhao, 2002) ，因此本研究加入企業年齡變數加以控制，預期符號為正。 3. 企業成長 (GW) ：隨著企業的成長使得企業能更加穩定發展，經營與創新能力也 能更加成長（曾昭玲與卓佳蓁， 2011 ），因此本研究控制企業成長的影響，衡量方 式為以當期營業收入減上期營業收入，再除以上期營業收入後乘以 100 ，預期符號 為正。 4. 研發強度 (RD) ：研發強度是主要影響創新績效之因素 (Scherer, 1986) ，可 以影響企業的知識攝取與應用 (Cohen and Levinthal, 1990) ，因此本研究依循 Benner and Tushman (2003) 利用年度研發費用與年營業收入之比率乘以 100 來估算研發強 度，預期符號為正。 二、研究模型 在早期研究探討中介效果時普遍會採用 Baron and Kenny (1986) 所提出的逐步 因果分析法 (Causal Steps Approach) ，但 Hayes (2009) 在研究中提出此方法只根據結 果產生的變數是否顯著，依循邏輯推演出其中的因果關係產生結論，而並未對中介 效果進行直接的檢測，在檢測中介效果時效率較差，且較難避免型 I 錯誤。 Sobel (1986) 改善 Baron and Kenny (1986) 的逐步因果分析法，該方法需估計自 變數、中介變數及應變數間路徑之標準差，透過各路徑假設檢定結果的乘積來檢驗 中介效果。但 Sobel test 是假設前後段中介效果的乘積為常態分配，而 Hayes (2009) 指出此結果應為非對稱之形態，因此用對稱的 z 值來計算亦會產生偏誤，所以此方 法仍有缺陷存在。在近代探討中介效果多以結構方程模式 (Structural Equation Modeling; SEM) 與拔靴法 (Bootstrapping) 來進行檢驗中介效果，其優點在對於中介 效果本身的估計值進行推論，但與 Sobel test 不同的是，它不需假設中介效果抽樣 分配的形態，也不需考慮自變數與應變數間路徑的複雜程度。 SEM 與 Bootstrapping 的優點在於，在所有中介效果的檢測中此方法是目前效率最佳的，且可有效避免型 I 錯誤 (Preacher and Hayes, 2008; Hayes, 2009) 。綜合以上所述，本研究根據 Preacher and Hayes (2008) 與 Hayes (2009) 利用 Stata 進行 SEM 與 Bootstrapping 重複抽樣 1000 6 本研究亦另外以期初總資產取自然對數衡量公司規模，惟研究結果並無改變。