《表2 研发效率对R&D结构的影响》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《研发效率、创新条件与企业R&D结构》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

注:1.***、**、*和#分别代表因变量的估计系数在1%、5%、10%和15%的水平上显著地异于零，括号中的数据为z统计量；2.Sargan检验一栏中给出的是过度识别的检验值。AR（1）和AR（2）中列出的分别是一阶和二阶残差序列的Arellano-Bond自相关检验的z统计量。下同。

其中，变量RDSit代表企业的R&D结构，变量Effit代表企业i在时期t的研发效率，Xit是控制变量的集合，β是控制变量的系数。偏差项珘εit=ui+εit，这里ui表示误差项中不随时间改变的因素。我们利用STATA11.0对模型（I）进行估计。考虑到系统中存在的潜在自相关性，本文选择了差分动态GMM的估计方法，以规避自相关性并消除系统之中的可能存在的同时性偏差。此外，差分动态GMM方法还有助于消除系统中存在的个体横截面效应。根据上文中的理论分析和计量模型的特征，本文在检验过程中将自变量逐个引入以减少多重共线性的影响，相关估计结果见表2。在表2中，Sargan检验的相伴概率在所有模型中保持在较高的水平之上，因此系统中的过度识别约束是有效的，这表明模型（I）中的工具变量具有高度合理性。考察扰动项的一阶和二阶自相关，发现一阶自相关检验的相伴概率低于0.01的置信水平，即扰动项存在显著的一阶自相关性；而二阶自相关检验的相伴概率均高于0.23，从而否定了扰动项存在二阶自相关的可能。由此以上检验排除了扰动项具有自相关性的可能，通过计量模型（I）所获得的估计结果是可信的。