The positivity constraint (not enfo

The positivity constraint (not enforced on the intercepts) described in equation (8) is the methodological nuance in this manuscript that is added to the DeSarbo and Cron (1988) procedure given the a priori theoretical structure implied between specified firm capabilities ð _X Þ and profitability ð _y Þ in the application. Given the RBV theory which postulates positive effects for capabilities (it is indeed intuitive to believe that more of a capability or resource cannot possibly decrease performance), problems of multi-collinearity can often flip signs in such linear models. This is even more of a potential problem in clusterwise regression in which the sample size is sequentially partitioned into groups (DeSarbo and Edwards, 1996). Unfortunately, the addition of such constraints complicates the computational aspect of the proposed new methodology as shown in Appendix 1.

Thus, we use basically the same information/data as in traditional regression analysis, but now are able to simultaneously estimate discrete groups or clusters of firms, their sizes and membership, as well as the group level regression coefficients.
Note that once estimates of l k ; s2
k ; and b jk are obtained within any iterate, one can
assign each firm i to each cluster or group k (conditioned on these estimates) using
Bayes’ rule via the estimated posterior probability:

ผลลัพธ์ (ไทย) 2:

ข้อ จำกัด positivity (ไม่บังคับใช้กับดัก) อธิบายไว้ในสมการ (8) เป็นแตกต่างกันนิดหน่อยวิธีการในต้นฉบับที่ถูกเพิ่มนี้เพื่อ DeSarbo และ Cron (1988) ขั้นตอนที่กำหนดเบื้องต้นโครงสร้างทางทฤษฎีโดยนัยระหว่าง speci สายเอ็ดสายความสามารถ RM ð _X Þและ ไฟโปร tability ð _Y Þในการประยุกต์ใช้ ได้รับทฤษฎี RBV ซึ่งสมมุติฐานผลในเชิงบวกสำหรับความสามารถ (มันเป็นงานง่ายแน่นอนที่จะเชื่อว่ามากขึ้นของความสามารถหรือทรัพยากรที่ไม่อาจลดประสิทธิภาพการทำงาน) ปัญหาของหลาย collinearity มักจะ fl สัญญาณไอพีในรูปแบบเชิงเส้นดังกล่าว นี้เป็นมากยิ่งขึ้นของปัญหาที่อาจเกิดการถดถอยใน clusterwise ที่ขนาดของกลุ่มตัวอย่างที่มีการแบ่งพาร์ติชันออกเป็นกลุ่มตามลำดับ (DeSarbo และเอ็ดเวิร์ดส์, 1996) แต่น่าเสียดายที่นอกเหนือจากข้อ จำกัด ดังกล่าวมีความซับซ้อนด้านการคำนวณที่เสนอวิธีการใหม่ตามที่แสดงในภาคผนวกที่ 1 ดังนั้นเราจะใช้เป็นพื้นเดียวกันข้อมูล / ข้อมูลในการวิเคราะห์การถดถอยแบบดั้งเดิม แต่ตอนนี้สามารถที่จะประเมินพร้อมกันโดยสิ้นเชิงกลุ่มหรือกลุ่มของ ไฟ RMS ขนาดและสมาชิกของพวกเขาเช่นเดียวกับการถดถอยระดับกลุ่ม COEF cients ไฟ. หมายเหตุว่าเมื่อประมาณการของ lk; s2 k; และข JK จะได้รับภายในย้ำใด ๆ หนึ่งสามารถกำหนดแต่ละสาย RM ฉันกับแต่ละกลุ่มหรือกลุ่ม k (ปรับอากาศประมาณการเหล่านี้) โดยใช้กฎของเบย์ผ่านน่าจะเป็นหลังที่คาด:

ผลลัพธ์ (ไทย) 3:

มีทั้งข้อจำกัด ( ไม่บังคับใช้บน intercepts ) อธิบายไว้ในสมการที่ ( 8 ) คือความแตกต่างในในต้นฉบับที่ถูกเพิ่มให้ desarbo cron ( 1988 ) และขั้นตอนที่ได้รับระหว่างทฤษฎีโครงสร้างโดยนัยระหว่างวัดจึงถ่ายทอดความสามารถð RM _x Þและโปรจึง tability ð _y Þในใบสมัครได้รับ RBV ทฤษฎีซึ่งสมมุติฐานในเชิงบวกสำหรับความสามารถมันย่อมง่ายที่จะเชื่อว่ามากขึ้นของความสามารถหรือทรัพยากรที่ไม่อาจลดประสิทธิภาพ ปัญหาของหลาย collinearity มักจะสามารถflสัญญาณ IP ในแบบเชิงเส้นเช่นนี้เป็นมากขึ้นของปัญหาที่อาจเกิดขึ้นใน clusterwise ถดถอยที่ขนาดตัวอย่างเป็นแบ่งออกเป็นกลุ่ม ( desarbo กับเอ็ดเวิร์ด , 1996 ) แต่น่าเสียดายที่นอกจากเรื่องแบบนี้มีความซับซ้อนด้านการคำนวณของวิธีการที่เสนอใหม่ ดังแสดงในภาคผนวก 1 .

ดังนั้นเราใช้พื้นเดียวกันข้อมูลในการวิเคราะห์การถดถอยแบบดั้งเดิมแต่ตอนนี้สามารถที่จะพร้อมกันประมาณกลุ่มเดี่ยว หรือกลุ่มของข้อมูลจึงของขนาด และสมาชิก รวมทั้งกลุ่มระดับการถดถอย coef จึง cients .
ทราบว่าเมื่อประมาณ L k ; S2
K ; b JK ได้ภายในใด ๆย้ำ หนึ่งสามารถ
มอบหมายแต่ละจึง RM ผมแต่ละช่อหรือกลุ่ม K ( ปรับประมาณการเหล่านี้ ) โดยใช้กฎ Bayes ' ผ่าน


ประมาณของความน่าจะเป็น :