Einfluss von Patentaktivitäten auf Nachfolgende Veränderungen des Ökonomischen Erfolges

Vgl. Abschnitt 3.1.Google Scholar

Vgl. Hauschildt, J., 1991, S. 466–471 und Abschnitt 4.2.1.Google Scholar

Griliches, Z., 1990, S. 1689 und Abschnitt 3.4.Google Scholar

Vgl. Basberg, B.L., 1983, S. 229, Griliches, Z. et al., 1991, S. 198–199, Schmoch, U. et al., 1988, S. 301. Anhaltspunkte liefert dabei auch die Literatur, in der der Einfluß von F&E-Aufwendungen auf den Unternehmenserfolg untersucht wird. Dabei gehen z.B. Ravenscraft und Scherer von einer maximalen Zeitverzögerung von vier bis fünf Jahren aus, vgl. Ravenscraft, D., Scherer, F.M., 1982, S. 607. Unterstellt man ebenfalls eine Zeitverzögerung zwischen F&E-Tätigkeit und nachfolgenden Patentaktivitäten, so erscheint die Wahl eines Zeitraumes von vier Jahren als plausibel.Google Scholar

Vgl. Abschnitt 3.4. So weisen Schmoch et al. darauf hin, daß Aussagen über den zeitlichen Entwicklungstrend von Patentaktivitäten immer anhand des Prioritätsjahres getroffen werden sollten, vgl. Schmoch, U. et al., 1988, S. 162–163 und Abschnitt 4.3.Google Scholar

Vgl. die Abschnitte 6.1 und 7.1.Google Scholar

Agl. die Bildung von Referenzgrößen wird verzichtet, da eine möglichst unverzerrte Umsatzentwicklung für die jeweiligen Beobachtungseinheiten gegeben sein sollte, vgl. Abschnitt 8.2.4. Um den Einfluß von Konjunktureffekten zu erfassen, wird ein Indikator des Auftragsbestandes in der untersuchten Branche betrachtet. Da der Auftragsbestand in Periode t-1 als Indikator der Geschäftsentwicklung in Periode t angesehen wird, ist die entsprechend verzögerte Wirkung im Meßkonzept enthalten. Nach Angaben von Vieweg schwankte die Reichweite des Auftragsbestandes in der WZM-Industrie von 1985 bis 1989 zwischen sieben und zehn Monaten, wobei sie meistens deutlich über acht Monaten lag, vgl. Vieweg, H.-G., 1989, S. 31–32. Die Auftragsdaten sind folgender Quelle entnommen: VDMA, 1993a, S. 10.Google Scholar

Vgl. Green, W.H., 1990, S. 461.Google Scholar

Vgl. Maddala, G.S., 1971, S. 344.Google Scholar

Vgl. Green, W.H., 1990, S. 461.Google Scholar

Vgl. Green, W.H., 1990, S. 462, Hsiao, C., 1986, S. 5–7, Balestra, P., 1992a, S. 22. Im Rahmen dieser Arbeit kann somit von einem „longitudinal“ Datensatz ausgegangen werden.Google Scholar

Vgl. Balestra, P., 1992a, S. 22, Hsiao, C., 1986, S. 1–5 und S. 213–220, Hsiao, C., 1985, S. 124–129.Google Scholar

Vgl. Hsiao, C., 1985, S. 124–125, Kemp, G.C.R., 1991, S. 8–9. Als klassisches Beispiel gilt die Studie von Ben-Porath. Dort ist zu einem bestimmten Zeitpunkt beobachtet worden, daß 50% der untersuchten Frauen einen Arbeitsplatz besaßen. Dieses Ergebnis sagte allerdings nichts darüber aus, ob im Durchschnitt 50% der Frauen arbeiteten, oder aber immer die gleichen 50% der Frauen zu jedem Zeitpunkt arbeiteten. Dies kann zu fundamental unterschiedlichen Schlußfolgerungen bzw. politischen Handlungsanweisungen führen, vgl. dazu ausführlich Ben-Porath, Y., 1973, S. 697–704.Google Scholar

Nicht-beobachtbare Variablen werden in der englischsprachigen Literatur als „latent“- oder „omitted variables“ bezeichnet.Google Scholar

Hsiao, C., 1985, S. 126–127.Google Scholar

Vgl. Balestra, P., 1992a, S. 22.Google Scholar

Vgl. Balestra, P., 1992a, S. 22, Chamberlain, G., 1984, S. 1248, Hsiao, C., 1985, S. 128 und Abschnitt 8.2.2. In einer normalen Regressionsanalyse wäre der Einfluß der Managementfähig-keiten im gesamten Fehlerterm enthalten. Hat diese Variable einen systematischen Einfluß auf die Outputvariable, so sind Annahmen herkömmlicher Regressionsanalysen über den Fehlerterm (z.B. Homoskedastizität) verletzt, vgl. Wittink, D.R., 1988, S. 63–67 und S. 175–205.Google Scholar

Vgl. Hsiao, C., 1985, S. 129 und S. 156–158. Es ist weiterhin zu vermuten, daß die Einbeziehung eines „fixed-effects“ zusätzlich das Problem der Multikollinearität zwischen den erklärenden Variablen reduziert, da nicht mehr absolute Veränderungen der Variablen, sondern relative Abweichungen der Variablen von ihrem Mittelwert betrachtet werden, vgl. dazu die weiteren Ausführungen in diesem Kapitel und insbesondere Tab. 8.7 in Abschnitt 8.3.1Google Scholar

Vgl. Balestra, P., 1992a, S. 22, Hsiao, C., 1986, S. 1–2.Google Scholar

Die Popularität von Panelanalysen ist ebenfalls auf praktisch-technische Entwicklungen zurückzuführen. Dabei ist insbesondere auf verfeinerte und automatisierte Erhebungsmethoden disaggregierter Daten (z.B. durch Scannerkassen) sowie auf Fortschritte in Computer- und Softwaretechnologie zu verweisen, vgl. Balestra, P., 1992a, S. 21. Ausgewählte Literaturhinweise zum Gebiet der Panelanalyse lauten wie folgt: Eine Einführung in die Nutzung von Paneldaten gibt Chamberlain, G., 1984, S. 1247–1318. Übersichtliche Darstellungen verschiedener Formen der Panelanalyse, einschließlich umfangreicher Literaturangaben, finden sich in folgenden Quellen: Green, W.H., 1990, S. 461–505, Hsiao, C., 1986, Kemp, G.C.R., 1991, Maddala, G.S., 1993a, Mátáyas, L, Sevestre, P., 1992. Ausgewählte klassische Anwendungsbeispiele für Panelanalysen finden sich z.B. in: Chamberlain, G., Griliches, Z., 1975, S. 422–449, Howrey, E.P., Varian, H.R., 1984, S. 65–82, Lillard, L.A., Weiss, Y., 1979, S. 437–454, Mundlak, Y., 1961, S. 44–56. Neuere Anwendungsbeispiele für Panelanalysen finden sich z.B. in: Boulding, W., Staelin, R., 1990, S. 1160–1177, Erickson, G., Jacobson, R., 1992, S. 1264–1279, Geroski, P. et al, 1993, S. 198–211, Griliches, Z. et al, 1991, S. 183–201, Hsiao, C. et al, 1993, S. 63–86, Mairesse, J., Sassenou, M., 1991, S. 9–43. In Deutschland nutzt das IFO-Institut die Daten des Innovationstestes für zahlreiche Panelauswertungen, vgl. dazu Nerb, G., Seitz, H., 1993, S. 88–130. Einen Überblick über neuere theoretische Entwicklungen zur Panelanalyse präsentieren Baltagi, B.H., Raj, B., 1992, S. 85–109.Google Scholar

In dieser Arbeit wird unter herkömmlichen, traditionellen bzw. normalen Regressionsschätzungen bzw. -modeilen eine „ordinary least square“ (OLS) Regressionsschätzung verstanden.Google Scholar

Balestra weist auf den möglicherweise verwirrenden Begriff des individuellen „fixed-effect“ hin, der sich in der Literatur eingebürgert hat. Die Bezeichnung „individuell“ kann sich z.B. auf Personen, Unternehmen, Haushalte, etc. beziehen. Allgemein formuliert, kann man von der statistischen Einheit bzw. dem jeweiligen Querschnitt einer Regressionsanalyse sprechen, auf die bzw. auf den sich der individuelle „fixed-effect“ bezieht, vgl. Balestra, P., 1992a, S. 22.Google Scholar

Dabei handelt es sich um Anwendungsbedingungen, die auch für Regressionsmodelle bei Querschnittsanalysen relevant sind, vgl. Abschnitt 6.1 und Tab. A6.1 im Anhang. In diesem Fall tritt Autokorrelation der Residuen als mögliche Prämissenverletzung hinzu, vgl. Wittink, D.R., 1988, S. 175. Der Fehlerterm muß von den erklärenden Variablen unabhängig, homoskedastisch, zeitlich unkorreliert und normalverteilt sein, vgl. Balestra, P., 1992a, S. 24, Keane, M.P., Runkle, D.E., 1992, S. 434. In der englischsprachigen Literatur werden diese Annahmen als „i.i.d. = identically, independently distributed with mean zero variance“ bezeichnet, vgl. Balestra, P., 1992a, S. 24. Diese Annahmen über den Fehlerterm (e) in Panelanalysen werden im folgenden verkürzt als „i.i.d.“ mit (0, σ_ε ²) bezeichnet.Google Scholar

Vgl. Hsiao, C., 1985, S. 126–128, Keane, M.P., Runkle, D.E., 1992, S. 434.Google Scholar

Vgl. Balestra, P., 1992a, S. 25.Google Scholar

Hsiao, C., 1986, S. 5–6. Hsiao erläutert diese Problematik anhand anschaulicher graphischer Darstellungen, vgl. dazu ausführlich, Hsiao, C., 1986, S. 5–7.Google Scholar

Vgl. Chow, G.C., S. 591–605, Green, W.H., 1990, S. 484, TSP, 1993a, S. 70–71.Google Scholar

Vgl. Balestra, P., 1992b, S. 33–34, Green, W.H., 1990, S. 484–485, Maddala, G.S., 1971, S. 344.Google Scholar

Vgl. Balestra, P., 1992b, S. 30–34, Green, W.H., 1990, S. 481, Hsiao, C., 1986, S. 25–32, Hsiao, C., 1985, S. 127–128 und S. 137–138, Maddala, G.S., 1993b, S. xi.Google Scholar

Vgl. Mundlak, Y., 1961, S. 44–56.Google Scholar

Dabei wird insbesondere auf die problematische Korrelation zwischen dem „fixed-effect“ (Bodenqualität) und den unabhängigen Variablen (Inputs) hingewiesen, vgl. Chamberlain, G., 1984, S. 1255, Hsiao, C., 1985, S. 127–128. In diesem Fall ist der Fehlerterm nicht unabhängig von den erklärenden Variablen, wodurch eine elementare Anwendungsbedingung herkömmlicher Regressionsmodelle nicht mehr gewährleistet ist.Google Scholar

In der Literatur wird dieses Modell der Panelanalyse als „least square dummy variable (LSDV) model“ bezeichnet, vgl. Green, W.H., 1990, S. 483, Hsiao, C., 1985, S. 137, Maddala, G.S., 1971, S. 344.Google Scholar

Bei I Beobachtungseinheiten müssen nur J = I - 1 „Dummy-Variablen“ geschätzt werden.Google Scholar

Vgl. Balestra, P., 1992b, S. 32–33, Keane, M.P., Runkle, D.E., 1992, S. 435, TSP, 1993b, S. 212.Google Scholar

Vgl. Skiera, B., 1992, S. 6.Google Scholar

Vgl. Skiera, B., 1992, S. 3.Google Scholar

In der Marketingliteratur werden diese Unterschiede meist als Markenwert bezeichnet.Google Scholar

Vgl. Balestra, P., 1992b, S. 33, Green, W.H., 1990, S. 483–484, TSP, 1993b, S. 212. Diese Vorgehensweise zur Ermittlung eines „fixed-effects“ wird in der Literatur auch als „within-estimator“ bezeichnet, weil die Abweichungen der jeweiligen Variablen von ihrem Mittelwert innerhalb eines Querschnitts über den Beobachtungszeitraum berechnet werden, vgl. Hsiao, C., 1986, S. 31–32.Google Scholar

Ein Anwendungsbeispiel dieses Modells findet sich z.B. in: Harhoff, D., Schrader, S., 1992, S. 12–16.Google Scholar

Der vollständige Datensatz ist in Tab. A8.1 im Anhang aufgeführt.Google Scholar

Die Abb. A8.1 im Anhang verdeutlicht diesen Effekt, in der die Entwicklung der abhängigen Variable (Y) über die Zeitperioden abgebildet ist. Es zeigen sich deutliche Niveauunterschiede für die abhängige Variable, die nicht ausreichend durch die unabhängige Variable (X) erklärt werden können.Google Scholar

Die Berechnungen wurden mit TSP in der Version 4.2 durchgeführt, vgl. dazu ausführlich TSP, 1993a, S. 132–140 und TSP, 1993b, S. 209–212. Ein ausführlicher Softwarevergleich, einschließlich einer Darstellung von TSP, findet sich in folgender Quelle: Blanchard, P., 1992, S. 521–546.Google Scholar

TSP berechnet zuerst die Mittelwerte aller Variablen über die Beobachtungseinheiten. Danach wird von jeder Variable der Mittelwert subtrahiert und eine OLS-Regression über den transformierten Datensatz gerechnet, vgl. TSP, 1993b, S. 212.Google Scholar

Es läßt sich weiterhin zeigen, daß sich das R² in Modell 3 weiter erhöht, wenn die Varianz der abhängigen Variablen für eines der Unternehmen um einen konstanten Faktor erhöht wird, vgl. Tab. A8.2 im Anhang. Dagegen bleibt das R² in den Modellen 2 und 4 unverändert.Google Scholar

Vgl. Balestra, P., 1992b, S. 33, Green, W.H., 1990, S. 483.Google Scholar

Da die Transformation nicht durch das statistische Programm erfolgt, sondern a priori vom Untersuchenden vorgenommen wird, erscheint die Anzahl der implizit geschätzten Parameter in Tab. 8.4 in Klammern.Google Scholar

Vgl. Hsiao, C., 1985, S. 138.Google Scholar

Vgl. Balestra, P., Nerlove, M., 1966, S. 585–612. „Random-Effect“-Ansätze werden ferner als „error component“- bzw. „variance component“-Modelle bezeichnet, vgl. zu diesem Themengebiet zusätzlich zu dem bereits genannten Aufsatz. Balestra, P., 1992a, S. 26–27, Chamberlain, G., 1984, S. 1257–1259, Green, W.H., 1990, S. 485–490, Hsiao, C., 1986, S. 32–41, Hsiao, C., 1985, S. 137–145, Maddala, G.S., 1971, S. 341–385, Mátáyas, L., 1992, S. 46–71, Nerlove, M., 1971, S. 383–396.Google Scholar

Das Modell wird mit Hilfe des „generalized least squares estimators“ (GLS) effizient geschätzt, vgl. Green, W.H., 1990, S. 487–490, Maddala, G.S., 1971, S. 343.Google Scholar

Es gelten wiederum die Standardannahmen über den Fehlerterm, d.h. α_i, u_it = „i.i.d.“ mit (0, σ α²σ_u ²). Zusätzlich ist die Unabhängigkeit von Fehlerterm und Absolutglied zu fordern, d.h. es muß gelten: E(uit,α_i) = 0, vgl. Green, W.H., 1990, S. 486, Hsiao, C., 1986, S. 32–38, Mátáyas, L., 1992, S. 47–48.Google Scholar

Vgl. Balestra, P., 1992a, S. 26, Maddala, G.S., 1971, S. 341, Mátáyas, L., 1992, S. 46.Google Scholar

Maddala, G.S., 1971, S. 341. Die Parameterbezeichnung im Originalzitat wurden in Übereinstimmung mit der in dieser Arbeit verwendeten Symbolik angepaßt.Google Scholar

Vgl. Maddala, G.S., 1971, S. 341.Google Scholar

Vgl. Balestra, P., 1992a, S. 27. Dieses Problem kann durch eine „fixed-effect“-Panelschätzung mit Mittelwertbereinigung (Modell 4) umgangen werden, vgl. Abschnitt 8.2.2.Google Scholar

Vgl. Balestra, P., 1992a, S. 26–27, Green, W.H., 1990, S. 494–495, Hsiao, C., 1986, S. 41–47, Hsiao, C., 1985, S. 131–137, Maddala, G.S., 1993b, S. xii–xiii, Maddala, G.S., 1971, S. 356–357.Google Scholar

Vgl. Maddala, G.S., 1993b, S. xii–xiii. Lillard und Willis haben u.a. den Einfluß zeitunabhängiger Variablen wie z.B. Schulbildung und Familienherkunft auf das Einkommen bestimmter Personen mit Hilfe eines „random-effect“-Modells untersucht, vgl. Lillard, L.A., Willis, R.J., 1978, S. 985–1012.Google Scholar

Vgl. Balestra, P., 1992a, S. 27.Google Scholar

Vgl. Maddala, G.S., 1993b, S. xii.Google Scholar

Hsiao, C., 1985, S. 131.Google Scholar

Vgl. Green, W.H., 1990, S. 495, Maddala, G.S., 1971, S. 357, Hsiao, C., 1985, S. 132–133.Google Scholar

Vgl. Hausman, J.A., Taylor, W.E., 1981, S. 1390–1391, Maddala, G.S., 1971, S. 357.Google Scholar

Hsiao, C., 1985, S. 135.Google Scholar

Im „Hausman Test“ wird die Nullhypothese, daß die beobachtungsspezifische Konstante unabhängig von den erklärenden Variablen ist getestet, vgl. Hausman, J.A., Taylor, W.E., 1981, S. 1382–1383, Hausman, J.A., 1978, S. 1251–1271. Wird die Nullhypothese abgelehnt, so ist von einer Korrelation zwischen α_i und den erklärenden Variablen (X_it) auszugehen, und die GLS-Schätzung liefert in diesem Fall verzerrte und instabile Ergebnisse, vgl. Hausman, J.A., Taylor, W.E., 1981, S. 1391. Es ist zu betonen, daß dieser Effekt auf eine falsche Spezifikation des Ausgangsmodells zurückzuführen ist, d.h. andere beeinflussende unabhängige Variablen nicht im Modell erfaßt worden sind (Problem der nicht-beobachtbaren Variablen), vgl. Hsiao, C., 1985, S. 133.Google Scholar

Vgl. Abschnitt 8.2.2.Google Scholar

Vgl. Hsiao, C., 1985, S. 130.Google Scholar

Vgl. Abschnitt 8.1.Google Scholar

Vgl. Abschnitt 8.1.Google Scholar

Vgl. die Abschnitte 3.4 und 4.1.Google Scholar

Vgl. Abschnitt 8.2.3.Google Scholar

Als weitere unabhängige Variablen, die die abhängige Variable beeinflussen und gleichzeitig in einem möglichen Zusammenhang zu den Regressoren der Panelanalyse (Patentanmeldungen) stehen können, sind z.B. die Untemehmensgröße, die Qualität der Erfinder, die Gestaltung von Anreizsystemen oder die Gesamtstrategie des Unternehmens (z.B. die Technologiestrategie) zu nennen.Google Scholar

Vgl. Hsiao, C., 1985, S. 135. Auch in zahlreichen, inhaltlich verwandten empirischen Studien auf der Basis von Paneldaten wird auf „fixed-effect“-Modelle mit „within-estimator“ zurückgegriffen. Dabei sei beispielsweise auf ökonometrische Studien zur Messung der F&E-Produktivität zu verweisen. Mairesse/Sassenou kommen dabei u.a. zu folgendem methodischen Ergebnis: „The standard view in these cases is to give preference to the time-series estimates (generally the „within-firm“ estimates), given that, as we have indicated, they are not affected by the biases caused by the omission of firm effects (which would be correlated with the main variables of interest)“, Mairesse, J., Sassenou, M., 1991, S. 23. Vgl. auch das methodische Vorgehen von Griliches et al., die den Einfluß von Patentanmeldungen auf den Marktwert von Unternehmen auf der Basis von Paneldaten untersuchten und dabei ebenfalls „fixed firm effects“ annahmen, vgl. Griliches, Z. et al., 1991, S. 198 und Abschnitt 3.3.2.Google Scholar

Vgl. Abschnitt 8.2.2.Google Scholar

Es gelten die gleichen Parameterbezeichnungen wie in den Abschnitten 8.2.2 und 8.2.3. Die Prüfung der Anwendungsprämissen und die Interpretation der Befunde erfolgt analog zu den in Abschnitt 6.1 durchgeführten Regressionsanalysen, vgl. Abschnitt 6.1 und Tab. A6.1 im Anhang.Google Scholar

Vgl. Abschnitt 5.1.3.Google Scholar

Vgl. Abschnitt 5.2.3.Google Scholar

Vgl. Abschnitt 3.4.Google Scholar

Vgl. Abschnitt 3.4. Die in der Panelanalyse getestete Nullhypothese unterstellt keinen Zusammenhang zwischen den jeweiligen Regressoren und dem Regressand. Um die Richtung des postulierten Zusammenhanges deutlich zu machen, wird die im Text erläuterte Hypothesenformulierung gewählt. Die Ablehnung der in der Panel Schätzung getesteten Nullhypothesen führt zur Annahme der a priori vermuteten Wirkungs-zusammenhänge. Die Gesamtheit der in dieser Arbeit getesteten Hypothesen ist durchgehend numeriert.Google Scholar

Genau genommen müßte eine präzise Hypothesenformulierung für den separaten Einfluß jedes einzelnen Regressors auf den Regressanden erfolgen. Aus Gründen der Übersichtlichkeit wird das beschriebene Vorgehen bevorzugt.Google Scholar

Für drei (sechs) Unternehmen liegen Beobachtungen über sieben (acht) Perioden vor. Somit ergeben sich aus theoretisch 369 Beobachtungen 357 auszuwertende Beobachtungen.Google Scholar

Vgl. dazu die Parameterbezeichnungen der Schätzmodelle in Tab. 8.6.Google Scholar

Vgl. Abschnitt 8.2.1.Google Scholar

Vgl. Hsiao, C., 1985, S. 129, Wittink, D.R., 1988, S. 97–101.Google Scholar

Die Berücksichtigung eines „fixed-effects“ erfolgt mit Hilfe der Mittelwertbereinigung (Modell 4), um die Durchführung einer Korrelationsanalyse zu ermöglichen.Google Scholar

Diese methodische Erkenntnis ist für eine Vielzahl empirischer Anwendungen relevant. So weisen Brockhoff bzw. Mairesse/Sassenou auf Multikollinearitätsprobleme bei der Schätzung von Faktorelastizitäten für F&E auf der Basis von Produktionsfunktionen hin, vgl. Brockhoff, K., 1994, S. 231, Mairesse, J., Sassenou, M., 1991, S. 23. Schätzungen von Modellen auf der Basis von Paneldaten können, unter Einbeziehung eines „fixed-effects“, diese Schätzprobleme vermindern bzw. vermeiden.Google Scholar

Modell 2 wurde mit Hilfe von TSP in der Version 4.2 und Modell 4 mit SPSS für Windows in der Version 5.0.1 geschätzt. Die Schätzung von Modell 4 erlaubt die konsistente und systematische Überprüfung der geschätzten Panelmodelle auf Verletzungen der Anwendungsprämissen, wie sie bereits für vorangegangene Regressionsschätzungen erfolgte, vgl. Abschnitt 6.1. Die Nicht-Normalverteilung der Residuen konnte durch Logarithmierung des Regressanden behoben werden. Das Ergebnis des anschließenden „Kolmogorov-Smirnov-Testes“ ist in der Tab. 8.8 aufgeführt. In beiden Panelschätzungen kann die Nullhypothese, die Residuen seien normalverteilt, nicht zurückgewiesen werden. Auf dem entsprechenden Residuenplot sind keine Anzeichen von Autokorrelation zu erkennen. Die Inspektion zusätzlicher Residuenplots bestätigte sowohl die Annahme der Linearität als auch die der Homoskedastitzität. Auf die Darstellung der jeweiligen Residuenplots wird aufgrund des enormen Platzbedarfs verzichtet. „Influential observations“ wurden mit Hilfe von „Cook’s Distance“ ermittelt und einem F-Test unterzogen. Bei Vorliegen signifikanter Abweichungen (α >10%) wäre die jeweilige Beobachtung entfernt worden. Nach diesem Verfahren wurden keine „influential observations“ festgestellt. Der Befund des „Hausman-Testes“ weist auf eine Verletzung der elementaren Anwendungsprämisse eines „random-effect“-Modells hin, vgl. Tab. 8.8. Daher wird auf die Darstellung der Befunde verzichtet.Google Scholar

Bei Wiederholung der Panelanalyse unter Vernachlässigung der in der ersten Panelanalyse nicht signifikanten Variablen bleiben die Befunde für die signifikanten Variablen stabil. Die statistische Güte des Schätzmodells erhöht sich, was sich in einem leichten Anstieg des R² und einem leicht verbesserten Signifikanzniveau für den Einfluß der Regressoren ausdrückt.Google Scholar

Der Konjunktureffekt wird hauptsächlich deswegen berücksichtigt, um die Stabilität der Parameter-schätzung für die unabhängigen Patentkennzahlen zu erhöhen, vgl. die Abschnitte 8.1 und 8.2.4.Google Scholar

Vgl. Abschnitt 8.1.Google Scholar

Vgl. Abschnitt 6.1.Google Scholar

Die in der Panelanalyse getestete Nullhypothese unterstellt keinen Zusammenhang zwischen den jeweiligen Regressoren und dem Regressand. Um die Richtung des postulierten Zusammenhanges deutlich zu machen, wird die im Text erläuterte Hypothesenformulierung gewählt. Die Ablehnung der in der Panel Schätzung getesteten Nullhypothese führt zur Annahme der a priori vermuteten Wirkungs-zusammenhänge. Die Gesamtheit der in dieser Arbeit getesteten Hypothesen ist durchgehend numeriert.Google Scholar

Vgl. Abschnitt 4.3.2.Google Scholar

In dieser Panelanalyse beträgt die Anzahl der Beobachtungen ebenfalls 357. Die Notwendigkeit der Anwendung eines „fixed-effect“-Modells ergibt sich aus der Signifikanz des „Chow-Testes“, vgl. Tab. 8.9. Modell 2 wurde mit Hilfe von TSP in der Version 4.2 und Modell 4 mit SPSS für Windows in der Version 5.0.1 geschätzt. Die Schätzung von Modell 4 erlaubt die konsistente und systematische Überprüfung der geschätzten Panelmodelle auf Verletzungen der Anwendungsprämissen, wie sie bereits für vorangegangene Regressionsschätzungen erfolgte, vgl. Abschnitt 6.1. Die Nicht-Normalverteilung der Residuen konnte durch Logarithmierung des Regressanden behoben werden. Das Ergebnis des anschließenden „Kolmogorov-Smirnov-Testes“ ist in der Tab. 8.9 aufgeführt. In beiden Panel Schätzungen kann die Nullhypothese, die Residuen seien normalverteilt, nicht zurückgewiesen werden. Auf dem entsprechenden Residuenplot sind keine Anzeichen von Autokorrelation zu erkennen. Die Inspektion zusätzlicher Residuenplots bestätigte sowohl die Annahme der Linearität als auch der Homoskedastitzität. Auf die Darstellung der jeweiligen Residuenplots wird aufgrund des enormen Platzbedarfs verzichtet. „Influential observations“ wurden mit Hilfe von „Cook’s Distance“ ermittelt und einem F-Test unterzogen. Bei Vorliegen signifikanter Abweichungen (a <10%) wäre die jeweilige Beobachtung entfernt worden. Nach diesem Verfahren wurden keine „influential observations“ festgestellt. Das Ergebnis des „Hausman-Testes“ weist auf eine Verletzung der elementaren Anwendungsprämisse eines „random-effect“-Modells hin, vgl. Tab. 8.9. Daher wird auf die Darstellung der Befunde verzichtet.Google Scholar

Vgl. Schmoch, U., 1990a, S. 21. Nach Angaben von Greif, lag im Jahr 1988 der Anteil direkter Patentanmeldungen beim EPA ohne Voranmeldung beim DPA in Abhängigkeit der Unternehmensgröße zwischen 1% und 3% der gesamten Patentanmeldungen, vgl. Greif, S., 1993, S. 55.Google Scholar

Bei Wiederholung der Panelanalyse unter Vernachlässigung der in der ersten Panelanalyse nicht signifikanten Variablen bleiben die Befunde für die signifikante Variable stabil. Die statistische Güte des Schätzmodells erhöht sich, was sich in einem leichten Anstieg des R² und einem leicht verbesserten Signifikanzniveau für den Einfluß des Regressors ausdrückt.Google Scholar

So ist z.B. zu vermuten, daß die Möglichkeit der Vernachlässigung relevanter Variablen, die nicht unabhängig von individuellen Effekten bzw. den Regressoren sind (z.B. Unternehmensgröße, Struktur der F&E-Abteilung, Art der Technologiestrategie), im Schätzmodell vermindert wird. Dieser Effekt könnte sich in nicht signifikanten Ergebnissen des „Hausman-Testes“ widerspiegeln, wodurch die Anwendung eines „random-effect“-Modells aus statistischen Gründen möglich wird.Google Scholar

Die in der Panelanalyse getestete Nullhypothese unterstellt keinen Zusammenhang zwischen den jeweiligen Regressoren und dem Regressand. Um die Richtung des postulierten Zusammenhanges deutlich zu machen, wird die im Text erläuterte Hypothesenformulierung gewählt. Die Ablehnung der in der Panel Schätzung getesteten Nullhypothese führt zur Annahme der a priori vermuteten Wirkungszusammenhänge. Die Gesamtheit der in dieser Arbeit getesteten Hypothesen ist durchgehend numeriert.Google Scholar

Für zwei Unternehmen liegen Beobachtungen über acht Perioden vor. Somit ergeben sich aus theoretisch 144 Beobachtungen 142 auszuwertende Beobachtungen.Google Scholar

Die Notwendigkeit der Anwendung eines „fixed-effect“-Modells ergibt sich aus der Signifikanz des „Chow-Testes“, vgl. Tab. 8.10. Modell 2 wurde mit Hilfe von TSP in der Version 4.2 und Modell 4 mit SPSS für Windows in der Version 5.0.1 geschätzt. Die Schätzung von Modell 4 erlaubt die konsistente und systematische Überprüfung der geschätzten Panelmodelle auf Verletzungen der Anwendungs-prämissen, wie sie bereits für vorangegangene Regressionsschätzungen erfolgt ist, vgl. Abschnitt 6.1. Die Nicht-Normalverteilung der Residuen konnte durch Logarithmierung des Regressanden behoben werden. Das Ergebnis des anschließenden „Kolmogorov-Smirnov-Testes“ ist in der Tab. 8.10 aufgeführt. In beiden Panelschätzungen kann die Nullhypothese, die Residuen seien normalverteilt, nicht zurückgewiesen werden. Auf dem entsprechenden Residuenplot sind keine Anzeichen von Autokorrelation zu erkennen. Die Inspektion zusätzlicher Residuenplots bestätigte sowohl die Annahme der Linearität als auch der Homoskedastitzität. Auf die Darstellung der jeweiligen Residuenplots wird aufgrund des enormen Platzbedarfs verzichtet. „Influential observations“ wurden mit Hilfe von „Cook’s Distance“ ermittelt und einem F-Test unterzogen. Bei Vorliegen signifikanter Abweichungen (a >10%) wäre die jeweilige Beobachtung entfernt worden. Nach diesem Verfahren wurden keine „influential observations“ festgestellt. Das Ergebnis des „Hausman-Testes“ weist auf keine Verletzung der elementaren Anwendungsprämisse eines „random-effect“-Modells hin, vgl. Tab. 8.10. Eine Schätzung auf der Basis eines „random-effect“-Modells bestätigte die inhaltlichen Befunde des „fixed-effect“-Modells. Die Regressionskoeffizienten weisen auf einem niedrigeren (statistisch besseren) Signifikanzniveau inhaltlich übereinstimmende Werte auf Daher kann auf die Darstellung der Ergebnisse verzichtet werden.Google Scholar

Vgl. Tab. 8.8.Google Scholar

Die längere Zeitspanne bis zur Generierung von Umsatzzuwächsen kann zum einen auf die technische Umsetzung anspruchsvoller Inventionen oder zum anderen auch auf größere Marktwiderstände gegenüber einer angebotsorientierten Erfindung zurückzuführen sein, vgl. Brockhoff, K., 1994, S. 163.Google Scholar

Bei Wiederholung der Panelanalyse unter Vernachlässigung der in der ersten Panelanalyse nicht signifikanten Variablen bleiben die Befunde für die signifikanten Variablen stabil. Die statistische Güte des Schätzmodells erhöht sich, was sich in einem leichten Anstieg des R² und einem leicht verbesserten Signifikanzniveau für den Einfluß der Regressoren ausdrückt.Google Scholar

Die in der Panelanalyse getestete Nullhypothese unterstellt keinen Zusammenhang zwischen den jeweiligen Regressoren und dem Regressand. Um die Richtung des postulierten Zusammenhanges deutlich zu machen, wird die im Text erläuterte Hypothesenformulierung gewählt. Die Ablehnung der in der Panelschätzung getesteten Nullhypothesen fuhrt zur Annahme der a priori vermuteten Wirkungs-zusammenhänge. Die Gesamtheit der in dieser Arbeit getesteten Hypothesen ist durchgehend numeriert.Google Scholar

Die Anzahl der Beobachtungen beträgt 142. Die Notwendigkeit der Anwendung eines „fixed-effect“-Modells ergibt sich aus der Signifikanz des „Chow-Testes“, vgl. Tab. 8.11. Modell 2 wurde mit Hilfe von TSP in der Version 4.2 und Modell 4 mit SPSS für Windows in der Version 5.0.1 geschätzt. Die Schätzung von Modell 4 erlaubt die konsistente und systematische Überprüfung der geschätzten Panelmodelle auf Verletzungen der Anwendungsprämissen, wie sie bereits für vorangegangene Regressionsschätzungen erfolgte, vgl. Abschnitt 6.1. Die Nicht-Normalverteilung der Residuen konnte durch Logarithmierung des Regressanden behoben werden. Das Ergebnis des anschließenden „Kolmogorov-Smimov-Testes“ ist in der Tab. 8.11 aufgeführt. In beiden Panelschätzungen kann die Nullhypothese, die Residuen seien normalverteilt, nicht zurückgewiesen werden. Auf dem entsprechenden Residuenplot sind keine Anzeichen von Autokorrelation zu erkennen. Die Inspektion zusätzlicher Residuenplots bestätigte sowohl die Annahme der Linearität als auch der Homoskedastitzität. Auf die Darstellung der jeweiligen Residuenplots wird aufgrund des enormen Platzbedarfs verzichtet. „Influential observations“ wurden mit Hilfe von „Cook’s Distance“ ermittelt und einem F-Test unterzogen. Bei Vorliegen signifikanter Abweichungen (a >10%) wäre die jeweilige Beobachtung entfernt worden. Nach diesem Verfahren wurden keine „Influential observations“ festgestellt. Das Ergebnis des „Hausman-Testes“ weist auf keine Verletzung der elementaren Anwendungsprämisse eines „random-effect“-Modells hin, vgl. Tab. 8.11. Eine Schätzung auf der Basis eines „random-effect“-Modells bestätigte die inhaltlichen Befunde des „fixed-effect“-Modells. Die Regressionskoeffizienten weisen auf einem niedrigeren (statistisch besseren) Signifikanzniveau inhaltlich übereinstimmende Werte auf. Daher kann auf die Darstellung der Ergebnisse verzichtet werden.Google Scholar

Vgl. Tab. 8.9.Google Scholar

Vgl. Tab. 8.9.Google Scholar

Vgl. Abschnitt 5.1.3.Google Scholar

Bei Wiederholung der Panelanalyse unter Vernachlässigung der in der ersten Panelanalyse nicht signifikanten Variablen bleiben die Befunde für die signifikante Variable stabil. Die statistische Güte des Schätzmodells erhöht sich, was sich in einem leichten Anstieg des R² und einem leicht verbesserten Signifikanzniveau für den Einfluß des Regressors ausdrückt.Google Scholar

Die Plausibilität der empirischen Befunde wurde in Gesprächen mit Vertretern aus den an dieser Erhebung beteiligten Unternehmen prinzipiell bestätigt. Bauer et al. geben die Vorlaufzeit zwischen Patentanmeldung und Markteintritt für die WZM-Industrie mit 24 bis 36 Monaten an, vgl. Bauer, H.H. et al., 1991, S. 60. Diese Einschätzung entspricht den Befunden der Panelanalyse.Google Scholar

Vgl. Abschnitt 2.2.2.1.Google Scholar

Vgl. Abschnitt 2.2.1.6 und Abb. 2.8.Google Scholar

Vgl. Abschnitt 5.2.3.Google Scholar

Vgl. die Abschnitte 3.1, 3.3.2 und 3.4.Google Scholar