由於商業、工業和民生各方面大量的用電需求，使得電費在某些季節會特別昂貴。又因為電力的生產和儲存都有限，故電力公司為了能更有效率的分配總電力，要求消費者事先訂定各自用戶的契約容量，做為每個月分配電力的最大標準。對於消費者而言，相較於較高的契約容量，選取較低的契約容量通常負擔的基本電費也較低，但是當用電量超過契約容量時則必須支付高額罰金。因此消費者為了盡可能使長期的用電消費降低，選擇一個合適且最佳的契約容量是很重要的課題。在本文中以隨機模型”具飄移項之布朗運動”作為分析用電量趨勢的模型，並介紹如何做模型的驗證以及參數的估計，接著建構出總電費的期望值估計式以尋找最佳的契約容量。最後，以政治大學的實際用電量資料作為本文的研究實例，並提出選擇契約容量之建議方針。

本論文共計壹冊，全文約五萬字，分為五章十七節。第一章為導論，陳述研究動機、 目的、範圍及內容。第三章為文獻探討，陳述自動化定義，工作技能要項之構面、基 礎與次級工作技能之採討以及國外之相關實證研究。第三章為研究設計，陳述研究之 方法、架構、以及研究限制。第四章為研究結果陳述，詳細陳述本趼究之問卷分析以 及個案研究結果。第五章則為結論及建議事項。 本研穹主要為探討我國廠商之篡動化程度對於其所需之各類職務人員之工作技能要項 有何影響。故本研究將廠商依其自動化程度之高低分為兩群，其組織內之人員則分為 六類，採因素分析以及統計檢定方法以了解自動化程度對此六類人員工作技能要求之 差異性，此外為求獲得更為一般性之結論，並採個案訪問之方式，以了解一般產業之 看法及作為。

全文一冊，共五章，前四章各二小節，後一章不分節，約二萬字。 內容大致為，不完整樣本的適應檢定中，若在ARMITAGE-COX模型下，可求出生存函數 的最概估計量，本文討論在一般的情形下的PRODUCT-LIMIT 估計量以及ARMITAGE-COX 模型下的最概估計量，它們在指數分配的CORRELATION 適合度檢定及NEW BETTER THA N USED檢定的表現，並以模擬作數值上的討論。 本文第一章入整體的簡單介紹，第二章介紹不完整樣本的模型，第三章適合度檢定， 第四章指出數值模擬的結果及分析，第五章結論。

第一章 緒 言 第一節 說明研究動機與目的。 第二節 說明研究範圍及所用之印證方法。 第三節 將採用之特殊符號加以說明，以便於使用與避免混淆。 第二章 逐次機率比例檢定 本章共有四節，第一至三節分別敘述逐次機率比例檢定的定義及其第一、 二種過誤及樣本數期望值的計算，及其所具有之性質及其在運用上的一些 困擾。 第四節敘述瓦德近似式的由來及其性質，并與最佳逐次機率比例檢定相比 較。 第三章 兩階段逐次機率比例檢定 本章計分四節，分別敘述兩階逐次機率比例檢定的定義，特性及其與最適 固定檢定逐次機率比例檢定、去尾逐次機率比例檢定的比較。 第四章 兩階段逐次機率比例檢定的應用 本章分為二節，分別說明常態分配、二項分配在實際應用上的例子。 第五章 結 論 本章說明兩階段逐次比例檢定的優劣點，適用性及一些應注意事項。

本研究利用ADF單根檢定以及新觀點的季節性單根檢定做為分析工具，去檢測期貨巿場與現貨巿場是否存在一長期均衡關係。研究對象共有十種，分別為：能源期貨－輕原油、煤油，外匯期貨－日圓、瑞士法郎（對美元），短期利率期貨－一個月期倫敦銀行拆款利率、90天期美國國庫券，公債期貨－2年的美國中期公債、15至30年的美國長期公債，S&P500指數期貨，金屬期貨－高等級銅期貨。 過去檢測長期均衡關係所使用的單根檢定觀點假設其他頻率的單根並不存在，因此當拒絕虛無假設時，我們無法確知拒絕的原因是資料真的沒有單根的存在，抑或是資料具有季節性現象，因此納入季節性考量的HEGY檢定法，將是比較一般化的檢定方法，而且因為HEGY能夠同時檢定季節性及某些非季節性單根的存在與否，而不必假設所有季節性頻率的單根皆同時存在，所以ADF單根檢定法可視為HEGY季節性單根檢定法之特例，因此一般來說，HEGY檢定法之檢定力較ADF單根檢定法為高。 而本文實證結果亦證明，ADF單根檢定法的確無法檢定出季節性單根的有無，當季節性因素存在時，使用ADF單根檢定將可能導致錯誤的推論。

自Nelson和Plosser (1982)後，研究經濟資料是否具有單位根現象，已成為近二十年來熱門且重要的課題。因 為資料性質的不同(恆定或非恆定)，對實證計量模型的設定、統計推論以及原理論的發展有深遠的影響。與傳 統探討單一時間數列之單位根的論文不同的是，本篇論文將橫斷面的資料擴大，探討混合型資料的單位根現象 ( Panel Unit Root )。就此課題，文獻上已有兩個不同的檢定方法: Levin、Lin和Chu (1997)的LLC檢定法以及Im、 Pesaran和Shin (1995)的IPS檢定法。 我們的研究，有別於以上兩者，是從「概似比」的角度(likelihood ratio) 和應用檢定共積關係的Johansen (1988)「Trace檢定」，建構新的單位根檢定統計量。首先於文中推導出，「Trace檢定」可用於檢測單一時間數 列的單位根現象。進而，再將橫斷面資料擴大，採用mean group方法，加總平均每個橫斷面時間數列的「Trace 檢定」統計量，形成混合型資料之單位根檢定統計量 。根據中央極限定理，標準化後的 檢定統計量，極限上 收斂至標準常態分配。此外，我們也推導得出 檢定統計量與傳統ADF、LLC以及IPS檢定統計量極限上的關係。 最後，我們以「蒙地卡羅」模擬方法，分析小樣本下「型一誤差」與「檢定力」的表現。發現新的混合型資 料之單位根檢定統計量表現優良，近似於標準常態分配。故在做混合型資料的單位根分析時，採用 檢定統計 量，可得到較精確的推論。

本篇論文利用單根檢定(Unit Root Test)、向量自我迴歸模型(Vector Autoregression)與衝擊反應(Impulse Responses)，檢驗S&P500指數月報酬率、10年期公債月報酬率、消費者物價指數月增率與聯邦資金利率月增率的相關性，我們使用AIC與BIC選取向量自我迴歸最適落後期，最適落後期為落後兩期，S&P500受到其它變數影響並不顯著，10年期公債月報酬率除了受到本身前兩期的影響外，也受到S&P500指數月報酬率前一期的影響，而消費者物價指數月增率則受到本身影響，至於聯邦資金利率除受到本身前兩期的影響之外，也受到S&P500指數月報酬率前兩期與10年期公債月報酬率前一期的影響。

本篇探討在2002年起的原物料多頭浪潮至2011年3月期間，以原物料指數：高盛綜合商品指數(GSCI)、農商品指數(GSCI AG)與股市、匯市為研究對象，利用共整合檢定與向量自我迴歸(VAR)還有向量誤差修正模型(VECM)模型等實證方法，在九個國家中，探討變數間的關聯性。 實證結果顯示，在股、匯市與GSCI的模型中，美國、印度與俄國具有共整合關係；在股、匯與GSCI AG的模型中，美國、澳洲與台灣具有共整合關係。表示這幾個國家變數間存在長期穩定關係。VAR與VECM結果顯示，不管是原物料出口國或是進口國，對於各國股市的影響，皆為顯著正向影響，在Granger 因果檢定上，除了日本以外，所有國家的股市皆具有Granger領先原物料變數的關係，而原物料會Granger領先於股市的國家有日本與俄羅斯，其中俄國股市與原物料GSCI具有雙向因果關係股市也顯著領先原物料指數。在農糧物料部分，股市會Granger領先農糧指數的國家比起綜合商品指數來說大幅減少許多，僅剩中國，印度兩國。在匯率部分，除了美國因為大多商品以美金計價，使得美元貶值與商品價格上漲有著顯著的關係外，其他國家貨幣因為是對美元匯率，所以一致呈現出當原物料價格上漲該國貨幣就會升值的影響。在原物料輸出大國，加拿大與澳洲特別明顯。另外在匯市上，原物料指數對大多數國家匯市具有Granger領先關係，而其中匯市Granger領先股市的國家有台灣與韓國，表示此兩國匯市與原物料具有雙向因果關係。在農糧物料方面，農商指數對大多數國家匯市仍具有Granger領先關係，而其中匯市Granger領先股市的國家僅有俄國，表示此國匯市與原物料具有雙向因果關係。

由於企業需經常性的承受市場瞬息萬變的衝擊，透過人員的培訓作業是一種減少衝擊影響的策略之一，因為人才培訓的主要目的是在於針對市場的變化所需之技能、知識、技巧等職能，進行再次的訓練，故藉由人才培訓的方式將企業導入一個創新的市場，如此便可達到開發新市場的目的。因此，人才培訓的效果是否對企業未來發展的人才需求存在著正面的關聯，便成為本研究所欲探討的方向，也是本研究的動機。 　因此，在產業、企業組織規模等條件不同的條件下，對於企業未來展之人才需求的影響因子探討，則成為值得探討議題。故本研究藉由二維統計分析及獨立性檢定的導入，研究不同產業及不同企業組織規模下的企業對其人才需求的認知，茲將研究分析發現概分下列幾項： (1) 主管的變革能力與環境變遷是企業亟需加強的人才培訓課程； (2) 服務業首重於業務行銷的人才需求； (3) 11人以上的企業對專業人才的需求較高； (4) 專業技能是製造業最亟需加強的培訓方向； (5) 企業未來發展人才需求為業務行銷應首重員工溝通能力的培訓。

本篇論文著重於探討ARMA模型的選模準則，過去較為著名的AIC、BIC等選模準則中，若總參數個數相同，模型選擇便簡化為比較各模型的概似函數在MLE下的值，故本研究將假設檢定定義為檢定總參數個數；截至目前為止，選模準則在使用上以AIC及BIC較為普遍，此兩種選模準則從本研究所定義的假設檢定的觀點來看，AIC犯型一誤差機率高，同時檢定力也高；BIC犯型一誤差的機率極低，同時檢定力也相對不高，本研究從此觀點提出一個選模準則方法，嘗試將上述兩種方法折衷，將型一誤差控制在5%，且檢定力略高於BIC。模擬的結果在理想的情形下皆符合預期，但在真實情形本研究方法涉及第一階段的模型選取，本研究提供兩種第一階段的模型選取方法，模擬的結果顯示，方法一型一誤差略為膨脹，檢定力增幅顯著；方法二型一誤差控制精準，但檢定力表現較差。本研究所提出的方法計算時間較為冗長，但若想將 AIC 及 BIC 方法折衷，可考慮嘗試本研究方法。 / This thesis focuses on model selection criteria for ARMA models. For information-based criteria such as AIC and BIC, the task of model selection is reduced to the comparison among likelihood values at maximum likelihood estimates if the numbers of parameters in candidate models are all the same. Thus the key step in model selection is the determination of the total number of parameters. The determination of number of parameters can be addressed using a hypothesis testing approach, where the null hypothesis is that the total number of model parameters is equal to a given number k and the alternative hypothesis is that the total number of parameters is equal to k+1. In this thesis, an information-based model selection method is proposed, where the number of parameters is determined using a two-stage testing procedure, which is constructed with the attempt to control the average type I error probability to be 5%. When using BIC in the above testing problem, simulation results indicate that the average type I error probability for BIC is lower than 0.05, so it is expected the proposed test is more powerful than BIC. The first stage of the proposed test involves selecting the most likely models under the null and the alternative hypothesis respectively. Two methods are considered for the first-stage selection. For the first method, the type I error probability can be larger than 0.05, but the power is significantly larger than BIC. For the second method, the type I error probability is under control, but its power increment is comparatively low. The computing time for the proposed test is rather long. However, for those who need an eclectic method between AIC and BIC, the proposed test can serve as a reasonable choice.