線性結構關係模式是一種考慮以多個直線方程式來分析處理變數間因果關 係的統計方法，其結合了因徑分析及因素分析之優點並將之融合於整體模 式中。線性結構關係模式經過參數估計後，需評估整個模式之好壞，因此 許多學者嘗試提出一些評估模式好壞的適合度指標，如一般常用的卡方檢 定、殘差均方根、適合度指標、調整後適合度指標以及基準指標等。這些 指標中有的指標會受到樣本數大小或樣本分布的影響，有些指標受模式隱 藏變數多寡或因素指標多寡的影響，有些指標需有嚴格的條件（如樣本需 服從常態分布）及前提方可適用，且有些指標的分布是未知的，因此欲對 這些指標進行區間估計、假設檢定、或顯著性差異比較是不可能的。基於 上述各種適合度指標的缺點，本論文利用拔靴法進行重抽樣求得拔靴分布 來解決上述各種問題。然而傳統的拔靴法在線性結構關係模式上是不適用 的，因此，再提出一改良拔靴法程序，求得拔靴分布來做為評估模式好壞 的依據，並利用改良拔靴法來做巢狀模式之顯著性差異比較及利用抽樣誤 差和非抽樣誤差觀念來評估模式適合度。

賽局理論(Game Theory)大多假設理性決策，單一回合賽局通常可由理論證明均衡(Equilibrium)或是最佳決策，然而如果賽局重複進行，不見得只存在單一均衡，光從理論推導可能無法找到所有均衡。以囚犯困境(Prisoner Dilemma)為例，理論均衡為不合作，若重複的賽局中存有互利關係，不合作可能不是最佳選擇。近年來，經濟學家藉由和統計實驗設計類似的賽局實驗(Game Experiment)，探討賽局在理論與實際間的差異，並以學習模型(Learning Model)描述參賽者的決策及行為，但學習模型的優劣大多依賴誤差大小判定，但誤差分析結果可能與資料有關(Data Dependent)。有鑑於學習模型在模型選取上的不足，本文引進統計分析的模型選取及殘差檢定，以實證資料、配合電腦模擬評估學習模型。 本文使用的實證資料，屬於囚犯困境的重複賽局(Repeated Game)，包括四種不同的實驗設定，參加賽局實驗者（或是「玩家」）為政治大學大學部學生；比較學習模型有四種：增強學習模型(Reinforcement Learning model)、延伸的增強學習模型(Extend Reinforcement Learning Model)、信念學習模型(Belief Learning Model)、加權經驗吸引模型(Experience-Weighted Attraction Model)。實證及模擬分析發現，增強學習模型較適合用於描述囚犯困境資料，無論是較小的誤差或是適合度分析，增強學習模型都有較佳的結果；另外，也發現玩家在不同實驗設定中的反應並不一致，將玩家分類後會有較佳的結果。 / In game theory, the optimal strategy (or equilibrium) of one-shot games usually can be solved theoretically. But, the optimal strategies of repeated games are likely not unique and are more difficult to find. For example, the defection is the optimal decision for the one-shot Prisoner Dilemma (PD) game. But for the repeated PD game, if the players can benefit from cooperation between rounds then the defection won’t be the only optimal rule. In recent years, economists design game experiments to explore the behavior in repeated games and use the learning models to evaluate the player’s choices. Most of the evaluation criteria are based on the estimation and prediction errors, but the results are likely to be data dependent. In this study, we adapt the model selection process in regression analysis and apply the idea to evaluate learning models. We use empirical data, together with Monte Carlo simulation, to demonstrate the evaluation process. The empirical data used are repeated PD game, including four different experimental settings, and the players of the game are from National Chengchi University in Taiwan. Also, we consider four learning models: Reinforcement learning (RL) model, Extend Reinforcement learning (ERL) model, Belief Learning (BL) model, and Experience-weighted attraction (EWA) model. We found that the RL model is more appropriate to describe the PD data. In addition, the behaviors of players in a group can be quite different and separating the players into different sets can reduce the estimation errors.

關聯結構(Copula)這個字最早由Sklar(1959)以法文所提出，在邊際分配未知的假設下，透過關聯結構的特性，可以容易的建立聯合機率分配，所以關聯結構的觀念廣泛應用在財務領域中。對於資料在配適關聯結構的同時，要如何知道哪種關聯結構函數是最符合資料型態的分配呢?為解決這個問題，本文中參考Dobric and Schmid (2005)所提出的方法--卡方適合度檢定，來看資料配適關聯結構函數是否配適的恰當。所以本文的研究重點就是在利用卡方適合度檢定來探討各類股間日報酬率資料配適關聯結構的情形。在5種不同關聯結構(Normal關聯結構、t關聯結構、Clayton 關聯結構、Frank關聯結構、Gumbel關聯結構)，利用蒙地卡羅模擬方法，來做關聯結構在卡方適合度檢定之模擬，以及檢定力曲線。在檢定統計量、參數估計、顯著水準的估計都還不錯，只有當切割數越大時參數估計會和設定值差異較大。從檢定力曲線可看出這些檢定的檢定力都很好，代表有足夠能力能去辨別出分配的差異性。實證的部份，從台灣上市公司選取4個內需概念股報酬率的日內資料。結果可看出在Normal、Clayton、Frank、Gumbel這4個關聯結構，是不適合用來描述實際報酬的日資料。而當t關聯結構自由度較小時來描述資料型態是表現的不錯。

我國金融消保法於2011年制定，是以保護金融消費者權益，公平、合理、有效處理金融消費爭議事件，以增進金融消費者對市場之信心，並促進金融市場之健全發展為目標。同樣的，因金融消保法將散落在各金融法規的廣告、業務招攬、營業促銷活動、說明義務、適合度評估統合規定，並創立一元化的金融消費爭議處理機制，帶給金融市場相當大的影響。 我國銀行保險業務，近年來快速發展，於適用金融消保法時，會給銀行保險業務帶來什麼影響？本文主要是藉由銀行保險業者履行廣告、業務招攬、營業促銷活動、說明義務、適合度評估之義務時，比較銀行保險業務原先所適用的法規範，以及適用金融消保法後產生的差異，探討對銀行保險業者的影響。然而，然而，因為銀行保險架構採取保險人或銀行保經代為經營主體的二方合約和三方合約經營模式，導致了銀行通路的責任問題，而且於銀行保險發生爭議，要保人使用金融消費爭議處理機制並選擇申訴對象時，會將這個問題展現得更加明顯。 金融消保法確立了廣告招攬促銷擔保責任、說明義務、適合度評估是金融服務業者應履行的法定義務，運用於銀行保險業務，不論在保護要保人方面，或是在維持銀行保險業務安定性的方面都帶來正面的影響。然而，因為金融消保法的要求更加完備和全面，所以銀行保險業者履行這些義務時，會對其業務、財務造成負擔，進而影響其營運，這是必須正視的現象。再者，銀行保險爭議發生時，要保人無法以銀行為申訴對象向其求償，使銀行有權責不一致之情形。因此，金融消保法作為提供給各金融服務業者和金融消費者適用的整合性法律，若採取傳統的分業經營規範方式，將會產生許多適用上的問題。 所以，本文除解析金融消保法對銀行保險業務的影響層面外，還探討金融消保法規定分業經營所產生的問題，並得出結論認為金融消保法跨業經營規範之制定將會使銀行權責得以相符，也會讓金融消保法更能符合實務的需求。

現今在處理財務資料的過程當中，通常對於資料的分配特性是未知的，然而 透過關聯結構可以較容易的得知資料的聯合機率分配，但要如何得知資料是最 適合配適何種關聯結構呢？為了解決這個問題，Dobric & Schmid (2005, "Testing Goodness of Fit for Parametric Families of Copulas ---Application to Financial Data",Communication in Statistics: Simulation and Computation, 34,pp.1053-1068) 提 出了針對在二維關聯結構的方法---卡方適合度檢定，來檢視資料配適多種關 聯結構是否恰當。本篇論文延續著 Dobric & Schmid(2005)所提出的方 法，把資料配適二維關聯結構的情形推廣到三維上面來探討，並檢視類股間日 漲跌幅資料配適關聯結構的情形。模擬方面，利用蒙地卡羅模擬法，探討五種 三維關聯結構中卡方適合度檢定的模擬結果以及檢定力曲線的表現。實證方 面，以台灣股票市場為例，選取四個建築相關類股的日內 (Intra- day)股 價漲跌幅資料，檢定實際資料配適五種關聯結構的情形，並進一步了解實際資 料配適何種關聯結構最恰當，從實證研究得知可以發現實際資料配適 Normal、 Clayton、 Frank 和 Gumbel 關聯結構的表現並不佳，唯獨在 配適 t關聯結構最恰當，尤其是自由度為3或4的t關聯結構表現較佳。 關鍵字: 關聯結構，卡方適合度檢定，Normal 關聯結構，Clayton 關聯結 構，t關聯結構，Frank 關聯結構，Gumbel 關聯結構，日內(Intra-day) 價漲跌幅

在資料分析上，調查者通常需要決定，不同的樣本是否可被視為來自相同的母體。一般最常使用的統計量為Pearson’s 統計量。然而，傳統的統計方法皆是利用二元邏輯觀念來呈現。如果我們想要用模糊邏輯的概念來做樣本調查，此時，使用傳統 檢定來分析這些模糊樣本資料是否仍然適當？透過這樣的觀念，我們使用傳統統計方法，找出一個能處理這些模糊樣本資料的公式，稱之為模糊 。結果顯示，此公式可用來檢定，模糊樣本資料在不同母體下機率的一致性。 / In the analysis of research data, the investigator often needs to decide whether several independent samples may be regarded as having come from the same population. The most commonly used statistic is Pearson’s statistic. However, traditional statistics reflect the result from a two-valued logic concept. If we want to survey sampling with fuzzy logic concept, is it still appropriate to use the traditional -test for analysing those fuzzy sample data? Through this concept, we try to use a traditional statistic method to find out a formula, called fuzzy , that enables us to deal with those fuzzy sample data. The result shows that we can use the formula to test hypotheses about probabilities of various outcomes in fuzzy sample data.