本案例依原書 5.2.3「Methodology Description of the Econometric Model」與公式 (5.1) 整理。
理解 Dependent Variable、DII Predictor、Size Segmentation 與 12-equation Design。
研究將 E_AI_01 設為 Binary Dependent Variable：使用至少一種 AI Technology 為 1，否則 0；DII Level 為 Independent Variable，並依 Enterprise Size 分開估計。
| 項目 | 原書內容 | 說明 |
|---|---|---|
| Dependent Variable | E_AI_01 | 1=uses AI；0=does not use AI |
| Independent Variable | EVLDI／ELDI／EHDI／EVHDI | Digital Intensity |
| Size | Small／Medium／Large | 分開 Model |
| Formula | log(P/(1−P)) = β0 + βij·eij + εij | 原書公式 5.1 |
| Models | 12 | 4×3 Segment |
| Software | SPSS 23 | 原書分析工具 |
| Sample | 28 per size；2023；EU-27＋Norway | Aggregate Data |
Excel 可用 Logistic Function =1/(1+EXP(-z)) 做教材預測示範，但原書沒有提供全部 β0／βij Coefficients，因此不能重算原研究每個 Probability。AI 可解釋 Formula，不能補係數。
模型數 4×3=12。原書未提供在可讀文字中的完整 coefficient table，因此無法重新估計每一 cell probability。
Binary Logit 適用於 Binary Outcome，但研究的 Unit 是 Aggregate Eurostat Indicator，而不是逐企業 Microdata。模型估計的是 Digital Intensity 與 AI-use Likelihood 的關聯。
請解釋公式 5.1 的 dependent variable、predictor、size segmentation 與 logit transformation；沒有 coefficient 時禁止計算原研究預測機率。