本案例依原書 5.3.1「Models’ Significance Omnibus Test」整理。
用 Omnibus Test 判斷加入 Digital Intensity Predictor 後，Logistic Regression 是否相較 Null Model 有顯著改善。
原書指出，EVHDI 在各企業規模中具有最高的 Chi-square；EHDI 尤其在 Medium／Large Enterprise 顯著；ELDI 只在 Medium／Large Enterprise 顯著；EVLDI 對所有企業規模都不顯著。原書以 p < 0.05 作為統計顯著門檻。
| DII | 原書 Omnibus 解讀 | 企業規模差異 |
|---|---|---|
| EVLDI | Not statistically significant | 所有 Size 都沒有清楚 AI Adoption Pattern |
| ELDI | Significant only in part | Medium／Large 顯著；Small 不清楚 |
| EHDI | Statistically significant | Medium／Large 尤其明顯 |
| EVHDI | Highest Chi-square／strong relationship | Across enterprise sizes |
| Significance Rule | p < 0.05 |
原書判定門檻 |
Excel 可整理每個 Segment 的 Chi-square、p-value、Significant Flag；AI 可協助把統計結果轉成管理語言，但不能把顯著關聯改寫成因果證明。
原書正文提供顯著性方向與模型群組，但本段文字抽取沒有完整列出 Fig. 5.3 每一格的 Chi-square／p-value，因此教材不補造缺失數字。
高／極高 Digital Intensity 與 AI Adoption 的統計關聯較穩定；低與極低 Digital Intensity 尤其在 Small Enterprise 中，單靠 DII 無法充分解釋 Adoption。
請依 Omnibus Chi-square 與 p-value 判斷每個 Logit Model 是否顯著，p < 0.05 標記 Significant；不要把 Statistical Significance 改寫成 Causality。