Die Zeitperiode für die Sekundärdaten in dieser Studie erstreckte sich von 2007 bis 2019. Die Auswahl einer Zeitperiode erfolgte aus drei Gründen: Erstens die Kohärenz des statistischen Kalibers, zweitens die Verfügbarkeit der Kerndaten und drittens das Vermeiden des Einflusses des COVID-19-Ausbruchs. Neben der Auswahl der Stichproben folgte die Studie bestimmten Prinzipien zur weiteren Bereinigung und Fehlerbehandlung der Stichprobenunternehmen, wie beispielsweise das Entfernen von Unternehmen, die während des Beobachtungszeitraums delistet wurden, und das Auffüllen fehlender Daten. Schließlich wurden 283 High-Tech-Fertigungsunternehmen ausgewählt und unbalancierte Paneldaten von 2007 bis 2019 gesammelt, insgesamt 1805 beobachtete Proben.Nach Bestimmung der Stichproben wurden 26 unabhängige Variablen und 1 abhängige Variable konstruiert. Technologische Aufholleistung (TechCatchup) dient als abhängige Variable. Abhängig von verschiedenen Technologieregimen umfassen die unabhängigen Variablen sechs Aspekte wie technologische Innovationsangemessenheit, technologische Innovationskumulativität, Technologiechancen, Unsicherheit der Technologietrajektorie, Technologiezykluszeit (TCT) und industrieller Innovationsgrad. Der Marktregime umfasst Nachfrage und Marktkonzentration als entscheidende Faktoren. Causal machine-learning Analyse wird durchgeführt, um den Behandlungseffekt von Schlüsselvariablen zu untersuchen und Kausalitäten des Modells zu erforschen.Das Feature-Auswahlverfahren wird anhand von drei Algorithmen durchgeführt, um relevante Features zu identifizieren und unerwünschte Daten zu entfernen. Regressionanalyse wird verwendet, um Hypothesen zu testen. Schließlich wird Meta-Machine-Learning angewendet, um den durchschnittlichen Behandlungseffekt und heterogene Behandlungseffekte der spät eintretenden Pfadestrategie zu untersuchen, wobei die CausalML-Bibliothek verwendet wird. Die Behandlungseffekte des Pfad-creating-Strategie werden analysiert, um die Durchsetzungsfähigkeit der spät eintretenden Unternehmen im Wettbewerb zu verstehen.
Erforschung des Mechanismus der strategischen Wegbereitung für Spätzünder: Ein kombinierter Ansatz von Ökonometrie und kausalem maschinellem Lernen – Geistes- und Sozialwissenschaften-Kommunikation
