3 结果

3.1 变量的统计特征

我们首先在表1中报告变量的基本统计特征和相关系数，从表1中可以看出，样本中共有3161个观测值（由于部分虚拟产品购买量比较少，在开始的某些时点上购买量为0，导致有效数据点并不是260×13=3380）；跟随型中心人物和创新型中心人物的相关系数很高，达到了0.881。

表1 变量的统计特征和相关系数

3.2 假设检验

3.2.1 中心人物对市场规模的动态影响

本文主要研究中心人物对于市场规模的动态影响，即不同时间点上中心人物对于市场规模的影响。因此，我们首先要检验不同时间点上是否有相同的系数（即面板数据是否可以采用变系数模型）。根据陈强（2010）对于面板数据模型形式的设定检验，我们得到变系数模型的参数稳定性检验的chi2（24）=151.80,p＜0.001，即我们强烈拒绝参数不变的假设，变参数模型得到验证。回归结果见表2。

表2 回归结果

注：所有系数、截距的显著性均为p＜0.05。

从表2中可以看出，所有中心人物关于市场规模的系数都是显著的，并且参数稳定性检验的chi2（24）=151.80, p＜0.001，中心人物对于新产品扩散的动态影响得到验证。同时，由系数的变化我们可以得出，中心人物对于新产品扩散的影响逐渐增大（如图1所示），假设1得到验证。

3.2.2 创新型中心人物和跟随型中心人物对于市场规模的动态影响

由于创新型中心人物和跟随型中心人物有着比较强的相关性（这两个变量共同受到潜变量市场趋势的影响）；因此，首先根据创新型中心人物和创新型人物的数据，应该用主成分分析的方法，找出背后的共同趋势，然后用他们的残差代表他们影响的净值，代入方程（4）。另外，由于我们探究创新型中心人物和跟随型中心人物对于市场规模的动态影响，也需要检验不同类型中心人物对于市场规模的影响（假设2），我们首先要检验不同时间点上是否有不同的系数（即面板数据是否可以设定为变系数模型），借鉴类似上一节的检验方法陈强（2010），我们得到chi2（36）=397.44, p＜0.001，强烈拒绝参数不变的假设，变参数模型得到验证。回归结果见表3。

从表中所反映的数据可以看出：随着新产品导入时间的增长，创新型中心人物对于市场规模的影响逐渐增大，跟随型中心人物对于市场规模的影响逐渐减少，两者在一段时间后两者的影响力逐渐趋同（如图2所示），因此假设2a和2b得到验证。另外，从表中我们也可以看到，尽管创新型中心人物对于市场扩散规模的影响逐渐增大，跟随型中心人物对于市场扩散规模的影响逐渐减小，但跟随型中心人物的影响力始终大于跟随型中心人物，而这样与Goldenberg等（2009）在不考虑中心人物对新产品扩散的动态趋势时，得到的结论一致。

图1 中心人物的影响系数

图2 创新型中心人物和跟随型中心人物对新产品扩散的影响

表3 回归结果

注：所有系数，截距的显著性为p＜0.05。