· lnGDP и lnGDPpercapita - значимые переменные, ожидаемое, положительно влияющие на объем трансграничных требований. Названные переменные выступают в качестве прокси переменных для обозначения размера рынка принимающей страны, с расширением рынка, ростом экономики и благополучия финансовых организаций, потребность в кредите и доступность получения кредита возрастает, соответственно объем трансграничных требований увеличивается.

· zscore - прокси переменная для обозначения устойчивости банковской системы развивающейся страны, оказалась значимой и в соответствии с теоретическими предположениями имеет отрицательное влияние на объем трансграничных требований. Значения z-score меньше нуля соответствуют низкой вероятности наступления дефолта в банковской системе принимающей страны, наоборот, большие нуля значения z-score характеризуют банковскую систему как неустойчивую, потому, увеличение значения z-score приводит к сокращению трансграничного кредитования.

· NPL - значимая переменная, направление влияния положительное, что не соответствует выдвинутому предположению. Возможное объяснение этом результату в том, что в ситуации ухудшения кредитных портфелей в банковском секторе, национальные банки проявляют повышенный спрос на иностранные заемные средства, поскольку внутреннему межбанковскому кредитованию присущи высокие кредитные риски.

· LTD - значимая переменная, отрицательное направление влияния подтвердилось, ожидаемый и вполне очевидный результат. Более высокая доля выданных кредитов по отношению к принятым депозитам, соответствует высокому риску ликвидности банковского сектора. Иностранные финансовые учреждения, как уже говорилось, не склонны к риску на территории развивающихся стран, поэтому повышение LTD соответствует сокращению объемов трансграничных требований.

· region - значимая категориальная переменная. Предположение о том, что региональные различия отражаются на динамике трансграничного кредитования подтвердились.

· EU - значимая дамми переменная, направление ее влияния, однако не соответствует ожиданиям. Можно предположить, что участие страны в Евросоюзе соответствует более низкому объему трансграничных требований, в связи со спецификой самих стран, попавших в выборку: Венгрия и Польша - так называемые, периферийные страны Евросоюза, они испытывают на себе последствия асимметрии валютно-финансовой системы Еврозоны. Стремлением к созданию единого экономического и торгового пространства, страны Евросоюза пришли к предельной гибкости валютного курса, однако оборотной стороной медали стало «ослабление действия автоматических стабилизаторов экономики ввиду исчезновения валютного риска, сужение инструментария денежно-кредитной политики стран со слабыми финансовыми системами» (Буторина, 2014, стр. 59). Таким образом, логика о том, что участие в Евросоюзе, характеризует финансовую систему страны как наиболее стабильную и наименее подверженную острым последствиям макроэкономических справедлива для развитых, наиболее влиятельных стран Евросоюза, а для таких периферийных стран эффект будет ровно обратным.

· rating - значимая категориальная переменная, направление влияния положительное, соответствует ожидаемым результатам. Более высокий кредитный рейтинг страны, подразумевает более надежный и устойчивый финансовый сектор, а потому положительно соотносится с объемом трансграничных банковских требований.

· shock - переменная незначима на выбранном уровне значимости, однако учитывается в анализе, поскольку исключение ее ухудшает модель. Направление ее влияния отрицательное, как и предполагалось, наступление валютного шока, испытание для финансового сектора принимающей страны и фактор дополнительного риск для кредитующей страны, поэтому наступление валютного шока будет сопровождаться сокращением объемов трансграничного кредитования.

Гипотеза H₀₁ отвергается, повышение обменного курса национальной валюты оказывает отрицательное влияние на объемы трансграничного банковского кредитования. Такое влияние объясняется преобладанием значимости растущих кредитных и валютных рисков, над значимостью увеличения выгод иностранных финансовых организаций от ослабления национальной валюты банка-заемщика.

Для проверки второй гипотезы, используем знание о том, что результаты регрессионного анализа Модели 1 подтвердили предположение о значимости влияния региональных различий на динамику трансграничного кредитования. Как установили Rai и Kamil (2010) институциональные особенности устройства банковской системы, сложившиеся нормы заключения трансграничных сделок оказывают существенное влияние на динамику потоков трансграничного кредитования. Также в работе Avdjiev и Takats (2014) эмпирически доказано, что влияние на уровень трансграничного банковского кредитования оказывают характеристики как заемщика, так и кредитора. Однако авторы показали, что в большей степени факторы, характеризующие заемщика, влияют на объемы кредитования, и на первом месте по значимости среди многочисленных факторов, включенных в анализ, авторы выделяют долю кредитов номинированных в долларах США в общем объеме трансграничных банковских кредитов, выданных этому заемщику (Avdjiev, Takats, 2014). Продолжая рассуждение авторов, предположим, что направление влияния обменного курса национальной валюты на объемы трансграничного кредитования может различаться по регионам, а именно, имеет положительное влияние в регионах слабо зависимых от курса национальной валюты, и иметь отрицательное влияние в регионах сильно зависимых от курса национальной валюты. Степень зависимости банковского сектора от курса валюты будем учитывать через следующий показатель:

· Отношение объема трансграничного банковского кредита, выраженного в US$ к совокупному объему трансграничного кредита - чем выше этот показатель, тем в большей степени банковский сектор страны зависим от обменного курса национальной валюты. Таким образом, регионы, где этот показатель высок, должны демонстрировать отрицательную зависимость обменного курса национальной валюты и объемов трансграничного банковского кредитования.

Таблица 4. Описательная статистика переменной зависимости банковского сектора от курса национальной валюты

В Таблице 4 представлена описательная статистика введенного показателя, как в совокупности по трем регионам, так и по каждому региону отдельно. Из таблицы видно, что в среднем для развивающихся стран Азии характерна наиболее высокая доля кредитов, выраженных в долларах к общему объему трансграничных кредитов, наименьшая доля наблюдается в развивающихся странах Латинской Америки, среднее из представленных значений наблюдается у развивающихся стран Европы. Таким образом, предполагаем, что в регионе «Развивающиеся страны Латинской Америки» будет наблюдаться положительная связь между динамикой обменного курса и динамикой трансграничного кредитования, в регионе «Развивающиеся страны Азии», напротив, будет присутствовать отрицательное влияние динамики обменного курса на объемы трансграничного кредитования. Для проверки этого предположения, рассматривается Модель 2, которая включает все регрессоры из итоговой спецификации Модели 1 (разумеется, кроме переменной самого региона, вместо нее введена переменная country, для разграничения выборки по странам), но строится для каждого региона в отдельности. Поскольку структура данных не изменилась, то для анализа также используется pool модель. Кроме того, чтобы предотвратить проблему высокой мультиколлинеарности, из набора переменных исключена переменная lnGDP и EU, поскольку она сильно коррелирует с контрольной переменной country и переменная EU потому что в разрезе регионов она не представляет экономически обоснованного интереса, переменная lnGDPpercapita оставлена в модели в качестве прокси для размера рынка, как и в Модели 1, таким образом Модель 2 принимает вид:

lnCBLiab_i= б +в₁*lninterest_i+ в₂*lnexchrate_i+ в₃*lnGDPpercapita_i+ в₄*NPL_i+ в₅*zscore_i+ в₆*LTD_i+ в₇*country_i+ в₈*rating_i+ в₉*shock_i+ е_i (2)

Сводные результаты анализа представлены в Таблице 5:

Таблица 5. Сводные результаты анализа Модели 2 по трем регионам

Модель 2.1 - регион страны развивающейся Европы, в целом значима, объясняющая сила 84,8%, в модели была устранена мультиколлинеарность, выявлена гомоскедасктичность (Приложение 6). Исследуемая переменная lnexchrate значима на 1% уровне значимости и направление ее влияния отрицательное.

Модель 2.2 - регион страны развивающейся Азии, в целом модель значима, объясняющая сила 90,8%, в модели была устранена мультиколлинеарность, выявлена гомоскедастичность (Приложение 6). Исследуемая переменная lnexchrate значима на 1% уровне значимости и направление ее влияния отрицательное.

Модель 2.3 - регион развивающиеся страны Латинской Америки, в целом модель значима, объясняющая сила 94,7%, в модели устранена мультиколлинеарность, однако выявлена гетероскедастичность (Приложение 6). Исследуемая переменная lnexchrate значима на 1% уровне значимости и направление ее влияния положительное.

Гипотеза Н₀₂ подтвердилась, в регионах сильно зависимых от курса национальной валюты (страны развивающейся Азии), эффект увеличения рисков в результате ослабления национальной валюты будет преобладать над эффектом улучшения кредитных условий для кредитора, а потому ослабление национальной валюты приводит к сокращению объемов трансграничного банковского кредитования. Напротив, в регионе с невысокой зависимостью от курса национальной валюты, будет наблюдаться обратный результат, ослабление курса национальной валюты дает возможность иностранным банкам предоставлять кредиты на более выгодных для них условиях, что положительно соотносится с объемами трансграничного банковского кредитования. Показатель зависимости региона от курса национальной валюты для региона страны развивающейся Европы находился между показателями для стран развивающей Азии и Латинской Америки, направление влияния обменного курса национальной валюты на объем трансграничного кредитования оказался отрицательным, однако значение коэффициента перед переменной обменного курса меньше (по модулю) значения коэффициента перед переменной обменного курса для региона стран развивающейся Азии. Это еще раз подтверждает справедливость высказанной гипотезы.

Переменная NPL показала разное направление влияния регионах. Первоначально, предполагалось, что высокая доля просроченных кредитов в банковском секторе принимающей страны является негативным сигналом для иностранных банков, однако на общей выборке переменная NPL показала положительное влияние на объем трансграничных обязательств. В регионе страны развивающейся Европы подтвердилась теория об отрицательном влиянии доли просроченных кредитов на динамику кредитования, в двух других регионах направление влияния положительное. Для объяснения этого результата обратимся к описательной статистике переменной для полной выборки и для каждого региона отдельно (Таблица 6):

Таблица 6. Описательная статистика переменной NPL

Очевидно, что направление влияния NPL зависит от его величины, при общем невысоком уровне NPL его рост вынуждает финансовые организации принимающей страны активнее занимать у иностранных банков, однако еще не является сигналом о нездоровой ситуации на рынке принимающей стороны. Если же изначально доля NPL относительно высокая, как в регионе стран развивающейся Европы, то дальнейшее увеличение этого показателя уже является отрицательным сигналом о положении стороны заемщика, что соответствует сокращению трансграничных банковских требований.

Переменная lnGDPpercapita в модели для региона страны развивающейся Европы показала неожидаемое направление влияния. Данная переменная использовалась в модели, как прокси для определения размера рынка принимающей страны, и в Модели 1, а также моделях для регионов стран развивающейся Азии и Латинской Америки показала положительное влияние, что вполне соответствовало теории. Очевидная причина «выбивающегося» из общей канвы результата в регионе страны развивающейся Европы заключается в специфике стран, вошедших в выборку по этому региону. Страны-участницы Евросоюза Венгрия и Польша демонстрируют в среднем высшие показатели ВВП на душу населения, однако являются меньшими экономиками, чем Турция и Россия, объемы трансграничных обязательств этих стран многим меньше, чем объемы трансграничных обязательств России и Турции. В данном случае аппроксимация размера рынка через показатель ВВП на душу населения не совсем корректен, поэтому направление его влияния не соответствует ожиданиям.

Остальные переменные показали ожидаемое влияние.

2.3 Проверка результатов на устойчивость

Проверка Модели 1 на устойчивость (robust check) дала следующие результаты (Таблица 7):



Таблица 7. Результаты проверки Модели 1 на устойчивость

Значимость переменных shock и region увеличилась, направление влияния и коэффициенты перед переменными не изменились, можно говорить об устойчивости результатов.

Проверка Модели 2.1 на устойчивость (robust check) дала следующие результаты (Таблица 8):

Таблица 8. Результаты проверки Модели 2.1 на устойчивость

Значимость переменных NPL и constanta увеличилась, направление влияния и коэффициенты перед переменными не изменились, можно говорить об устойчивости результатов.

Проверка Модели 2.2 на устойчивость (robust check) дала следующие результаты:

Таблица 8. Результаты проверки Модели 2.2 на устойчивость

Значимость переменных NPL и lninterest увеличилась, направление влияния и коэффициенты перед переменными не изменились, можно говорить об устойчивости результатов.

Проверка Модели 2.3 на устойчивость (robust check) дала следующие результаты (Таблица 9):

Таблица 9. Результаты проверки Модели 2.3 на устойчивость

Значимость переменной zscore увеличилась, направление влияния и коэффициенты перед переменными не изменились, можно говорить об устойчивости результатов. В данном случае, этот результат особенно важен, поскольку в модели присутствовала гетероскедастичность.



Выводы

В данном исследовании была проведена попытка установить наличие взаимосвязи динамики обменного курса национальной валюты и динамики трансграничного банковского кредитования. Банки промышленно развитых стран, пользуясь преимуществом в выборе клиентов, стараются сократить риски по своим трансграничным операциям. Кредитующая сторона - иностранные банки, принимает решение о размещении своих средств в виде трансграничного кредита, взвешивает риски присущие не только самому заемщику, но и экономической среде, в которой он функционирует, поэтому важно выявить влияние динамики обменного курса на риски трансграничного кредитования. Поскольку ослабление национальной валюты развивающихся стран несет в себе двунаправленное влияние как на финансовый, так и на реальный сектор. К ключевым положительным эффектам относятся увеличение объемов экспорта, что повышает спрос на заемные средства в целях расширения производства, кроме того, размещение заемных средств при дешевой национальной валюте заемщика становится более выгодным для кредитора. К основным негативным эффектам относятся удорожание обслуживания долга, выраженного в иностранной валюте, дестабилизация финансовой системы в результате сокращения ликвидности в национальной валюте. Таким образом, говоря о трансграничном кредитовании, ослабление национальной валюты может привести, как к дополнительным выгодам для кредитора, так и к дополнительным кредитным рискам.

В данной работе внимание было сосредоточено на трансграничном банковском кредитовании банковского сектора развивающихся стран. Кредитование банковского сектора специфично тем, что все элементы этого сектора сильно связаны друг с другом, и все они в значительной мере зависят от решений регулятора, общего состояния и стабильности экономики. Если для коммерческого заемщика ослабление валюты несет индивидуальный эффект увеличения валютного риска, то банка-заемщика ослабление национальной валюты несет «сетевой» эффект увеличения кредитного риска (из-за собственных валютных заемщиков), системного риска, валютного риска. По этой причине предполагалось, что ослабление национальной валюты принимающей страны помимо описанных выше возможных выгод, приводит к ухудшению качества заемщика в глазах иностранного кредитора из-за возросших рисков деятельности самого заемщика. По результатам исследования можно заключить, что в общем, ослабление национальной валюты развивающейся страны соответствует значительному увеличению риска кредитования банковской системы этой страны и отрицательно влияет на динамику трансграничного банковского кредитования. Однако институциональные особенности принимающей стороны могут повлиять на этот результат. Опираясь на выводы Rai и Kamil (2010) о том, что поведение иностранных банков зависит от сложившихся в регионе особенностей ведения трансграничных сделок, а именно, от валютной структуры полученных трансграничных кредитов, было выдвинуто предположение, что направление влияния динамики обменного курса на объем трансграничных обязательств может изменяться от региона к региону. Результаты исследования показали, что в регионах с высокой зависимостью от курса национальной валюты наблюдается отрицательное влияние динамики обменного курса на динамику трансграничного банковского кредитования, напротив, в регионах с относительно невысокой зависимостью состояния финансового сектора от курса национальной валюты, это влияние положительное.

Полученные выводы могут быть полезными для исследователей и регуляторов, занимающихся вопросами привлечения иностранных заемных средств в экономику развивающихся стран. Идея работы имеет перспективу дальнейшего изучения, выраженную, к примеру, в сравнительном анализе влияния динамики обменного курса на динамику трансграничного банковского кредитования банковского сектора развивающихся стран с влиянием динамики обменного курса на динамику трансграничного банковского кредитования реального сектора развивающихся стран.



Список литературы

1. Буторина, О. В. (2014). К проблеме асимметрии в валютно-финансовои? системе Еврозоны. Деньги и кредит, (2), 59-64.

2. Верников, А. В. (2005). Иностранный банковский капитал в странах с переходной экономикой. М.: Московский государственный университет.-2005.-267 с.

3. Верников, А. В. (2007). О ключевых вопросах участия российских банков в глобальных финансовых потоках. Банковские услуги, (2), 14

4. Avdjiev, S., Takats, E. (2014). Cross-border bank lending during the taper tantrum: the role of emerging market fundamentals. BIS Quarterly Review September

5. Aysun, U., Hepp, R. (2014). The determinants of global bank lending: Evidence from bilateral cross-country data. University of Central Florida working paper, 1.

6. Beck, T., Peria, M. S. M. (2010). Foreign bank participation and outreach: Evidence from Mexico. Journal of Financial Intermediation, 19(1), 52-73.

7. Berger, A. N., Bouwman, C. H. (2009). Bank liquidity creation. Review of Financial Studies, 22(9), 3779-3837.

8. Boudias, R. (2015). Capital inflows, exchange rate regimes and credit dynamics in emerging market economies. International Economics, 143, 80-97.

9. Chan, A. L. C., Hsieh, Y. T., Lee, E., & Yueh, M. L. (2015). Does financial statement information affect cross-border lending by foreign banks in the syndicated loan market? Evidence from a natural experiment. Journal of Accounting and Public Policy, 34(5), 520-547.

10. Chang, R., Velasco, A. (2000). Financial fragility and the exchange rate regime. Journal of economic theory, 92(1), 1-34.

11. Claessens, S., Demirgьз-Kunt, A., & Huizinga, H. (2001). How does foreign entry affect domestic banking markets?. Journal of Banking & Finance, 25(5), 891-911.

12. Claessens, S., Horen, N. (2014). Foreign banks: Trends and impact. Journal of Money, Credit and Banking, 46(s1), 295-326.

13. Fidrmuc, J., Fungбиovб, Z., & Weill, L. (2015). Does bank liquidity creation contribute to economic growth? Evidence from Russia. Open Economies Review, 26(3), 479-496.

14. Fry, M. J., 1995, Money, Interest, and Banking in Economic Development, 2nd Edition, Baltimore MD: The Johns Hopkins University Press

15. Fungбиovб, Z., & Solanko, L. (2009). Risk-taking by Russian banks: Do location, ownership and size matter?. Экономический журнал Высшей школы экономики, 13(1).

16. Jing, Z. (2015). On the relation between currency and banking crises in developing countries, 1980-2010. The North American Journal of Economics and Finance, 34, 267-291.

17. Herrmann, S., & Mihaljek, D. (2011). The Determinants of cross-border bank flows to emerging markets: new empirical evidence on the spread of the financial crisis. Bank of Finland. Institute for Economies in Transition (BOFIT) discussion paper, 3, 2011.

18. Kaminsky, G. L., Schmukler, S. L. (2003). Short-Run Pain, Long-Run Gain: The Effects of Financial Liberalization,” NBER Working Paper 9787.

19. Kodongo, O., Natto, D., Biekpe, N. (2015). Explaining cross-border bank expansion in East Africa. Journal of International Financial Markets, Institutions and Money, 36, 71-84.

20. Magud, N. E., Reinhart, C. M., Vesperoni, E. R. (2014). Capital inflows, exchange rate flexibility and credit booms. Review of Development Economics, 18(3), 415-430.

21. McCauley, R. (2015). Capital flowed out of China through BIS reporting banks in Q1 2015. BIS Quarterly Review, September, 28-29.

22. Peria, M. S. M., Powell, A., & Vladkova-Hollar, I. (2005). Banking on foreigners: the behavior of international bank claims on Latin America, 1985-2000. IMF Staff Papers, 430-461.

23. Rai, K., Kamil, H. (2010). The global credit crunch and foreign banks' lending to emerging markets: Why did Latin America fare better? IMF Working Paper No.10-102

24. Saxena, S. C. (2008). Capital flows, exchange rate regime and monetary policy. BIS Papers chapters, in: Bank for International Settlements (ed.), Transmission mechanisms for monetary policy in emerging market economies, 35, 81-102.

25. Shen, C. H., Chen, C. F. (2008). Causality between banking and currency fragilities: A dynamic panel model. Global Finance Journal, 19(2), 85-101.

26. Tonzer, L. (2015). Cross-border interbank networks, banking risk and contagion. Journal of Financial Stability, 18, 19-32.

27. Weller, C. E. (2001). The supply of credit by multinational banks in developing and transition economies: determinants and effects. DESA Discussion Paper No. 16



Приложение 1. Графики распределения переменных cbliab (a), exchrate (b), interest (c), GDP (d), GDPpercapita (e), zscore (f)

a.



Приложение 2. Первичное рассмотрение данных на наличие мультиколлинеарности

Таблица 10. Корреляции между регрессорами

При первичном взгляде на данные не выявлено основание подразумевать значимую мультиколлинеарность



Приложение 3. Выбор метода оценки для Модели 1

Поскольку набор данных по виду образует панель, стоит выбрать наиболее корректную модель оценки данных. В стандартном случае, сравниваются три модели: сквозная, модель со случайными и фиксированными эффектами - по материалам Т.А. Ратниковой https://pokrovka11.files.wordpress.com/2011/09/d0bcd0b0d182d0b5d180d0b8d0b0d0bbd18b-d0ba-d0bad0bed0bcd0bf-d0bfd180d0b0d0bad182d0b8d0bad183d0bcd183-rukovodstvo.pdf. Модель с фиксированными эффектами не подходит для анализа по смыслу оценки, она исключает влияние специфичных для объекта характеристик, например, принадлежность страны к конкретному региону, это характеристика не меняется во времени и модель с фиксированными эффектами не может определить влияние этой характеристики на зависимую переменную. Выбор между моделью сквозной регрессии и моделью со случайными эффектами сделан в пользу модели сквозной регрессии по результатам теста Бройша-Пагана (Таблица 11).



Таблица 11. Результаты теста Бройша-Пагана и сводная таблица оценок регрессии сквозной модели и модели со случайными эффектами

Модели статистически неразличимы, поэтому выбираем ту, что проще, а именно сквозную модель.



Приложение 4. Регрессионный анализ Модели 1

Таблица 12. Результаты регрессионного анализа Модели 1 по полному набору переменных

Исключаем из Модели 2.1 переменную politics, поскольку результат указал на ее незначимость (P-value =0,647), R2 уменьшился, R2 нормированный увеличился, значит переменная действительно была незначима (Таблица 13):

Таблица 13. Результат регрессионного анализа Модели 1 без учета переменной politics



Таблица 14. Результат регрессионного анализа Модели 1 без учета переменной politics и shock

Результат регрессионного анализа Модели 1 без учета переменной politics и shock, R² уменьшился, R² нормированный тоже уменьшился, значит стоит остановиться на предыдущей спецификации модели, несмотря на большое Р-vallue переменной shock, модель без учета этой переменной становится хуже (Таблица 14).



Приложение 5. Проверка Модели 1 на мультиколлинеарность и гетероскедастичность

Таблица 15. Результат проверки Модели 1 на наличие мультиколлинеарности

Средний по модели коэффициент VIF меньше 3, это свидетельствует об отсутствии мультиколлинеарности или об очень слабой мультиколлинеарности, однако переменная LTD имеет относительно высокий показатель VIF. В целом, с учетом, результатов парной корреляции регрессоров, можно сделать вывод, что в Модели 1 присутствует слабая мультиколлинеарности, что не оказывает существенного влияния на результаты. кредитование трансграничный мультиколлинеарность поток

Тест Бройша-Пагана на проверку наличия в модели гетероскедастичности, выявил наличие в модели гомоскедастичности на 1% уровне значимости (Таблица 16).

Таблица 16. Результаты теста Бройша-Пагана



Приложение 6. Результаты регрессионного анализа Модели 2

Таблица 17. Результаты регрессионного анализа Модели 2.1 - регион страны развивающейся Европы

Высокий показатель R² и R² нормированный, при большом количестве незначимых (на 5% уровне значимости) регрессорах, на фоне общей значимости модели, указывает на наличие мультиколлинеарности.

Таблица 18. Результат проверки Модели 2.1 на наличие мультиколлинеарности

Показатель VIF достаточно высокий (Таблица 18), чтобы говорить о серьезной мультиколлинеарности, для ее устранения проведена ортогонализация модели, в результате получили новые набор значений для переменных country_, LTD_. После чего результаты анализа модели приняли следующий вид (Таблица 19):



Таблица 19. Результаты регрессионного анализа Модели 2.1 после ортогонализации

После проведения процедуры ортогонализации модели, объясняющая сила модели сохранена, значимость отдельных регрессоров выросла, скорректированы некоторые коэффициенты регрессоров. Исключаем из Модели 2.1 переменную rating, поскольку результат указал на ее незначимость (P-value =0,464).

Таблица 20. Результат регрессионного анализа Модели 2.1 без переменной rating

Переменная rating на укороченной выборке в рамках одного региона, действительно оказалась незначимой, ее исключение из модели привело к уменьшению R² нормированный, при увеличении значения R² (Таблица 20). Следующий по незначимости регрессор - shock, однако исключение его из модели приводит к ухудшению качества модели, показатели R² и R² нормированный одновременно сокращаются (Таблица 21), однако незначительно, учитывая высокую объясняющую силу модели, было принято решение остановиться на это спецификации модели.

Таблица 21. Результат регрессионного анализа Модели 2.1 в итоговой спецификации

Повторный тест на наличие мультиколлинеарности показал, что мультиколлинеарность удалось сократить до приемлемого уровня - средний показатель VIF не превышает 3 (Таблица 22). Тест Бройша-Пагана на проверку наличия в модели гетероскедастичности, выявил наличие в модели гомоскедастичности на 1% уровне значимости (Таблица22).



Таблица 22. Результаты тестов Модели 2.1 на мультиколлинеарность и гетероскедастичность

Перейдем к анализу Модели 2.2

Таблица 23. Результаты регрессионного анализа Модели 2.2 - регион страны развивающейся Азии

Высокий показатель R² и R² нормированный, при большом количестве незначимых (на 5% и даже 10% уровне значимости) регрессорах, на фоне общей значимости модели, указывает на наличие значительной мультиколлинеарности.



Таблица 24. Результат проверки Модели 2.2 на наличие мультиколлинеарности

Действительно, мультиколлинеарность очень сильная (Таблица 24), поэтому прежде исключения из модели незначимых регрессоров, проведена процедура ортогонализации модели, в ходе которой получен новый набор значений для переменных rating_, LTD_. После ортогонализации результаты принимают вид (Таблица 25):

Таблица 25. Результат регрессионного анализа Модели 2.2 после ортогонализации

После проведения процедуры ортогонализации модели, объясняющая сила модели сохранена, значимость отдельных регрессоров выросла, скорректированы некоторые коэффициенты регрессоров. Далее исключен регрессор shock, поскольку результат анализа указал на незначимость этого регрессора (на 5% уровне значимости), его исключение было обосновано т.к. при сокращении числа регрессоров R² нормированный увеличился, значит, исключенная переменная действительно была незначима (Таблица 26):

Таблица 26. Результат регрессионного анализа Модели 2.2 без переменной shock

Далее исключен регрессор zscore, поскольку результат анализа указал на незначимость этого регрессора (на 5% уровне значимости), его исключение было обосновано т.к. R² уменьшился, R² нормированный увеличился, значит, переменная действительно была незначима, затем исключена переменная rating, это уже привело к ухудшению качества модели (Таблица 27), однако незначительному, учитывая высокую объясняющую силу модели, было принято решение остановиться на этой спецификации модели.



Таблица 27. Результат регрессионного анализа Модели 2.2 в итоговой спецификации

Для выбранной спецификации повторен тест на наличие мультиколлинеарности и тест Бройша-Пагана на проверку наличия в модели гетероскедастичности.

Таблица 28. Результаты тестов Модели 2.2 на мультиколлинеарность и гетероскедастичность

Мультиколлинеарность в модели незначительная, среднее значение VIF не превышает 3 (Таблица 28), также выявлено, что гипотеза о гомоскедастичности в модели не отвергается на любом адекватном уровне значимости (Таблица 28).

Перейдем к анализу Модели 2.3

Таблица 29. Результаты регрессионного анализа Модели 2.3 - регион развивающиеся страны Латинской Америки

Высокий показатель R2 и R2 нормированный, при большом количестве незначимых (на 5% и даже 10% уровне значимости) регрессорах, на фоне общей значимости модели, указывает на наличие сильной мультиколлинеарности.

Таблица 30. Результат проверки Модели 2.3 на наличие мультиколлинеарности

Действительно, мультиколлинеарность сильная (Таблица 30), поэтому прежде исключения из модели незначимых регрессоров, проведена процедура ортогонализации модели, в ходе которой получен новый набор значений для переменных rating_, LTD_. После ортогонализации результаты принимают вид (Таблица 31):



Таблица 31. Результаты регрессионного анализа Модели 2.3 после ортогонализации

После проведения процедуры ортогонализации модели, объясняющая сила модели сохранена, значимость отдельных регрессоров выросла, скорректированы некоторые коэффициенты регрессоров.

Далее исключен регрессор shock, поскольку результат анализа указал на незначимость этого регрессора (на 5% уровне значимости), его исключение привело к ухудшению качества модели (Таблица 32), однако незначительному, учитывая высокую объясняющую силу модели, было принято решение остановиться на этой спецификации модели.

Таблица 32. Результат регрессионного анализа Модели 2.3 в итоговой спецификации

Оставшиеся регрессоры значимы на 5% уровне значимости. Для выбранной спецификации повторен тест на наличие мультиколлинеарности и тест Бройша-Пагана на проверку наличия в модели гетероскедастичности.

Таблица 33. Результаты тестов Модели 2.3 на мультиколлинеарность и гетероскедастичность

Мультиколлинеарность в модели очень слабая, средний и каждый в отдельности показатель VIF не превышает 3 (Таблица 33). Однако тест Бройша-Пагана подтвердил наличие гетероскедастичности в модели (Таблица 33).

Размещено на Allbest.ru

...