Материал: Государственные программы поддержки ипотечного кредитования

Внимание! Если размещение файла нарушает Ваши авторские права, то обязательно сообщите нам

Оценки моделей регрессии с зависимой переменной ROA

Для того, чтобы сравнить модель с фиксированными эффектами с моделью сквозной регрессии, был применен тест Вальда, проверяющий гипотезу о равенстве нулю всех индивидуальных эффектов. Было получено, что F(180, 3492) = 25.89 и Pvalue = 0.0000, что значит, что модель c фиксированными эффектами, как и следовало ожидать, лучше описывает данные, чем модель сквозной регрессии.

Для того, чтобы сравнить модель cо случайными эффектами с моделью сквозной регрессии, был использован тест Бройша-Пагана. Согласно полученным результатам, на 1-но процентном уровне значимости нулевая гипотеза о том, что дисперсия случайных эффектов равна нулю, отвергается, что значит, что модель со случайными эффектами также лучше описывает используемые данные, нежели модель сквозной регрессии.

Тест Бройша-Пагана

Объясняющая Переменная/Модель

Pvalue

Выбранная модель

ROA

0.00

Random effect

ROE

0.00

Random effect

H0: RE model does not better than Pooled model


Тест Хаусмана

Объясняющая Переменная

Pvalue

Вывод

ROA

113.00

0.00

Reject H0

ROE

56.23

0.00

Reject H0

H1: FE model is more suitable

H0: RE model more suitable


И, наконец, для того, чтобы сравнить модели с фиксированными и случайными эффектами был использован тест Хаусмана, построенный на сравнении оценок моделей. Полученная статистикасвидетельствует на любом разумном уровне значимости в пользу альтернативной гипотезы о том, модель с фиксированными эффектами лучше описывает данные по сравнению с моделью со случайными эффектами.

То, что среди трех рассмотренных моделей на 5-ти процентном уровне значимости лучшей оказалась модель с фиксированными эффектами, является вполне закономерным, ввиду того, что для проведения анализа была составлена фиксированная выборка, состав которой не менялся во времени. С учетом того, что выборка из банков-участников программы невелика, принято считать, что качество подгонки моделей удовлетворительно.

Приложение 8

Сравнение моделей FE, REи Pooledс объясняемой переменной - RPL и SOL

Переменная

FixedEffect

Randomeffect

Pooled

Ln (Cred)

0.00188***

0.00178***

0.00065**

Priv * Ln (Cred)

-0.000554***

-0.00048**

0.000092

Public * Ln (Cred)

-0.000665*

-0.00058*

0.000465***

Size * Ln (Cred)

-0.00035***

-0.00036***

-0.000675***

Size * SOL

0.141***

0.1419***

0.1699***

RIR

-0.432***

-0.4294***

-0.328***

Norm_H2

0.00000537***

0.0000054***

0.0000083***

Norm_H1

0.0000762

0.0000655

-0.000338***

IIP

0.0229***

0.0225***

0.00966

Constant

0.1012***

0.1013***

0.097***

Wald/

0.29

150.58

0.278

***-1% significance ** -5% significance * -10% significance


Оценки регрессий с зависимой переменнойRPL.

Согласно тесту Вальда, на 5-ти процентном уровне значимости, модель с фиксированными эффектами лучше описывает данные, чем сквозная регрессия. Согласно тесту Бройша-Пагана, на 5-ти процентном уровне значимости модель со случайными эффектами лучше описывает данные, по сравнению со сквозной моделью. Тест Хаусмана говорит о том, что наиболее предпочтительной является модель со случайными эффектами.

Тест Бройша-Пагана

Объясняющая Переменная/Модель

Pvalue

Выбранная модель

RPL

0.00

Random effect

SOL

0.00

Random effect

H0: RE model does not better than Pooled model



Тест Хаусмана

Объясняющая Переменная

Pvalue

Вывод

RPL

10.68

0.22

Accept H0

SOL

13.07

0.18

Accept H0

H1: FE model is more suitable

H0: RE model more suitable