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).