Книги по разным темам
Pages: | 1 | ... | 8 | 9 | 10 | 11 | 12 | ... | 43 | 13. Доля средствбюджетов всех уровней и внебюджетных фондов в общем объемеобязательств
13. Средневзвешеннаяставка по кредитам нефинансовому сектору
14. Доля депозитовнаселения в общем объеме обязательств
14. Средневзвешеннаяставка по депозитам физических лиц
15. Доля банковскихдолговых обязательств в общем объеме обязательств
15. Разница междусредневзвешенными ставками по кредитам нефинансовому сектору и по депозитамфизических лиц
16. Отношение прибылиза квартал к активам на конец квартала
16. Средневзвешеннаяставка по однодневным рублевым МБК
17. Отношениеобязательств по поставке денежных средств нерезидентам к активам
18. Реальный темпприроста кредитов нефинансовому сектору
19. Разница в темпахприроста кредитов нефинансовому сектору и депозитов физических лиц
20. Доля активов банкав совокупном объеме активов банковской системы (без Сбербанка РФ)
21. Разница междутемпами прироста кредитов нефинансовому сектору у данного коммерческого банка итемпом прироста кредитов нефинансовому сектору по всей банковскойсистеме
Методология исследования. Для выявления количественной оценки влияния факторов навероятность возникновения проблем у банка мы будем использовать методы оценкирегрессионных моделей с бинарной эндогенной переменной53. В общемвиде такая модель может быть записана как:
,
где – функция плотности вероятностидля события, выраженного бинарной переменной Y ( – возникновение проблем у банка, – проблемы не возникли), X– вектор объясняющихпеременных. Оценки вектора коэффициентов β получаются с помощью методамаксимального правдоподобия. В общем случае вид функции плотности вероятностине известен, однако, для упрощения записи функции правдоподобия наиболее частоиспользуется логистическая функция (logitmodel):
.
Проблема в нашем случае заключается в том,что мы работаем с панельными данными, и пренебрегать зависимостью между даннымидля одного и того же банка в разные моменты времени нельзя. В то же время,поскольку мы не используем лаговые переменные, вероятность события оцениваетсяв зависимости от значений факторов, наблюдаемых в тот же период времени, можнопренебречь межвременной зависимостью между наблюдениями без ущерба длястатистических качеств оценок54.
Спецификация логит моделей для панельныхданных была предложена Чамберлейномв 1980 году55. Он показал, чтостандартная логит модель при оценке панельных данных приводит к несостоятельнымоценкам, если число наблюдений в каждой из групп мало (в нашем случае– не более 8наблюдений (по числу кварталов) на один банк). Предположим, что выборка состоитиз групп данных и может быть оценена с помощью следующей линейнойрегрессии:
,
где i – номергруппы (в нашем случае – банка). Параметр отвечает заспецифические характеристики i-ой группы и постоянен для всех наблюдений данной группы (в нашемслучае – для всехкварталов для одного банка). Стандартная логит модель не учитывает такиеспецифические эффекты, и оценки коэффициентов β будут смещены как в случаепропущенных переменных (omitted variablebias).
Чамберлейн предложил для решенияданной проблемы лусловную логит модель (‘conditional’ logit model), с отдельной константой для каждой группы (в нашем случае– для каждогобанка56), т.е. введение в модель так называемых фиксированных эффектов(fixed effects):
.
Функция правдоподобия для такойспецификации логит модели строится на условном распределении данных, причемраспределение не является независимым отx57.
Результаты оценки уравнений. В таблице 2 приведены оценки трех моделей, в которых факторыстатистически значимы на 10% уровне значимости58. Модель №1 была оценена навсей имеющейся выборке данных: 26 банков × 8 кварталов, всего 208наблюдений. Модель №2 оценена на выборке, включающей только банки, пережившиекризис осенью 1998 года: 17 банков × 8 кварталов = 136 наблюдений(Автобанк, Альфа-банк, БалтОНЭКСИМбанк,Башкредитбанк, Возрождение, Гута-банк, Еврофинанс, МДМ-банк,Международный промышленный банк, Мост-банк, МФК,Нижегородпромстройбанк, Первое О.В.К., Петровский,Промышленно-строительеный банк (Санкт-Петербург), Тверьуниверсалбанк,Челиндбанк, Юнибест). Модель №3 оценена на выборке,включающей только банки, потерпевшие крах в 1998 году (Инкомбанк, Кузбасспромбанк, Межкомбанк, Менатеп,Мосбизнесбанк, ОНЭКСИМ Банк, Промстройбанк РФ, Российский кредит,Юнибест), всего 72 наблюдения (9 банков× 8кварталов).
Таблица 2.
Модель №1 | Модель №2 | Модель №3 | |
Число наблюдений Y=1 | 82 | 35 | 47 |
Число наблюдений Y =0 | 126 | 101 | 25 |
c | -3,300 (-5,06) | -6,387 (-4,81) | -5,712 (-2,64) |
a1 | -2,655 (-1,98) | – | – |
a2 | -4,024 (-2,79) | – | – |
a4 | 7,439 (3,25) | 6,728 (3,14) | – |
a5 | – | 2,232 (2,20) | – |
a7 | -3,282 (-2,72) | – | – |
a10 | – | 2,193 (3,13) | – |
a13 | 2,469 (2,11) | – | – |
a15 | – | 4,229 (4,17) | – |
a16 | – | 1,989 (2,92) | – |
a18 | – | – | -3,317 (-2,62) |
a20 | – | 3,918 (4,17) | – |
a23 | – | – | -2,450 (-2,08) |
a26 | 2,877 (2,92) | – | – |
ACBN_L | -14,271 (-3,65) | – | – |
FL_A | 13,279 (5,15) | – | 6,611 (1,81) |
B_L | -14,467 (-2,27) | -12,328 (-2,14) | -38,852 (-1,81) |
PD_L | 8,081 (3,31) | – | – |
DCIA | 27,273 (1,84) | – | 9,486 (2,69) |
FS_A | – | 9,506 (3,33) | – |
S | – | 83,707 (3,07) | – |
RD | 0,187 (2,54) | – | 209,18 (1,85) |
RGKO | – | 62,306 (3,38) | – |
RMBK | – | 22,026 (2,03) | – |
McFadden R2 | 0,357 | 0,532 | 0,328 |
LR-статистика | 99,59 (6,7⋅10-16) | 82,59 (4,6⋅10-13) | 30,54 (3,1⋅10-5) |
ТестХосмера-Лемешоу | 7,162 (0,519) | 2,608 (0,957) | 5,828 (0,666) |
Процентуспеха | 80,29% | 87,50% | 79,17% |
Примечания:
1. c – свободный член, ai – фиксированные эффекты дляотдельных банков, ACBN_L – доля остатков на корреспондентских счетах в банках-нерезидентах вобщем объеме активов, FL_A – отношение иностранных обязательств к активам, B_L – доля средств бюджетов всехуровней и внебюджетных фондов в общем объеме обязательств, PD_L – доля депозитов населения в общемобъеме обязательств, DCIA – разница между темпами прироста кредитов нефинансовому сектору уданного коммерческого банка и темпом прироста кредитов нефинансовому сектору повсей банковской системе, FS_A – доля вложений в федеральные государственные ценные бумаги в общемобъеме активов, S –доля активов банка в совокупном объеме активов банковской системы (безСбербанка РФ), RD– средневзвешеннаяставка по депозитам физических лиц, RGKO –средневзвешенная доходность ГКО-ОФЗ к погашению, RMBK – средневзвешенная ставка пооднодневным рублевым МБК.
2. В уравнениях оставлены толькостатистически значимые (на 10% уровне значимости) фиксированные эффекты дляотдельных банков. Номера банков: 1 – Автобанк, 2 – Альфа-банк, 4 – Башкредитбанк, 5 – Возрождение, 7 – Еврофинанс, 10 – МДМ-банк, 13 – Менатеп, 15 – Мост-банк, 16 – МФК, 18 – ОНЭКСИМ Банк, 20 – Петровский, 23 – Российский кредит, 26 – Юнибест.
3. В скобках приведены значения t-статистикидля оценок коэффициентов, для LR-статистики и теста Хосмера-Лемешоу– уровеньзначимости.
4. LR-статистика (Likelihood Ratio statistics), тестХосмера-Лемешоу (Hosmer-Lemeshow test)59 –показатели качества моделей с бинарной зависимой переменной. LR-статистикаявляется аналогом F-статистики, статистика теста Хосмера-Лемешоу имеетраспределение χ2 и показывает уровень различия междуфактическими и оцененными значениями зависимой переменной по обеим группам(нули и единицы). Большие значения статистики теста (низкий уровень значимости)свидетельствуют о значительном расхождении фактических значений зависимойпеременной и оценок вследствие неправильной спецификации модели.
5. Процент успеха – доля правильно предсказанныхзначений зависимой переменной (пороговое значение для принятия равенствазависимой переменной единице – 0,5).
Pages: | 1 | ... | 8 | 9 | 10 | 11 | 12 | ... | 43 | Книги по разным темам