Факторы, определяющие объем прямых иностранных инвестиций в регионы РФ
Статья - Экономика
Другие статьи по предмету Экономика
? индекс Доу Джонса (считалось на помесячных данных), его стандартное отклонение (считалось на помесячных данных), индекс MICEX (считалось на помесячных данных), его стандартное отклонение (считалось на помесячных данных), ВВП России и индекс политического режима.
Отдельно собиралась статистика по кредитным организациям в регионе. Данные были взяты с официального сайта ЦБ www.cbr.ru.
Мы можем получить расширение наших объясняющих переменных за счет включения лагированных значений переменным. Более того, эта процедура, вероятно, приведет к качественно лучшим моделям, так как, очевидно, на переменную прямые иностранные инвестиции могут влиять некоторые переменные с некоторым запаздыванием, лагом.
Особенно стоит подчеркнуть различный временной горизонт переменных, который включает в себя данные с 1990 по 2010 год. Однако, большинство переменных представлены на более коротком промежутке, например прямые иностранные инвестиции представлены с 2004 по 2009 год. В качестве объектов будут выступать регионы России, которых имеется различное количество в разные периоды. В финальной таблице имеется 92 региона. Заметим, что в силу отсутствия данных по некоторым регионам, в регрессиях будет отображаться меньше регионов.
Простыми вычислениями можно получить 1869 наблюдений. В силу ограничения на зависимую переменную, а также в некоторых моделей и ряд объясняющих переменных существенно ограничивает количество наблюдений в регрессии. Это количество не превышает 500 наблюдений.
Выбор лучшей модели
В текущем разделе мы представим результаты моделирования инвестиций в регионы России на современных данных.
Прежде чем строить какую либо модель, проанализируем исходные данные. В таблице ниже приведена корреляция между зависимой и независимыми переменными. Из соображений наглядности и экономии места приводится корреляция только тех переменных, которые имеют высокие по модулю значения или имеют важное значение для последующего моделирования. Все остальные корреляции не превышают по модулю 0.3. Латинский символ l с нижним подчеркиванием означает, что переменная взята с лагом, l2 с нижним подчеркиванием - лаг 2 года.
Корреляцияy_pc_reall_y_pcl2_y_pcy_constry_natrtrade_pclife_explforcefdi0.40230.40160.34770.55850.32370.3635-0.12830.2314
Из таблицы можно сделать вывод: имеется слабая корреляция между зависимой и независимыми переменными.
Из соображений экономии места здесь не приводится корреляционная матрица, которая имела бы свыше 30 рядов и столбцов, и которая теряла всякую наглядность. Вместо этого мы будем выбирать регрессоры для модели с относительно небольшими значениями корреляции. Здесь скажем, что включение в модель ВРП и ВРП лагированного недопустимо в силу того, что имеется тесная связь между ними.
К сожалению, имеющиеся данные не позволяют построить модели, которые были получены ранее (см. обзор статей). Поэтому в моделировании мы будем руководствоваться здравым смыслом и статистическими критериями.
Судя по таблице с корреляционной матрицей, логично попробовать построить модель, включая каждую из переменных, причем возможно добавление дополнительных переменных, если последнее будет целесообразным.
Перейдем к непосредственному моделированию прямых иностранных инвестиций.
Для начала приведем модели без учета панельной структуры данных (pooled model). Ниже мы выводим наиболее удачные варианты регрессии из широкого выбора регрессоров.
VariablePOOLED_1POOLED_2POOLED_3POOLED_4y_pc_real0.0012-0.00370.0040.00382.11-3.853.333.12trade_pc0.09730.18050.08520.08736.599.585.265.41y_produc-17.0967-18.5816-14.5773-14.9918-4.31-5.01-3.59-3.71y_sale-37.1238-28.3196-46.3203-45.7613-4.43-2.78-5.41-5.37y_energy-48.5253-44.8415-56.4352-57.6027-2.97-2.86-3.51-3.6life_exp-81.4693-50.9387-101.2802-116.1682-4.85-3.12-5.86-6.28migr_in-53.5267-40.7747-45.8392-47.7984-5.77-4.16-4.84-5.05univer-10.6788-2.31crime-181.5125-212.5728-3.17-3.62polution-0.704-0.6417-2.68-2.44dj_index_av0.08932.2_cons7243.62235147.17048929.59539006.33526.564.727.497.6N368356368368Adj R-squared0.33720.30110.38140.3726
Приведенные выше модели имеют значимые коэффициенты, причем некоторые коэффициенты показывают достаточно удивительную зависимость. Наряду с тем фактом, что мы не используем панельную структуру данных, данные результаты имеют меньшую надежность из-за низкого значения коэффициента детерминации. Причем в подобных моделях получение коэффициента выше, чем приведенный, оказывается проблематичным. Это может наталкивать на мысль о не включении в модель некоторых существенных переменных, таких как институциональная среда, инфраструктура в регионе и другие.
Однако данную проблему, возможно, можно решить введением индивидуальных эффектов, то есть учитывая панельную структуру данных. Сразу отметим, что имея в качестве объектов разнородные регионы: по размерам, культурным, этническим, демографическим, экономическим и прочим характеристикам, однозначно склоняет выбора модели для панельного исследования с фиксированными эффектами, то есть не случайными эффектами.
Для панельных регрессий разумных моделей получается значительно меньше. Ниже приводится только две, в которых не учитываются лаги. Мы строили модели с фиксированными эффектами, так как регионы России не рассматриваются как случайная выборка из генеральной совокупности.
инвестиция загрязнение природный инновационный
Variabley_pc_realy_natrtrade_pcy_sale_consNFE_10.0097-28.46-298.367644712.32-4-3.27FE_20.0019-13.25360.0361-18.1634370.3453682.53-2.43.39-1.942.34
Уже сейчас можно выявить удивительную закономерность (которая подтверждается и во многих других моделях с большим числом регрессоров, некоторые коэффициенты не значимы) про отрицательный и значимый знак при переменный доли природных ресурсов в ВРП. Такая же закономерность наблюдается и для моделей