Эконометрические модели формирования финансовых активов кредитных организаций ПФО. Курсовая. Эконометрические модели формирования финансовых активов кредитных организаций пфо
 Скачать 436.93 Kb.
|
 На основании бета-коэффициентов мы можем сделать вывод о силе влияния факторов на результативный признак. Наиболее сильное влияние на сумму активов банков оказывает два фактора x3 – выданные МБК и x6 – кредиты предприятиям и организациям. Наименьшее влияние оказывает фактор x8 – вклады физических лиц. Также можем сделать вывод, что при увеличении суммы выданных межбанковских кредитов и суммы выданных кредитов предприятиям и организациям на 1 тыс. руб, активы банков будут увеличиваться на 1,09 тыс. руб. При увеличении суммы кредитов физическим лицам на 1 тыс. руб, активы банков будут увеличиваться на 0,85 тыс. руб. Также можно сказать, что сумма активов банков ПФО увеличится на 0,65 тыс. руб, если сумма кредитов предприятиям и организациям увеличится на 1 тыс. руб. А при увеличении суммы вкладов физических лиц в банках ПФО на 1 тыс. руб, сумма активов банков увеличится на 0,34 тыс. руб. При получении двух различных моделей в ходе применения методов пошаговой гребневой регрессии предпочтение будет отводиться той модели, которая проиллюстрирует меньшие потери информационной значимости в соответствии с информационными критериями Акаике, Шварца. Информационный критерий Акаике:  (1)где RSSp – сумма квадратов остатков модели, n – объем выборки, p – количество факторов, включенных в модель. Критерий Шварца:  (2)Для модели с включеним критерий Акаике = 33,64, а исключением = 32,67. Критерий Шварца для модели с включением = 29,57, а для модели и исключением 28,64. Таким образом, наименьшие информационные потери несет построение множественной регрессии с помощью модели с исключением. Можно казать, что рассматривая в конечном итоге модель с исключением в результате, остается 5 наиболее значимых факторных признаков: x3 – выданные МБК, (тыс. руб); x4 – вложения в ценные бумаги (тыс. руб); x5 – кредиты физическим лицам, (тыс. руб); x6 – кредиты предприятиям и организациям, (тыс. руб); x8 – вклады физических лиц, (тыс. руб). А на основании бета-коэффициентов мы можем сделать вывод о силе влияния факторов на результативный признак. Наиболее сильное влияние на сумму активов банков оказывает два фактора x3 – выданные МБК и x6 – кредиты предприятиям и организациям. Наименьшее влияние оказывает фактор x8 – вклады физических лиц. 2.2 Построение эконометрической модели по главным компонентам и регрессионный анализ Метод главных компонент (компонентный анализ) является частным случаем анализа факторного. Именно поэтому он позволяет решать тот же круг задач, связанный с «сужением» признакового пространства; описанием совокупности объектов наблюдения непосредственно не измеряемыми, но объективно существующими интегральными характеристиками – главными компонентами; выявлением взаимосвязи наблюдаемых признаков с вновь полученными обобщающими показателями; прогнозировании изучаемого явления с помощью уравнения регрессии на главных компонентах и др. Так как в 2.1 мы выяснили, что изучаемые нами факторные признаки являются мультиколлинеарными, то есть присутствует линейная зависимость между объясняющими переменными. При помощи метода главных компонент попробуем избавиться от мультиколлинеарности при помощи объединения взаимосвязанных переменных в один фактор. Для проведения факторного анализа были взяты 40 банковских кредитных организаций Приволжского Федерального Округа, которые имеют лицензию, то есть специальное разрешение на осуществление банковской деятельности, выдаваемое юридическому лицу. В ней указываются разрешенные операции, валюта их осуществления, номер и дата выдачи. Был исключен ПАО «АкБарс» Банк. Это объясняется тем, что данная банковская кредитная организация имеет высокие финансовые показатели, что во многом различаются от остальных. В основу исследования легли следующие показатели. В качестве результативного признака был взят показатель активы-нетто, в единицах измерения тыс. руб. Было выбрано десять факторных признаков, тем или иным образом влияющих на активы банка, а именно: x1 – денежные средства в кассе, (тыс. руб); х2 – ностро-счета, (тыс. руб); х3 – выданные МБК, (тыс. руб); х4 – вложения в ценные бумаги (тыс. руб); х5 – кредиты физическим лицам, (тыс. руб); х6 – кредиты предприятиям и организациям, (тыс. руб); х7 – основные средства и нематериальные активы, (тыс. руб); х8 – вклады физических лиц, (тыс. руб); х9 – средства предприятий и организаций, (тыс. руб); х10 – просроченная задолженность по кредитному портфелю, (тыс. руб); На основании приведенных данных, был проведен факторный анализ в системе Statistica с применением метода главных компонент. Целью факторного анализа является объединение факторов в несколько факторных компонентов для снижения размерности данных. Отбор главных компонент происходил по следующим критериям: - проценту накопленных дисперсий первых нескольких компонент; - собственным числам главных компонент; - графическому методу. Анализ начался с рассмотрения собственных значений независимых переменных. Таблица 6 – Собственные значения главных компонент
Видим, что собственные значения трех компонент допустимые, они больше единицы. Коэффициент кумулятивности первого фактора = 56%, второго фактора = 76%, третьего фактора 86%. Ниже представлен график каменистой осыпи, который показывает, что осыпание первых трех компонент происходит наиболее существенно, поэтому мы можем взять данные компоненты в дальнейшее рассмотрение.  Рисунок 1 – График собственных значенийРассмотрим, какими факторами нагружена каждая полученная компонента. Эти факторы определяются, исходя из их значений коэффициентов корреляции больше 0,7. Таблица 7 – Факторные нагрузки без вращения
Проверим, насколько информативен данный состав компонент. Для каждой из трех компонент были посчитаны критерии информативности. Таблица 8 – Критерии информативности без вращения факторов
Заметно, что у первой и второй главной компоненты значения критерия информативности больше 60%, они являются оптимальными, однако вторая компонента недостаточно информативна, поэтому следует рассмотреть распределение факторных нагрузок с вращением. Таким образом, мы получили таблицу факторных нагрузок с применением вращения – «варимакс исходных», представленную ниже. Таблица 9 – Факторные нагрузки с вращением
Проверим, насколько информативен данный состав компонент. Для каждой из трех компонент были посчитаны критерии информативности. Таблица 10 – Критерии информативности с вращения факторов
|