Оскільки між чинниками реального сектору національної економіки та фінансовим результатом банківської системи відсутній статистично значимий стохастичний зв'язок, доцільно застосувати інші, ніж кореляційно регресійний аналіз засоби вивчення впливу факторів, зокрема дискримінантний аналіз.
Мета дискримінантного аналізу полягає у здійсненні класифікації об'єкта певним оптимальним способом на основі виміру його різноманітних характеристик. Як критерій оптимальності класифікації можна розглядати мінімум імовірності хибної класифікації [92, с. 199]. Ідентифікація певного спостереження із кластерною групою може здійснюватися за допомогою дискримінантних функцій, які являють собою лінійні комбінації спостережень-предикторів:
де Y – залежна дискримінантна змінна;
– незалежні змінні дискримінантної функції;
– коефіцієнти (параметри) дискримінантної функції;
Чим ближче значення дискримінантної функції до величини канонічного кореня, тим більша імовірність віднесення спостереження до відповідного кластеру. Корисність дискримінантної функції полягає в тому, що її значення може інтерпретуватись як узагальнена оцінка впливу макроекономічних чинників на чистий прибуток банківської системи з урахуванням певного лагу запізнення.
Побудова дискримінантної моделі здійснювалась в програмному середовищі STATISTICA 8.0, за допомогою модуля Discriminant Analysis, для запуску якого необхідне попереднє групування спостережень на підставі значення незалежної змінної. Такою змінною було обрано фінансовий результат банківської системи в цілому – він може бути прибутком чи збитком, в залежності від свого значення. Результати побудови дискримінантної моделі та отримані показники її статистичної значимості наведено в табл. 1.2.
У примітках до табл. 1.2 наведено загальні статистичні характеристики дискримінантної моделі: вона містить 5 незалежних змінних, що залишились з 8 первинних після п'яти ітерацій, на яких було вилучено найменш значимий фінансовий параметр. Статистика лямбда
Уілкса (λ )завжди перебуває в межах від 0 до 1. Чим ближче її значення до 1, тим гірша дискримінація моделі, тобто фінансово-економічна інтерпретація значення інтегрального показника – віднесення його до певного кластера не збігатиметься із фактичною кластерною належністю спостереження. Навпаки, значення λ, які наближаються до 0, свідчать про хорошу дискримінацію, тобто меншу помилковість класифікацій, виконаних за допомогою моделі. Отримане під час розробки інтегрального показника значення лямбди Уілкса становить 0,384, що дає підстави для припущення про непогану дискримінацію спостережень.
У табл. 1.2 також наявні показники лямбди Уілкса (графа 1), проте інтерпретація цих показників дещо відрізняється від попередньої: ці показники відображають результат виключення відповідної незалежної змінної з моделі. Тобто чи більше значення λ з графи 1 табл.1,3.2 тим більш бажана присутність цієї змінної в моделі інтегрального показника.
Для прибутку банківської системи значно менше значення відіграє показник х1 – темп зростання реального ВВП у порівнянні до аналогічного місяця минулого року, % (за 2 місяці до моменту оцінювання), а решта показників – х2 – х4 – мають приблизно однакову важливість. Показник графи 2 табл. 1.2 – Partial-Lambda (λpart, часткова лямбда) – характеризує частковий внесок змінної в розподільчу дію моделі, який виявляється приблизно однаковим у всіх 4 предикторних змінних, відібраних для дискримінантного рівняння.
Таблиця 1.2
Підсумкова таблиця дискримінантного аналізу макроекономічних чинників прибутковості банківської системи (Авторська розробка)
| А | Б | 1 | 2 | 3 | 4 | 5 | 6 |
| Темп зростання реального ВВП у порівнянні до аналогічного місяця минулого року, % (за 2 місяці до моменту оцінювання) | x1 | 0,387 | 0,991 | 0,416 | 0,522 | 0,273 | 0,727 |
| Зайняте населення працездатного віку (за 5 місяців до моменту оцінювання) | x2 | 0,494 | 0,777 | 13,458 | 0,001 | 0,844 | 0,156 |
| Темп зростання реального наявного доходу населення, % з урахуванням інфляції (за 2 місяці до моменту оцінювання) | x3 | 0,422 | 0,909 | 4,690 | 0,035 | 0,273 | 0,727 |
| "Дефіцит Державного бюджету у % від ВВП (у досліджуваний період) | x4 | 0,459 | 0,837 | 9,175 | 0,004 | 0,730 | 0,270 |
Примітки:
• Step 4, N of vars in model: 4 (дискримінантний аналіз даних було завершено на 4 кроці, коли до моделі увійшло 4 незалежних змінних):
• Wilks' Lambda(Лямбда Уілкса)=0,384;
* approx. F (4,47)(Наближене значення F-статистики з числом ступенів волі 4 та 47 ступенів)= 18,843;
• р (рівень значимості F-критерія) <0,0000
Показники графи 3 табл. 1.2 свідчать, що три з чотирьох змінних, включених до складу дискримінантної моделі, перевищують значення критерія F-remove (F-виключити) 1,162, у той час, як темп зростання реального ВВП у порівнянні до аналогічного місяця минулого року можна виключити з моделі.
Сторінки
В нашій електронній бібліотеці ви можете безкоштовно і без реєстрації прочитати «Інноваційні методи оцінки банківського капіталу» автора Автор невідомий на телефоні, Android, iPhone, iPads. Зараз ви знаходитесь в розділі „Екзогенні тенденції зміни вартості капіталу банків як ділових підприємств“ на сторінці 2. Приємного читання.
