Диссертация: Исследование влияния финансовой инфраструктуры регионов на показатели регионального инвестиционного климата

Причины такого распределения регионов выявить крайне сложно, поскольку оно отражает индивидуальные ненаблюдаемые различия между объектами. К примеру, самые высокие значения коэффициентов наблюдаются для Москвы и Камчатского края. Если первое можно считать вполне ожидаемым явлением, то второе, вероятнее всего, представляет собой уникальное сочетание ненаблюдаемых факторов.

Рис. 16. Оценки коэффициентов финансовой инфраструктуры с индивидуальным эффектом региона.

Таким образом, нам удалось подтвердить гипотезу о наличии столь существенных ненаблюдаемых различий между регионами, требующих введения индивидуальных коэффициентов наклона при индексе финансовой инфраструктуры. С помощью иерархической модели мы смогли доказать, что влияние финансового развития на инвестиционную привлекательность положительно, но необходимо вводить случайные индивидуальные эффекты региона. Этот результат может быть крайне полезен для региональных исследований на российских данных, представляющих значительные трудности в силу сильной экономической дифференциации.

4.5 Результаты оценки динамической модели влияния финансовой инфраструктуры на показатели инвестиционной привлекательности регионов РФ

Следуя соображениям экономической теории, необходимо заметить, что эффект от инвестиций проявляется в долгосрочной перспективе. Это утверждение приобретает особый смысл в отношении исследования инвестиционной привлекательности, поскольку очевидно, что результат дополнительных вложений в основной капитал оказывает влияние на инвестиционный климат субъекта с некоторым лагом.

Добавление лагов зависимой переменной в within-регрессию приводит к несостоятельности полученных оценок в силу проблемы эндогенности. Между within-преобразованием лага и ненаблюдаемыми эффектами возникает ненулевая ковариация, что не позволяет считать результаты оценивания адекватными действительности.

Для оценки динамических моделей в панельных данных был разработан подход Ареллано-Бонда на основе обобщенного метода моментов. С его помощью можно оценивать данные, где количество объектов велико, а периоды, напротив, немногочисленны. После перехода к уравнению в разностях для эндогенных регрессоров подбираются инструменты среди их лагов.

Оценки ОММ в рамках подхода Ареллано-Бонда можно получать путем как одношаговой, так и двухшаговой процедуры. Сначала обратимся к первому алгоритму. Результаты одношаговой оценки модели представлены в таблице 16. Можно увидеть, что включение лага зависимой переменной в данном случае обесценивает вклад финансовой инфраструктуры.

Таблица 16

Одношаговая оценка модели Ареллано-Бонда

Standard errors in parentheses

*** p<0.01, ** p<0.05, * p<0.1

После оценки модели следует проверить инструменты на валидность. Соответствующее тестирование Саргана возможно только при предположении о гомоскедастичности, поскольку только в этом случае статистика асимптотически имеет распределение Хи-квадрат. В действительности же, при наличии подобных отклонений в модели нулевая гипотеза этого теста отвергается практически всегда, поскольку распределение статистики в условиях гетероскедастичности неизвестно (Arellano and Bond, 1991).

Результаты теста Саргана свидетельствуют о том, что нулевая гипотеза о валидности инструментов отвергается на любом уровне значимости (Рис. 17).

Рис. 17. Тест Саргана на валидность инструментов в одношаговой модели.

Проведем тест Ареллано-Бонда на наличие автокорреляции ошибок в первых разностях (Рис. 18). Можно сказать, что в одношаговой модели присутствует автокорреляция первого порядка, и на уровне значимости 1,75% не отвергается нулевая гипотеза об отсутствии а/к второго порядка.

Рис. 18. Результаты теста Ареллано-Бонда на автокорреляцию (одношаговая модель).

Попробуем оценить модель Ареллано-Бонда путем двухшаговой процедуры (Таблица 17). Лаг зависимой переменной оказывает значимое положительное влияние, как и индекс региональной финансовой инфраструктуры. Двухшаговая модель позволяет выявить интересующий нас эффект, однако доверять оценкам мы сможем, только убедившись в валидности используемых инструментов.

Таблица 17

Двухшаговая оценка модели Ареллано-Бонда

Standard errors in parentheses

*** p<0.01, ** p<0.05, * p<0.1

Согласно тесту Ареллано-Бонда, в модели присутствует автокорреляция только первого порядка (Рис. 19).

Рис. 19. Результаты теста на автокорреляцию (двухшаговая модель).

Тест Саргана показывает, что на уровне значимости 0,55% инструменты валидны (Рис. 20). Однако, Arellano and Bond (1991) указывают на то, что для двухшаговой модели в условиях гетероскедастичности гипотеза о валидности чаще не отвергается.

Рис. 20. Тест Саргана на валидность инструментов для двухшаговой модели.

Учитывая этот факт, следует оценить обе спецификации с коррекцией на гетероскедастичность. Результаты оценки приведены в Таблице 18. При коррекции на гетероскедастичность в одношаговой процедуре используются поправки Ареллано-Бонда, в двухшаговой - стандартные ошибки Windmeijer (Windmeijer, 2005).

Таблица 18

Результаты оценки модели Ареллано-Бонда (одношаговая и двухшаговая процедуры) с коррекцией

Robust standard errors in parentheses

*** p<0.01, ** p<0.05, * p<0.1

Результаты оценки показывают, что лаг инвестиций в основной капитал оказывает положительное влияние на текущий уровень. При этом воздействие финансовой инфраструктуры не потеряло своей значимости, как можно было ожидать при введении лага.

Поскольку в моделях проведена коррекция на гетероскедастичность, тест Саргана на валидность инструментов провести нельзя. В этом случае можно обратиться к результатам теста Ареллано-Бонда на автокорреляцию (Таблица 19). Если тест выявляет наличие автокорреляции второго порядка и выше, инструменты не валидны.

Таблица 19

Результаты теста Ареллано-Бонда на автокорреляцию

Как можно увидеть, в одношаговой модели присутствует автокорреляция первого порядка. В спецификации, оцененной с помощью двухшаговой процедуры, нулевая гипотеза об отсутствии автокорреляции первого порядка также отвергается. Автокорреляции второго порядка в моделях нет, что позволяет считать инструменты валидными.

Перед тем, как переходить к интерпретации результатов, оценим динамическую модель на основе подхода Бланделла-Бонда, который учитывает дополнительные моментные тождества. Результаты оценки модели без учета гетероскедастичности, тестирования на валидность и пространственную автокорреляцию представлены в Приложении 5. Нас же в большей степени интересуют оценки модели с коррекцией отклонений, поскольку это больше соответствует реальности. В таблице 20 приведены результаты оценивания модели, проведенного с помощью двухшаговой процедуры.

Таблица 20

Двухшаговая оценка модели Бланделла-Бонда

Standard errors in parentheses

*** p<0.01, ** p<0.05, * p<0.1

Обратимся к тесту Ареллано-Бонда (Рис. 21). Нулевая гипотеза о наличии автокорреляции второго порядка отвергается на уровне значимости в 18,53%. В таком случае можно говорить о валидности используемых в модели инструментов. Гипотеза о наличии автокорреляции первого порядка не отвергается на уровне значимости в 1%. Поскольку ошибки i.i.d. в первых разностях коррелируют, данный результат не говорит о неправильной спецификации модели.

Рис. 21. Тест на автокорреляцию двухшаговой модели Бланделла-Бонда

Сравним результаты оценивания модели Бланделла-Бонда с помощью одношаговой и двухшаговой процедур, а также с коррекцией на гетероскедастичность и без нее (Таблица 21).

Таблица 21

Оценка модели Бланделла-Бонда

Standard errors in parentheses

*** p<0.01, ** p<0.05, * p<0.1

Можно увидеть, что скорректированные стандартные ошибки выше, чем в соответствующих моделях без учета гетероскедастичности, что приводит к уменьшению количества значимых коэффициентов. Отметим, что двухшаговую процедуру можно считать более предпочтительной, т.к. для оценивания используются более точные поправки. Напротив, для одношаговой оценки применяются поправки, которые занижают стандартные ошибки, и интерпретировать коэффициенты нельзя (Arellano and Bond, 1991).