调节变量对应的计量模型

短期跨境资本流动、货币政策和商业银行系统性风险——来自中国上市银行的经验证据吴成颂;胡寒笑;王超【摘要】文章选取中国沪深股市16家主要上市商业银行的数据,构建我国商业银行系统性风险指标体系来衡量商业银行系统性风险,并引入广义货币增长率以及定期存贷款利率代表货币政策宽松程度,分析短期跨境资本流动对商业银行系统性风险的影响.研究发现:短期跨境资本的频繁流动提高了商业银行系统性风险,并且货币政策宽松程度对短期跨境资本流动和商业银行系统性风险有调节作用.根据实证结果,文章在制度保障和国际合作等方面给出了建议.【期刊名称】《江南大学学报（人文社会科学版）》【年(卷),期】2019(018)004【总页数】8页(P107-114)【关键词】短期跨境资本流动;商业银行系统性风险;货币政策【作者】吴成颂;胡寒笑;王超【作者单位】安徽大学商学院,安徽合肥;安徽大学商学院,安徽合肥;安徽大学商学院,安徽合肥【正文语种】中文【中图分类】F830.4一、引言自上世纪90年代，中国金融的大门逐渐向外界开放。

我国金融开放的决心体现在一系列改革中，稳步推进资本账户开放，积极开展金融业对外开放活动，大力进行汇率市场化改革以及“一带一路”倡议布局，都为短期跨境资本流动奠定了制度基础。

大量持续的资本流入为我国经济增长提供了动力，为金融创新注入了活力，但与此同时也集聚了风险。

金融开放程度越高，短期跨境资本流动的规模、速度、形式就越复杂，给我国金融环境带来更多的不安定因素，极有可能诱发系统性金融风险[1]。

从全球经济发展历史看，很多金融摩擦都是由热钱带来的风险诱发的，如90年代东南亚金融危机。

2008年美国金融危机爆发，随后其直接导致全球经济危机，此后预防系统性金融风险已逐渐成为全球各国政府和金融监管部门共同的课题，商业银行作为金融机构中最重要的组成部分，防范其系统性风险的重要性更是不言而喻了。

一旦银行遭到不利冲击不能正常运转，在严重的情况下甚至会爆发银行危机，致使一国金融稳定受到严重震荡。

计量模型与计量方法计量模型和计量方法是统计学中的两个重要概念。

计量模型是指对现实世界中的经济、社会、生态等现象进行抽象和简化，建立数学公式或统计关系表达的模型。

计量方法是指用于实证研究中数据处理和分析的方法技能，包括数据的收集、整理、描述性分析和统计推断等方法。

下面将分别介绍计量模型和计量方法的相关内容。

一、计量模型计量模型是对现实世界中各种经济、社会、生态等现象进行抽象和简化后建立的数学模型或统计模型。

计量模型可以帮助我们理解和解释现象，预测和控制未来的发展趋势，提供决策的依据。

常见的计量模型有线性回归模型、时间序列模型、面板数据模型等。

线性回归模型是通过建立自变量与因变量之间的线性关系来描述变量之间的关联程度。

时间序列模型是用于分析时间序列数据，寻找其内在的规律和趋势。

面板数据模型是处理同时包含个体和时间维度的数据，研究个体间的差异和时间的变动对现象的影响。

计量模型的建立过程包括以下几个步骤：确定模型的目标和对象，选择适当的变量，确定变量之间的关系，进行模型的参数估计和假设检验，对模型进行验证和修正。

二、计量方法计量方法是用于实证研究中数据处理和分析的方法和技能。

计量方法主要包括数据的收集、整理、描述性分析和统计推断等步骤。

1.数据的收集：数据的收集是计量研究的第一步，可以通过问卷调查、实地观察、文献调研等方式获得数据。

在数据收集过程中需要注意数据的准确性、完整性和可靠性。

2.数据的整理：数据的整理是将收集到的数据进行清洗、排序和归类等处理，使得数据能够被计量模型所接受和处理。

常见的数据整理方法包括数据的填补、删除、变换和归一化等。

3.描述性分析：描述性分析是对数据进行汇总和概括，通过计算均值、中位数、方差、标准差等统计量来描述和展示数据的特征。

描述性分析可以帮助我们了解数据的分布情况和变异程度。

4.统计推断：统计推断是根据样本数据的统计特征，对总体特征进行推断和估计。

通过假设检验和置信区间估计等方法，可以对总体参数的假设进行检验和推断。

如何用SPSS做中介效应与调节效应（转）如何用SPSS做中介效应与调节效应1、调节变量的定义变量Y与变量X 的关系受到第三个变量M 的影响,就称M为调节变量。

调节变量可以是定性的，也可以是定量的。

在做调节效应分析时,通常要将自变量和调节变量做中心化变换。

简要模型：Y = aX + bM + cXM + e 。

Y与X 的关系由回归系数a + cM 来刻画,它是M 的线性函数, c衡量了调节效应(moderating effect)的大小。

如果c显著，说明M 的调节效应显著。

2、调节效应的分析方法显变量的调节效应分析方法：分为四种情况讨论。

当自变量是类别变量，调节变量也是类别变量时，用两因素交互效应的方差分析，交互效应即调节效应；调节变量是连续变量时，自变量使用伪变量,将自变量和调节变量中心化,做Y=aX+bM+cXM+e 的层次回归分析：1、做Y对X和M的回归,得测定系数R12。

2、做Y对X、M和XM的回归得R22，若R22显著高于R12，则调节效应显著。

或者,作XM的回归系数检验,若显著,则调节效应显著；当自变量是连续变量时，调节变量是类别变量，分组回归:按M的取值分组,做Y对X的回归。

若回归系数的差异显著,则调节效应显著，调节变量是连续变量时，同上做Y=aX +bM +cXM +e的层次回归分析。

潜变量的调节效应分析方法：分两种情形：一是调节变量是类别变量,自变量是潜变量；二是调节变量和自变量都是潜变量。

当调节变量是类别变量时,做分组结构方程分析。

做法是,先将两组的结构方程回归系数限制为相等,得到一个χ2值和相应的自由度。

然后去掉这个限制,重新估计模型,又得到一个χ2值和相应的自由度。

前面的χ2减去后面的χ2得到一个新的χ2,其自由度就是两个模型的自由度之差。

如果χ2检验结果是统计显著的,则调节效应显著；当调节变量和自变量都是潜变量时，有许多不同的分析方法，最方便的是Marsh,Wen和Hau 提出的无约束的模型。

计量模型是一种用于分析和解释数据的数学工具，常用于经济学、统计学和其他社会科学领域。

以下是一些常见的计量模型：
1. 线性回归模型：用于研究自变量与因变量之间的线性关系。

2. 逻辑回归模型：常用于分类问题，预测某个事件发生的概率。

3. 面板数据模型：用于分析横截面和时间序列数据的综合影响。

4. 时间序列模型：处理时间序列数据，如自回归移动平均模型（ARMA）。

5. 方差分析模型：用于比较不同组之间的差异。

6. 因子分析模型：用于提取数据中的潜在因素或结构。

7. 聚类分析模型：将数据对象分组或聚类。

8. 生存分析模型：研究事件发生的时间，如Kaplan-Meier 生存曲线。

9. 结构方程模型：同时分析多个变量之间的关系和潜在结构。

这只是一些常见的计量模型示例，实际上还有很多其他类型的模型，具体选择取决于研究问题的性质和数据的特点。

多变量调整模型-回复多变量调整模型在统计学和经济学中被广泛应用，用于探究多个变量之间的关系。

在此文章中，我们将一步一步回答有关多变量调整模型的问题，并探讨其在研究中的应用。

第一步：了解多变量调整模型的基本概念多变量调整模型是一种用于分析多个自变量与一个因变量之间关系的统计模型。

其基本原理是通过控制其他可能干扰因素的影响，来准确评估自变量对因变量的影响。

这种模型可以帮助研究者分离出自变量的独立贡献，并排除其他可能的混淆因素。

第二步：选择合适的模型在多变量调整模型中，我们通常使用线性回归模型，也可以根据问题的需要选择其他的模型。

线性回归模型的基本形式为Y = β0 + β1X1 + β2X2 + …+ βnPn + ε，其中Y是因变量，X1，X2，…，Xn是自变量，β0，β1，β2，…，βn是回归系数，ε是随机误差项。

通过最小二乘法等方法，可以估计出回归系数的值。

第三步：数据收集与准备在执行多变量调整模型之前，我们需要收集相应的数据。

这些数据应当包含因变量和各个自变量的取值，并且经过适当的数据清洗和预处理。

这可能包括处理缺失值、异常值，以及进行数据标准化等操作，以确保数据的质量和可靠性。

第四步：模型拟合与解释一旦数据准备就绪，我们可以将数据导入模型进行拟合和解释。

通过计算回归系数的值，我们可以得出自变量对于因变量的影响程度。

这些系数可以解释自变量对因变量变化的方向和幅度。

例如，如果回归系数为正数，则表示自变量上升将导致因变量的增加，而如果回归系数为负数，则表示自变量上升将导致因变量的减少。

第五步：模型评估与诊断在拟合模型后，我们需要对模型进行评估和诊断，以确保其的准确性和有效性。

常见的评估方法包括计算拟合优度、残差分析、多重共线性检验等。

这些方法可以帮助确定模型是否合适，是否需要调整或改进。

第六步：模型调整与改进如果模型的评估结果不理想，则需要对模型进行调整和改进。

可能需要添加或删除自变量，或者使用其他模型来解决问题。

摘要：通过构建自愿性环境规制与企业融资约束理论模型，选取2011—2021年中国沪深A 股上市企业为研究样本，探究自愿性环境规制对企业融资约束的影响，同时考察了代理成本和社会责任对自愿性环境规制与融资约束关系的权变影响。

研究发现，自愿性环境规制能够显著缓解企业融资约束，进一步考虑企业成熟度和盈利能力，发现其缓解作用仅在成熟企业、高盈利企业显著。

分析权变影响发现，代理成本越高的企业，越难以缓解融资约束；而社会责任会通过U 形调节作用影响企业融资约束。

关键词：自愿性环境规制；融资约束；代理成本；社会责任文章编号：1003-4625（2024）01-0001-12中图分类号：F276.6文献标识码：A郑明贵1,2，邱均远1，严杉1，张研博1（1.江西理工大学矿业发展研究中心，江西赣州341000；2.中国科学技术大学管理学院，安徽合肥230026）收稿日期：2023-10-20基金项目：本文为国家社会科学基金项目“中国战略性矿产资源产业链供应链安全稳定战略研究（2025—2060）”（22XGL003）、国家自然科学基金重点项目“大数据环境下的评价理论、方法和应用”（71631006）和江西理工大学重大项目培育计划“大数据驱动下国家矿产资源安全战略管理现代化研究”（19ZDPY-08）的阶段性成果。

作者简介：郑明贵（1978—），男，安徽颍上人，博士，教授，博士生导师，研究方向为资源经济与管理；通信作者邱均远（1999—），男，江西赣州人，硕士研究生，研究方向为资源经济与管理；严杉（1998—），男，四川南充人，硕士研究生，研究方向为资源经济自愿性环境规制缓解了企业融资约束吗？——基于代理成本和社会责任的调节作用一、引言党的二十大报告指出，推动经济社会发展绿色化、低碳化是实现高质量发展的关键环节，实现碳达峰碳中和是一场广泛而深刻的经济社会系统性变革。

随着绿色发展和“双碳”理念逐渐落实，环境认证、环境听证等形式的自愿性环境规制日益受到关注[1]。

调节效应与中介效应调节效应与中介效应1调节效应1.1 调节变量的定义如果变量Y与变量X的关系是变量M 的函数,称M 为调节变量。

就是说, Y与X 的关系受到第三个变量M 的影响,这种有调节变量的模型一般地可以用图1 示意。

调节变量可以是定性的(如性别、种族、学校类型等) ,也可以是定量的(如年龄、受教育年限、刺激次数等) ,它影响因变量和自变量之间关系的方向(正或负)和强弱。

图1调节变量模型在做调节效应分析时,通常要将自变量和调节变量做中心化变换(即变量减去其均值,参见文献) 。

本文主要考虑最简单常用的调节模型,即假设Y与X 有如下关系Y = aX + bM + cXM + e (1)可以把上式重新写成Y = bM + ( a + cM ) X + e对于固定的M ,这是Y对X 的直线回归。

Y与X 的关系由回归系数a + cM 来刻画,它是M 的线性函数, c衡量了调节效应(moderating effect)的大小。

1.2 调节效应分析方法调节效应分析和交互效应分析大同小异。

这里分两大类进行讨论。

一类是所涉及的变量(因变量、自变量和调节变量)都是可以直接观测的显变量(observable variable) ,另一类是所涉及的变量中至少有一个是潜变量( latent variable) 。

1.2.1 显变量的调节效应分析方法调节效应分析方法根据自变量和调节变量的测量级别而定。

变量可分为两类, 一类是类别变量( categorical variable) ,包括定类和定序变量,另一类是连续变量( continuous variable) ,包括定距和定比变量。

定序变量的取值比较多且间隔比较均匀时,也可以近似作为连续变量处理。

表1分类列出了显变量调节效应分析方法。

当自变量和调节变量都是类别变量时做方差分析。

当自变量和调节变量都是连续变量时,用带有乘积项的回归模型,做层次回归分析: ( 1)做Y对X和M 的回归,得测定系数R21。

如何分析调节作用？调节作用是研究X对Y的影响时，是否会受到调节变量Z的干扰。

比如学习方案对学习效果的影响，其中会受到学生个性的影响，一种指导方案对一类学生有效，对另一类学生无效。

此时我们就称学生个性是调节变量。

1. 数据类型在调节作用中，Y一定是定量数据，而调节变量可以是定性的，也可以是定量的。

因此根据自变量和调节变量的数据类型，可以将调节作用分为四种，分别是：*定量数据与定类数据的区分：基本概念其中，当自变量X和调节变量均为定类数据时，使用【进阶方法】中的【双因素方差】进行分析。

当交互项有显著性时，则说明具有调节效应。

进阶方法-双因素方差另外三种情况直接使用【问卷研究】-【调节作用】进行分析。

问卷研究-调节作用两种方法的分析步骤基本一致，本文主要针对调节作用这一方法进行详细说明。

2. SPSSAU操作案例：研究工作氛围在工作满意度对工作绩效的影响中，是否具有调节作用。

（1）操作步骤SPSSAU默认为自变量、调节变量均为定量数据，如果是定类数据可通过选择参数设置‘调节作用类型’即可。

（案例数据非真实数据）在本例中，自变量和调节变量均为定量数据，因此以默认参数进行分析即可。

数据处理方式选择-中心化。

如果有多个自变量或多个调节变量，则重复多次分析。

（2）结果分析SPSSAU上表是对变量处理进行说明，如果自变量和调节变量是定量数据，默认做中心化处理，如果是定类数据，做哑变量处理。

因变量和控制变量一般不作处理。

上表是本次分析的核心部分，表中实际上包含了三个模型：模型1中包括自变量(X)，以及控制变量；分析自变量X对于因变量Y的影响情况。

模型2在模型1的基础上加入调节变量(Z)；模型3在模型2的基础上加入交互项(自变量与调节变量的乘积项)。

（3）判断方法调节作用研究并不要求自变量对因变量一定有影响，即使X对Y 没有影响也可进行调节作用研究。

判断是否具有调节作用，有两种检验方法：①△R²显著性：R²变化显著的判断，是看△F 值是否呈现出显著性，如果模型2到模型3的F值变化呈现出显著性，则说明R²变化显著，交互项有显著性。