I risultati della prima analis

Nella presente sezione si presenteranno i risultati relativi alla relazione tra credito totale (LLtot) e mark-up medio ponderato (θagg). I primi risultati riguardano alcune proprietà possedute dalle serie storiche prese in considerazione. In particolare, lo Schwarz Bayesian Information Criteria (SBC) suggerisce che il ritardo ottimo è uguale a due. Inoltre, il Phillips-Perron (PP) test suggerisce che tutte le variabili sono non stazionarie ai livelli, ma diventano stazionarie alle differenze prime.61 Siccome le variabili sono I(1), si stima il test di Cointegrazione di Johansen in modo da comprendere se esiste un’equazione di cointegrazione tra le tre variabili considerate. In altre parole, si testerà l’esistenza di una combinazione lineare stazionaria tra variabili che, prese singolarmente, non sono stazionarie.

Tabella 19. Johansen Cointegration test (Credito e mark-up aggregato)

Variabili Trace Eigenvalue Lag

LLtot & θagg 25,04746*** 24,50242*** 2

* p<0.10, ** p<0.05, *** p<0.01; il Trace rappresenta il Trace Test statistics e l’ Eigenvalue è il Maximal Eigenvalue

Test statistics.

Il test di cointegrazione di Johansen indica che esiste un’equazione di cointegrazione tra

LLtot e θagg. In particolare, come mostrato in tabella 19, i p-value in corrispondenza del Trace e

dell’Eigenvalue sono entrambi minori del 1% (Il Trace è uguale a 25,04746 e l’Eigenvalue è uguale

135

a 24,50242), suggerendoci che il credito totale (LLtot) e il mark-up medio ponderato (θagg) sono variabili cointegrate, ossia esiste tra loro una combinazione lineare.62 Grazie all’esistenza dell’equazione di cointegrazione (EC), si può concludere che esiste una relazione di lungo periodo tra le suddette variabili (LLtot e θagg).

Al fine di agevolare la lettura e la comprensione dei risultati, si ripropone l’equazione 15 presentata nel capitolo 2 rappresentante il modello VECM

∆X_N = Y₂+ Z Y T [ ∆X_N% + Z Y_\ T [ ∆]_N% + Y_{_} (X_N% − ` − Y_a ]_N% ) + ^N. (15)

Avendo trovato un’equazione di cointegrazione (EC: X_N% − ` − Y_a ]_N% ), si stima il modello VECM che ci permette di determinare sia la causalità di breve che di lungo periodo. La causalità di lungo periodo viene determinata attraverso la significatività del coefficiente che moltiplica il vettore di cointegrazione (Y_{_} nell’equazione 15). Se il coefficiente è statisticamente diverso da zero, si può concludere che esiste una relazione di causalità che si muove dalla variabili indipendenti verso quelle dipendenti del nostro modello. Le relazioni di breve periodo saranno stimate attraverso l’utilizzo del Wald test (Toda e Phillips, 1993) che fonda l’ipotesi nulla sull’idea che i coefficienti della componente VAR ( Y_\ ) siano uguali a zero.

In più, in seguito alle analisi di causalità si svolgeranno riflessioni relative all’intensità con cui le variabili indipendenti ritardate influenzano le dipendenti. In particolare, per raggiungere tale obiettivo, si riporteranno i risultati delle stime dei coefficiente Y_\ e Y_a (si veda l’equazione 15). Mentre Y_a rappresenta l’intensità del legame di lungo periodo e moltiplica sempre la variabile indipendente al tempo D − 1, Y_\ rappresenta un vettore di coefficienti che misurano l’intensità del legame di breve periodo e moltiplica una serie di variabili indipendenti ritardate D − -, dove n rappresenta il massimo numero di ritardi assegnato alla variabile indipende (per la scelta del ritardo utilizzato nel presente modello si veda l’appendice D).

Come mostrato dalla prima colonna della tabella 20, si testerà se la variabile indipendente influenza la variabile dipendente nel lungo periodo. I risultati della relazione di causalità di lungo periodo sono riportati in tabella 20. Al fine di comprendere la causalità, si necessità del valore del coefficiente che moltiplica l’EC (Y_{_} nell’equazione 15) e la rispettiva significatività. Come si osserva in tabella 20, tra il credito totale (LLtot) e il mark-up medio ponderato (θagg) esiste un rapporto di causalità bi-direzionale poiché entrambi i valori del coefficiente associati all’EC sono

62

Se il Trace e il Maximum Eigenvalue sono maggiori dei valori critici, i risultati dei test sono statisticamente significativi. Per questo motivo si rigetta l’ipotesi nulla di non cointegrazione.

136

significativi (il p-value < 1%). In particolare, essendo i coefficienti uguali a –0,082997 e a – 0,002155 e entrambi significativi all’uno percento di probabilità, si rifiuta l’ipotesi nulla di non causalità e quindi si può argomentare che entrambi i coefficienti che moltiplicano l’EC sono statisticamente diversi da zero. Per tale motivo si può concludere che esiste una relazione di lungo di periodo che si muove in entrambe le direzioni. Da un punto di vista teorico, è ragionevole sostenere sia la tesi secondo cui il mark-up possa dipendere dal credito erogato dal sistema bancario e sia che il mark-up – in quanto costo che entra nella formazione del tasso dell’interesse – possa aver influenzato le quantità di credito prestate.

Tabella 20. Modello VECM (Causalità di lungo periodo. Credito e mark-up aggregato) Long run coefficients

t-Statistic Lag Long run

INDEPENDENT V. DEPENDENT V. ECT ( Y_{_} ) CONCLUSION

LLtot θagg -0,082997 [-2,913719]*** 2

LLtot θagg θagg LLtot -0,002155 [-3,653694]*** 2

* p<0.10, ** p<0.05, *** p<0.01; H0: no causalità di lungo periodo; INDEPENDENT V. rappresenta la colonna delle variabili indipendenti; DEPENDENT V. rappresenta la colonna delle variabili dipendenti. Le frecce mostrano la direzione di causalità: una singola freccia rappresenta un singolo e unico legame di causalità che va dalla variabile indipendente verso quella dipendente; una freccia doppia rappresenta bidirezionalità nel rapporto di causalità.

Nella tabella 21 si mostrano i risultati delle relazioni di breve periodo, risultanti dalla stima del modello VECM. L’ipotesi nulla sottostante al Wald Test prevede che i coefficienti delle variabili indipendenti ritardate siano uguali a zero, ossia che non ci sia causalità di breve periodo tra le variabili prese in considerazione. L’ipotesi nulla del Wald Test può essere rappresentata dalla seguente relazione:

2: Y\ = Y\s = . . . = Y\T= 0

Dove i coefficienti da Y_\ a Y_\T rappresentano i coefficienti delle variabili ritardate. Se i diversi Y_\ fossero statisticamente uguali a zero non esisterebbe alcun legame di causalità di breve periodo tra il credito totale (LLtot) e il mark-up medio ponderato (θagg). Contrariamente, qualora la probabilità (p-value) associata ai coefficienti ritardati delle variabili indipendenti fosse minore del 5% (o al massimo del 10%), si rifiuterebbe l’ipotesi nulla sostenendo che esiste una causalità di breve periodo tra le variabili considerate.

I risultati mostrano che la variabile che rappresenta il credito totale aggregato (LLtot) influenza il mark-up medio ponderato (θagg). Come si può osservare nella tabella 21, le statistiche test basate su una distribuzione chi-quadro sono pari a 9,612407 (significativo all’1%) e a 1,774889

137

(non significativo). Per questi risultati e le ipotesi fatte, si può desumere che la causalità di breve periodo si muove dai prestiti totali (LLtot) al mark-up medio (θagg) e non viceversa.

Tabella 21. Modello VECM (Causalità di breve periodo, Wald Test. Credito e mark-up aggregato) Short run coefficients

Lag Short run

INDEPENDENT V. DEPENDENT V. χ2 test ( Y_\ ) CONCLUSION

LLtot θagg 9,612407*** 2

LLtot θagg

θagg LLtot 1,774889 2

* p<0.10, ** p<0.05, *** p<0.01; H0: no causalità di breve periodo; INDEPENDENT V. rappresenta la colonna delle variabili indipendenti; DEPENDENT V. rappresenta la colonna delle variabili dipendenti. Le frecce mostrano la direzione di causalità: una singola freccia rappresenta un singolo e unico legame di causalità che va dalla variabile indipendente verso quella dipendente; una freccia doppia rappresenta bidirezionalità nel rapporto di causalità.

Dato che lo scopo della presente capitolo è di analizzare l’influenza che il credito concesso dal sistema bancario ha sul mark-up fissato dalle banche commerciali e di dare una risposta empirica all’esistente diatriba tra la tesi orizzontalista e quella strutturalista, nel prosieguo del presente paragrafo si studierà la suddetta relazione imponendo il credito totale (LLtot) come la variabile indipendente del modello e il mark-up medio ponderato (θagg) come la variabile dipendente. Per le ragioni relative all’obiettivo di ricerca del presente capitolo e per i risultati relativi alla causalità di lungo periodo (tabella 20), non si riporteranno le stime relative alla relazione opposta.

Nel prosieguo del presente paragrafo, saranno presentate sia le stime dei coefficienti di lungo periodo che quelli di breve. Per quanto riguarda le relazioni di lungo periodo, si riporteranno le stime dell’equazione di cointegrazione. In particolare, i coefficienti di lungo periodo mostrano l’intensità con cui la variabile indipendente influenza quella dipendente (Y_a nell’equazione 15). Per quanto riguarda le relazioni di breve periodo, si riporteranno le stime di breve periodo dei coefficienti stimati (Y_\ nell’equazione 15).

La relazione di relazione di lungo periodo, stimata dal test di Johansen e rappresentata in termini generali dell’equazione 14 (si veda il capitolo 2), può essere sintetizzata dalla relazione empirica 21:

θaggN% = 48,6369406595 − 2,89755286524∗∗∗ (LLtotN% ) (21) L’intercetta ` (si veda l’equazione 15) è pari a 48,6369406595 e il coefficiente Y_a (si veda l’equazione 15) è pari a –2,89755286524. Di conseguenza possiamo concludere che la variabile indipendente che rappresenta il credito totale (LLtot) influenza negativamente il mark-up medio ponderato (θagg). Il grado di influenza è dato dal valore assunto dal coefficiente Y_a . Nel nostro

138

caso, dato che le quantità di credito hanno subito una trasformazione logaritmica, l’equazione (21) si interpreta nel modo che segue: un aumento dell’1% delle quantità di credito concesse dal sistema bancario (LLtot) impattano sul mark-up medio (θagg) con un’intensità pari a –0,0289755286524 punti percentuali. In altre parole, nell’eurozona, all’aumentare del credito dell’1%, il mark-up medio fissato dalle banche commerciali diminuisce mediamente dello –0,0289755286524 %.

Per quanto riguarda le relazioni di breve periodo, si riporteranno i coefficienti Y₂, Y e Y_\ stimati nel modello VECM e presentati nell’equazione 15. Y₂ rappresenta l’intercetta; Y è il coefficiente della variabile dipendente ritardata (rappresentante la componente autoregressiva); Y_\ è il coefficiente della variabile indipendente ritardata. A livello teorico, la relazione di breve periodo può essere sintetizzata dall’equazione (22)

∆<`99N = Y2+ Y ∆<`99N% + Y \∆<`99N%\+ Y\ ∆JJDŒDN% + Y\\∆JJDŒDN%\ (22)

A livello empirico, i risultati della suddetta relazione possono essere rappresentati dall’equazione (23)

Particolare attenzione deve essere rivolta alla relazione tra il credito totale ritardato e il

mark-up. Il coefficiente associato alle quantità di credito totali ritardate di un periodo (∆LLtot_N% ) è significativo all’1% (la t-statistics associata a quest’ultimo coefficiente è pari a -3,10614) e mostra che se il credito totale erogato aumenta dell’1%, il mark-up medio ponderato al tempo t (∆θagg_N) diminuisce di 0,123702134415%. Dunque, anche nel breve periodo, il credito totale fornito dal sistema bancario europeo con un lag pari a uno (∆LLtot_N% ) ha un’influenza negativa su mark-up medio ponderato (∆θagg_N). Per quanto riguarda il credito totale con due ritardi (∆LLtot_D−2), si osserva che non esiste alcun effetto sul mark-up medio ponderato al tempo t (∆θagg_N) poiché il coefficiente stimato dal modello non risulta significativo. Confrontando i risultati di breve periodo con quelli di lungo periodo, si evince che l’effetto negativo di breve periodo agisce con maggiore intensità rispetto all’effetto di lungo periodo. Ciò si deduce dal fatto che il coefficiente di breve periodo (in valore assoluto) è maggiore rispetto al coefficiente stimato di lungo periodo (si confrontino le stime dell’equazione 23 con quelle dell’equazione 21).

∆θaggN= − 0,032416435223+0,150500795072

∗ (∆θaggN% )+ 0,136169768066 ∗ (∆θaggN%\)− ₍₂₃₎ − 12,3702134415 (∆LLtotN% )

139

Dalle stime svolte sulle serie storiche del mark-up medio ponderato (θagg_N) e del credito totale (LLtot), si evince che il credito erogato dal sistema bancario ha un effetto significativo sul

mark-up fissato dal sistema bancario. In particolare tale effetto si conferma negativo sia nel breve

che nel lungo periodo.