等人的横截面回归方法

KLR方法和FR方法都是以一组国家的数据为基础来进行预测。这引起了两个问题：一是数据的使用基于所有危机都可用相同模式解释的假设；二是即使有了大量的危机数据，因为可供分析的解释变量太多，不可能全部考虑。为解决上述两个缺陷，Sachs，Tornell和Velasco（1996）采用这样一种方法：集中分析起因类似的一小组危机，同时主要分析对说明危机的原因至关重要的一些变量。这就是他们的横截面回归方法（简称STV方法）。

在用STV方法分析1994年12月发生的金融危机对1995年其他新兴市场的影响时，他们检验了横截面国家在1995年金融危机规模的决定因素。该方法不能回答危机发生的时机，但能指出在改变全球金融环境的事件中，哪些国家将受到严重影响。

他们利用20个新兴市场国家的横截面数据进行估计。把危机指数（IND）定义为储备养活百分比和外汇减少百分比的加权和。利用横截面数据来估计模型的参数，然后检验，得到了下列模型：

其中，RER代表实际汇率贬值幅度；LB代表贷款繁荣度，用私人贷款的增长率表示；DLR代表低储备的哑变量，当储备／M2处于低四分位中时为1，其他为0；DWF代表弱基本变量的哑变量，当RER处于低四分位中或LB处于高四分位中时为1，其他为0。

他们发现，对低储备和弱基本变量的国家，RER对危机的影响效果为负，即实际汇率贬值的国家发生危机的可能性较小，LB对危机的效果为正。这说明当国家的金融体系脆弱和国际储备较低时，汇率高估或贷款繁荣容易引致投机进攻进而引发金融危机。上述模型的R2为69%，表明该模型对1994年墨西哥金融危机传染引起的相关国家的金融危机的解释能力相当强。

为检验STV模型的预测效果，可用1995年墨西哥等国的数据建立的STV模型来预测1997年发生的东南亚金融危机，按预测的危机指数的大小排序。同时，根据1997年4～11月实际数据算出的实际危机指数将有关国家排序，结果表明，相关系数只有8%，用实际排序对预测回归，R2只有1%。这说明，当用1995年的数据建立STV模型来外推预测1997年东南亚金融危机时，效果不佳。从细节上看，这个模型对马来西亚和泰国金融危机的预期与实际情况相吻合程度较大，对巴西和阿根廷的预测也可以，但对印度尼西亚和韩国的预测偏低，与实际不吻合。