본 연구에서는 2001년부터 2011년까지 11년 간 52개 국가의 금융 및 거시 데이터를 활용하여 예대금리차 결정요인 모형을 구성하고, 이들의 예측력을 비교하였다. 관측치보다 많은수의 잠재 설명변수를 고려함과 동시에 모형의 예측력을 높이기 위하여 회귀계수를 축소하여 추정하는 능형회귀(ridge regression), LASSO(Least Absolute Shrinkage and Selection Operator) 및 elastic net 방법론을 이용하였다. 분석 결과는 다음과 같다. 첫째, 원변수만을 활용한 단계별 회귀분석 대비 벌점화 축소추정 기법의 예측력이 전반적으로 우수하였다. 이는 벌점화 축소추정 기법의 경우 잠재 설명변수를 모두 고려할 수 있으며, 회귀계수의 분산을 줄여 예측력을 높이기 때문인 것으로 보인다. 둘째, 벌점화 축소추정 기법 중에서는 elasticnet 모형( )과 LASSO가 가장 좋은 예측력을 보여 주었다. 셋째, 예대금리차 결정요인 모형을 보면 원변수의 상호작용항 중 일부 변수들이 예대금리차에 영향을 미치는 것으로 나타났다. 특히 1인당 GDP는 기타변수들과의 상호작용항이 예대금리차에 영향력을 보였는데, 이는 경제수준별로 예대금리차 결정요인의 영향 정도가 상이할 수 있음을 시사한다.

The purpose of this paper is to organize the econometric models on determinants of interest spreads and to compare the prediction powers of these models using the aggregate finance market data of 52 countries in the 2001-2011 waves. To consider multiple potential explanatory variables over the number of observances, I used a regularized regression method such as the ridge regression, LASSO(Least Absolute Shrinkage and Selection Operator) and elastic net. The results obtained are as followings. Firstly, regularized regression methods are superior in prediction powers when compared to stepwise regression. This result comes from the characteristics of regularized regression, which could consider a number of potential explanatory variables and decrease the variance of coefficients to have better prediction power. Secondly, the LASSO and elastic net(  ) have the highest prediction power among regularized regression methods. Lastly, some interaction terms are related to the interest rate spreads. In particularly, the interaction terms between GDP per capital and some other variables are correlated with interest rate spreads. This result shows that the magnitudes of the effects of interest rate spread determinants are likely to depend on economic level.