这一结论是合乎逻辑的。第一，各变量只刻画了经济环境的某一个方面；第二，违约概率在很大程度上受到银行自身的工作质量和内部管理的影响。经济环境因素很重要，但内部因素是决定性的。由于所有的数据都是标准化数据，所以某一个变量与银行信贷违约概率的相关系数也就是该变量与信贷违约概率变量进行无截距一元线性回归的斜率项。基于同样的理由，系数显著性值可以视同为该变量系数学生氏t检验结果所对应的概率值。
（一）一元回归
用逐步回归法计算所得的单一解释变量的方程是DEFAULT=-051×GDP，决定系数为026。这表明，人均GDP对违约概率有显著影响，地区之间的违约概率差异，违约概率间四分之一以上差别用GDP这一个变量就可以得到解释。
（二）多元回归
建立模型的目的是了解外部经济环境对违约概率的影响，而不是尽可能高的决定系数，高决定系数可能在统计上有显著性，但在经济含义上解释力却可能下降。基于实际工作中的经验，预计经济环境对违约概率的影响在二分之一到三分之二的范围。选用调整后的决定系数大于0.5的第一个模型，这也是综合衡量效果最佳的一个模型，有：PD=-0.157×GDP-0.467×RRURBN+0.444×FACTOWN-0.264×CNSPRF(-1.0)(3.4)(-3.0)(-2.0)R2=0.59,调整后R2=0.53模型通过GDP、乡镇企业经营效益FACTOWN、城乡差别RRURBN和建筑业经营效益CNSPRF解释地区间违约概率的差异，决定系数0.59。
上式表明，地域经济越发达，城乡差别越小，当地建筑业经营效益越好，则当地信用违约概率就越低。相比之下，工业和农业对此家大型银行信用风险的影响不如建筑业经营效益一项直接。而乡镇企业经营效益好，则当地违约概率上升。综合以上分析，上述模型中，50%至60% (具体数值为53%) 的某大型银行违约概率地域差异可以由当地的经济环境解释。
【
