搜索
计量经济学课程论文我国房价宏观影响因素的计量分析1[摘要]本文主要运用OLS法，采取截面数据对中国全社会的住宅价格进行宏观因素分析。由此得出影响住宅价格最主要的因素，以解释中国房地产近年来的一些现象，并对国家制定宏观经济政策调节房地产市场的健康发展和房地产开发商的合理战略决策提出一些参考意见。[关键词]多因素分析截面数据OLS法一、引言住宅业是国民经济的基础性、先导性产业。住宅既是生产和生活的必需品,同时也是一种资产或者说财富。它是家庭消费中最重要、最特殊、最复杂、最敏感的商品。可以说,世界上没有两片相同的树叶,也没有两间完全相同的住宅。商品住宅基本上是一房一价，有许多因素影响其定价。住宅的价格既关系到一般老百姓的生产和生活问题，也关系到一个城市发展潜力和竞争力，更关系到国家的金融稳定、宏观经济政策等。定性和定量研究住宅价格的影响因素和住宅业的发展态势，可以为政府进行宏观调控提供依据，为消费者提供信息支持，为住宅开发企业项目运作时提供参考。二、文献综述我对国内近年在各期刊上发表的关于房地产价格影响因素研究的文章进行了分析，并选择对同一问题的研究较具代表性的文章，提炼了他们的观点。1.姚先国、黄炜华进行了“地价与房价的关系”研究，他们认为地价与房价有关联，但并非线性关系，即使地价上涨，房价也并不一定随之上涨。只有其他成本都呈刚性再无下降空间，而开发商已到了无利可图的地步，地价的上升才会全部反映到房价上，成为房价上涨的直接原因。现有房价取决于居民有支付能力的需求，房价上涨主要是由于需求推动而非成本推动。2．尚梅对“宏观经济因素对建筑产品价格的影响”进行了分析，认为如果建筑产品价格的时间序列与某宏观经济变量的时间序列密切相关，且这些经济变量的变化周期超前于建筑产品价格的变化周期，那么这些宏观经济变量就可能成为建筑产品价格变化的晴雨表。所列举的对建筑产品价格水平具有影响的宏观经济变量有:建筑业投资、失业率、工业品产出、人均国民收入、银行贷款利率等等。3.陈多长、宗家峰对“房地产税收与住宅资产价格”研究后认为，对住宅未来价格的预期会影响现期价格，如果预期未来上升，则现期房价会马上上升;若存在住宅转让投机，再加上不确定性和税收等因素影响，资产性价格将会发生振荡。税收对住宅资产价格的影响是双重的:它既改变投机者的价格预期（影响预期资本性增值），也改变住宅资产的收益流量（影响资产的净现值）。4.姚大全对“土地储备对房地产的影响”进行了研究，土地储备对房价的短期影响是从两方面产生的，一是土地供应价格对开发成本的影响，二是土地供应机制对房屋开发总量的影响。5.有文章从央行加息对房地产的影响进行了分析，认为加息将延缓部分房2产需求的实现，改善房地产的供求关系，一定程度起到稳定房地产价格，放缓房地产投资速度的作用。6.张大亮、周丽梅在文章《顾客需求的变化对房地产价格的影响》中，认为随着购买主体、购买动机、功能需求及价值观念的变化，影响了顾客需求的变化。顾客需求的变化影响房地产价值的变化，从而引起价格的变化。房地产价值的实现程度与顾客对房地产价值的认知程度以及市场供求关系有关。7．贺巍、李小朋从消费者的心理方面研究了影响建筑物心理价位的因素。他们认为房屋的地段、小区环境、建筑物质量、外观、房型、配套设施、交通状况、物业管理水平、建筑开发商的知名度、广告力度是影响建筑物心理价位的主要因素。8．韩毅从物业管理方面对房地产价格的影响进行了分析，认为物业管理对一级市场上房地产销售价格的影响主要是通过企业的品德，树立了购买者对项目的信心。对二级市场而言，良好的物业管理可以对房地产功能方面的相对残缺、落后和不适的价值损失进行弥补;物业管理也会通过负面的影响引起房地产价值的损失。三、数据搜集本文所采用数据均来自于《2010年中国统计年鉴》，真实性和权威性很高。数据内容包含城镇和农村，为全社会数据，是对住宅问题的宏观分析。其中，分地区人口数是根据1%人口抽样调查的，并充分考虑了流动人口的数据，建筑业劳动生产率是按当年（2009）增加值计算的。四、计量经济模型（一）模型的建立Y=β1+β2X2+β3X3+β4X4+β5X5+β6X6+U其中：Y—住宅均价X2—人口密度X3—最终消费支出X4—建筑业房屋建筑面积（施工）X5—建筑业劳动生产率X6—人均年住房支出U—随机扰动项3OLS回归结果DependentVariable:YMethod:LeastSquaresDate:01/02/13Time:13:04Sample:131Includedobservations:31VariableCoefficientStd.Errort-StatisticProb.C-306.9796751.8139-0.4083190.6865X21.1088120.4196662.6421320.0140X30.0452660.0810920.5582090.5817X40.0012790.0149670.0854420.9326X50.0578050.0383361.5078500.1441X63.4658421.7305292.0027650.0562R-squared0.780381Meandependentvar2415.613AdjustedR-squared0.736457S.D.dependentvar1322.476S.E.ofregression678.9118Akaikeinfocriterion16.05084Sumsquaredresid11523030Schwarzcriterion16.32839Loglikelihood-242.7881F-statistic17.76672Durbin-Watsonstat1.971878Prob(F-statistic)0.000000由上表，模型估计有以下结果Y=-306.9796+1.108812X2+0.045266X3+0.001279X4+0.057805X5+3.465842X6+Use=(751.8139)(0.419666）(0.081092)(0.014967)(0.038336)(1.730529)t=(-0.408319)(2.642132)(0.558209)(0.085442)(1.507850)(2.002765)R2=0.780381AdjustedR2=0.736457F-statistic=17.76672（二）参数估计的检验与修正由上表，该模型的可决系数较高，F检验值=17.76672，明显显著。所有变量的符号也和预期效果一致，但α=0.05时，t(31-6)=2.060,，只有x2的系数的t检验显著，这表明很可能存在多重共线性。（1）多重共线性的检验Step1.计算各变量的相关系数。相关系数矩阵X2X3X4X5X6X21.0000000.3413350.2862580.4634410.787605X30.3413351.0000000.7579880.3807700.229225X40.2862580.7579881.0000000.4631560.329929X50.4634410.3807700.4631561.0000000.562310X60.7876050.2292250.3299290.5623101.000000可以看出，其中一些变量间的相关系数确实比较高，存在一定的多重共线性。4Step2.采用逐步回归法，来检验和解决多重共线性问题。分别做Y对x2-x5的一元回归，结果如下一元回归结果变量X2X3X4X5X6参数估计值2.1114200.2060440.0384750.1935958.167779T统计量7.6557852.2883892.3469594.1923677.402354可决系数0.6689910.1529560.1596200.3773610.653917修正可决系数0.6575770.1237480.1306420.3558910.641983其中，加入X2的修正的可决系数最大，以X2为基础，顺次加入其他变量逐次回归。加入新变量的回归结果1变量X2X3X4X5X6AdjustedR2X2,X31.999806（6.84523）0.066734（1.11928）0.660536X2,X41.978295（7.07951）0.017349（1.66424）0.677272X2,X51.753013（6.23826）0.094413（2.75208）0.720856X2,X61.230774（3.05001）4.374935（2.77087）0.721668经比较，新加入变量X6后，方程的修正的可决系数为0.722，改进最大，且各参数t检验显著，所以选择保留X6，再加入其他新变量逐步回归。加入新变量的回归结果2变量X2X3X4X5X6AdjustedR2X2,X6,X31.070309(2.60604)0.077327(1.45735)4.529605(2.91899)0.732409X2,X6,X41.206522(3.02916)0.013010(1.34137)3.999483(2.52844)0.729392X2,X6,X51.200100(3.12218)0.069142(1.97739)3.223376(2.00006)0.747872经比较，新加入变量后，尽管方程的修正的可决系数都有较大改进，但各新变量参数t检验不显著，且使原有变量的t检验值也向不显著方向发展，所以说明X3、X4、X5引起了严重的多重共线性，应予剔除，使模型得到改善。Step3.因此，剔除了多重共线性后的模型为Y=β1+β2X2+β6X6+U再次经过回归，结果为5DependentVariable:YMethod:LeastSquaresDate:01/02/13Time:16:23Sample:131Includedobservations:31VariableCoefficientStd.Errort-StatisticProb.C862.9113311.89582.7666650.0099X21.2307740.4035313.0500090.0050X64.3749351.5789042.7708690.0098R-squared0.740223Meandependentvar2415.613AdjustedR-squared0.721668S.D.dependentvar1322.476S.E.ofregression697.7015Akaikeinfocriterion16.02523Sumsquaredresid13630045Schwarzcriterion16.16400Loglikelihood-245.3910F-statistic39.89244Durbin-Watsonstat2.187602Prob(F-statistic)0.000000Y=862.9113+1.230774*X2+4.374935*X6（2.766665）（3.05）（2.771）R2=0.74DW=2.1876F=39.89244（2）异方差的检验（White检验）Step1.相关图形分析020004000600080000100020003000X2Y020004000600080000200400600800X6Y从这两个图可以粗略看出，随X2和X6的增加，Y的离散程度有逐步变大的趋势，认为存在递增性的异方差。6Step2.残差图形分析02000000400000060000000100020003000X2E202000000400000060000000200400600800X6E2从这两个图也可以粗略看出，模型可能存在递增性的异方差。Step3.由于是二元的回归，所以采取含交叉项的White检验WhiteHeteroskedasticityTest:F-statistic4.096535Probability0.007455Obs*R-squared