成都房产价格多因素分析

成都房产价格多因素 成都房产价格多因素分析 [摘要] 近年来我国房产行业伴随着国民经济的快速稳步发展也得到了飞速的发展，但房价的不断上扬和率攀新高，成为我国居民购房的一大障碍。本文将通过以成都房产价格为研究对象去探讨，影响房价因素的分析。通过计量经济建模的方法对房产价格影响因素的分析，从房产的供给和需求两个层面去探究影响房产价格的分析。 [关键词] 房产价格因素模型 解释变量 被解释变量 ARCH检验 White检验 问的提出 近年来，我国的房产业得到了快速的发展，同时房价上涨等现象也引起了人们的普遍关注，房价问题成为目前中国经济的一大热点，同时房价过高也引起了上到中央下到普通老百姓的关注。为了控制房产过热以及价格上涨等问题，近年来中央采取了一系列的宏观调空措施，并取得一定的效果。 2005年，为防止房产投资增速出现反弹，国家再次出台了一系列调控措施，从土地供应、贷款发放、住房公积金管理、抑制房价到全行业的综合调控等，整个房地产市场经历了一个不平凡的“调控之年”和“政策之年”。2006年我国政府为抑制房价增长过快，又出台了一系列的政策法规，这次政策针对性更 强，指标更量化，对表现在全国高温不下的房产市场，特别是个别发达地区算是下了一场降温急雨，给希望走上持续健康发展道路的中国房地产市场开了一剂猛药。 2005年全年房地产开发投资8><#004699'>15759.3亿元，比上年增长<#004699'>19.8%，增幅下降8.3个百分点。其中，办公楼房地产投资增速下降趋势最为明显，住宅类房地产投资的增速下降趋势与全行业的最为接近，而商业营业用房地产投资增速在二季度和三季度甚至出现过一段时间的反弹。 成都市位于中国腹地，是四川省省会，是一座具有悠久历史的文化名城，是一座充满生机的现代化城市，被国务院确定为中国西南地区的科技中心、商贸中心、金融中心及通信枢纽和交通枢纽。成都的经济状况高速增长，2005年，成都市全年新建商品房成交面积达到<#004699'>1600.5<#004699'>1万平方米，同比增长7.7<#004699'>1%，销售金额达到507.79亿元，同比增长2<#004699'>1.88%;2005年成都市五城区商品房成交量为848.30万平方米，五城区新增商品房供应量为96<#004699'>1.<#004699'>18万平方米，同比大幅增长33.94%。2005年全市商品房交易均价3<#004699'>173元/平方米，同比增幅<#004699'>13.<#004699'>15%;商品住宅交易均价2875元/平方米，同比增长<#004699'>18.96%。其中五城区商品房交易均价为4085元/平方米，同比增长9.48%;商品住宅均价为3770元/平方米，同比增长<#004699'>16.32%。 无论从全国的情况来看还是从成都的情况来看，无独有偶一谈及房地产问题，大家首要关注的问题就是房价问题。因此房价是问题是本课程论文所需要研究的对象。本文将通过对成都房产价格多因素影响的分析，探究房产价格居高不下的原因，从而为抑制房价和指导房产健康发展做出相关的政策建议。 研究的目的和要求: 房地产固定投资成为我国经济发展的重要的推动力量。面临目前我国房价过高的状况，通过分析影响房地产价格的因素，探究房产价格不断攀升的基本因素，从根源上探求抑制房价过度上涨的因素。 房地产市场价格水平，既受到房产开发成本与费用构成的影响，同时也是其他众多因素相互作用的结果。这些因素包括: <#004699'>1(社会因素 社会因素包括社会治安状况、人口密度、家庭结构、消费心理等。例如，人口密度高的地方对住房需求多，价格也就较高;家庭结构趋于小型化增加了家庭单位数量，从而引起住房需求的增加，也会抬高住房的价格。人们消费心理的变化也影响着房地产的设计和开发建设，当人们消费心理倾向于经济实用型的时候，房地产的设计和开发都会以降低成本和售价为目标。当人们消费心理趋于舒适方便时，房地产开发则注重功能的完善和居住环境的美化。虽然这可能会增加 开发成本，但同时也提高了售价。 2(政治因素 政治因素是指会对房地产价格产生影响的国家政策法规，包括房地产价格政策、税收政策、城市发展等。例如，目前中国政府正通过制定政策法规致力于减少房地产开发和交易过程中的各种不合理收费，从而降低住房价格，使之 与广大居民的收入相匹配。 3(经济因素 经济因素包括宏观经济状况、物价状况、居民收入状况等。例如，当经济处于增长期时，社会对房地产的需求强烈，其价格也水涨船高。当经济处于萧条期时，社会对各种房地产的需求减少，价格自然会下降。物价水平和居民收入水平也与房地产价格呈同向变动。 4(自然因素 自然因素包括房地产所处地段的地质、地形、地势及气候等。例如，地质和地形条件决定了房地产基础的难度，投入的成本越大，开发的房地产价格就越高。气候温和适宜、空气质量优良的地域，其房地产价格也会比气候相对恶劣的地域高。 5(区域因素 区域因素包括交通状况、公共设施、配套设施、学校、医院、商业网点、环境状况等。例如，地处交通便利城区的房地产价格较高，交通不方便的郊区则价格偏低。对于商业房地产，区域因素尤其重要。繁荣的商圈区域内的房地产价格高昂，因持有这些区域的房地产而取得的租金收入不菲。 6(个别因素 个别因素是指影响某个房地产项目的具体因素，包括建筑物造型、风格、色调、朝向、结构、材料、功能设计、施工质量、物业管理水平等。功能设计合理、工质量优良、通风采光好和良好的朝向等因素都会相应地在房地产价格上体现出来。 从以上影响房地产的众多因素中，由于能采集和收集到有效数据的限制，本课程论文将重点选取影响房地产价格的因素的主要因素进行模型的假定。分析的主要因素可能包括: ?人均GDP，从房产需求的角度来看它是房产需求者的经济基础;?从房产的供给层面来看主要影响因素是住房开发成本。本模型用竣工住宅造价来表征供给水平。住宅造价包括了土地成本、建筑成本、管理成本以及财务成本等。 本课程论文将从以上几个影响房地产价格因素入手,选取几个重要的房产价格影响因素建立分析房产价格因素模型。 数据收集与模型设定: 本文选定成都房产价格作为被解释变量，同时选取了4个解释变量: X<#004699'>1___成都市区GDP(单位:亿元) X2___成都房地产投资额(单位:万元) X3___成都城镇居民储蓄余额(单位:万元) X4___成都房产建材价格指数(单位:%) 年份 Y X<#004699'>1 X2 X3 X4 <#004699'>1993 <#004699'>1<#004699'>1<#004699'>15 4<#004699'>18.62 28<#004699'>1323 95<#004699'>1577 <#004699'>168.5 <#004699'>1994 <#004699'>1306 558.35 375098 <#004699'>1540546 2<#004699'>15.<#004699'>1 <#004699'>1995 <#004699'>147<#004699'>1 7<#004699'>13.67 476375 2<#004699'>176784 273.3 <#004699'>1996 <#004699'>1692 869.33 6<#004699'>15622 2798963 294.4 <#004699'>1997 <#004699'>1862 <#004699'>1007 68<#004699'>1479 3289968 354.6 <#004699'>1998 2030 <#004699'>1<#004699'>102.59 750022 40<#004699'>1<#004699'>123<#004699'>1 4<#004699'>17.2 <#004699'>1999 2275 <#004699'>1<#004699'>190.03 862524 4884387 4<#004699'>17.2 2000 2543 <#004699'>13<#004699'>12.99 <#004699'>1288480 5420470 444.7 200<#004699'>1 2905 <#004699'>1496.86 <#004699'>149<#004699'>1200 6665800 470.7 2002 3200 <#004699'>1667.<#004699'>1 <#004699'>1746704 9203959 498.2 2003 3522 <#004699'>1870.8 2<#004699'>127754 <#004699'>1<#004699'>1298877 5<#004699'>10.3 2004 3875 203<#004699'>1.07 29<#004699'>14<#004699'>100 <#004699'>14944000 537.2 2005 4340 237<#004699'>1.0<#004699'>1 4505400 <#004699'>15765300 564.2 2006 4950 2750.48 6<#004699'>19<#004699'>1700 <#004699'>18<#004699'>175900 593.5 数据的收集:中国统计网 成都统计信息网 中经专网 模型的设定:Y=α+ β<#004699'>1X<#004699'>1+β2X2+β3X3+β 4X4+μ 模型的估计与调整 对数据进行分析: Dependent Variable: Y Method: Least Squares Date: 06/23/07 Time: <#004699'>1<#004699'>1:<#004699'>10 Sample: <#004699'>1993 2006 Included observations: <#004699'>14 Variable Coefficient Std. Error t-Statistic Prob. C 445.4063 <#004699'>104.4599 4.263897 0.002<#004699'>1 X<#004699'>1 <#004699'>1.67<#004699'>132<#004699'>1 0.59<#004699'>1576 2.825202 0.0<#004699'>199 X2 -7.<#004699'>179><>E-05 8.60<>E-05 -0.834<#004699'>124 0.4258 X3 4.29<>E-05 2.62<>E-05 <#004699'>1.634446 0.<#004699'>1366 X4 -0.7<#004699'>1<#004699'>1597 <#004699'>1.4<#004699'>10064 -0.504656 0.6259 R-squared 0.997083 Mean dependent var 2649.000 Adjusted R-squared 0.995787 S.D. dependent var <#004699'>1<#004699'>189.777 S.<>E. of regression 77.22462 Akaike info criterion <#004699'>1<#004699'>1.80377 Sum squared resid 53672.78 Schwarz criterion <#004699'>12.03200 Log likelihood -77.62637 F-statistic 769.<#004699'>19<#004699'>15 Durbin-Watson stat 0.6<#004699'>1<#004699'>1449 Prob(F-statistic) 0.000000 <#004699'>1、多重共线性检验: 由此可见，该模型R=0.997083, EMBED Equation.3 =0.995787可决系 数很高，F检验值769.<#004699'>19<#004699'>15,明显显著。但是当=0.05时t (n-k)=t (<#004699'>14-5)=2.262,X2,X3,X4系数的t检验不显著，这表明存在多重共线性。 计算各解释变量的相关系数，对X<#004699'>1、X2、X3、X4数据，做相关的系数矩阵。 Y X<#004699'>1 X2 X3 X4 Y <#004699'>1.000000 0.9975<#004699'>13 0.936947 0.986530 0.94<#004699'>1<#004699'>175 X<#004699'>1 0.9975<#004699'>13 <#004699'>1.000000 0.938939 0.980864 0.948820 X2 0.936947 0.938939 <#004699'>1.000000 0.945558 0.7944<#004699'>18 X3 0.986530 0.980864 0.945558 <#004699'>1.000000 0.894452 X4 0.94<#004699'>1<#004699'>175 0.948820 0.7944<#004699'>18 0.894452 <#004699'>1.000000 由相关系数矩真可以看出，各解释变量之间的相关系数很高，证实确实存在 严重的多重共线性。 采用逐步回归的办法，去检验和解决多重共线性问题。分别做Y对 X<#004699'>1,X2,X3,X4的一元回归。 入下表显示分别做一元回归的结果 一元回归结果 变量 X<#004699'>1 X2 X3 X4 参数估计值 <#004699'>1.72<#004699'>106 0.000644 0.000205 8.458057 t统计量 49.024<#004699'>18 9.287424 20.89<#004699'>162 9.648<#004699'>19<#004699'>1 R 0.995032 0.87787 0.973242 0.8858<#004699'>1 R 0.9946<#004699'>18 0.867693 0.97<#004699'>10<#004699'>12 0.876294 其中，加入X<#004699'>1的方程R最大，以X3为基础，顺次加入其他变量 逐步回归，结果如下表 Dependent Variable: Y Method: Least Squares Date: 06/25/07 Time: <#004699'>14:09 Sample: <#004699'>1993 2006 Included observations: <#004699'>14 Variable Coefficient Std. Error t-Statistic Prob. C 272.075<#004699'>1 85.7<#004699'>1566 3.<#004699'>174<#004699'>159 0.0089 X<#004699'>1 <#004699'>1.7<#004699'>16353 0.<#004699'>106554 <#004699'>16.<#004699'>10777 0.0000 X2 2.00<>E-06 4.24<>E-05 0.047045 0.9633 R-squared 0.995033 Mean dependent var 2649.000 Adjusted R-squared 0.994<#004699'>130 S.D. dependent var <#004699'>1<#004699'>189.777 S.<>E. of regression 9<#004699'>1.<#004699'>15826 Akaike info criterion <#004699'>12.05048 Sum squared resid 9<#004699'>1408.<#004699'>12 Schwarz criterion <#004699'>12.<#004699'>18742 Log likelihood -8<#004699'>1.35337 F-statistic <#004699'>1<#004699'>10<#004699'>1.767 Durbin-Watson stat 0.623676 Prob(F-statistic) 0.000000 Dependent Variable: Y Method: Least Squares Date: 06/25/07 Time: <#004699'>14:09 Sample: <#004699'>1993 2006 Included observations: <#004699'>14 Variable Coefficient Std. Error t-Statistic Prob. C 447.8825 86.530<#004699'>12 5.<#004699'>176030 0.0003 X<#004699'>1 <#004699'>1.359<#004699'>170 0.<#004699'>15<#004699'>1968 8.943776 0.0000 X3 4.45<>E-05 <#004699'>1.83<>E-05 2.427807 0.0335 R-squared 0.996765 Mean dependent var 2649.000 Adjusted R-squared 0.996<#004699'>177 S.D. dependent var <#004699'>1<#004699'>189.777 S.<>E. of regression 73.56423 Akaike info criterion <#004699'>1<#004699'>1.62<#004699'>160 Sum squared resid 59528.65 Schwarz criterion <#004699'>1<#004699'>1.75854 Log likelihood -78.35<#004699'>123 F-statistic <#004699'>1694.744 Durbin-Watson stat 0.530983 Prob(F-statistic) 0.000000 Dependent Variable: Y Method: Least Squares Date: 06/25/07 Time: <#004699'>14:<#004699'>10 Sample: <#004699'>1993 2006 Included observations: <#004699'>14 Variable Coefficient Std. Error Prob. C 344.9684 <#004699'>108.4485 0.0087 X<#004699'>1 <#004699'>1.807807 0.<#004699'>1<#004699'>12783 0.0000 X4 -0.476208 0.587443 0.4348 R-squared 0.9953<#004699'>12 Mean dependent var 2649.000 Adjusted R-squared 0.994460 S.D. dependent var <#004699'>1<#004699'>189.777 S.<>E. of regression 88.56049 Akaike info criterion <#004699'>1<#004699'>1.99266 Sum squared resid 86272.56 Schwarz criterion <#004699'>12.<#004699'>12960 Log likelihood -80.9486<#004699'>1 F-statistic <#004699'>1<#004699'>167.680 Durbin-Watson stat 0.669<#004699'>16<#004699'>1 Prob(F-statistic) 0.000000 加入新变量的回归结果(一) 变量 X<#004699'>1 X2 X3 X4 R X<#004699'>1 X2 <#004699'>1.7<#004699'>16353 (<#004699'>16.<#004699'>107777) 2.00<>E-06 (0.47045) 0.995033 0.995033 X<#004699'>1 X3 <#004699'>1.359<#004699'>170 (8.943776) 4.45<>E-05 (2.427807) 0.996<#004699'>177 0.996<#004699'>177 X<#004699'>1 X4 <#004699'>1.807807 (<#004699'>16.029<#004699'>10) -0.476208 (-0.8<#004699'>10644) 0.994459 0.994459 经过比较，新加入X3的方程=0.996<#004699'>177改进最大，而各参数的 的t检验显著，选择保留X3，再加入其他新的变量逐步回归，结果如下表 Dependent Variable: Y Method: Least Squares Date: 06/23/07 Time: <#004699'>13:32 Sample: <#004699'>1993 2006 Included observations: <#004699'>14 Variable Coefficient Std. Error t-Statistic Prob. C 423.6722 9<#004699'>1.55350 4.62759<#004699'>1 0.0009 X<#004699'>1 <#004699'>1.384222 0.<#004699'>156050 8.870377 0.0000 X3 5.<#004699'>10<>E-05 <#004699'>1.99<>E-05 2.56<#004699'>1633 0.0283 X2 -3.30<>E-05 3.72<>E-05 -0.886464 0.3962 R-squared 0.99700<#004699'>1 Mean dependent var 2649.000 Adjusted R-squared 0.996<#004699'>10<#004699'>1 S.D. dependent var <#004699'>1<#004699'>189.777 S.<>E. of regression 74.29<#004699'>104 Akaike info criterion <#004699'>1<#004699'>1.6888<#004699'>1 Sum squared resid 55<#004699'>19<#004699'>1.59 Schwarz criterion <#004699'>1<#004699'>1.87<#004699'>140 Log likelihood -77.82<#004699'>170 F-statistic <#004699'>1<#004699'>108.092 Durbin-Watson stat 0.6<#004699'>15963 Prob(F-statistic) 0.000000 Dependent Variable: Y Method: Least Squares Date: 06/25/07 Time: <#004699'>14:08 Sample: <#004699'>1993 2006 Included observations: <#004699'>14 Variable Coefficient Std. Error t-Statistic Prob. C 423.9607 99.69446 4.252600 0.00<#004699'>17 X<#004699'>1 <#004699'>1.2364<#004699'>13 0.275<#004699'>196 4.492840 0.00<#004699'>12 X3 5.20<>E-05 2.35<>E-05 2.2<#004699'>18<#004699'>187 0.0509 X4 0.339055 0.624099 0.54327<#004699'>1 0.5988 R-squared 0.996858 Mean dependent var 2649.000 Adjusted R-squared 0.9959<#004699'>15 S.D. dependent var <#004699'>1<#004699'>189.777 S.<>E. of regression 76.04082 Akaike info criterion <#004699'>1<#004699'>1.73537 Sum squared resid 57822.06 Schwarz criterion <#004699'>1<#004699'>1.9<#004699'>1796 Log likelihood -78.<#004699'>14762 F-statistic <#004699'>1057.53<#004699'>1 Durbin-Watson stat 0.6034<#004699'>17 Prob(F-statistic) 0.000000 加入新变量的回归结果 变量 X<#004699'>1 X2 X3 X4 R X<#004699'>1 X3 X2 <#004699'>1.384222 (8.870377) -3.30<>E-05 (-0.886464) 5.<#004699'>10<>E-05 (2.56<#004699'>1633) 0.996<#004699'>10<#004699'>1 0.996<#004699'>10<#004699'>1 X<#004699'>1 X3 X4 <#004699'>1.2364<#004699'>13 (4.492840) 5.20<>E-05 (2.2<#004699'>1<#004699'>18<#004699'>187) 0.339055 (0.54327<#004699'>1) 0.9959<#004699'>15 0.9959<#004699'>15 在X<#004699'>1,X3的基础上加入X2后的方程下降，且各个参数变量的t 检验都不显著。加入X4后R下降，且各个参数的t检验变得不显著。结果表明 X2,X4的t检验都不显著。这说明引起严重的多重共线性，应该予以剔除。 最后修正严重多重共线性影响的回归结果为: EMBED Equation.3 EMBED Equation.3 =423.6722+<#004699'>1.67<#004699'>132<#004699'>1X<#004699'>1+4.29<>E- 05X3 t=(4.62795<#004699'>1) (8.943776) (2.427807) R=0.99700<#004699'>1 =0.996<#004699'>10<#004699'>1 F=<#004699'>1<#004699'>108.092 2、异方差检验: ARCH Test: F-statistic 0.789944 Probability 0.393<#004699'>138 Obs*R-squared 0.87<#004699'>1020 Probability 0.350673 Test Equation: Dependent Variable: RESID^2 Method: Least Squares Date: 06/25/07 Time: <#004699'>18:25 Sample(adjusted): <#004699'>1994 2006 Included observations: <#004699'>13 after adjusting endpoints Variable Coefficient Std. Error t-Statistic Prob. C 3<#004699'>187.77<#004699'>1 <#004699'>1863.307 <#004699'>1.7<#004699'>108<#004699'>13 0.<#004699'>1<#004699'>15<#004699'>1 RESID^2(-<#004699'>1) 0.260630 0.293242 0.888788 0.393<#004699'>1 R-squared 0.067002 Mean dependent var 4339.8<#004699'>13 Adjusted R-squared -0.0<#004699'>178<#004699'>17 S.D. dependent var 4783.888 S.<>E. of regression 4826.3<#004699'>16 Akaike info criterion <#004699'>19.942<#004699'>19 Sum squared resid 2.56<>E+08 Schwarz criterion 20.029<#004699'>1<#004699'>1 Log likelihood -<#004699'>127.6243 F-statistic 0.789944 Durbin-Watson stat <#004699'>1.729448 Prob(F-statistic) 0.393<#004699'>138 从ARCH检验可以看出(n-p) R=0.87<#004699'>10200,在给定的显著性水平=0.05，查分布表得临界值 (p)= 3.84<#004699'>15，(n-p) R< (p) , 接受原假设，表明模型中的随机误差不存在明显的异方差。 White Heteroskedasticity Test: F-statistic <#004699'>1.8<#004699'>17656 Probability 0.209634 Obs*R-squared 6.255982 Probability 0.<#004699'>180830 Test Equation: Dependent Variable: RESID^2 Method: Least Squares Date: 06/25/07 Time: <#004699'>18:44 Sample: <#004699'>1993 2006 Included observations: <#004699'>14 Variable Coefficient Std. Error t-Statistic Prob. C -7622.22<#004699'>1 9853.3<#004699'>10 -0.773570 0.4590 X<#004699'>1 26.63592 27.84748 0.956493 0.3638 X<#004699'>1^2 -0.002396 0.008454 -0.283372 0.7833 X3 -0.002995 0.003403 -0.879992 0.40<#004699'>17 X3^2 2.80<>E-<#004699'>1<#004699'>1 <#004699'>1.67<>E-<#004699'>10 0.<#004699'>16825<#004699'>1 0.870<#004699'>1 R-squared 0.446856 Mean dependent var 4252.046 Adjusted R-squared 0.20<#004699'>10<#004699'>14 S.D. dependent var 4607.928 S.<>E. of regression 4<#004699'>1<#004699'>18.843 Akaike info criterion <#004699'>19.75699 Sum squared resid <#004699'>1.53<>E+08 Schwarz criterion <#004699'>19.98522 Log likelihood -<#004699'>133.2989 F-statistic <#004699'>1.8<#004699'>17656 Durbin-Watson stat 2.<#004699'>136642 Prob(F-statistic) 0.209634 从White检验中可以看出(n-p) R=6.255982，由White检验可知，在=0.05 的显著性水平下，查表，得到临界值=<#004699'>1<#004699'>1.0705，因为(n-p) R=6.255982<(5) ，所以接受原假设，表明模型不存在明显的异方差。 通过ARCH检验和White检验，本样本都通过了检验，不存在明显的异方差。 3、自相关检验: Dependent Variable: Y Method: Least Squares Date: 06/25/07 Time: <#004699'>18:54 Sample: <#004699'>1993 2006 Included observations: <#004699'>14 Variable Coefficient Std. Error t-Statistic Prob. C 447.8825 86.530<#004699'>12 5.<#004699'>176030 0.0003 X<#004699'>1 <#004699'>1.359<#004699'>170 0.<#004699'>15<#004699'>1968 8.943776 0.0000 X3 4.45<>E-05 <#004699'>1.83<>E-05 2.427807 0.0335 R-squared 0.996765 Mean dependent var 2649.000 Adjusted R-squared 0.996<#004699'>177 S.D. dependent var <#004699'>1<#004699'>189.777 S.<>E. of regression 73.56423 Akaike info criterion <#004699'>1<#004699'>1.62<#004699'>160 Sum squared resid 59528.65 Schwarz criterion <#004699'>1<#004699'>1.75854 Log likelihood -78.35<#004699'>123 F-statistic <#004699'>1694.744 Durbin-Watson stat 0.530983 Prob(F-statistic) 0.000000 从回归数据可以得到可决系数0.996765较高，F, t统计量都很高。对于样本容量为<#004699'>14、两个解释变量的模型，在=5%显著水平，查DW统计表可知，=0.905,=<#004699'>1.55<#004699'>1,模型中DW<，显然此模型中有自相关。可以从以下的残差图看出存在着自相关。 自相关问题处理:选用科克伦-奥克特迭代法。通过回归方程得到et滞后一期的自回归。 Dependent Variable: <>E Method: Least Squares Date: 06/25/07 Time: 20:56 Sample(adjusted): <#004699'>1994 2006 Included observations: <#004699'>13 after adjusting endpoints Variable Coefficient Std. Error t-Statistic Prob. <>E(-<#004699'>1) 0.7<#004699'>15869 0.<#004699'>197767 3.6<#004699'>19759 0.0035 R-squared 0.5<#004699'>19927 Mean dependent var -4.290542 Adjusted R-squared 0.5<#004699'>19927 S.D. dependent var 68.42<#004699'>164 S.<>E. of regression 47.40753 Akaike info criterion <#004699'>10.62924 Sum squared resid 26969.69 Schwarz criterion <#004699'>10.67270 Log likelihood -68.09008 Durbin-Watson stat 0.8<#004699'>14259 可得回归方程:=0.7<#004699'>15869 由此可知p=0.7<#004699'>15869，对原模型进行广义差分，得到广义差分 方程: -0.7<#004699'>15869=(<#004699'>1-0.7<#004699'>15869)+ (-0.7<#004699'>15869)+对上述式子的广义差分方程进行回归: Dependent Variable: Y Method: Least Squares Date: 06/25/07 Time: 2<#004699'>1:49 Sample(adjusted): <#004699'>1997 2006 Included observations: <#004699'>10 after adjusting endpoints Convergence achieved after <#004699'>16 iterations Variable Coefficient Std. Error t-Statistic Prob. C 370.078<#004699'>1 74.94350 4.938094 0.0026 X<#004699'>1 <#004699'>1.446<#004699'>1<#004699'>10 0.<#004699'>140<#004699'>1<#004699'>13 <#004699'>10.32<#004699'>102 0.0000 X3 3.90<>E-05 <#004699'>1.76<>E-05 2.2<#004699'>19580 0.0682 AR(4) -0.9<#004699'>153<#004699'>19 0.240393 -3.807590 0.0089 R-squared 0.999<#004699'>139 Mean dependent var 3<#004699'>150.200 Adjusted R-squared 0.998709 S.D. dependent var <#004699'>1023.6<#004699'>13 S.<>E. of regression 36.7756<#004699'>1 Akaike info criterion <#004699'>10.33672 Sum squared resid 8<#004699'>1<#004699'>14.674 Schwarz criterion <#004699'>10.45776 Log likelihood -47.6836<#004699'>1 F-statistic 2322.<#004699'>197 Durbin-Watson stat <#004699'>1.7<#004699'>1476<#004699'>1 Prob(F-statistic) 0.000000 Inverted AR Roots .69+.69i .69+.69i -.69 -.69i -.69 -.69i 回归方程可得为: EMBED Equation.3 =370.078<#004699'>1+<#004699'>1.446<#004699'>1<#004699'>10+3.90<>E-05 se=(74.94350) (0.<#004699'>140<#004699'>1<#004699'>13) (<#004699'>1.76<>E-05) t =(4.938094) (<#004699'>10.32<#004699'>102) (2.2<#004699'>19580) R,=0.999<#004699'>139 F=2322.<#004699'>197 df=<#004699'>12 DW=<#004699'>1.7<#004699'>1476<#004699'>1 其中，= -0.7<#004699'>15869, = -0.7<#004699'>15869. 由于使用了AR(4)四次广义差分数据,样本容量减少了4个，为<#004699'>10 个。查5%显著水平的DW统计表可知=0.697 ,=<#004699'>1.64<#004699'>1,模 型中DW=<#004699'>1.7<#004699'>1476<#004699'>1>,，说明广义差分模型 中已无自相关，不必再进行迭代。同时可见，可决系数R,t,F统计量也均达到理 想水平。 由此，通过DW统计过后得到了成都房产价格影响因素模型为 EMBED Equation.3 =370.078<#004699'>1+<#004699'>1.446<#004699'>1<#004699'>10+3.90<>E-05 由上述模型可知，可以大致推算了解，成都市GDP每增加<#004699'>1亿元， 成都房产价格将平均上涨<#004699'>1.446<#004699'>1<#004699'>10元，成都 市城镇居民储蓄每增加<#004699'>1万元，成都房产价格将平均上涨3.90<>E-05 元。 计量经济意义: EMBED Equation.3 =370.078<#004699'>1+<#004699'>1.446<#004699'>1<#004699'>10+3.90<>E-05 由上述模型可知，可以大致推算了解，成都市GDP每增加<#004699'>1亿元，成都房产价格将平均上涨<#004699'>1.446<#004699'>1<#004699'>10元，成都市城镇居民储蓄每增加<#004699'>1万元，成都房产价格将平均上涨3.90<>E-05元。 上述经济意义表明了GDP的增长和城镇居民储蓄的增长将带动房产价格的不断上涨。 但原本模型引入了四个变量因素去分析成都房产价格，由于存在严重的多重共线性，加之样本容量比较小的原因，使原本X2-成都房产投资额，X4-建材成本两个重要的变量因素被剔除了。 最终模型被拟合出来的效果不是太明显，没有包含很好的解释变量的因素。 参考文献: [<#004699'>1] 庞浩等.计量经济学.科技出版社，2006 [2] 庞皓、李南成著.计量经济学. 西南财经大学出版社 2002年8月第2版 [3] 成都房地产市场研究 [4] 成都房产信息网//.<#004699'>173fc4>>/ [5] 成都统计信息网//.cdstats.chengdu.gov/ [6] 中经网统计数据库 //<#004699'>192.<#004699'>168.30.<#004699'>168:8<#004699'>1/ [7] 中国统计年鉴 //.stats.gov 姓名:骆文强 学号:40404037 班级:金融一班