计量经济学论文(eviews分析) 房价的计量经济分析

房价的计量经济分析

引言：近改革开放20多年来，从来没有哪一个行业像房地产业这样盛产亿万富翁，各种富豪排行榜上，房地产富豪连年占据半壁江山；“中国十大暴利行业”中，房地产业每年都是“第一名”。是什么造就了这样的状况。房地产的问题，在开发商，，购房者三者来看，就是一场完完全全的博弈。而这场博弈的焦点则是房价问题。如果说开发商与之间的博弈是围绕“土地”这个关键词，那么整个房地产市场则在价格上开展了新一轮的对峙。先是开发商与购房者在房价涨跌上僵持不下；再有开发商与之间的土地成本论；最后则是关于房地产是否归为暴利行业的争执，“价格”成了市场关注的焦点。而对于房价的构成因素，至今仍然是不透明的。公布房价成本成为另极为头疼的一件事。房价成本是一个非常复杂的集合体，并且项目间差异性较大，同时还有软资产、品牌等组成部分，特别是现在的商品房，追求品质、功能完善以及个性化成本构成越来越难衡量。

写作目的：通过对一系列影响房价的基本因素的分析，了解对其主要因素和次要因素。并对这些因素进行统计推断和经济意义上的检验。选择拟和效果最好的最为结论。在一定层面上分析房地产如此暴利的因素。当然笔者的能力有限，并不能全面的分析这一问题。仅仅就几个因素进行分析。

写作方法：理论分析及计量分析方法，将会用到Eviews软件进行帮助分析。 关键词：房价成本 计量假设检验 最小二乘法 拟合优度

现在我们以2003年的数据，选取30个省市的数据为例进行分析。在Eviews软件中选择建立截面数据。现在我们以2003年的数据，选取31个省市的数据为例进行分析。令Y=各地区建筑业总产值。（万元）X1=各地区房屋竣工面积。（万平方米）X2=各地区建筑业企业从业人员。（人）X3=各地区建筑业劳动生产率。（元/人）X4=各地区人均住宅面积。（平方米）X5=各地区人均可支配收入。（元） 数据如下：

Y 12698521 5208402. 7799313. 5401279. 2576575. 10170794 3469281. 4401878. 11958034 27949354 31272779 6227073.

X1 4254.800 1465.800 4748.300 1313.300 1450.700 3957.100 1626.800 2181.300 3609.200 17730.00 16183.90 4017.600

X3 569767.0 2357.0 9317.0 591276.0 265953.0 966790.0 303837.0 441518.0 505185.0 2727006. 2429352. 910691.0

X2 129961.0 147063.0 70048.00 151.00 61074.00 82496.00 77486.00 68033.00 153910.0 100569.0 127430.0 607.00

X4 24.77140 23.09570 23.16710 22.99680 20.05310 20.23510 20.70590 20.49200 29.34530 24.43530 31.02330 20.75480

X5 13882.62 10312.91 7239.060 7005.030 7012.900 7240.580 7005.170 6678.900 14867.49 9262.460 13179.53 6778.030

最新精品资料整理推荐，更新于二〇二〇年十二月二十七日2020年12月27日星期日11:10:02

……………………………………………………………最新资料推荐…………………………………………………

5493441. 3593356. 14813618 6345217. 8729958. 8188402. 15163242 2818466. 394053.0 5862095. 12253374 2122907. 3967957. 293427.0 4404362. 2236860. 747325.0 1080546. 3196774.

2952.100 2750.900 9139.800 3433.600 4840.800 4969.700 8105.000 1721.600 121.5000 4939.600 8784.600 980.3000 2248.700 121.3000 1580.000 1327.200 242.9000 578.7000 1450.800 553611.0 574705.0 2072530. 932901.0 1048763. 1119106. 1492820. 353700.0 61210.00 817997.0 2070534. 293310.0 522470.0 36593.00 410311.0 449409.0 101501.0 88225.00 203375.0 108288.0 70826.00 60728.00 66056.00 81761.00 74553.00 101932.0 77472.00 55361.00 69432.00 59748.00 72152.00 69238.00 73205.00 93212.00 46857.00 61046.00 61459.00 95835.00 30.29870 22.61980 24.48080 20.20090 22.90280 24.42580 24.93280 24.17320 23.43200 25.72440 26.35850 18.19430 24.92940 19.92990 21.75050 21.11380 19.10550 22.25500 20.78110 9999.540 6901.420 8399.910 6926.120 7321.980 7674.200 12380.43 7785.040 7259.250 8093.670 7041.870 6569.230 73.570 8765.450 6806.350 6657.240 6745.320 6530.480 7173.540

做多重共线性检验：

引入的变量太多，可能存在变量间的共线性，影响方程的估计。首先进行做多重共线性检验可以减少变量使后面的分析变得简洁。

X1 X2 X3 X4 X5 Y

X1 1 0.9608709909

07446 60775 69041 95329 08042

1 97319 1873 44358 11606

0.27137519270.1250293750

1 69926 4241 60092

0.53869727900.477885150.5408809599

1 0774 26127

0.41830680020.27985062330.836240840.6865128085

1 6214

0.96147384260.867255150.46771038370.577714880.58233852

1

X2 07446

X3 60775 97319

X4 69041 1873 69926

X5 95329 44358 4241 0774

Y 08042 11606 60092 26127 0.58233852

6214

0.96087099090.27137519270.53869727900.41830680020.9614738426

0.12502937500.477885150.27985062330.86725515

0.54088095990.836240840.4677103837

0.68651280850.57771488

最新精品资料整理推荐，更新于二〇二〇年十二月二十七日2020年12月27日星期日11:10:02

……………………………………………………………最新资料推荐…………………………………………………

可以看出有多重共线性。 采取逐步回归法：

第一次回归，我们可以根据T检验值和可决系数看出：X1的效果最好：

Dependent Variable: Y Method: Least Squares Date: 12/06/10 Time: 17:37 Sample (adjusted): 1 31

Included observations: 31 after adjustments

Variable X1 C

R-squared

Coefficient

1651.403 903234.0

Std. Error

87.67703 502408.2

t-Statistic

18.83508 1.797809

Prob.

0.0000 0.0826

74408. 7227629. 31.93824 32.03076 354.7601 0.000000

0.924432 Mean dependent var 0.921826 S.D. dependent var 2020815. Akaike info criterion 1.18E+14 Schwarz criterion -493.0427 F-statistic 1.930762 Prob(F-statistic)

Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

而X1于X2存在严重自相关，所以引入第二个变量时将X2排除。通过比较发现引入X3时，拟合优度最大，所以加入X3

Dependent Variable: Y Method: Least Squares Date: 12/06/10 Time: 17:40 Sample (adjusted): 1 31

Included observations: 31 after adjustments

Variable X1 X3 C

Coefficient

1547.354 60.57577 -3711880.

Std. Error

57.83197 9.1369 765709.2

t-Statistic

26.75604 6.629795 -4.847637

Prob.

0.0000 0.0000 0.0000

最新精品资料整理推荐，更新于二〇二〇年十二月二十七日2020年12月27日星期日11:10:02

……………………………………………………………最新资料推荐…………………………………………………

R-squared

Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.970594 Mean dependent var 0.968493 S.D. dependent var 1282914. Akaike info criterion 4.61E+13 Schwarz criterion -478.4134 F-statistic 2.098685 Prob(F-statistic)

74408. 7227629. 31.053 31.19771 462.0886 0.000000

X3与X5也存在严重共线性，在引入第三个变量时同时排除X5，那只能引入X4了

Dependent Variable: Y Method: Least Squares Date: 12/06/10 Time: 17:47 Sample (adjusted): 1 31

Included observations: 31 after adjustments

Variable X1 X3 X4 C

R-squared

Coefficient

1569.186 .04945 -69455.16 -24769.

Std. Error

66.74467 10.56258 102797.7 1985261.

t-Statistic

23.51029 6.063810 -0.6759 -1.247428

Prob.

0.0000 0.0000 0.5050 0.2230

74408. 7227629. 31.10668 31.29171 302.2316 0.000000

0.971083 Mean dependent var 0.967870 S.D. dependent var 1295550. Akaike info criterion 4.53E+13 Schwarz criterion -478.1536 F-statistic 2.298423 Prob(F-statistic)

Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

但是引入后通过T检验X4不显著，同时常数项C也变得不显著，且拟合度没有显著提高

。所以剔除X4。通过该检验最终模型为：

Y = 1547.354325*X1 + 60.5757*X3 - 3711880.158

T= 26.75604 6.629795 -4.847637 F-statistic

354.7601

Durbin-Watson stat

2.098685

以上指标都显示拟合得很好。

R-squared

0.970594

最新精品资料整理推荐，更新于二〇二〇年十二月二十七日2020年12月27日星期日11:10:02

……………………………………………………………最新资料推荐…………………………………………………

异方差检验

White Heteroskedasticity Test: F-statistic

1.742532 Probability 8.011602 Probability

Coefficient

-3.19E+12 1.15E+08 3913.004 -756.30 69425884 -184.1939

Std. Error

4.46E+12 3.54E+08 20466.63 4598.986 95290300 462.0769

t-Statistic

-0.715855 0.324915 0.1911 -0.1451 0.728572 -0.398622

0.161697 0.155597

Prob.

0.4807 0.7479 0.8499 0.8707 0.4730 0.6936

1.49E+12 2.04E+12 59.58019 59.85774 1.742532 0.161697

Obs*R-squared

Test Equation:

Dependent Variable: RESID^2 Method: Least Squares Date: 12/06/10 Time: 18:05 Sample: 1 31

Included observations: 31

Variable C X1 X1^2 X1*X3 X3 X3^2

R-squared

0.258439 Mean dependent var 0.110127 S.D. dependent var 1.92E+12 Akaike info criterion 9.25E+25 Schwarz criterion -917.4929 F-statistic 2.029951 Prob(F-statistic)

Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

从结果来看应该勉强是不存在异方差的，但是同方差的概率有点小，不能让人信服。而通过残差图发现残差没有很明显的波动、X-Y的图也较符合线性关系即模型设定没多大问题、且从White Heteroskedasticity Test 中各变量的系数也十分不显著不能判别残差是否与解释变量有关。没办法，只能用加权最小二乘法进行修正。

异方差修正---加权最小二乘法

Dependent Variable: Y Method: Least Squares Date: 12/06/10 Time: 18:13 Sample (adjusted): 1 31

Included observations: 31 after adjustments

最新精品资料整理推荐，更新于二〇二〇年十二月二十七日2020年12月27日星期日11:10:02

……………………………………………………………最新资料推荐…………………………………………………

Weighting series: 1/ABS(RESID)

Variable X1 X3 C

R-squared

Coefficient

1543.812 60.88221 -3721097.

Std. Error

4.266721 0.925212 59118.40

t-Statistic

361.8262 65.80354 -62.94314

Prob.

0.0000 0.0000 0.0000

7466651. 34381715 23.53532 23.67410 310479.3 0.000000

74408. 7227629. 4.61E+13

Weighted Statistics

0.999999 Mean dependent var 0.999999 S.D. dependent var 29817.20 Akaike info criterion 2.49E+10 Schwarz criterion -361.7975 F-statistic 2.158638 Prob(F-statistic)

Unweighted Statistics

Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

R-squared

0.9705 Mean dependent var 0.9684 S.D. dependent var 1283009. Sum squared resid 2.099900

Adjusted R-squared S.E. of regression Durbin-Watson stat

通过修正以后拟合度有所提高，且通过再次异方差检验通过了。

自相关检验

Breusch-Godfrey Serial Correlation LM Test:

Obs*R-squared

Test Equation:

Dependent Variable: RESID Method: Least Squares Date: 12/06/10 Time: 18:26

Presample missing value lagged residuals set to zero.

Variable X1 X3 C RESID(-1)

Coefficient

-6.778035 1.259666 -73457.01 -0.125006

Std. Error

62.81436 9.707542 800910.8 0.210750

t-Statistic

-0.107906 0.129762 -0.091717 -0.593147

Prob.

0.9149 0.78 0.9276 0.5582

0.505922 Probability

0.7798

最新精品资料整理推荐，更新于二〇二〇年十二月二十七日2020年12月27日星期日11:10:02

……………………………………………………………最新资料推荐…………………………………………………

RESID(-2) R-squared

-0.067821 0.201592 -0.3325 0.7393

-2178.743 1239503. 31.17165 31.40294 0.107840 0.978723

0.016320 Mean dependent var -0.135015 S.D. dependent var 1320530. Akaike info criterion 4.53E+13 Schwarz criterion -478.1606 F-statistic 1.862550 Prob(F-statistic)

Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

从结果看自相关检验也通过，模型不存在自相关。

正态性检验

由检验知残差符合正态性假设。

稳定性检验

由图知模型十分稳定，具有很好的预测能力。

综上最后的出模型为

Y = 1543.81157*X1 + 60.8822121*X3 - 3721097.247

结论：我们总认为房产总价值与许多成分有关，其实在最后我们看到并不是这样。但现实中房价成本具有相当大的难度。不管是资金成本很难简单地以招拍挂价格进行测算，还是融资成本比较难核算。而且房地产的利润要以综合成本衡量。种种原因构成了房价成本确定的难度。而房产行业的暴利，开发商的暴利是来源于开发商的阶层优越感和特殊占有地位，而与

最新精品资料整理推荐，更新于二〇二〇年十二月二十七日2020年12月27日星期日11:10:02

……………………………………………………………最新资料推荐…………………………………………………

之相对的是老百姓的阶层卑微感和相对剥削感。房地产业的暴利如果继续维持，考验的不仅是中国经济的稳定，更是老百姓忍耐的限度。而且这种房产的暴利行为导致了从2003年10月开始的通货膨胀，并造成了中国越来越大的金融风险。我国房价的公开将会采取怎么样的方式，笔者将和大家一起拭目以待。

最新精品资料整理推荐，更新于二〇二〇年十二月二十七日2020年12月27日星期日11:10:02