基于岭回归的房价模型构建及启示.pdfVIP

商业研究 基于岭回归的房价模型构建及启示 严 焰 绍兴文理学院元培学院 [摘 要]房价模型的构建有助于我们总结规律，科学界定影响房价的关键因素，指导房地产市场的管理和调控行为。 为克服常规参数估计的弊端，本文采用岭回归方法，以香港市场为样本，构建房价模型；并在此基础上，结合香港的经 验与教训，为关键因素的管理和调控提出若干建议。 [关键词]房价 岭回归 香港 利用多元线性回归的方法构建因变量房价与多个自变量之间 影响因素指标的选取 各年香港经济年 的房价模型，对各个经济指标对房价形成的影响进行定量分析， 鉴等相关资料， 有助于我们总结房价形成规律，找出房价形成的关键因素，制定 经整理而得。 有效的管理政策，防范房地产价格泡沫的产生。 （2)运用灰关 通常在构建模型过程中，对模型参数的估计最常采用的是普通 联分析确立模型 最小二乘法。由于自变量之间实际经常存在多重共线性，即 存 自变量。注意到 在特征根接近于或为零，这种多重共线性会使得矩阵 呈现病态。 岭回归分析与最 在这种情况下最小二乘估计的稳定性很差。岭回归方法能够有效地 小二乘估计一样，模型中参数的个数必须少于样本容量，故此我 缓解多重共线性问题。为此，本文选择岭回归方法构建房价模型， 们必须对前述11个影响因素进行筛选，为岭回归模型构建确立有 并在此基础上得到启示，为房地产市场的调控和管理提出相关建议。 效的自变量。由于房地产市场是一个典型的灰色系统，在此，我 一、岭回归的基本原理和方法 们采取常用的灰色关联分析方法来进行。 统计学界由A. E. Hoerl（1962）提出并和R. W. Kennard在 用matlab软件编制计算程序，将样本数据输入，经无量纲化 1970年系统发展的岭回归(Ridge Regression)方法，可以显著改善 处理及关联系数计算后，得到各指标与房价的灰色关联度大小排 设计矩阵列复共线时最小二乘估计的均方误差，增强估计的稳定 序为：购买私楼房地产贷款额，人均GDP，住宅批地，新增家庭户 性。其主要原理就是在病态的( )矩阵中沿主对角线人为地加 数，住宅楼宇买卖合约数，年空置量，居屋/私人参建居屋单位兴 进正数，从而使矩阵的特征根稍大一些。我们知道，在最小二乘估 建量，年底总人口，银行平均按揭利率，通胀率以及房价年变化。 计中，β的最小二乘估计为 ，则β的岭估计定义为 故此，我们剔除房价年变化和通胀率因素，确立剩下的9个 影响因素指标为模型自变量。 可以看出，当K＝0时，它就是最小二乘估计；当K→+∞时， 2.模型回归参数的岭估计及结果评价 。 我们运用SPSS统计软件对所选取的因素指标进行岭回归分 在岭回归过程中，关于岭参数的选择，已有许多文献讨论，但 析。通过绘制岭回归岭迹图，剔除不符合岭回归分析的变量，并 并没有一个公认最优的准则。其中将定性分析与定量分析结合的 可以确定岭参数k＝0.2。在给定的参数下进行岭回归，可得到 岭迹法是一种最常用的选择方法。因为岭估计是k的函数，所以 房价Y对经济变量X（人均GDP）、X （住宅批地）、X（楼宇买 1 2 3 在二维坐标平面上若以横轴为k，纵轴为 ，可以画出一条曲 卖合约数）、X（购买私楼房地产贷款额）、X （年新增家庭户数） 6