SPSS在房地产决策中的应用.docVIP

SPSS在房地产决策中的应用 任何一个成熟的行业，其决策都依赖于统计分析。这是因为数据是真实客观的。但是，在我国的房地产行业中，统计分析还处于一个初级阶段，有待于进一步发展。其实，在房地产行业中，达到国家宏观调控，小到楼盘价格、楼盘定位等，统计分析都大有用武之地。 1. 问题描述 近年以来，一些地区房地产投资增幅偏快、房价上涨过高。在房价上涨比较快的地方，伴随着商品房结构的不合理，中低价位、中小型房屋严重供不应求。房价上涨与投机性购房相互推动：房价上涨带来了大家对房价不断上涨的期望值，投机与投资的人更多的进入，又进一步造成房地产的供不应求和房价的进一步攀升。这些问题带来了生产资料的价格上涨，涉及到普通居民居住权益的保障，既影响了国民经济的健康发展，也涉及到社会的稳定。 由于目前各省市县地区房地产业出现的普遍过热，宏观调控势在必行。然而各地区具体情况又参差不及，宏观调控政策不能盲目地一概进行。因此，希望能够通过分析与各地区房地产业发展有关的经济、社会指标，对各省市的房地产业的供需水平进行初步判断，从而制定相应的宏观经济调控政策。 2. 问题建模 我们选取“2005-06年房地产业发展指标.xls”和“2005-06居民人口数及储蓄情况.xls”所示的2005和2006两年的10个指标来分析研究各省市房地产的供需情况。（数据来源：《中国统计年鉴2005，2006，2007》，中国统计出版社） 1. 创建数据文件和整理 建立“fangdichan.sav”数据文件。 值得注意的，两个表所合成的数据文件单位不统一，“2005-06年房地产业发展指标.xls”单位为人均，而2005-06居民人口数及储蓄情况.xls”单位为总额；如果不统一单位，很有可能引起分析的误差。 因此，首先将后者数据单位也处理为人均，引入两个新变量：05年人均储蓄额，06年人居储蓄额。 2. 因子分析 本文的主要问题是研究房地产业的供需关系。但是，目前包含的变量还是比较多的，不利于分析问题。因此一个自然的想法就是用因子分析来研究能不能将多个变量综合为少数几个因子。 因子分析操作过称如下： 选择8各变量进行因子分析； 描述性统计框中，选中“KMO and Bartlett’s test of sphericity”，其主要作用是检验因子分析是否适用； 提取对话框中，选择绘制碎石图，用以确定有多少因子应予以保留；同时，选定提取因子数目； 旋转对话框中，选择方差最大化旋转，同时绘制因子载荷矩阵图； 得分对话框中，选择保存因子得分。 分析主要结果如下： 由相关系数分析表1可以知道，Person相关系数均大于等于0.69，大部份接近0.8以上，且显著性水平全部等于0，检验表明八个变量之间存在显著的相关关系。因此，本问题有必要进行因子分析。 由“KMO and Bartletts Test”检验表2（刻划采用因子模型的合适度指标）和变量共同度表3（刻划全部公共因子对于变量的总方差贡献率，反映出公共因子对原变量信息的承载率），也可判断数据能够进行因子分析，且选择两个公共因子可以提取各变量97%以上的公共信息。 表4是采用主成分方法获得的数据，总方差分解表。从表4中，我们可以看出第一主成分特征根为6.906，解释了总变异的86.327%，第二主成分特征根为0.957，解释了总变异的11.963%；总解释量达到了98%以上。从碎石图中，我们发现前两个因子的特征值最大，图中折现陡峭，从第三个因子以后，折线平缓。综合表4和图1，对于原始的八个变量，只需要提取第一主成分和第二主成分即可。 当确定选择两个主成分之后，为了能够给出其合理的解释有必要进行一定的旋转。表5就是旋转后的因子负荷矩阵（为了更好的解释提取出的因子）。 由表5，我们可以很容易的建立因子模型： 由模型我们可以看出，第一主因子主要由变量05年人均开发投资06年人均开发投资05年人均储蓄额06年人均储蓄额05年人均施工面积06年人均施工面积05年人均竣工面积06年人均竣工面积表1 Correlation Matrix 05年人均施工面积 06年人均施工面积 05年人均竣工面积 06年人均竣工面积 05年人均开发投资 06年人均开发投资 05年人均储蓄额 06年人均储蓄额 Correlation 05年人均施工面积 1.000 .987 .975 .964 .822 .839 .805 .808 06年人均施工面积 .987 1.000 .968 .981 .777 .796 .766 .772 05年人均竣工面积 .975 .968 1.000 .981 .708 .728 .704 .708 06年人均竣工面积 .964 .981 .981 1.000 .669 .691 .673 .679 05年人均