对于住房消费需求分析――基于Logit模型视角.docVIP

对于住房消费需求分析――基于Logit模型视角 　　摘要：一个国家的房地产市场是否健康发展，不仅影响整个国家的经济发展，而且严重影响居民的正常生活需求。在总结现有文献的基础上，选取了国内六个城市的数据，利用Logit模型，对影响住房消费需求的两大因素进行了分析，并根据模型的参数估计结果进行了数据拟合，最后提出了相关的结论和政策建议。 　　关键词：住房消费；Logit模型；二元选择模型 　　中图分类号：F29文献标志码：A文章编号：1673-291X（2011）06-0134-02 　　 　　一、前言和模型介绍 　　1.中国住房消费的现实状况。国内外的研究表明房地产业作为一国的支柱性产业，具有巨大产业关联性，它不仅可以带动整个房地产业的产业链条，而且能带动其他产业的发展。因此有必要对影响中国住房消费的各种因素进行研究，以推动房地产业的健康快速发展。本文结合数据的可得性和前有文献的研究，将影响住房消费的因素选定为消费者的学历状况和月收入状况，并建立模型分析。 　　2.离散选择模型介绍。通常的经济计量模型均假定因变量是连续变量，但是在现实的经济决策中，我们经常会面临许多选择问题。我们需要在可供选择的有限个方案中做出选择，与通常被解释变量是连续变量的假定相反，此时因变量只取有限个离散的值。以这样的决策选择作为被解释变量而建立的计量经济模型，称为离散选择模型。在离散选择模型中，最简单的情形是在两个可供选择的方案中选择其中一个，此时因变量只能取两个值，则称之为二元选择模型。根据分布函数的不同，二元选择模型可以有不同的类型，常用的二元选择模型包括：标准正态分布，Logistic分布以及1型极值分布。本文选择Logit模型进行建模分析。Logit模型的一个重要优点是把在[0，1]区间上预测概率的问题转化为在实数轴上预测一个事件发生的机会比问题。 　　二、计量分析 　　1.首先对计量分析的过程进行简单说明，由于获得数据的局限性（本文所有数据来自于《IMI消费行为与生活形态年鉴2008》），我们不能得到学历和收入的共同统计结果，因此，我们只能分别对学历和收入建立模型进行参数估计。在模型中，学历按照??低到高分为5个等级，收入按照由低到高分为8个等级。 　　2.然后针对学历对各个城市消费者的购房影响进行分析，建立模型如下： 　　Li=αi+βi*degree+μi i=1，2，3，4，5，6 　　利用计量软件得出参数估计（如下表所示）： 　　注：括号中为各参数的P值。 　　由上表可以看出，所有城市学历变量的系数值都为正，即学历对各个城市的消费者都具有正的影响，相对来说上海，深圳两地具有更加显著的影响。除了广州的参数p值较大以外，其余城市基本上都通过了显著性检验，而调整后的都比较大，说明该模型的拟合性较强。 　　举上海为例，学历增加一个等级，购房概率的加权对数值（Logit值）上升0.37个单位，相应的机会比率增加约1.45个单位，进一步求出概率相对于前一个等级来说增加0.59。 　　将原始的学历数据代入此模型中可以得出购房的预测数据，与采样数据对比（如下页图所示），其中各个城市的数据点按照学历高低进行排列，可以看出，除了个别点有一些差别之外，利用Logit模型预测出的结果能够很好的吻合采样数据。 　　3.然后，针对个人月收入对各个城市消费者的购房影响进行建模分析，模型如下： 　　Li=αi+βi*income+μi 　　利用计量软件得出参数估计结果为： 　　由上表可以看出，所有城市的收入变量系数值都为正，说明收入对于购房消费的影响为正，即个人的月收入增加会带来购房概率的增加，相对来说广州，深圳两地的影响尤为明显，其余几个城市的系数值基本都在0.3左右。从参数的假设检验来看，除了深圳的p值较高外，其余城市都通过了显著性检验。然而从调整后的来看，除了北京上海和成都超过了0.5，其余几个城市都没有超过0.5，这有可能使得模型的拟合性不太好。根据分析，有可能是因为本文中对于影响购房消费的两个重要因素进行了分开建模分析，才会导致单个模型的解释力度不足，这一点有待于将来从数据获取上进行改进。 　　将原始的收入数据代入模型，可以得到在不同收入水平下的预测值，与原始值进行对比（如下图所示），其中各个城市的数据点按照收入由低到高排列。从图中可以看出，上海的数据无论从趋势上还是具体数值上都能吻合得很好，而其余城市的趋势基本吻合，除了少部分数据点有一些差别外，其余的数据点也较为吻合，说明利用Logit模型估计出来的结果能够较好的拟合采样数据。 　　4.最后，综合两个模型来看，除了上海的模型1参数值大于模型2，其余城市的模型1参数值均小于模型2。也就是说，不失普遍性的来看，个人月收入对于购房需求的影响相对于学历来说更加大，这也