线性回归预测法在城市规划中运用.pptVIP

回归分析预测法是预测学的基本方法，它是在分析因变量与自变量之间的相互系，建立变量间的数量关系近似表达的函数方程，并进行参数估计和显著性检验以后，运用回归方程式预测因变量数值变化的方法。 多元线性回归模型在区域地价评估中的应用——以澳大利亚悉尼“Vermont”项目为例 本文基于澳大利亚悉尼市Pitt Town 的“Vermont”居住开发项目的土地出让数据，从土地物理属性的微观层面出发，尝试通过建立多元线性回归模型（MLRM: Multiple Linear Regression Model) 来进行区域土地估价，为未来项目周边地区的开发提供决策参考。 1 当前多元回归模型的研究与应用进展 2 基地分析 3 指标选取与赋值准则 4 模型的建立 1 当前多元回归模型的研究与应用进展 近年来，多元回归分（MultipleRegression Analysis）也开始成为广泛流行和使用的评估工具。特别是个人电脑的普及与Lotus 和Excel 等统计分析软件的广泛应用，使得回归模型计算的快捷性和精确度大为提高，而这也促进了该模型在资产评估中的推广和运用。 2 基地分析 2.1 区域位置 2.2 地形地貌 2.3 景观植被 2.4 道路可达性 3 指标选取与赋值准则 3.1 指标的选取 除了在宏观上受市场供需关系影响外，土地价格在微观层面上则与土地的物理属性息息相关（O’Sullivan, 2003）。为构建模型的需要，必须合理地选取相关变量，并予以赋值。 衡量地块规模的3 个变量——土地面积、正面长度、进深长度——为实变量，其数值可以直接获取，而其余变量则为虚变量，其数值无法直接获取，必须人为赋值，具体规则见表1 所示。 4.1 描述性分析模型的基础数据主要面向开发商挂牌出让的47 个地块，从表2 可以看出这待售的47 个地块的总体特征。 这表明：样本整体偏移平均水平的程度较为显著，换言之，47 个待售地块销售价格的分布情况并非集中分布而较为离散。 相较于销售价格，土地面积、正面长度、进深长度等样本数据则呈现出更为集中的分布趋势。 在一定程度上，这反映出：地块面积、正面和进深长度更多地受到地方规划的刚性约束①和土地细分的具体操作影响，而非完全决定于房地产市场因素。 相比之下，土地价格则可能不仅受到市场供需因素影响，而且也受到微观的土地物理属性的影响。 因此，相对来说，将土地价格作为因变量，其他所选取变量作为自变量在一定程度上是可行的。由此，假设在土地销售价格和12 个所选取的自变量之间存在相互关联和函数关系。 4.2 相关性分析相关性分析主要用于证明因变量和自变量之间的相互作用关系。这里，基于整理得到的基础数据，通过运用Excel软件的相关性分析功能模块进行计算，即可得到变量间的关联系数。 3 个方案模型来预测土地价格： 方案1 是假定销售价格与土地面积、地块正面和进深长度存在关联； 方案2 将地块规模、形状、视野、方位和地形的相关变量作为自变量； 方案3 则把12 个选取的变量作为自变量。 所有模型可信度均设定为95%，这样通过运用Excel 软件的回归分析功能模块进行计算，即可得到相应的函数等式及输出结果（表4），同时Excel 可自动生成各模型相应的参数或系数表。各方案模型具体参数详见表5—7。 4.4 方案验证为了避免模型的误用和滥用，必须对模型的有效性和可靠性进行验证，主要有相关度（R2）、标准（standarderror）、t 统计（t-statistics）和方差分析（ANOVA: analysis of variance）等方法，以检验线性关系是否显著。 首先， 设立两个假设：即H0: coefficienti =0 和 H1: coefficienti ≠ 0，coefficienti 为等式中i 自变量的系数。假设检验标准为：（1）t 值远大于相应模型可信度的t 标准值；（2）P 值应小于5%，即表明因变量与自变量完全无线性关系的概率很小。只要满足上述条件，即可认定H1 成立，而H0 不成立，表明i 自变量对因变量有影响，等式中应对其予以保留；否则，等式中i 自变量应被剔除。 4.5 方案比选 模型相关度的大小，直接决定了模型回归拟合效果的优劣。从表9 可以看出： 1、方案3 的相关度在3 个方案中最高，达到了82.49%，拟合效果最好； 2、方案3 的预测误差与其他两个方案相比也是最低的，约16%，精确度相对较高； 3、通过显著性检验，方案3 的显著性值也是最小的，仅3.1×10-10，已非常接近于0， 这表明因变量与自变量完全无线性关系的概率非常小。 综上所述，通过对比分析，方案3 建立的回归方程具有相对较好的线性拟合效果，可推荐作为区域地价预测模型。此外，拟合情况