影响伦敦变化的最重要因素是什么

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

英文标题：
《What are the most important factors that influence the changes in London
  Real Estate Prices? How to quantify them?》
---
作者：
Yiyang Gu
---
最新提交年份：
2018
---
英文摘要：
  In recent years, real estate industry has captured government and public attention around the world. The factors influencing the prices of real estate are diversified and complex. However, due to the limitations and one-sidedness of their respective views, they did not provide enough theoretical basis for the fluctuation of house price and its influential factors. The purpose of this paper is to build a housing price model to make the scientific and objective analysis of London\'s real estate market trends from the year 1996 to 2016 and proposes some countermeasures to reasonably control house prices. Specifically, the paper analyzes eight factors which affect the house prices from two aspects: housing supply and demand and find out the factor which is of vital importance to the increase of housing price per square meter. The problem of a high level of multicollinearity between them is solved by using principal components analysis.
---
中文摘要：
近年来，房地产业引起了世界各国政府和公众的关注。影响房地产价格的因素是多样的、复杂的。然而，由于各自观点的局限性和片面性，没有为房价波动及其影响因素提供足够的理论依据。本文旨在构建一个房价模型，科学、客观地分析1996年至2016年伦敦房地产市场的走势，并提出合理控制房价的对策。具体来说，本文从住房供求两个方面分析了影响房价的八个因素，找出了对每平方米房价上涨至关重要的因素。利用主成分分析解决了它们之间的高度多重共线性问题。
---
分类信息：

一级分类：Statistics        统计学
二级分类：Applications        应用程序
分类描述：Biology, Education, Epidemiology, Engineering, Environmental Sciences, Medical, Physical Sciences, Quality Control, Social Sciences
生物学，教育学，流行病学，工程学，环境科学，医学，物理科学，质量控制，社会科学
--
一级分类：Quantitative Finance        数量金融学
二级分类：General Finance        一般财务
分类描述：Development of general quantitative methodologies with applications in finance
通用定量方法的发展及其在金融中的应用
--

---
PDF下载：
--> What_are_the_most_important_factors_that_influence_the_changes_in_London_Real_Es.pdf (431.17 KB)

2022-6-6 22:35:32 上传

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：重要因素 最重要 Applications Quantitative Collinearity

影响伦敦房地产价格变化的最重要因素是什么？如何量化它们？益阳谷（益阳。gu@ucl.ac.uk)智能城市与城市分析理学硕士巴特利特高级空间分析中心摘要近年来，房地产业吸引了全球政府和公众的关注。影响房地产价格的因素是多样的、复杂的。然而，由于各自观点的局限性和片面性，没有为房价波动及其影响因素提供足够的理论依据。本文的目的是建立一个房价模型，对1996年至2016年伦敦房地产市场趋势进行科学、客观的分析，并提出合理控制房价的对策。具体来说，本文从住房供给和需求两个方面分析了影响房价的八个因素，找出了对每平方米房价上涨至关重要的因素。利用主成分分析解决了它们之间的高度多重共线性问题。1简介近年来，房地产业的发展已成为经济增长的重要驱动引擎，但房地产业也受到了批评（Pyrrey et al.，2004）。房价无法承受的因素引起了政府和公众的关注（Case和Shiller，2003）。影响房地产价格的因素是多样的、复杂的。关于影响房地产成本的因素，学者们进行了大量研究：Case和Shiller（1990）进行了回归分析，证明了房价与人口、收入和房地产市场利润相关。

Poterba（1991）选择收入、建筑成本和人口作为影响因素，并得出结论，可以通过它们来解释成本。Quigley（1999）强调人口、就业、经济指数等一些经济变化可以预测住房价格趋势。这些都证明了房价是可以建模和预测的。然而，由于各自观点的局限性和片面性，并没有为房价波动及其影响因素提供足够的理论依据。此外，他们未能提供一个系统合适的房价模型。因此，本文旨在构建一个房价模型，对1996年至2016年伦敦房地产市场趋势进行科学、客观的分析，并提出合理控制房价的对策。本文从住房供求两个方面分析了影响房价的八个因素，找出了影响每平方米房价上涨的关键因素。利用主成分分析法解决了它们之间的高度多重共线性问题。首先，介绍了可用的属性集合。第二部分介绍多元回归方法和主成分分析，然后进行解释。第四部分指出了本文的局限性，并在最后给出了结论。2数据影响房地产成本的因素很多。Yihong（2016）引入房地产投资、地价、贷款利率和竣工住宅面积作为变量来描述供给模型，人口、GDP和收入作为变量指标来描述需求模型。

考虑到研究的需要和数据的可用性，从上述变量中，我选择了房地产投资、利率作为我的供给因素；人口、GVA和收入作为需求因素。图1显示了适用于分析的变量及其来源。图1所选变量选择这些因素的原因如下。至于住宅开发投资（REI），ZF投入的资金越多，建筑规模就越大（Murialdo，2013）。此外，人们通常通过抵押贷款购买房地产。因此，利率必然是影响价格波动的因素。就需求因素而言，人口密度（PD）与住房购买需求密切相关。总增加值（GVA）是反映公民支付能力的客观指标。一般来说，变量越大，居民的购买力越强，这与房价有一定的关系。同样，平均可支配收入（GDHI）决定了购买力，购买力与住房价格呈正相关（Mishkin，2007）。由于其在住房市场中的重要性，也选择了已开工和完工的永久性住房（PDS）（PDC）和消费者价格通胀（CPI）。建筑面积和竣工住宅数量最能反映房地产供应情况。通常在需求弹性不变的情况下，随着供应面积的增加，房价会下降。

此外，引入CPI是因为它通常被视为通货膨胀或通货紧缩的指标，这可能导致工人或建筑材料成本上升，间接影响住房成本（Mishkin和SchmidtHebbel，2001）。此外，由于所选房价影响因素数据均为时间序列数据，因此本年数据与上一年数据之间存在较强的相关性。因此，在进行进一步分析之前，应对其进行预处理。本文通过各因素的增长预测房价的增长。3方法学3.1建立初始回归公式应在开始时检查变量之间的关系。散点图如下所示（图2）。VariableNotationUnitSource房价变动（1996-2016年）IY英镑/平方米，土地登记处房地产开发投资REI英镑大伦敦管理局（GLA）永久性住宅开工日期：1000年国家房屋建筑委员会（NHBC）永久性住宅完工日期：1000年国家房屋建筑委员会（NHBC）利率：国家统计局（ONS）总价值加成百分比人均国家统计局（ONS）消费价格通胀率PI%国家统计局（ONS）每平方公里人口2更大的伦敦管理局（GLA）人均可支配家庭总收入I英镑人均国家统计局（ONS）图2所示的相关和独立变量散点图矩阵，每个因素都倾向于一定程度的形状（线性），这表明响应变量和预测因子之间存在线性关系，因此可以建立线性回归模型。（RabeHesketh，2008年）。

除此之外，没有重要的外部因素。初始回归公式为：！“#$%&$\'（）！&$*+，-&$.+，/&$0！（&$1234&$5/+！&$6+，&$72,8！&9其中，：%是价格变化的初始值；：\'to:7是回归系数，表示残差。3.2相关分析以避免多重共线性问题下面的相关矩阵（图3）表示变量之间的相关性。Iyreipdspdcirgvacpidgdhiiiy1.00REI0.941.00PDS-0.43-0.561.00PDC-0.18-0.260.761.00IR-0.88-0.840.640.551.00GVA0.990.93-0.50-0.28-0.911.00CPI0.250.08-0.34-0.50-0.460.331.00PD0.980.95-0.57-0.30-0.910.990.301.00GDHI0.94-0.53-0.30-0.920.990.301.001.00图。3因变量和自变量之间的相关矩阵在图3中，第一行中的值表明，房价与其他自变量之间存在强烈的相关性，这为具有良好的线性关系提供了基础。然而，预测变量之间的高相关值显示出高水平的多重共线性，因此不适合将输入变量引入线性回归分析。这个问题可以通过将变量输入主成分分析（PCA）来解决，因为每个PCA因子都是不相关的（Dunteman，1992）。详细内容将在以下部分介绍。3.3主成分分析（PCA）PCA是最常见的降维技术之一。

大量相关变量被转换为一组有限的不相关变量，称为主成分（Dunteman，1989）。3.3.1根据Kaiser–Harris准则选择要提取的成分数量，应保留特征值大于1的成分（1964年），因此下面的Scree图表明应存在两个主要成分。图4带特征值的Scree图3.3.2提取和旋转主成分在知道成分数量后，需要varimax旋转，以使含有成分的矩阵更易于解释，从而减少变量数量。旋转结果如下表所示（Kabacoff，2010年）。。图5旋转后的成分变量和主成分之间的相关性可以在标有RC1、RC2的列中观察到。u2列表示组件的唯一性。例如，总增加值（GVA）97%的差异可以用theRC1来解释。在获得组件得分后，可以进行进一步的分析。最后，比例Var表明，PCA1占方差的最大比例（59%），而PCA2占29%。然而，它们仍然不同于主成分，因为方差的最大化特性没有得到保留（Kabacoff，2010）。3.3.3获取主成分得分提取主成分和旋转主成分后，我们可以使用公式获得主成分得分。主成分为：+/4’#<=>？+，&<=>？234 & <=>?2,8! & <=>?+,/ & <=@A.（B<=@>/+！B<=>+，-&<=@？（）+/4*.<=C<+，/B<=A@/+！&<=？A+，-&<=>C（）！&<=@！（&<<D234&<<E+，&<<D2,8！第一个成分与人口密度（PD）、GVA和GDHI密切相关，似乎是一个需求因素。

它们的系数都是0.23，这意味着它们对房价同样重要。此外，这些变量一起变化，因此变量的增加将导致其他变量的增加。此外，由于第一主成分对模型的贡献最大（Moore，1981），可以得出以下结论：需求现在占主导地位，权重最高的三个因素是需要考虑的最重要因素。第二个因素似乎是供应因素，在已开工和完工的永久性住房和房地产投资中具有较高的系数。已开工永久性住房的系数最高（0.5），这意味着需要控制新建住房的数量。利率权重（IR）较低，因此它不如其他因素重要。CPI与主成分呈负相关，表明通货紧缩可能导致更多的房地产投资。最终的线性回归模型如下：！“#F%&F’+/4”&F*+/4*&9GH代表房价的年增量；IJK’andIJK*是主要成分；；表示残差。然后，可以建立房价模型”#“%&！”这里，H%表示去年的房价，HRE表示今年的房价预测。4解释图6。原始多元回归模型的统计结果统计结果表明，原始模型能够解释几乎100%的房价变化。然而，p值表明变量不显著，因此这些变量在该模型中不是有用的预测因子。图7：。调整后多元回归模型的统计结果调整后的模型可以解释房地产成本变化中96.3%的可变性，这意味着解释度很高。

虽然R平方比原始值略有下降，但其变量现在都有显著的p值。住房价格模型可以改写为：“#”%&<>EL+/4”&<<ML+/4*B@LE？=>A> 这些系数表明，这两个组成部分与房地产成本呈正相关。更具体地说，对于模型斜率（系数）的解释：如果所有其他参数不变，对于分配的100个PCA1单元，解释了27个房价增量。而在PCA2的斜率上：所有其他都保持不变，每分配100个单元，就解释了6.9的房价上涨。限制和讨论第一个限制是，对于因变量解释，PCA通常不能作为理论解释。它们是影响因素的线性组合（DeCoster，1998）。因此，这些主成分（PCA1、PCA2）不足以解释房价。我们模型的另一个局限性是，由于我们没有对影响因素进行预测，因此该模型只能在知道所有自变量的情况下计算房价。为了进一步改进，需要一个自变量预测模型，应用灰色系统理论可能是一个合适的解决方案（Kayacan et al.，2010）。6结论本报告分析了1996年至2016年伦敦房价的变化，并考虑了房地产行业供应和市场需求方面的正确因素。通过对二者潜在关系的定量分析，建立了住房价格的回归模型。人口密度、收入和GVA是影响伦敦房价波动的最重要因素，这表明人口和收入是抑制住房增长的重要切入点。

如果人口和居民收入增加，住房需求将增加，造成供需矛盾，从而刺激房价（Case，2003）。基于以上结论，ZF应该发展经济，合理引导房地产需求。从长远来看，理性的住房消费观念可以抑制房地产市场泡沫，使房价回归到正常水平。参考Sandersson，T.，1958，多元统计分析。John Wiley and Sons，Inc.，纽约，O.2004，《通过参数回归与半参数回归对住房销售价格的预测比较》。《住房经济学杂志》，13，68-84。Brown，J.P.、Song，H.和McGillivray，A.，1997，《预测英国房价：时变系数法》。经济建模，14（4），第529-548页。Case，K.E.和Shiller，R.J.，2003年。房地产市场是否存在泡沫？。Brookingspapers on economic activity，2003（2），pp.299-342。凯斯，K.E.，奎格利，J.M.和希勒，R.J.，2003年。购房者、住房和宏观经济。伯克利住房和城市政策计划。Clapp，J.M.和Giaccotto，C.，1994年。经济变量对当地房价动态的影响。《城市经济学杂志》，36（2），第161-183页。数据伦敦gov.uk。2016年，《伦敦数据存储：GLA关键绩效指标》。[在线]网址：https://data.london.gov.uk/dataset/gla-key-performance-indicators【2018年1月9日查阅】。数据伦敦gov.uk。2016年，《伦敦数据存储：沃德和伯勒的土地面积和人口密度》。[在线]网址：https://data.london.gov.uk/dataset/land-area-and-populationdensity-ward-and-borough【2018年1月9日查阅】。数据伦敦gov.uk。2016年，伦敦数据存储：英国房价指数。[在线]网址：https://data.london.gov.uk/dataset/uk-house-price-index【2018年1月2日查阅】。DeCoster，J.，1998年。