我国房地产价格影响因素的多元回归模型分析
基于多元线性回归分析房地产价格影响因素
基于多元线性回归分析房地产价格影响因素作者：赵敬葛学韬来源：《商情》2015年第18期【摘要】从房屋销售实现市场化交易之后，近10年来，房价飞速上涨，并且在政府多次的政策调控下没有得到缓和的趋势，这一现象逐渐引起了社会各界的广泛关注。
本文以济南为例，选取2003年到2012年数据，从人均GDP、总人口、结婚数、城乡居民人民币储蓄存款余额、城镇居民人均可支配收人、土地购置费、房屋销售面积、房屋竣工面积占施工面积的比重，利用SPSS进行线性回归，从而得出房屋销售价格变动最为密切的影响因素，并提出建议。
【关键词】人均GDP ;商品房平均销售价格 ;多元线性回归一、引言随着我国国民经济的飞速发展，我国城市近几年也获得了高速迅猛的发展，房地产住房消费占我国城镇居民消费的比重也越来越高。
同时，随着城镇居民住房观念发生的重大转变、住房消费的有效启动、住房商品化新体制的基本确立、房地产投资的持续快速增长，以商品住宅为主的房地产业成为国民经济的重要支柱产业。
但是，我国房地产市场的发展极为不稳定，城市商品住宅的价格日益增长。
济南是一个二线城市，从很大程度上可以代表二线城市的整体发展水平，而二线城市的发展好坏更能影响国民经济的发展。
本文通过分析济南房价的影响因素，从而使得国家进行更好的调控，相应的提高国家的整体水平。
二、实证分析（一）多元线性回归分析方法回归分析是经济计量分析中使用最多的方法，多元回归分析预测法，是指通过对两个或两个以上的自变量与一个因变量的相关分析，建立预测模型进行预测的方法。
当自变量与因变量之间存在线性关系时，称为多元线性回归分析。
多元线性回归模型的一般形式为：Y=β0+β1X1+β2X2+β3X3+…βkXk+εβ0、β1、β2、βk是参数，ε是被称为误差项的随机变量。
（二）影响商品房平均价格的因素分析某一地区的房价是由宏观经济、供给方（房地产厂商）、需求方（购房者）三方共同决定的，因此引入了相应的指标作为自变量。
房地产市场中的房价预测模型比较
房地产市场中的房价预测模型比较引言：随着经济的发展和城市人口的增加，房地产市场一直都是一个备受关注的领域。
了解和预测房价走势对于投资者、开发商和政府来说都至关重要。
然而，由于房地产市场的复杂性和不确定性，准确预测房价一直都是一个具有挑战性的任务。
因此，为了解决这个问题，许多研究人员和机构开发了各种不同的房价预测模型。
本文将比较几种常见的房价预测模型，分析它们的优缺点和适用场景。
一、回归模型回归模型是最常见和广泛使用的房价预测方法之一。
它使用历史数据和相应的影响因素来建立一个数学模型，通过对未来一段时间的数据进行回归分析来预测房价。
回归模型可以分为线性回归和非线性回归两种。
1.1 线性回归模型线性回归模型假设价格与影响房价的因素之间存在线性关系。
它使用各种因素（如房屋面积、房龄、地理位置等）来建立数学模型，通过回归分析来预测未来的房价。
线性回归模型的优点是简单易用，计算效率高；缺点是无法处理非线性关系。
1.2 非线性回归模型非线性回归模型进一步拓展了线性回归模型的概念，它允许因素之间存在非线性关系。
非线性回归模型使用更复杂的数学函数来建立模型，并根据历史数据进行参数估计。
非线性回归模型的优点是可以更好地拟合实际数据，处理较复杂的关系；缺点是模型复杂度较高，计算成本较高。
二、人工神经网络人工神经网络是一种模拟人类神经系统工作方式的数学模型。
它通过训练算法从历史数据中提取模式，并学习建立预测模型。
人工神经网络模型在房价预测中表现出色，尤其是处理复杂非线性关系方面。
2.1 多层感知器（MLP）多层感知器是最常用的人工神经网络结构之一。
它由输入层、隐藏层和输出层组成。
多层感知器通过训练算法学习输入和输出之间的复杂关系，并通过这种关系进行预测。
多层感知器的优点是能够处理复杂的非线性关系，但模型的训练过程需要大量数据和计算资源。
2.2 循环神经网络（RNN）循环神经网络是一种具有循环连接的神经网络结构，可以处理时间序列数据。
基于GRA的房地产价格影响因素回归分析
基于GRA的房地产价格影响因素回归分析以近年来杭州市房地产价格变化为例，以灰色关联度分析（Grey Relational Analysis GRA）理论为基础，对影响房地产价格的主要因素进行分析，得到五个关联度相对较高的因素：即年人均可支配收入、生产总值、销售面积、房地产开发投资、竣工面积等；对这五个主要影响因素进行回归分析，建立了回归模型。
结果表明：房地产开发投资是影响杭州市房地产价格变动的主要因素。
标签：房地产价格；灰色关联度（GRA）；回归分析1 引言房地产业是整个国民经济的重要基础产业，是一个产业链长，经济关联度高的行业，在国民经济中占有十分重要的地位，其运行质量直接影响到国民经济的健康发展。
近几年来，中国的经济快速发展，房地产开发投资不断扩大，商品房销售面积逐年增加，房地产业进入快速发展时期，但在其快速发展的过程中也逐渐暴露出许多令人深思的问题：如房地产投资幅度过高、商品房空置面积增加、供求不平衡、结构不合理、阶段性供给过剩等等，这些问题大都会通过房地产价格变化得以呈现。
这也使得房价的升与降及国家的新政策成为人们关注的焦点。
因此，对房地产价格问题的研究也显得尤为重要。
近年来，国内外许多学者对影响和决定房地产价格的因素进行了研究，并就定性和定量分析做了大量探索工作，但是到目前为止可靠的分析方法和模型模拟研究方法依然缺乏，因而本文试图以杭州市房地产价格变化为例，通过构建数学模型，在GRA分析的基础上对房地产价格的影响因素做研究分析。
2 影响房地产价格因素的选取和分析方法的确定2.1 影响房地产价格因素的选取影响房地产价格的因素很多，但可以将其大体分为两类：内部决定因素和外部影响因素。
其中内部决定因素又可分为供求关系、开发成本、自身因素三个方面；外部影响因素则可从经济因素、社会因素、政策因素、人口因素及心理因素五个方面作以分析。
但是，由于上述所提及的众多因素存在数据不完备、统计口径不一致等问题，进行模型分析时对以上因素进行了精简及筛选，取对房地产价格影响较为密切的可量化因素进行分析：全市人口数量、地区生产总值（GDP）、房地产开发投资、年人均可支配收入、竣工面积、人均住房面积、销售面积。
基于回归分析的房价模型及预测
基于回归分析的房价模型及预测随着生活水平的提高和城市化进程的加速，房地产市场已经成为了国民经济的重要组成部分。
对于购房者而言，他们需要了解市场上的房价走势，以便更好地做出投资决策。
而对于开发商而言，他们需要明确自己产品的价值，以便正确定价并获得市场份额。
因此，基于回归分析的房价模型及预测在当前的经济背景下显得极其重要。
本文将介绍回归分析的相关知识，并利用Python语言建立基于多元线性回归的房价模型，并预测房价走势。
一、回归分析的知识介绍回归分析是一种通过对因变量与自变量之间的关系进行建模来对因变量进行预测的统计分析方法。
简单来说，回归分析就是用已知的自变量数据来预测未知的因变量数据。
在回归分析中，自变量与因变量之间的关系可以用一条直线或曲线来表示，这条直线或曲线称为回归线或回归曲线。
在回归分析中，自变量数量的不同可以分为简单线性回归和多元线性回归。
如果自变量只有一个，称为简单线性回归；如果自变量有多个，称为多元线性回归。
在建立回归模型之前，需要考虑一些问题，例如选择哪些自变量，如何评价模型的拟合程度等。
二、基于多元线性回归的房价模型建立在本文中，我们选择了三个自变量，分别是房屋面积、房间数量和街区位置。
我们使用Python语言来建立回归模型，其中使用了Pandas、NumPy、Scikit-learn和Matplotlib 等库。
具体代码如下所示：```pythonimport pandas as pdimport numpy as npfrom sklearn.linear_model import LinearRegressionimport matplotlib.pyplot as plt# 读取房屋数据data = pd.read_csv('house.csv')x = data.iloc[:, 1:4].valuesy = data.iloc[:, 0].values# 拟合回归模型model = LinearRegression()model.fit(x, y)R2 = model.score(x, y)print('R2 coefficient:', R2)# 显示散点图plt.scatter(data['Area'], data['Price'], color='blue')plt.xlabel('Area')plt.ylabel('Price')我们首先使用Pandas库读取房价数据，并将数据分为自变量和因变量。
房地产市场的价格预测模型与建模分析
房地产市场的价格预测模型与建模分析房地产市场是一个重要的产业，对于政府经济政策的制定和投资者的决策具有重要影响。
因此，对于该市场的价格预测模型与建模分析显得尤为重要。
本文将讨论房地产市场价格预测模型的建立与分析方法，以帮助投资者和政府决策者更好地理解市场趋势和未来走势。
一、房地产市场价格预测模型的建立方法房地产市场价格预测模型的建立可以采用多种方法，包括回归分析、时间序列分析和机器学习等。
下面将分别介绍这些方法的原理和应用。
1. 回归分析回归分析是一种常用的统计方法，用于探索变量之间的关系。
在房地产市场中，可以选择影响房价的相关变量，如地理位置、楼层、面积、楼龄等，作为自变量，房价作为因变量，建立回归模型进行预测。
通过分析各个自变量的系数和显著性水平，可以了解各因素对房价的影响程度和方向。
2. 时间序列分析时间序列分析是一种用于研究时间序列数据的方法，适用于预测具有一定规律性和趋势性的数据。
在房地产市场中，可以将历史的房价数据作为时间序列数据，通过分析趋势、周期性和季节性等特征，建立时间序列模型进行预测。
3. 机器学习机器学习是一种基于数据的自动化建模方法，可以利用大量的历史数据进行模型训练和预测。
在房地产市场中，可以使用机器学习算法，如决策树、随机森林、神经网络等，根据房产特征数据和历史价格数据进行训练，建立预测模型。
机器学习有着良好的拟合能力和预测性能，可以提供较为准确的房价预测结果。
二、房地产市场价格模型的分析方法建立价格预测模型之后，需要对模型进行分析以评估其准确性和稳定性，进而为投资者和政府决策者提供决策支持。
下面将介绍几种常见的模型分析方法。
1. 模型拟合度分析模型拟合度分析用于评估模型对观测数据的拟合程度，可以通过计算拟合优度指标（如R方值）来衡量模型的拟合效果。
拟合度分析可以帮助我们了解模型的预测能力和稳定性。
2. 模型参数显著性检验模型参数显著性检验可以用于评估各个自变量对因变量的影响是否显著。
二手房房价影响因素的多元线性回归分析及其应用
二手房房价影响因素的多元线性回归分析及其应用摘要：在房价居高不下的情况下，二手房市场悄然兴起。
目前新品房数量已经不足以满足居民的住房需求，房地产市场供需愈加不平衡。
因此，为了平衡住房的供给和需求，二手房市场的存在就有了意义。
在二手房市场上，出售者和购买者以双方都能接受的价格达成协议，完成住房的出售，对房源进行了再分配。
本文在居民消费水平提高、重庆二手房市场十分活跃的背景下，对重庆市二手房价格进行了统计，分析了影响二手房房价的因素，例如居住条件、周边环境、经济增长等因素，并结合二手房市场所遇困难和政府对策，对适用于二手房市场的政策进行了阐述。
关键词：二手房房价；数据统计；影响因素Abstract：In the case of high housing prices, the secondary housing market quietly emerged. At present, the number of new arrivals is insufficient to meet the housing demand of the residents, and the supply and demand of the real estate market are increasingly unbalanced. Therefore, in order to balance the supply and demand of housing, the existing housing market has a meaning. In the second-hand housing market, the seller and the buyer agree on a price acceptable to both parties, complete the sale of the house and redistribute the house source. Based on the residents' consumption level, chongqing under the background of the secondary market is very active, chongqing second-hand housing prices for the statistics, analyzes the factors influencing the second-hand house prices, for example, living conditions, surrounding environment, factors such as economic growth, and combining with the secondary market encountered difficulties and countermeasures of government, the policy applicable to the secondary market are expounded.Key words：S econd-hand house price；Data statistics；Influence factor目录摘要 (I)Abstract (I)目录 .......................................................................................................................... I I1 引言 (1)1.1 选题的背景和选题的意义 (1)1.1.1 选题的背景 (1)1.1.2 选题的意义 (1)1.2 文献综述 (2)1.3 研究的内容和研究的方法 (2)1.3.1 研究的内容 (2)1.3.2 研究的方法 (3)2 居民消费水平 (3)3 重庆市二手房市场现状及存在的问题 (4)3.1 二手房概念 (4)3.2 二手房市场交易现状 (5)3.3 存在问题分析 (6)3.3.1 供需问题与货币政策 (6)3.3.2 房地产中介行业 (6)4 重庆市二手房价格影响因素 (7)4.1 多重共线性分析 (7)4.2 影响因素分析 (8)4.2.1 居住条件 (8)4.2.2 周边环境 (8)4.2.3 经济增长 (9)4.2.4 消费者心理 (11)5 重庆市二手房市场的政策导向和发展对策 (11)5.1 规范房地产中介管理制度 (11)5.2 发展公租房，完善住房体系 (12)5.3 降低二手房交易所需成本 (13)参考文献 ........................................................................................ 错误！未定义书签。
地价指数的影响因素研究——基于多元回归模型的北京市数据分析
地价指数的影响因素研究——基于多元回归模型的北京市数据分析摘要：研究目的：地价指数是衡量房地产发展的一个重要指标，研究影响地价指数的因素，以服务决策。
研究方法：以北京市历年的相关数据为基础，基于多元回归模型，运用相关软件对数据进行分析。
研究结果：通过分析各种数据，得出对地价指数影响较大的因素包括历年平均房价和住宅销售面积。
其中，历年平均房价与地价指数呈现正相关关系，住宅销售面积与地价指数呈现负相关关系。
不同因素对于地价指数的影响权重有差异。
研究结论：经济的发展会导致地价指数的上涨，但是过度的上涨不利于房地产经济的健康发展，因此要采取相关措施加以控制，以引导房地产市场的健康运行。
关键词：房地产；地价指数；多元回归1 引言房地产的价格牵动着土地的价格，土地的价格也会反过来影响房地产的价格，二者之间相互成就。
在土地价格方面，地价指数是一个衡量土地价格的重要指标。
地价指数是反映土地价格随时间的变化的趋势与幅度的相对数，能帮助人们掌握一个城市各类土地价格的变化及其总体变化的趋势。
地价指数是报告期地价与基期地价的比值。
地价指数越小，表明地价波动越小，社会的经济越稳定。
因此，分析研究地价指数对于了解社会经济动态有重要的意义。
按照房地产的用途分类，主要的地价指数有商服地价指数、住宅地价指数和工业地价指数。
由于住房问题是人们较为关注的民生问题，因此本文主要以住宅地价指数为研究依据，以期能对相关政策的提出有所贡献。
2 模型与变量选取2.1 计量模型基于多元回归模型，设计如下方程：将以上数据结合起来，进行回归分析，就可以得出回归方程，从而能得出结论。
3 实证分析根据软件分析，确定：y=302.338+0.006-0.063作为最终的回归方程。
以上回归方程表明：平均房价与住宅地价指数呈现正相关关系；住宅销售面积与住宅地价指数呈现负相关关系，这种关系与实际情况较为符合。
4 结论4.1 存在的问题4.1.1指数影响因素非单一化，易受政府政策的影响土地与房地产密不可分，发展涉及多个方面，因此指数的变化也受到多种因素影响。
唐山市房价影响因素的多元线性回归分析
二、 多元线性 回归模型的建立和检验
（ 一） 模 型指标 和数据 的选取 在经 济 学 中 ， 研 究 一个 变 量 的变化 受 多个 因素
Ｒ为 ０ ． ９ ９ ９ ， 决定 系数 Ｒ方 为 ０ ． ９ ９ ７ ， 调整 Ｒ方为
第ｌ ４卷
第 ２期
河 北 联 合 大 学 学 报 （ 社会科 学版 ）
Ｊ ｏ ｕ ｒ ｎ ａ ｌ ｏ ｆ Ｈｅ ｂ ｅ ｉ Ｕｎ ｉ ｔ ｅ ｄ Ｕｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ （ Ｓ ｏ ｃ ｉ ａ ｌ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ Ｅ ｄ ｉ ｔ ｉ ｏ ｎ ）
２ ． 住 宅竣 工面积
房地产被称为国民经济的晴雨表 ， 与地区经济
收稿 日期 ： ２ ０ １ ３ １ １ － ２ １
住 宅 竣 工 面 积 反 映 了该 地 学报（ 社会科学版）
第ｌ ４卷
量， 竣工面积越大， 供给量越大， 同样的需求量下 ， 房
北省经济发展速度最快 的城市， 同样 面临着房价攀 升的问题。本文就 以唐山市为例， 运用 Ｓ Ｐ Ｓ Ｓ软件 ， 对唐 山市房价 进行 多元 线性 回归 分 析 ， 研 究影 响房 价的主要因素 ， 并提出相关建议 ， 促进房地产业健康
发展 。
一
居 民是商品房的需求主体 ， 因此人 口数量直接 影 响 了一个地 区对 房屋 的需 求 量 。同 时 ， 工业 现 代 化引起城镇人 口大量增加 ， 加之我 国传统的消费观 念影响 ， 推动了对商品住宅的需求。
Ｖｏ １ ． １ ４ Ｎｏ ． ２
Ｍａ ｌ ＂ ． ２ ０１ ４
２ ０ １ ４年 ３月
文章编号 ： ２ ０ ９ ５ － ２ ７ ０ ８ （ ２ ０ １ ４ ） ０ ２ － ０ ０ ２ １ ０ － ５
基于多元线性回归模型的房价预测
基于多元线性回归模型的房价预测黎小丽摘㊀要：房价现象是现今社会尤为关注的一个点，针对近几年房价几乎持续上涨这一现实问题，以惠州市为例，利用粗糙理论和相关性分析，确定ＧＤＰ㊁人均收入㊁人均支出㊁施工面积和竣工面积为影响房价的主要因素，通过２０１０ ２０１７年惠州市房价数据，建立多元线性回归模型并对其分析，预测房地产价格未来走势，进而根据影响因素提出有利于房地产市场健康㊁稳定发展的政策建议，是非常重要而迫切的研究课题，具有很强的理论和现实意义㊂关键词：多元线性回归模型；房价预测；相关性分析一㊁引言随着惠州市经济发展水平的加快和一线城市住房体制改革的不断深入，更多人口迁入二线城市，在二线城市购房㊂目前，从 五限 （限商，限卖，限价，限制，限购）政策出来看，惠州是粤港澳大湾区唯一不限购城市，目前整个粤港澳大湾区（９＋２城市）大量外溢至惠州㊂惠州，这个临深得天独厚城市，将受益于深圳东进㊁粤港澳大湾区发展，人口逐步增加，城市发展也日益增多㊂故，这一举措加速了惠州市房价的抬升㊂如今的房地产开发已上升为产业的概念，对城市的影响力逐渐增强，价格的运行变得尤为重要㊂如何分析惠州市房地产价格波动，以及如何有效预测房地产价格未来走势已成为重要研究问题㊂因此有必要建立合理的价格模型，寻找价格变化规律，从而使分析预测更加准确㊂房地产作为一种重要商品，其价格影响因素众多，包括ＧＤＰ㊁居民收支㊁开发施工面积㊁和竣工面积等㊂且每个因素影响程度不断变化，造成房价的不断波动㊂基于此，文章提出利用粗糙集模型和相关性分析，分析影响惠州市房价变化的因素㊂二㊁影响房价的因素分析及数据收集（一）影响房价的因素分析１．粗糙集模型粗糙集理论是一种处理不精确㊁不一致，不完整等各种不完备的信息有效的工具，且具有易用性㊂此外，该理论以对观察和测量所得数据进分类的能力为基础，以集合论为数学工具完成对不确定知识的处理㊂一般来说，粗糙集约简可概括为如下步骤：第一，以观察和测量的数据对象为行，以数据对象的属性为列，形成决策表㊂第二，对决策表进行进一步整理，删除相应错误及多余的内容㊂第三，对属性值进行相应约简，既要删除对结果影响较小的属性值，又要考察决策表中的具体属性值㊂在约简过程中，应保证各决策表是相容的㊂第四，再次对决策表进行整理，对某些具体属性值进行合并㊂不同决策表的核，即各约简决策表的交集应相同㊂决策表的核作为所有约简的计算基础，不可继续约简㊂通过决策表计算可知，短期内，影响惠州市房价的因素主要有ＧＤＰ㊁人均收入㊁施工面积和竣工面积㊂２．相关性分析相关性分析是对两个或多个具备相关性的变量元素进行分析，从而衡量两个变量因素的相关密切程度的分析方法㊂相关性分析可首先对多个变量间关系进行判断，如变量间存在相关关系，则可对其相关性及相关程度进行具体描述㊂由于实际需要的分析情景不同，相关性分析又可以分为线性相关分析㊁偏相关分析和距离相关分析三种类型㊂利用Ｒ语言对影响房价的因素进行线性相关分析㊂其中，ＧＤＰ㊁人均收入㊁人均支出和施工面积的相关性皆大于０．８，显著性概率ｐ皆稳定在０．０１左右，说明上述影响因素与房价的相关性极为密切㊂由此我们可以得出，ＧＤＰ㊁人均收入㊁人均支出和施工面积为影响惠州市房价的主要因素㊂３．得出结论结合粗糙集理论和相关性分析结论可知，ＧＤＰ㊁人均收入㊁人均支出㊁施工面积和竣工面积为影响惠州市房价的主要因素㊂（二）数据集介绍１．数据收集文章讨论影响惠州市房价变化的因素及模型预测，其中，房价作为因变量，其他影响因素作为自变量分析㊂在预测惠州市房价走势时，惠州市房屋销售价格和房价影响因素来自广东省统计信息网和惠州市政府网站，数据长度为２０１０ ２０１７年㊂２．数据属性由上文可知，影响惠州市房价的主要因素为ＧＤＰ㊁居民收支㊁开发施工面积㊁和竣工面积㊂由于房价的变化受多个变量影响，故对影响惠州市房价的主要因素做出具体介绍㊂一是惠州市ＧＤＰ㊂ＧＤＰ（国民生产总值）是指在一定时期内一个国家或地区的经济中所生产出的全部最终产品和劳务的价值，常被公认为衡量经济状况的最佳指标㊂二是居民可支配收入㊂居民可支配收入是日常生活的主要来源，它决定着居民购买力的大小，即消费水平的高低，进而影响市场需求量㊂三是居民消费支出㊂居民消费支出是指城乡居民个人和家庭用于生活消费以及集体用于个人消费的全部支出㊂通过居民平均每人全年消费支出指标来综合反映城乡居民生活消费水平㊂四是开发施工面积㊂房屋施工面积是一定时期内施工的房屋建筑面积之和㊂新开工面积反映一定时期内房屋建筑新开工的规模，是分析施工战线长短和编制施工计划的依据㊂五是竣工面积㊂竣工面积是指房屋按照设计要求已全部完工，达到入住和使用条件，经验收鉴定合格或达到竣工验收标准，可正式移交使用的房屋建筑面积总和，是说明在建房屋建成程度的指标㊂图１ 惠州市近几年房价数据及其影响因素三㊁多元线性回归模型预测房价（一）建立多元线性回归模型线性回归（ＬｉｎｅａｒＲｅｇｒｅｓｓｉｏｎ）是利用称为线性回归方程的最小平方函数对一个或多个自变量和因变量之间关系进㊀㊀㊀（下转第８４页）续表变量股票市场参与度基金市场参与度债券市场参与度保险市场参与度民间借贷市场参与度金融市场参与度性别０．００００４［０，１．０００］０．１５３［０，０．３６１］－０．２９８∗［０，０．０９３］－０．２７８［０，０．２３４］０．２０６∗［０，０．０８８］－０．７６２∗［０，０．０８３］婚姻０．６４２∗［０，０．０６４］０．４３５∗∗［０，０．０４５］０．５２９∗∗［０，０．０２１］０．６４９∗∗［０，０．０３１］－０．０７６［０，０．６２６］－０．５４６［０，０．３３７］学历０．４４６∗［０，０．０６３］０．２２７［０，０．１３０］０．２０５［０，０．１９４］－０．１８５［０，０．３７５］－０．３５４∗∗∗［０，０．００１］０．７０４∗［０，０．０７３］健康０．１５８［０，０．５０４］０．１８０［０，０．２２７］０．３２５∗∗［０，０．０３８］０．３２２［０，０．１１９］０．２０４∗［０，０．０５７］０．９３０∗∗［０，０．０１７］收入对数２．１３０∗∗∗［０，０．０００］１．５５４∗∗∗［０，０．０００］１．２７１∗∗∗［０，０．０００］２．１４０∗∗∗［０，０．０００］０．８６３∗∗∗［０，０．０００］１．５２２∗∗∗［０，０．０００］四㊁政策建议文章的实证结果得出，居民风险态度会显著影响家庭是否参与金融市场和金融市场参与度㊂因此，提高居民对金融风险的认知水平，加强政府对金融市场的监管力度，对于家庭合理参与金融市场，利用金融产品和服务来保障自己的福利水平有非常重要的推动作用㊂因此，各部门可以从以下方面着手㊂（一）提高居民金融素养增强居民对金融市场的认知程度，能够有效增加居民参与金融市场的概率，同时，能够避免决策失误，实现家庭投资收益和福利最大化㊂（二）设计符合居民需求的金融产品金融机构在制订和设计金融产品时，应将居民对于金融服务的风险和态度引入到所设计的理念中，尽量制订出符合我国城镇居民实际需求的金融产品，增强家庭对于金融市场的认识和了解㊂（三）健全金融配套服务体系，降低了信用风险完善商业银行金融服务行业内部信息公开披露机制，将会更有利于商业银行行为内部的企业，加强对行业自身的法律约束与自律，促进商业银行金融服务产业才会在太阳下健康地发展㊂参考文献：［１］陈其进，陈华．中国居民个体风险态度及影响因素分析：基于城镇居民㊁农民工和农村居民的对比研究［Ｊ］．上海经济研究，２０１４（１２）：７８－８９．［２］胡振，臧日宏．风险态度㊁金融教育与家庭金融资产选择［Ｊ］．商业经济与管理，２０１６（８）：６４－７６．作者简介：陈絮雯，长沙理工大学㊀经济与管理学院㊂（上接第８２页）行建模的一种回归分析，当因变量受到多个自变量影响时，所进行的分析便被称为多元线性回归㊂综上所述可知惠州市房价受多个因素影响，因而可以考虑建立多元线性回归模型㊂以住宅价格为因变量Ｙ，各影响因素为解释变量建立多元回归模型为：Ｙ＝ａ＋ｂ１ｘ１＋ｂ２ｘ２＋．．．＋ｂｋｘｋ其中，ｂ１，ｂ２．．．ｂｋ，ｋ＝１，２，３．．．是回归参数（系数），表示在其他影响因素保持不变的情况下，ｘｋ变化一单位时商品住宅价格Ｙ平均变动的单位数㊂ａ为常数项㊂通过求解这一函数方程，可以得到相应的数值及其相互关系，并由此做出必要的分析．多元线性回归分析在实际中应用极为广泛，它准确直观地描述了因变量随多个自变量的变化情况，并定量描述出各个自变量与因变量的相关性与相关程度，便于研究过程中的具体分析㊁模型的建立和预测㊂（二）结果分析在多元线性回归得出的数据中，Ｒ２表示拟合优度，Ｒ２接近于１，说明两变量的共变量比率越高，表示拟合程度越高㊂在实际Ｒ语言运行结果中，我们得到Ｒ２＝０．９２５１，比较接近１，说明回归模型的拟合程度较好㊂Ｆ统计量代表所有影响因素整体对房价的显著性，Ｆ值越大，回归方程的显著性也就越明显，模型的置信度也就最高㊂在实际运行结果中，各自变量ｐ值都小于０．０１，说明回归模型置信度较高㊂ｂｋ代表回归系数，代表因变量与对应自变量的相关程度㊂由运行结果可知，多元线性回归方程为Ｙ＝６．１０４＋９．９３９ｘ１＋３．７９４ｘ２－５．１８６ｘ３㊂四㊁结论与建议利用多元线性回归模型得出的公式可计算出：２０１８年估价为：Ｙ＝６．１０４＋９．９３９∗３８３９．６＋３．７９４∗３１０９１－５．１８６∗２２９６９＝１１０４９根据以上对惠州市房价的分析预测可以看出，惠州市房价上涨速度虽已减缓，但在一段时间内仍会呈现上涨趋势㊂在此趋势下，房地产形势也愈发严峻㊂房地产是反映一国经济状况的晴雨表，是我国国民经济发展的支柱行业，是十数亿人民的安居乐业之本㊂由于房价形成具有复杂性和客观性，对于政府来说，应从以下几方面入手解决：第一，应进一步完善土地供应办法，完善土地开发制度，规范土地市场；第二，加强经济适用房建设，缓解住房压力；第三，采用市场化方法，尽快出台房地产税以有效抑制投机性需求，降低泡沫风险㊂而对于居民来说，应结合自身需求，理性购房消费，以谨慎的态度对待房地产价格变化和房地产投资，以防不必要的上当受骗㊂参考文献：［１］李大营，许伟，陈荣秋．基于粗糙集和小波神经网络模型的房地产价格走势预测研究［Ｊ］．管理评论，２００９，２１（１１）：１８－２２．［２］党光远，杨涛．唐山市房价影响因素的多元线性回归分析［Ｊ］．河北联合大学学报（社会科学版），２０１４，１４（２）：２１－２５．［３］朝克，吕丽娟．基于多元线性回归的内蒙古自治区房价影响因素研究［Ｊ］．内蒙古科技与经济，２０１１（１７）：７－９．作者简介：黎小丽，广东财经大学统计与数学学院㊂。
基于多元线性回归分析房地产价格的影响因素
式中，。 ， ， 为（ ） 卢， … 偏 回归系数 ，是 Ｎ（ ，。 变 ￡ ０ ）
量．
回归 分析 首先要 做的事 情是 对 回归ቤተ መጻሕፍቲ ባይዱ数进 行最 小二 乘估计 ， 建立 回归 方程 ， 在此基 础上 对 回归 方程
和 偏 回归系数 进行显 著性 检验 以确定 随机变 量 Ｙ的
响 因素口 ， ］ 利用 多元 线 性 回归 分 析建 立 泉 州 市商 品 房平均 价格 的数学模 型 ， 分析房 价今后 的走 势 剖． 这几 年泉 州市 准备购 房 的普 通 消费者 大多感 到
后， 还需 要对 它 进 行 方差 分 析 ， 检 验 Ｙ与 Ｘ ， 以 Ｘ ，
…
突 出． 国际上 一般认 为 ， 宅 价格 相 当于 ３ ６倍 的 住 ～
居 民 家 庭 收 入 时 ， 比较 合 理 的 房 价 收 入 比． 是 从
， 间 的线性 关系 是否显 著 ， Ｘ 即需要对 假设
Ｐ
１ 多 元 线性 回归 模 型 介 绍
１ １ 回归 方程 组 ． 在现实 生活 中 ， 人们 往 往 要 对某 个 变 量 Ｙ进 行 统计 分析 ， 考虑 到和变 量 Ｙ有 关 的 自变 量 往 往不 止
一
Ｓ 一 ∑ （ ）一 ∑ ｂ Ｓ 一 。 ； ｌ
＝ ｌ ｉ １ ＝
维普资讯
８ ８
湖 北 工 业 大 学 学
报
２０ ０ ８年 第 ４期
将运 用上 述 的 模 型 以及 ｍａｌｂ等计 算 软件 得 出 Ｙ ｔ ａ
２ 模 型 应 用
２ １ 影 响 因子 的选 择 ．
的预测值 实 际值作 比较 （ ２ ． 表 ）
房价 上涨 带来 的压 力 ， 价 与 承受 能 力 的 矛盾 显 得 房
基于多元回归分析模型的房地产价格影响因素研究
文献综述
早期的研究主要集中在单一因素对房地产价格的影响上，如经济因素、政策 因素、区位因素等。随着研究的深入，学者们开始运用多元回归分析模型，综合 考虑多种因素对房地产价格的影响。国内外学者的研究结果存在一定差异，但总 体上呈现出多元性、复杂性和区域性的特点。
研究方法
多元回归分析是一种统计学方法，用于研究多个自变量与因变量之间的关系。 在此研究中，我们运用多元回归分析模型，以房地产价格为因变量，以影响房地 产价格的多种因素为自变量，包括经济因素、政策因素、区位因素等，通过建立 数学方程式，对各个因素对房地产价格的影响程度和方向进行定量分析。
4、区位因素中，不同区域的房地产价格存在显著差异。一般来说，城市中 心的房地产价格高于郊区和工业区，这主要是由于城市中心的交通、教育、医疗 等配套设施较为完善，吸引了更多的购房者。
根据研究结果，我们提出以下针对房地产市场的建议和策略：
1、经济增长、利率水平等经济因素的变化，以及城市化进程和居民收入水 平的增长趋势，以便更好地把握房地产市场的发展方向。
3、区位因素：城市规模、交通便利程度、居民收入水平等区位因素对房地 产价格具有显著影响。一般情况下，城市规模越大、交通便利程度越高、居民收 入水平越高的地区，房地产价格也越高。
未来研究方向
本研究虽然取得了一定的成果，但仍存在以下限制：首先，本研究仅选取了 部分影响因素进行探讨，可能还存在其他未考虑的因素；其次，本研究的数据来 源于过去几年，未来市场环境的变化可能会影响研究结果；最后，多元回归分析 模型本身也存在一定的局限性，如无法处理非线性关系等问题。
在具体操作中，我们采用SPSS软件进行多元回归分析。首先，进行变量筛选， 选取对房地产价格影响较为显著的变量。然后，运用多元回归分析模型进行拟合， 通过系数估计、t检验、F检验等多种统计方法，检验模型的拟合效果和变量的显 著性。最后，对模型进行解释和讨论。
多元线性回归模型的案例讲解
多元线性回归模型的案例讲解案例：房价预测在房地产市场中，了解各种因素对房屋价格的影响是非常重要的。
多元线性回归模型是一种用于预测房屋价格的常用方法。
在这个案例中，我们将使用多个特征来预测房屋的价格，例如卧室数量、浴室数量、房屋面积、地段等。
1.数据收集与预处理为了构建一个准确的多元线性回归模型，我们需要收集足够的数据。
我们可以从多个渠道收集房屋销售数据，例如房地产公司的数据库或者在线平台。
数据集应包括房屋的各种特征，例如卧室数量、浴室数量、房屋面积、地段等，以及每个房屋的实际销售价格。
在数据收集过程中，我们还需要对数据进行预处理。
这包括处理缺失值、异常值和重复值，以及进行特征工程，例如归一化或标准化数值特征，将类别特征转换为二进制变量等。
2.模型构建在数据预处理完成后，我们可以开始构建多元线性回归模型。
多元线性回归模型的基本方程可以表示为：Y=β0+β1X1+β2X2+……+βnXn其中，Y表示房屋价格，X1、X2、……、Xn表示各种特征，β0、β1、β2、……、βn表示回归系数。
在建模过程中，我们需要选择合适的特征来构建模型。
可以通过统计分析或者领域知识来确定哪些特征对房价具有显著影响。
3.模型评估与验证构建多元线性回归模型后，我们需要对模型进行评估和验证。
最常用的评估指标是均方误差（Mean Squared Error）和决定系数（R-squared）。
通过计算预测值与实际值之间的误差平方和来计算均方误差。
决定系数可以衡量模型对观测值的解释程度，取值范围为0到1，越接近1表示模型越好。
4.模型应用完成模型评估与验证后，我们可以将模型应用于新的数据进行房价预测。
通过将新数据的各个特征代入模型方程，可以得到预测的房价。
除了房价预测，多元线性回归模型还可以用于其他房地产市场相关问题的分析，例如预测租金、评估土地价格等。
总结：多元线性回归模型可以在房地产市场的房价预测中发挥重要作用。
它可以利用多个特征来解释房价的变化，并提供准确的价格预测。
基于多元线性回归模型下的中国房价的影响因素分析
石河子大学本科课程论文基于多元线性回归模型下的中国房价的影响因素分析姓名组长：薛婧雯组员：吴丹妮王舒诒学号********** ********** ********** 专业班级物流管理2012级（2）班所在系商务管理系石河子大学商学院2015年6月基于多元线性回归模型下的中国房价的影响因素分析摘要：本文建立了从2000年至2013年我国房价受宏观经济因素影响的多远线性回归模型，选取3个经济指标作为方程的自变量，分别是房地产开发投资额、全国居民消费水平、商品房销售均价、国内生产总值，与全国房价进行多元线性回归模型分析，同时解决自变量之间相应产生的计量经济学问题，并对回归模型进行分析，得出方程效果良好的结论，最终得出模型的应用价值，在此基础上进一步预测房价的走势，同时给出相应的对策以及建议。
关键词：房屋销售均价国内生产总值多元回归模型对策及建议正文：一、我国房地产行业现状及特点分析我国的房地产业现如今已具有相当的规模，从九十年代房地产的建立，房地产业己成为国民经济发展的新的增长点，经历过经济危机，泡沫经济的我国，已经使房地产价格快速上涨，与此同时，人们也对房地产的泡沫现象产生了更多的疑问，房价的虚高，不但影响了房地产业的发展，更加影响了我国经济的发展，以及当今社会新经济体制的推动。
而房地产行业作为我国的国民经济的支柱产业，其改善了人民的生活，加速了我国的城镇化进程，最终促进经济增长。
但同时房地产业还存在相当多的问题, 当前房地产发展规模和增长速度存在地区差异，且房价居高不下，部分地区的商品房价上涨过快，非常不利于房市的健康发展，同时也有可能影响金融安全。
只有科学把握房地产市场的发展规律, 客观清醒地认识到现阶段房地产市场的发展现状, 这对于推动房地产市场健康发展, 促进国民经济稳步增长具有重要意义。
首先，房地产行业从事的不是建筑活动，而是经济活动，主要目的是通过建设房产来获取利润，其利润渠道很多，因此房地产的经济规模非常大，正因如此，房价依靠政府调控以便于控制市场是非常有必要的。
《金融因素对我国房地产价格影响实证分析》
《金融因素对我国房地产价格影响实证分析》一、引言随着我国经济的持续发展，房地产市场一直是我国经济的重要组成部分。
然而，近年来我国房地产价格的快速上涨引起了广泛的关注和讨论。
在这其中，金融因素起着关键的作用。
本文将基于相关理论知识和大量数据，对我国金融因素对房地产价格的影响进行实证分析。
二、文献综述过去的研究表明，金融因素如货币政策、信贷政策、利率等对房地产价格有着显著的影响。
其中，货币政策的调整往往能引发房地产市场的波动，信贷政策的松紧直接影响到购房者的贷款难易程度和贷款成本，而利率的变动则会影响购房者的贷款负担和投资者的投资回报。
三、研究方法与数据来源本研究采用实证分析方法，利用我国近年来的房地产价格数据和金融数据进行分析。
数据来源于国家统计局、央行、银监会等权威机构。
我们通过建立回归模型，运用统计软件对数据进行处理和分析。
四、实证分析1. 货币政策对房地产价格的影响我们选取了近年来的货币政策数据和房地产价格数据，通过回归分析发现，货币供应量的增加往往会导致房地产价格的上涨。
这表明，宽松的货币政策会刺激房地产市场的发展，提高购房者的购买力，从而推动房地产价格的上涨。
2. 信贷政策对房地产价格的影响信贷政策对房地产价格的影响主要体现在购房者的贷款难易程度和贷款成本上。
我们通过分析近年来的信贷政策数据和房地产价格数据，发现信贷政策的松紧与房地产价格有显著的关联性。
在信贷政策宽松的时期，房地产价格往往会出现上涨趋势；而在信贷政策收紧的时期，房地产价格则会受到一定的压制。
3. 利率对房地产价格的影响利率的变动直接影响着购房者的贷款负担和投资者的投资回报。
我们通过分析利率数据和房地产价格数据，发现利率的下降往往会导致房地产价格的上涨。
这是因为，利率下降会降低购房者的贷款负担，提高其购买力，从而推动房地产市场的需求增加，进而导致房地产价格的上涨。
五、结论与建议通过实证分析，我们可以得出以下结论：金融因素对我国房地产价格有着显著的影响。
基于多元线性回归的商品房价格影响因素实证分析
基于多元线性回归的商品房价格影响因素实证分析作者：梁晨刘枬来源：《中国住宅设施》2014年第07期摘要：依据凯恩斯理论和房地产泡沫理论，选取当年年人均收入、新增住房面积及上一年商品房价格等三个因素，利用相关分析和多元线性回归分析测度其对商品房价格的影响，找出了引起房地产价格波动的主要因素当年年人均收入，根据实证结论提出了控制房价的建议。
关键词：商品房价格，相关分析，多元线性回归，影响因素1 引言改革开放以来，我国的经济突飞猛进对城市商品房的价格产生了巨大影响，特别是进入21世纪后，伴随着商品房价格日益增长，出现了房地产投资过热。
在这种房价居高不下的形势下，国内外诸多专家学者认为我国的房地产市场已经出现价格泡沫，在房地产业对我国国民经济发展起着积极作用的大环境下，这种价格泡沫势必会对我国的经济发展造成重大影响。
为了解决这个问题，我国政府逐渐出台相关政策对房地产市场进行宏观调控。
国内关于房地产价格的影响因素研究很多，姚先国[1]等人对地价对房地产价格的影响进行研究，认为地价与房价有联系，但并不成线性关系，居民需求是推动房价上涨的主要原因。
姚大全[2]认为影响放低产价格的另一因素是土地储备，一方面土地价格影响开发成本，另一方面土地供应机制影响房屋开发总量。
黎文江[3]认为房价与GDP及人均收入挂钩具有合理性，两者是相互影响的关系。
需要注意的是，以上都是对单一因素进行了分析。
房地产的健康持续发展是市场正常运作的需要，也是经济持续发展的需要，运用统计学等理论方法对影响房价的相关因素进行实证研究是非常必要的，能够为居民消费、投资，政府调控提供依据，对维护广大人民群众利益有至关重要的作用。
影响房地产价格的因素有很多，根据影响程度找出主要因素对实行房地产价格的宏观调控有关键意义。
本文以中国统计年鉴2000-2012年相关数据作为分析样本，使用相关分析和多元线性回归分析方法，对选取的当年国民年人均收入、新增住房面积及上一年商品房价格等三个影响因素进行了研究。
利用多元回归分析法分析房价的影响因素
利用多元回归分析法分析房价的影响因素正文：现今社会，房价一直是人民关注的焦点之一。
然而，影响房价因素却不尽相同，为了更好地了解房价变动的原因，提高市场参与者的决策效果，多元回归分析法被应用于房价影响因素的研究中，并得出一定的结论。
一、研究背景房价涨跌直接关系到房地产市场的健康发展，分析房价的影响因素成为房地产市场研究的一项重要内容。
房价影响因素包括政府政策、市场供需变化、金融政策等多种因素，这些因素之间存在相互影响，难以直接判断它们对房价变动的影响程度以及权重。
为了深入了解这些因素如何影响房价变动，研究者可以利用多元回归分析法来分析。
二、多元回归分析法多元回归分析法是一种数据分析方法，可以用于分析多个自变量与一个因变量之间的关系。
其基本假设是：自变量与因变量之间存在线性关系，自变量之间相互独立且没有相互影响，误差项服从正态分布。
通过对自变量和因变量之间的关系进行量化，可以建立一个回归方程，预测因变量在不同自变量取值下的值。
三、多元回归分析法与房价研究在房价研究中，多元回归分析法常被用来研究房价与多个因素之间的关系。
例如，研究城市化水平、人口素质、地理位置、房屋建设质量等对房价的影响。
这些因素不能仅用单一因素去研究，而是要综合分析其对房价变动的影响。
常见的多元回归方程为：Y=a+b1X1+b2X2+…+bnXn+ε其中，Y表示因变量，Xi表示自变量，a表示常数，bi表示各自变量对因变量的影响系数，ε表示误差。
四、多元回归分析法实例以某城市房价为例，使用多元回归分析法，研究城市人口素质、交通状况、地理位置等因素对房价的影响。
首先，我们需要收集该城市最近五年的房价数据以及人口素质、交通状况、地理位置等相关数据。
其次，我们将数据进行预处理，处理掉缺失值和异常值。
然后将数据按一定比例分为训练集和测试集，在训练集上运行多元回归模型，然后对测试集进行预测，评估模型的精度。
最后，我们可以得出影响房价的因素及其系数，从而了解各项因素对房价变动的影响程度。
我国房地产价格影响因素的实证分析
我国房地产价格影响因素的实证分析作者：高艳云王影丽来源：《财讯》2019年第13期一、研究背景改革开放以来，中国全方位的走向世界，国内房地产市场也迈向市场国际化进程，处在更为广阔的政治、经济环境之中。
随着房地产行业的激烈竞争，我国房地产行业出现了严重的成长问题。
这些问题的存在不仅降低居民生活的幸福感，也给国民经济发展带来了重大的安全隐患。
因此研究房地产价格的影响因素，以此来促进房地产行业的健康稳定发展成为迫切的需求。
二、数据来源由于新的住房政策是从1998年开始实施的，因此本文数据选取时间为1998年-2015年共18年的历史数据。
三、实证分析（1）指标设定影响房地产价格的因素非种类很多。
有来自房地产企业本身的因素，来自消费者的因素也有来自国家的宏观因素。
本文选择住宅商品房平均销售价格（元/平方米）（Y）为被解释变量，年末总人口（万人）（X1）、商品住宅房屋竣工面积（万平方米）（X2）、居民消费价格指数（上年=100）（X3）、房地产住宅投资（亿元）（X4），全国住宅地价指数（X5）、城镇居民人均可支配收入（元）（X6）作为自变量建立分析模型。
（2）建模及模型检验1.平稳性检验为了防止回归模型的伪回归现象，有必要对数据的平稳性进行检验。
接下来以住宅商品房平均销售价格为例，检验时间序列数据的平稳性。
平方根检验结果如表1所示。
所得ADF检验统计量对应p值为0.0018，在99%的显著性水平下拒绝原假设，认为一阶差分后的时间序列是平稳的。
运用此种方法，分别对X1，X2，X3，X4，X5，X6这六个时间序列原始数据进行平稳性检验，发现原始数据都不平稳，用一阶差分的方法对这六个变量做处理后均为平稳序列，结果表明，一阶差分后序列平稳。
2.多元回归模型的构建根据一阶差分后的平稳时间序列用最小二乘法建立多元线性回归模型。
方程的拟合优度为0.71，F检验统计量所对应的p值为0.02，在显著性水平为95%的情况下认为方程是显著的。
影响全国房价的多元回归分析
影响全国房价的多元回归分析姓名：学号：班级：[摘 要]本文旨在建立我国90年代以来全国房价宏观经济影响因素的线性模型，选取4个宏观经济指标作为方程初始导入自变量，与全国房价进行初步多元线性回归模型分析，并解决了自变量之间多重共线性问题，进而修正为3个自变量与全国房价建立多元线性回归模型，并对回归模型进行分析，得出方程效果良好的结论，指出模型的应用价值。
在此基础上进一步预测房价走势，同时给出相应的对策和建议。
[关键词]宏观经济 房屋销售均价 回归模型 对策建议[引 言]房地产行业现状及特点分析房地产业作为我国的一个新兴产业，从90年代初房地产市场的建立，再到今天房地产业已具有相当的规模。
房地产业己成为国民经济发展的新的增长点，然而当前房地产价格快速上涨，使得人们对房地产的泡沫现象产生了疑虑，影响了房地产业的发展。
房地产行业作为国民经济的支柱产业对促进经济增长、推进城镇化进程、改善人民生活发挥了积极作用。
但同时也应看到, 当前房地产市场区域性、结构性问题比较突出。
科学把握房地产市场的发展规律, 客观清醒地认识房地产市场现状, 对于推动房地产市场健康发展, 促进国民经济稳步增长具有重要意义。
经过十几年的发展, 中国房地产行业正处于向规模化、品牌化、规范化运作的转型时期, 房地产业的增长方式正在由偏重速度规模向注重效益和市场细分转变，从主要靠政府调控向依靠市场和企业自身调节的方式转变。
房地产行业是典型的资金密集型行业, 具有投资大、风险高、周期久、供应链长、地域性强等特点。
随着WTO 各项有关条款的兑现和落实, 包括房地产业在内的我国经济各方面都将发生新的变化。
国民经济的持续增长和居民消费结构的提升, 为房地产业提供了高速发展的机会, 也使房地产业面对着更加激烈的竞争。
充分运用信息技术所带来的巨大生产力, 尽快提高自身的信息化应用水平和管理水平, 将成为提升房地产行业竞争力的重点。
[主 体]回归分析是一种处理变量的统计相关关系的一种数理统计方法。
基于多元线性回归模型的二手房价格影响因素分析——以成都市某区为例
河南建材201812019年第5期随着我国经济的飞速发展和城市化进程的加速，二手房的需求日益上升，二手房的价格成为人们最为关心的问题。
二手房的价格始终是一个热门社会话题，因此，许多学者针对不同地区的二手房房价进行相关研究。
王亮通过主成分分析法和多元回归函数对影响杭州市二手房房价的影响因素进行了分析[1]；潘添翼和贾德铮从宏观到微观，基于计量经济学架构模型研究上海二手房房价的影响因素[2]；丁战和孙国庆运用AHP 定量分析法剖析解读人们在选购二手房时的影响因素[3]；与传统的主观方法相比，量化分析作为更科学合理的研究手段，对城市社会中二手房房价的分析具有显著意义。
1研究目的采用数学模型研究二手房价的影响因素，从数学层面通过可量化数据反映各个因素对房价的影响情况，从而研究二手房房价受各种因素的影响程度及针对房价的变化趋势进行一定的预测。
2数据来源及研究方法2.1数据采集及预处理使用Python 程序从某网站获取截至2019年3月以来的2000余条成都市某区的二手房交易信息记录进行后续分析。
首先，对上述获取数据进行一定的预处理，去除含有极值的少数非代表性样本；其次，主要研究一般住宅方向的二手房信息，去除车位和地下室样本；最后，查验样本地成交二手房单价信息，去除发现的其他异常值。
将预处理后的数据输入模型进行分析。
2.2多元线性回归模型本研究采用线性回归模型。
在回归分析中，如果有2个或2个以上的自变量，则称为多元回归。
现实生活中，二手房的房价常常与多个因素联系紧密，因此，针对二手房房价的研究，应由多个自变量的最优组合共同进行预测或估计因变量。
3数据分析3.1变量选取二手房的价格会受到诸多因素的影响，同时，各因素对房价的影响程度也不尽相同。
学者丁战、孙国庆运用AHP 定量分析选购二手房的影响因素的结果显示，在购房者心中，按照影响因素的重要性，从大到小排序依次为:地段条件、质量、价格、产权、配套设施、历史、装修程度、楼层、物业管理、其他、邻居组合。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
一、现阶段我国房地产价格发展特点 随着房地产投资规模持续扩大，房价不断攀升，房地产市场供 给、需求不合理现象逐渐表现出来。尽管中央政府相继出台了一系 列房地产市场宏观调控措施，但房地产市场价格还是继续走高。现 阶段我国房地产价格体现出以下几个方面的特点： （一）全国范围内房价持续较快上涨 最近几年，我国房价呈不断上涨的趋势，涨价之风逐渐从大城 市刮向中小型城市。虽然有一些城市和地区的房价仍然处于较低水 平，但是可以预测，这些城市和地区的住房需求将会在今后一段时 间逐步显现出来并在一个较长时期保持增长。 （二）房地产市场供给结构不合理，高价格高空置率并存。 房地产价格上升，从内在价格规律而言是由于供不应求而引起 的，但是这种供不应求是指房地产的有效供给不足。即虽然房地产 的投资逐年增多，但是能真正满足百姓需求的房子供不应求。一般 居民对虚高的房价没有承受能力。老百姓买不起房，房屋空置率 高，价格却不下降。 （三）房地产市场消费性需求仍将继续保持较大 随着社会经济发展，人们可支配收入增加，住房需求的主体规 模不会压缩。同时，国内外房地产投资、投机、融资需求仍会继续 升温。因此，房地产市场的需求将保持旺盛势头。
二、我国房地产价格影响因素的主成分分析 （一）指标选择 本 文 通 过 对 《 中 国 统 计 年 鉴 ２００６》 中 ２００５年 度 全 国 ３ １个 省 （市）地区经济发展水平、房地产成本以及供求等方面的相关数据 进行整理，选取了地区ＧＤＰ（亿元）Ｘ１、人均住房建筑面积（平方米 ／人）Ｘ２、家庭户数（户）Ｘ３、人均可支配收入（元）Ｘ４、年末实有公 共 汽 （ 电 ） 车 辆 数 （ 辆 ） Ｘ５、 年 末 实 有 住 宅 建 筑 面 积 （ 万 平 方 米 ） Ｘ６、 房 地 产 固 定 资 产 投 资 （ 亿 元 ） Ｘ ７、 竣 工 房 屋 造 价 （ 元 ／ 平 方 米 ） Ｘ８和商品房屋平均价格（元／平方米）Ｙ等９个指标进行分析。 （二）主成分分析 １．主成分分析的前提 通过ＳＰＳＳ统计软件对原始数据进行相关分析得到相关系数矩 阵 ， 其 中 Ｘ １与Ｘ ３－Ｘ ７相 关 系 数 分 别 为 ０ ． ７ ８ ６ ， ０ ． ５ １ ９ ， ０ ． ８ ９ ４ ， ０ ． ９ ４ ２ ， ０．８９１；Ｘ７与 变 量 Ｘ１－Ｘ６之 间 的 相 关 系 数 全 都 在 ０ ． ５ 以 上 ， 分 别 为 ： ０．８９１，０．５２１，０．６１４，０．７６２，０．９１８，０．８３５；其余变量之间的相 关系数也大都在０．５以上。由此可知，所选取的８个变量之间相关性非 常高，可以提取综合指标，因此适合进行主成分分析。 ２．方差贡献率和共同度 由 于 选 择 两 个 主 成 分 会 造 成 Ｘ ２的 信 息 提 取 不 足 ， 所 以 我 们 选 择 三 个主成分，从方差贡献率表中可以看出，前三个主成分累积方差贡 献率为９４．５９７％，能够包含大部分原始变量的信 息 。 同 时 共 同 度 也 显示，选取三个主成分将会提取到变量Ｘ２的９８．８％的信息，弥补了选 择两个主成分的不足，并且选择三个主成分对其他变量信息的提取 也 有 所 增 加 ： Ｘ１为９６．０％、Ｘ３Ｘ８分别为９４．２％、９３．８％、９２．７％、 ９５．１％、９５．７％、９０．３％ ３．初始因子载荷分析 从 初 始 因 子 载 荷 分 析 可 以 看 出 Ｘ１、Ｘ５、Ｘ６、 Ｘ７即 地 区 Ｇ Ｄ Ｐ （ 亿 元）、年末实有公共汽（电）车辆数（辆）、年末实有住宅建筑面 积（万平方米）、房地产固定资产投资（亿元）的信息可称为“地区 经济发展状况和房地产供应因素”在第一个主成分Ｆ１上有较高载荷， 说明第一个主成分基本反映了这些指标的信息；而 Ｘ３、Ｘ４、Ｘ８的信息 即家庭户数（户）、人均可支配收入（元）和竣工房屋造价（元／平
·消费研究
Ｃｏｎｓｕｍｅ Ｇｕｉｄｅ ·Ｃｏｎｓｕｍｉｎｇ Ｒｅｓｅａｒｃｈ
我国房地产价格影响因素的多元回归模型分析
■ 张丽 尹皓 四川大学公共管理学院
［摘 要］从９０年代初我国房地产市场的建立至今，房地产业已成为有关国计民生的基础行业，但最近几年我国大部分城市和地区房价持续上 涨，远远超过了普通居民的承受能力。本文在对相关数据进行主成分分析和多元回归分析的基础上分析了影响我国房地产价格上涨的主要因 素。 ［关键词］房地产价格 多元回归 主成分分析 影响因素
三、多元回归分析 由于主成分只是原始变量的线性组合，而不能解释单个变量的 属性作用。只能找出可能的影响因素，因此我们还必须对其进行回 归分析。 回归分析结果
根据上表，列出回归方程表达式： Ｙ＝０．５４９ Ｆ１＋０．７８１ Ｆ２＋０．０５３ Ｆ ３ 从 表 达 式 可 以 看 出 ： Ｆ１和Ｆ２对因变量Ｙ的影响远远大于Ｆ３， 就 是 说因变量Ｙ（商品房屋平均价格）主要是受Ｆ１（地区经济发展状况和 房 地 产 供 应 因 素 ） 和 Ｆ２（ 房 地 产 成 本 和 需 求 因 素 ） 共 同 影 响 ， 而 受 Ｆ２（房地产成本和需求因素）的影响最大。但这只是对房地产价格影 响因素的量化分析。同时我们还应看到以下几个不能量化的方面： 第一，地方政府出于自身利益不是很主动去落实国家调整房价 的政策，从而纵容房价飙升。第二，消费升级与消费文化的转变也 促进了房地产价格的上涨。第三，消费者心理预期偏高、炒房行为 已经成为了影响房地产价格的重要因素，许多人争相涉足房地产进 行投资，使得房价呈现“虚高”现象，房地产市场充斥着大量泡 沫。
参考文献 ［１］罗云毅，程选，刘琳。对当前房地产市场形势的几点分析和建议［Ｊ］中国经 贸导刊，２００８ ［２］桑玉杰。回归分析在房地产市场方面的应用［Ｊ］沈阳航空工业学院学报 ２００３．６
１产成本和需求因素”则在第二个主 成分Ｆ２中有较高载荷；第三个主成分Ｆ３主要包含了Ｘ２人均住房面积的 信息。
４．主成分得分系数矩阵 通过主成分得分系数矩阵列出各个主成分的表达式： 第一主成分： Ｆ１＝０．１８８Ｘ１＋０．１１４Ｘ２ ＋０．１４６Ｘ３ ＋０．１３３Ｘ４ ＋０．１８５ Ｘ５ ＋０．１８４ Ｘ６＋０．１９２ Ｘ７＋０．０７５ Ｘ ８ 第二主成分： Ｆ２＝ － ０ ． ０ ６ ７ Ｘ１ －０．１６９ Ｘ２ －０．３４４ Ｘ３＋０．３７１ Ｘ４＋０．０５２ Ｘ５－ ０．１５６ Ｘ６＋０．０８０ Ｘ７＋０．４８５ Ｘ ８ 第三个主成分： Ｆ３＝ ―０．２８８ Ｘ１＋ １ ． ０３９ Ｘ２― ０．１７１ Ｘ３＋０．２８８ Ｘ４― ０．２８９ Ｘ５－ ０．１４９ Ｘ６＋０．０３２ Ｘ７―０．０４１ Ｘ８ 在 第 一 主 成 分 的 表 达 式 中 ， Ｘ７、Ｘ１、Ｘ５、Ｘ６四 项 指 标 的 系 数 较 大，我们把他综合为地区经济发展状况和房地产供应因素对房地产 价格的影响。 在第二个主成分表达式中，指标Ｘ８、Ｘ３、Ｘ ４的影响最大，可将其 综合为房地产成本和需求因素对房地产价格的影响。 在第三个主成分表达式中，指标Ｘ２的影响最大，单独看成是人均 住房面积（平方米／人）的影响。