1、计量经济学论文房价的计量经济分析引言：近改革开放 30 多年来，从来没有哪一个行业像房地产业这样盛产亿万富翁，各种富豪排行榜上，房地产富豪连年占据半壁江山；“中国十大暴利行业”中，房地产业每年都是“第一名” 。是什么造就了这样的状况。房地产的问题，在开发商，政府，购房者三者来看，就是一场完完全全的博弈。而这场博弈的焦点则是房价问题。如果说开发商与政府之间的博弈是围绕“土地”这个关键词，那么整个房地产市场则在价格上开展了新一轮的对峙。先是开发商与购房者在房价涨跌上僵持不下；再有开发商与政府之间的土地成本论；最后则是关于房地产是否归为暴利行业的争执，“价格”成了市场关注的焦点。而对于房价的构成因素
2、，至今仍然是不透明的。公布房价成本成为另政府极为头疼的一件事。房价成本是一个非常复杂的集合体，并且项目间差异性较大，同时还有软资产、品牌等组成部分，特别是现在的商品房，追求品质、功能完善以及个性化成本构成越来越难衡量。 写作目的：通过对一系列影响房价的基本因素的分析，了解对其主要因素和次要因素。并对这些因素进行统计推断和经济意义上的检验。选择拟和效果最好的最为结论。在一定层面上分析房地产如此暴利的因素。当然笔者的能力有限，并不能全面的分析这一问题。仅仅就几个因素进行分析。写作方法：理论分析及计量分析方法，将会用到 Eviews 软件进行帮助分析。关键词：房价成本 计量假设检验 最小二乘法 拟合
3、优度 现在我们以2012年的数据，选取30个省市的数据为例进行分析。在Eviews软件中选择建立截面数据。现在我们以2012年的数据，选取31个省市的数据为例进行分析。令Y=各地区建筑业总产值。（万元）X1=各地区房屋竣工面积。（万平方米）X2=各地区建筑业企业从业人员。（人）X3=各地区建筑业劳动生产率。（元/人）X4=各地区人均住宅面积。（平方米）X5=各地区人均可支配收入。（元）数据如下：Y X1 X3 X2 X4 X512698521 4254.800 569767.0 129961.0 24.77140 13882.625208402. 1465.800 238957.0 14706
4、3.0 23.09570 10312.917799313. 4748.300 989317.0 70048.00 23.16710 7239.0605401279. 1313.300 591276.0 89151.00 22.99680 7005.0302576575. 1450.700 265953.0 61074.00 20.05310 7012.90010170794 3957.100 966790.0 82496.00 20.23510 7240.5803469281. 1626.800 303837.0 77486.00 20.70590 7005.1704401878. 2181.
5、300 441518.0 68033.00 20.49200 6678.90011958034 3609.200 505185.0 153910.0 29.34530 14867.4927949354 17730.00 2727006. 100569.0 24.43530 9262.46031272779 16183.90 2429352. 127430.0 31.02330 13179.536227073. 4017.600 910691.0 66407.00 20.75480 6778.0305493441. 2952.100 553611.0 108288.0 30.29870 9999
6、.5403593356. 2750.900 574705.0 70826.00 22.61980 6901.42014813618 9139.800 2072530. 60728.00 24.48080 8399.9106345217. 3433.600 932901.0 66056.00 20.20090 6926.1208729958. 4840.800 1048763. 81761.00 22.90280 7321.9808188402. 4969.700 1119106. 74553.00 24.42580 7674.20015163242 8105.000 1492820. 1019
7、32.0 24.93280 12380.432818466. 1721.600 353700.0 77472.00 24.17320 7785.040394053.0 121.5000 61210.00 55361.00 23.43200 7259.2505862095. 4939.600 817997.0 69432.00 25.72440 8093.67012253374 8784.600 2070534. 59748.00 26.35850 7041.8702122907. 980.3000 293310.0 72152.00 18.19430 6569.2303967957. 2248
8、.700 522470.0 69238.00 24.92940 7643.570293427.0 121.3000 36593.00 73205.00 19.92990 8765.4504404362. 1580.000 410311.0 93212.00 21.75050 6806.3502236860. 1327.200 449409.0 46857.00 21.11380 6657.240747325.0 242.9000 101501.0 61046.00 19.10550 6745.3201080546. 578.7000 88225.00 61459.00 22.25500 653
9、0.4803196774. 1450.800 203375.0 95835.00 20.78110 7173.540做多重共线性检验：引入的变量太多，可能存在变量间的共线性，影响方程的估计。首先进行做多重共线性检验可以减少变量使后面的分析变得简洁。X1 X2 X3 X4 X5 YX1 10.9608709909074460.2713751927607750.5386972790690410.4183068002953290.961473842608042X20.960870990907446 10.1250293750973190.477885891518730.279850623344358
10、0.898672551511606X30.2713751927607750.125029375097319 10.5408809599699260.836240848942410.467710383760092X40.5386972790690410.477885891518730.540880959969926 10.686512808507740.589777148826127X50.4183068002953290.2798506233443580.836240848942410.68651280850774 10.58982338526214Y0.9614738426080420.89
11、86725515116060.4677103837600920.5897771488261270.58982338526214 1可以看出有多重共线性。采取逐步回归法：第一次回归，我们可以根据 T 检验值和可决系数看出：X1 的效果最好：Dependent Variable: YMethod: Least SquaresDate:9/9/13 Time: 17:37Sample (adjusted): 1 31Included observations: 31 after adjustmentsVariable Coefficient Std. Error t-Statistic Prob.
12、X1 1651.403 87.67703 18.83508 0.0000C 903234.0 502408.2 1.797809 0.0826R-squared 0.924432 Mean dependent var 7446408.Adjusted R-squared 0.921826 S.D. dependent var 7227629.S.E. of regression 2020815. Akaike info criterion 31.93824Sum squared resid 1.18E+14 Schwarz criterion 32.03076Log likelihood -4
13、93.0427 F-statistic 354.7601Durbin-Watson stat 1.930762 Prob(F-statistic) 0.000000而 X1 于 X2 存在严重自相关，所以引入第二个变量时将 X2 排除。通过比较发现引入 X3 时，拟合优度最大，所以加入 X3Dependent Variable: YMethod: Least SquaresDate:9/9/13 Time: 17:40Sample (adjusted): 1 31Included observations: 31 after adjustmentsVariable Coefficient St
14、d. Error t-Statistic Prob. X1 1547.354 57.83197 26.75604 0.0000X3 60.57577 9.136899 6.629795 0.0000C -3711880. 765709.2 -4.847637 0.0000R-squared 0.970594 Mean dependent var 7446408.Adjusted R-squared 0.968493 S.D. dependent var 7227629.S.E. of regression 1282914. Akaike info criterion 31.05893Sum s
15、quared resid 4.61E+13 Schwarz criterion 31.19771Log likelihood -478.4134 F-statistic 462.0886Durbin-Watson stat 2.098685 Prob(F-statistic) 0.000000X3 与 X5 也存在严重共线性，在引入第三个变量时同时排除 X5，那只能引入 X4 了Dependent Variable: YMethod: Least SquaresDate:9/9/13 Time: 17:47Sample (adjusted): 1 31Included observations
16、: 31 after adjustmentsVariable Coefficient Std. Error t-Statistic Prob. X1 1569.186 66.74467 23.51029 0.0000X3 64.04945 10.56258 6.063810 0.0000X4 -69455.16 102797.7 -0.675649 0.5050C -2476469. 1985261. -1.247428 0.2230R-squared 0.971083 Mean dependent var 7446408.Adjusted R-squared 0.967870 S.D. de
17、pendent var 7227629.S.E. of regression 1295550. Akaike info criterion 31.10668Sum squared resid 4.53E+13 Schwarz criterion 31.29171Log likelihood -478.1536 F-statistic 302.2316Durbin-Watson stat 2.298423 Prob(F-statistic) 0.000000但是引入后通过 T 检验 X4 不显著，同时常数项 C 也变得不显著，且拟合度没有显著提高。所以剔除 X4。通过该检验最终模型为：Y = 1
18、547.354325*X1 + 60.57576644*X3 - 3711880.158T= 26.75604 6.629795 -4.847637R-squared 0.970594Durbin-Watson stat 2.098685以上指标都显示拟合得很好。异方差检验White Heteroskedasticity Test:F-statistic 1.742532 Probability 0.161697Obs*R-squared 8.011602 Probability 0.155597Test Equation:F-statistic 354.7601Dependent Varia
19、ble: RESID2Method: Least SquaresDate:9/9/13 Time: 18:05Sample: 1 31Included observations: 31Variable Coefficient Std. Error t-Statistic Prob. C -3.19E+12 4.46E+12 -0.715855 0.4807X1 1.15E+08 3.54E+08 0.324915 0.7479X12 3913.004 20466.63 0.191189 0.8499X1*X3 -756.3089 4598.986 -0.164451 0.8707X3 6942
20、5884 95290300 0.728572 0.4730X32 -184.1939 462.0769 -0.398622 0.6936R-squared 0.258439 Mean dependent var 1.49E+12Adjusted R-squared 0.110127 S.D. dependent var 2.04E+12S.E. of regression 1.92E+12 Akaike info criterion 59.58019Sum squared resid 9.25E+25 Schwarz criterion 59.85774Log likelihood -917.
21、4929 F-statistic 1.742532Durbin-Watson stat 2.029951 Prob(F-statistic) 0.161697从结果来看应该勉强是不存在异方差的，但是同方差的概率有点小，不能让人信服。而通过残差图发现残差没有很明显的波动、X-Y 的图也较符合线性关系即模型设定没多大问题、且从White Heteroskedasticity Test 中各变量的系数也十分不显著不能判别残差是否与解释变量有关。没办法，只能用加权最小二乘法进行修正。异方差修正-加权最小二乘法 Dependent Variable: YMethod: Least SquaresDate
22、:9/9/13 Time: 18:13Sample (adjusted): 1 31Included observations: 31 after adjustmentsWeighting series: 1/ABS(RESID)Variable Coefficient Std. Error t-Statistic Prob. X1 1543.812 4.266721 361.8262 0.0000X3 60.88221 0.925212 65.80354 0.0000C -3721097. 59118.40 -62.94314 0.0000Weighted StatisticsR-squar
23、ed 0.999999 Mean dependent var 7466651.Adjusted R-squared 0.999999 S.D. dependent var 34381715S.E. of regression 29817.20 Akaike info criterion 23.53532Sum squared resid 2.49E+10 Schwarz criterion 23.67410Log likelihood -361.7975 F-statistic 310479.3Durbin-Watson stat 2.158638 Prob(F-statistic) 0.00
24、0000Unweighted StatisticsR-squared 0.970589 Mean dependent var 7446408.Adjusted R-squared 0.968489 S.D. dependent var 7227629.S.E. of regression 1283009. Sum squared resid 4.61E+13Durbin-Watson stat 2.099900通过修正以后拟合度有所提高，且通过再次异方差检验通过了。自相关检验Breusch-Godfrey Serial Correlation LM Test:Obs*R-squared 0.5
25、05922 Probability 0.776498Test Equation:Dependent Variable: RESIDMethod: Least SquaresDate:9/9/13 Time: 18:26Presample missing value lagged residuals set to zero.Variable Coefficient Std. Error t-Statistic Prob. X1 -6.778035 62.81436 -0.107906 0.9149X3 1.259666 9.707542 0.129762 0.8978C -73457.01 80
26、0910.8 -0.091717 0.9276RESID(-1) -0.125006 0.210750 -0.593147 0.5582RESID(-2) -0.067821 0.201592 -0.336425 0.7393R-squared 0.016320 Mean dependent var -2178.743Adjusted R-squared -0.135015 S.D. dependent var 1239503.S.E. of regression 1320530. Akaike info criterion 31.17165Sum squared resid 4.53E+13
27、 Schwarz criterion 31.40294Log likelihood -478.1606 F-statistic 0.107840Durbin-Watson stat 1.862550 Prob(F-statistic) 0.978723从结果看自相关检验也通过，模型不存在自相关。综上最后的出模型为Y = 1543.81157*X1 + 60.8822121*X3 - 3721097.247结论：我们总认为房产总价值与许多成分有关，其实在最后我们看到并不是这样。但现实中房价成本具有相当大的难度。不管是资金成本很难简单地以招拍挂价格进行测算，还是融资成本比较难核算。而且房地产的利润要以综合成本衡量。种种原因构成了房价成本确定的难度。而房产行业的暴利，开发商的暴利是来源于开发商的阶层优越感和特殊占有地位，而与之相对的是老百姓的阶层卑微感和相对剥削感。房地产业的暴利如果继续维持，考验的不仅是中国经济的稳定，更是老百姓忍耐的限度。而且这种房产的暴利行为导致了从2012年开始的通货膨胀，并造成了中国越来越大的金融风险。我国房价的公开将会采取怎么样的方式，笔者将和大家一起拭目以待。
