计量经济学论文

课程论文题目基于stata10.0软件的江苏房地产销售价格研究院系经管院专业市场营销学生姓名李书洪学号20091333025指导教师张三丰二零一二年十二月二十六日基于stata10.0软件的江苏房地产销售价格研究李书洪南京信息工程大学市场营销系，南京210044摘要：运用stata10.0软件建立江苏地区的房地产销售价格多远回归模型，通过此模型分析商品房价格与各因素之间的关系，并结合实际情况分析他们之间相关关系的合理性，从而确定模型的准确性。关键词：stata10.0软件多元回归模型回归模型系数分析一、绪论1.1研究意义根据宏微观经济学理论来分析，一个产品的价格一般是由供给需求以及一些其他的经济杠杆来决定的，房地产作为一种产品也不例外。在中国国内经济越来越来迅速发展的情况下，农村城镇化水平得到日益的提高，人们有更多的钱来过上更加舒适的生活了，而人们消费中最重要的消费就是买房了。为了更好的、科学的、客观的分析一个地区商品房市场价格发展动态，为了给人们提供更为精准的数据依据，并能够通过数据进行更为有力的预测，本文将以江苏省地区历年来的房地产相关数据为参照，通过使用stata10.0软件进行相关分析研究，从而建立一个商品房价格计量经济学多元回归模型。通过这几年来商品房的价格走势以及人们对商品房的关注程度可以看出，这个模型对于关注商品房走势的人们来说是极具价值的，因为他们不仅可以通过这个模型来了解商品房价格影响的相关因素，而且可以通过这个模型预测未来几年内商品房价格的走向。1.2研究内容首先，本文选择了与商品房价格紧密相关的三个因素：商品房竣工面积、商品房销售面积、房地产开发投资额来对商品房价格做分析研究。然后从中国数据统计年鉴上，收集这三个因素以及商品房价格1995年至2012年的统计数据。将收集的数据进行初步处理后，打开stata10.0，将处理好的的数据录入stata10.0软件。通过stata10.0软件进行相关分析研究，并对研究的结果结合因素分析研究。1.3文献综述孙玉环[1]（2011）曾以大连市商品住宅市场海量交易数据为基础，确定22项影响住宅价格的特征变量并据此构建了大连市商品住宅特征价格模型。国家统计局深圳调查队“房地产价格统计研究”课题组[2](2011)通过理清国内房地产价格统计工作现状并分析存在难点及问题的基础上，探讨出准确反映新建商品房销售价格水平的思路。段忠东和曾令华[3]（2010）通过借鉴西方经济理论与研究方法，对我国的房地产价格决定中宏观基本面的作用进行了研究。喻坦兰和李峰[4]（2010）通过对房地产价格与通货膨胀的互动关系的研究，提出了稳定房地产市场的对策建议。杨帆[5]（2011）以35个大中城市房地产市场数据为研究对象，通过运用面板数据分析法，总结出较高的投资超额收益率和房地产资金来源虚拟化对住房的价格影响比较明显的结论。以上的文献都从不同角度运用不同的研究方法对房价水平进行了深入的分析。但是这些研究的结果大多是从文字角度去总结的，本文将致力于建立一个多言回归模型来反应价格水平与影响因素之间的关系。二、计量经济学多远回归模型2.1数据录入以下数据是从中国数据统计年鉴上收集的初始数据(图1)：图1江苏省商品房平均销售价格(万元/万平方米)商品房竣工面积(万平方米)商品房销售面积(万平方米)房地产开发投资额(亿元)1995年798.31240.851996年856.13232.621997年1069.75241.551998年1589.381321.4300.241999年15842164.9281500.63330.552000年16432143.2171740.93358.722001年18012341.9011904.16414.362002年19252696.6912321.85544.132003年21973120.2332721.57809.962004年26513906.3263178.911269.782005年33595500.1215135.551545.152006年35925933.5136101.151906.712007年40246340.7517598.352515.912008年40498265.535412.263064.462009年49838442.80310248.23338.52010年58418696.39485.474301.92011年6554.4158448.27970.4915567.94从上面的数据可以看出1995年至1998年有些数据缺失了，所以本文选取1999年至2011年的数据做分析，并令商品房销售价格为y，影响因素分别为x1,x2,x3（图2）：图2yx1x2x319991.58421.64915.001330.5520001.64321.43217.409358.7220011.80123.41919.041414.3620021.92526.96723.218544.1320032.19731.20227.216809.9620042.65139.06331.7891269.7820053.35955.00151.3551545.1520063.59259.33561.0111906.7120074.02463.40875.9832515.9120084.04982.6554.1233064.4620094.98384.428102.4823338.520105.84186.96394.8554301.920116.55484.48279.7055567.94打开stata10.0软件，选择工具栏DataEditor，将数据复制到DataEditor窗口里后关闭DataEditor窗口。2.2建立模型在stata10.0软件右下command处输入指令regyx1x2x3后回车。得出如下数据（图3）：图3_cons1.258019.122086710.300.000.98183971.534198x3.0007805.000069511.220.000.0006232.0009377x2.0150411.00384233.910.004.0063491.0237331x1-.0032984.006012-0.550.597-.0168985.0103018yCoef.Std.Err.tP|t|[95%Conf.Interval]Total32.3867474122.69889562RootMSE=.14612AdjR-squared=0.9921Residual.1921576129.021350846R-squared=0.9941Model32.1945898310.7315299ProbF=0.0000F(3,9)=502.63SourceSSdfMSNumberofobs=13从上面得出的数据可以看出，关于x1x2x3的多元回归模型的系数分别为b1=-0.032984,b2=0.150411,b3=0.00007805,从而建立的多远回归模型为:^y=-0.032984x1+0.150411x2+0.00007805x3+1.2580192.3多远回归模型建立2.3.1初始模型建立在得出以上模型后，在stata10.0软件右下command栏处输入predictnew指令，得出以下y的估计值与实际值得对照表（图4）：图4yy119991.5841.67022420001.6431.72914520011.8011.79056220021.9251.94296620032.1972.19660120042.6512.59832620053.3593.05496520063.5923.46808920074.0244.15530420084.0494.19115920094.9835.12654320105.8415.75535620116.5546.523758在stata10.0软件右下command栏处输入predicte,resid指令，得出实际值与估计值得残差，然后再输入tabstate,stats(sd)指令，得出残差的标准差为0.126543，残差值相对来说很高，说明这些数据里面有一些数据对于回归模型的影响较大，要想得出具有准确性的模型，就需要移除这些异常数据从新建立模型。2.3.2模型修正在stata10.0软件右下command栏处输入predictnew，cooksd指令，得出以下数据（图5）：图5var6yx1x2x3y1enew19991.58421.64915.001330.551.670224-0.08622440.026550520001.64321.43217.409358.721.729145-0.08614460.026895620011.80123.41919.041414.361.7905620.01043760.000341720021.92526.96723.218544.131.942966-0.01796650.000815120032.19731.20227.216809.962.1966010.00039883.23E-0720042.65139.06331.7891269.782.5983260.05267430.004523820053.35955.00151.3551545.153.0549650.30403510.254379520063.59259.33561.0111906.713.4680890.12391130.036714720074.02463.40875.9832515.914.155304-0.13130420.076408820084.04982.6554.1233064.464.191159-0.142159614.1697920094.98384.428102.4823338.55.126543-0.14354340.436948520105.84186.96394.8554301.95.7553560.08564360.043320620116.55484.48279.7055567.946.5237580.03024190.4598147从以上数据可以看出，其中2005、2008、2009以及2011年的得出的数据对于模型的影响程度很大，影响程度越大的观测，越有可能存在异常，从而导致模型的准确度降低。所以舍去这三个异常的观测，重新建立模型。在将2005、2008、2009、2011年数据移除后再重复以上的操作，得出以下数据（图6）：图6_cons.885103.09977378.870.000.62862661.141579x3.0006675.00007648.730.000.0004711.000864x2-.0024015.0044705-0.540.614-.0138933.0090902x1.0263975.00748653.530.017.0071529.045642yCoef.Std.Err.tP|t|[95%Conf.Interval]Total16.339489282.04243615RootMSE=.0473AdjR-squared=0.9989Residual.0111867735.002237355R-squared=0.9993Model16.328302435.44276747ProbF=0.0000F(3,5)=2432.68SourceSSdfMSNumberofobs=9再次计算实际值与估计值之间残差的比准差为0.0373945，相对来说已经很小了，所以此模型为^y=0.0263975x1-0.0024015x2+0.0006675x3+0.885103.三、模型研究3.1模型系数分析从商品房销售价格的影响因素：商品房竣工面积、商品房销售面积、房地产开发投资额的回归系数可以看出，当商品房竣工的面积越多，商品房的销售面积越少，房地产上投资的越多，房价就越高，这中分析结果出乎我的猜想，因为