成都市05年度住宅市场定价模型摘 要：本文通过计量统计的方法，将住宅价格的形成视作是其自身各方面属性综合作用的结果，并通过对成都市住宅市场2005年4月的楼盘公开信息数据建立基于成都住宅市场的房价模型，分析影响其价格的主要因素。关键词：逐步回归，显著性水平,SAS一、 引言“安居乐业”有史以来就是衡量社会福利的指标之一，不同国度、不同历史时期皆然如此。尤其在中国这样一个儒学底蕴深厚的国家，“寄身之所”的重要性关乎社会、经济、文化的方方面面。早在千余年前，就有“安得广厦千万间”的疾呼，而今，如火如荼的房产市场更是引来社会各界的关注。介于此，我们意图通过计量统计所学，为房价（成都房产市场）这一敏感话题建立模型，揭开隐于其后的影响因素。二、计量经济模型通过考察，我们在诸多可能影响房价的因素中选取以下九个作为住宅均价的解释变量，并对区位、厨卫装修、周边环境、环境进行评分，详见下表：代码因素评分标准分值备注x1区位一环以内(河内)5一环以内4一二环间3二三环间2三环以外1郊区0.5x2绿化率x3容积率等于总建筑面积与用地面积的比率x4占地面积x5室x6厅x7卫厨卫装修标准精装修3初装修2清水房1x8周边环境有大型商场,超市2累加有大学、小学、中学、幼儿园2交通便利与否2运动设施2x9户型多层27层及其以下,无电梯小高层1.5y高层17层以上的电梯公寓（一）模型的建立：首先我们假定模型为线性形式:即使用eviews对该模型进行回归分析（原始数据参见附件一）Dependent Variable: YMethod: Least SquaresDate: 07/06/05 Time: 15:49Sample: 1 46Included observations: 46VariableCoefficientStd. Errort-StatisticProb. X1330.3166158.94512.0781810.0449X235.7124018.361931.9449150.0596X3270.5117200.50991.3491190.1857X4-0.1459410.618733-0.2358710.8149X5-75.59086209.5936-0.3606540.7205X6-201.6988314.9935-0.6403270.5260X7406.5982350.68531.1594390.2539X8555.8820129.37934.2965310.0001X9636.7978429.48781.4826910.1469C-2332.0101320.955-1.7653960.0860R-squared0.783368 Mean dependent var3184.696Adjusted R-squared0.729209 S.D. dependent var1440.707S.E. of regression749.7082 Akaike info criterion16.26691Sum squared resid20234248 Schwarz criterion16.66444Log likelihood-364.1388 F-statistic14.46446Durbin-Watson stat1.097759 Prob(F-statistic)0.000000回归结果见上表，发现t统计量的p值明显大于0.05，无法通过检验，修正R2=0.729209较高，F值显著大于临界值0.05，我们认定模型中存在多重共线；与此同时，DW的值1.097759在0.01显著性水平下落入无法判定区域（0.927 1.834）。鉴于回归结果不太理想，我们决定将模型进行对数变化。对数变换后模型中参数可以看作Y相对于X的百分比变化，可以降低数据中因为评分的人为因素造成的不利影响，而且还可以减少异方差的影响。即原表达式变化为：根据新的对数模型，我们采取逐步回归的方式不断的减少解释变量个数寻求最佳的log(y)表达式，即当模型中有i（i9、8、7.）个解释变量时，我们从个模型中选取F统计量的p值最优的一个，直至达到理想效果时（即F统计量的p值小于给定的临界值）停止减少变量。我们将这个F的p值取为0.05，应用统计软件SAS，我们可以直接得到逐步回归的最优结果，如下：Step 1 当引入九个解释变量时的回归结果： VariableCoefficientErrorSum of SquaresFProbFc4.870083880.861217541.5197691231.980.0001LOGX10.571785640.089300261.9484601941.000.0001LOGX20.747594780.232611170.4909099610.330.0028LOGX30.006137600.155745480.000073810.000.9688LOGX40.038679100.043761930.037127030.780.3826LOGX50.044340810.144569850.004470770.090.7608LOGX6-0.103417070.190909930.013946260.290.5914LOGX7-0.045819030.159050780.003944120.080.7749LOGX80.062661310.129374750.011148860.230.6311LOGX90.119580310.173489300.022578980.480.4951显然，LOGX3、LOGX4LOGX9的回归结果皆不尽如人意，其F的p值大于0.05。该模型达不到要求。因此，我们改用8个变量回归，并在个回归结果中选出最优的一个（即下表）。有必要说明，这一选择过程由SAS软件完成，依据的标准已事先在程序内部设定。同理，以下7步皆照此处理，不再赘述。Step 2 引入8个解释变量的回归结果VariableCoefficientErrorSumofSquaresFProbFC4.879325000.817419621.6477045935.630.0001LOGX10.573466450.077390362.5391731954.910.0001LOGX20.747036700.229025560.4920009510.640.0024LOGX40.037857210.037949830.046017981.000.3250LOGX50.044570360.142490090.004524520.100.7562LOGX6-0.100720910.175808330.015177850.330.5702LOGX7-0.046032750.156798870.003985640.090.7707LOGX80.062770690.127587840.011192970.240.6256LOGX90.116094800.147222730.028755820.620.4354 Step 3 引入7个解释变量的回归结果VariableCoefficientErrorSumofSquaresFProbFC4.973617890.742581912.0245787544.860.0001LOGX10.567445550.073720742.6739146759.250.0001LOGX20.722978070.211274940.5284852011.710.0015LOGX40.036304480.037124860.043158790.960.3343LOGX50.017714620.107927390.001215850.030.8705LOGX6-0.101225970.173673260.015331920.340.5634LOGX80.066887400.125280850.012864640.290.5965LOGX90.114774510.145373900.028131740.620.4347 Step 4 引入6个解释变量的回归结果VariableCoefficientErrorSumofSquaresFProbFC4.979670320.732354972.0345260946.230.0001LOGX10.569597770.071634492.7822591663.230.0001LOGX20.721163610.208336840.5272794211.980.0013LOGX40.038203050.034834000.052929131.200.2795LOGX6-0.086142090.145516500.015420970.350.5573LOGX80.061697460.119703010.011690410.270.6092LOGX90.122058090.136697530.035084650.800.3774Step 5 引入5个解释变量的回归结果VariablecoefficientErrorSumofSquaresFProbFC4.951270820.723544812.0228363446.830.0001Logx10.598675830.043737258.09354515187.360.0001Logx20.746880040.200408810.5999656013.890