大數(shù)據(jù)時(shí)代房地產(chǎn)價(jià)格預(yù)測(cè)模型的研究

徐穎 黃素珍

摘 要：大數(shù)據(jù)時(shí)代推動(dòng)了房地產(chǎn)市場(chǎng)思維方式、管理方式和商業(yè)模式的變革。本文利用百度搜索數(shù)據(jù)，以江蘇省南京市為例建立了新建住宅銷售價(jià)格指數(shù)的多元線性回歸、完全二次多項(xiàng)式回歸和逐步回歸模型，仿真結(jié)果表明，逐步回歸模型預(yù)測(cè)精度高，穩(wěn)定性好。

關(guān)鍵詞：大數(shù)據(jù) 百度指數(shù) 新房?jī)r(jià)格 逐步回歸模型

中圖分類號(hào)：F726 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-0298（2017）02（a）-134-04

1 引言

2016年12月中旬，中央經(jīng)濟(jì)工作會(huì)議提出，要堅(jiān)持“房子是用來(lái)住的，不是用來(lái)炒的”的定位，要求回歸住房居住屬性。住房?jī)r(jià)格高居民承受能力低，居住水平和居住質(zhì)量會(huì)由此下降；反之住房?jī)r(jià)格水平低，能增強(qiáng)居民的購(gòu)房能力，相應(yīng)提高居民的居住水平和居住質(zhì)量。因此，住房?jī)r(jià)格的高低成為關(guān)系到居民切身利益的重大經(jīng)濟(jì)問(wèn)題和社會(huì)問(wèn)題。

影響房地產(chǎn)價(jià)格的因素有很多，如果把所有可能影響的因素全部考慮進(jìn)去，所建立起來(lái)的回歸方程卻不一定是最好的。首先由于自變量過(guò)多，使用不便，而且在回歸方程中引入無(wú)意義的量，會(huì)使誤差方差的估計(jì)值增大，降低預(yù)測(cè)的精確性及回歸方程的穩(wěn)定性。另一方面，通常希望回歸方程中包含的變量盡可能多一些，特別是對(duì)房?jī)r(jià)有顯著影響的自變量，這樣會(huì)減小誤差方差的估計(jì)值，從而提高預(yù)測(cè)的精度。

本文嘗試?yán)冒俣纫嫣峁┑挠绊懛績(jī)r(jià)的因素搜索指數(shù)，建立新建住宅銷售價(jià)格指數(shù)和二手住宅銷售價(jià)格指數(shù)的多元線性回歸、完全二次多項(xiàng)式回歸和逐步回歸模型，仿真結(jié)果表明，逐步回歸模型預(yù)測(cè)精度高，穩(wěn)定性好。

2 房?jī)r(jià)預(yù)測(cè)模型構(gòu)建

3 數(shù)據(jù)的獲取與處理

因變量分別是新建商品住宅銷售價(jià)格指數(shù)。采用2014年1月～2016年8月共32個(gè)月的月度同比數(shù)據(jù)，來(lái)源于國(guó)家統(tǒng)計(jì)局網(wǎng)站。

解釋變量是與新房?jī)r(jià)格相關(guān)的某些關(guān)鍵詞的網(wǎng)絡(luò)搜索指數(shù)。根據(jù)董倩等在文中的方法[2]，對(duì)于新房?jī)r(jià)格預(yù)測(cè)，最終選取了8個(gè)關(guān)鍵詞，分別是房?jī)r(jià)走勢(shì)、房源、裝修、房產(chǎn)網(wǎng)、公積金、房貸利率、新樓盤、保障房。

為了與因變量保持一致，我們對(duì)所有關(guān)鍵詞的搜索指數(shù)做如下處理：首先將根據(jù)日搜索指數(shù)計(jì)算月度平均搜索指數(shù)，然后將月度平均搜索指數(shù)轉(zhuǎn)換為同比數(shù)據(jù)，最終得到所有關(guān)鍵詞從2014年1月到2016年8月的月度同比數(shù)據(jù)。

最后將因變量和解釋變量的月度同比數(shù)據(jù)先加1再取對(duì)數(shù)。

4 仿真分析

本文采用matlab技術(shù)，以南京市為例建立和分析新房?jī)r(jià)格預(yù)測(cè)模型。

4.1 可視化相關(guān)性分析

對(duì)表1中的數(shù)據(jù)按照上述方法進(jìn)行數(shù)據(jù)處理，并在matlab中讀入處理后的數(shù)據(jù)，建立因變量矩陣和解釋變量矩陣，計(jì)算變量間的相關(guān)系數(shù)矩陣R和線性相關(guān)性檢驗(yàn)的P值矩陣P，繪制相關(guān)系數(shù)矩陣圖如圖1。

4.2 多元線性回歸

第一步，模型的建立。

從圖3可以看出，殘差基本服從正態(tài)分布。

第五步，模型改進(jìn)。

4.4 擬合效果圖

上面調(diào)用fi t函數(shù)作了8元線性回歸擬合、6元線性回歸擬合和完全二次多項(xiàng)式擬合，得出了3個(gè)經(jīng)驗(yàn)回歸方程⑻⑼⑽。擬合效果圖如圖4所示。

單純從擬合的準(zhǔn)確性來(lái)看，完全二次多項(xiàng)式回歸擬合的擬合效果較好，8元和6元線性回歸擬合的擬合效果差不多，相對(duì)都比較差。

4.5 逐步回歸

在完全二次多項(xiàng)式回歸模型的基礎(chǔ)上，利用linearmodel類對(duì)象的stepwise方法，經(jīng)過(guò)19次回歸，得到二次多項(xiàng)式回歸方程如下：

5 結(jié)語(yǔ)

房地產(chǎn)行業(yè)多年畸形發(fā)展催生了畸高的房?jī)r(jià)，從嚴(yán)調(diào)控、保持房地產(chǎn)市場(chǎng)的平穩(wěn)健康發(fā)展被寫入多個(gè)省份的政府工作報(bào)告。本文以百度搜索數(shù)據(jù)為基礎(chǔ)，建立了房?jī)r(jià)預(yù)測(cè)的“最優(yōu)”模型——逐步回歸模型，該模型不但可以即時(shí)預(yù)測(cè)房?jī)r(jià)的走勢(shì)，而且為地方政府制定調(diào)控房?jī)r(jià)措施提供有效的參考依據(jù)。另外，本文建立的房?jī)r(jià)預(yù)測(cè)模型還可以拓展到其他城市新房?jī)r(jià)格的預(yù)測(cè)和二手房?jī)r(jià)格的預(yù)測(cè)，可以預(yù)見(jiàn)，在人們利用網(wǎng)絡(luò)搜索房產(chǎn)信息越來(lái)越多的將來(lái)，由于搜索數(shù)據(jù)量越來(lái)越大，從而預(yù)測(cè)的精度會(huì)越來(lái)越高.

參考文獻(xiàn)

[1] 謝中華.MATLAB統(tǒng)計(jì)分析與應(yīng)用[M].北京：北京航空航天大學(xué)出版社，2015.

[2] 董倩，等.基于網(wǎng)絡(luò)搜索數(shù)據(jù)的房地產(chǎn)價(jià)格預(yù)測(cè)[J].統(tǒng)計(jì)研究，2014（10）.

[3] 成鴻飛，等.基于MATLAB的房?jī)r(jià)預(yù)測(cè)與調(diào)控模型研究[J].科技論壇，2010（6）.

[4] 楊志輝，等.基于MATLAB的房地產(chǎn)銷售預(yù)測(cè)的科學(xué)計(jì)算[J].統(tǒng)計(jì)與決策，2005（1）.

[5] 劉悅婷，等.基于MATLAB的蘭州市商品住宅價(jià)格變動(dòng)分析及預(yù)測(cè)[J].甘肅科學(xué)學(xué)報(bào)，2011（9）.