波士顿房价主要影响因素分析文献综述

 2022-11-26 16:25:57
  1. 本课题的意义

随着我国经济的提高，人们对于生活质量和生活环境的要求不断提高，房地产业也得到了迅猛的发展，但不断上涨的价格也给购房消费者带来了烦恼。在市场经济条件下，一种商品的价格是由市场上的供需关系所决定的。但在房地产领域，支撑房价持续上涨的因素很复杂，不仅仅是由房子的供需关系所影响，还有其他的因素。交通是否便利、环保指数、每栋住宅房间数、和周边经济发展状况等问题成为购房者考虑的主要因素，而房价则是综合这些影响因素的一个主要体现。

房价在不同的时期会随着社会物价的变动而变动，而不同的国家或区域，同等房屋的价格也不一样。可见，在不同的时期以及不同的国家或区域，房价本身无论是纵向还是横向，都没有可比性。而波士顿住房房价数据是统计数据分析类非常著名的一类数据集，也属于公开研究的数据，可以轻易获得。该数据集包含506个业主自住房屋中位价格的观测值，以及13个可能影响中位房价的变量。虽然相关学者的研究很多，但是通过回归分析，变量选择，模型选择等方法对波士顿房价数据进行研究，有如下的意义;首先，通过R软件进行计算绘图，我们可以清晰地分析出变量之间的关系和主要影响因素，得到全方位的分析结果。同时，这也能对研究我国不同地区房价影响因素产生有益的借鉴，从而为居民及房地产产业提供一些信息。

  1. 国内外研究成果

在影响房价数据的因素上，国内许多学者已经进行了一些统计研究。例如，陈子亮, 卿清，通过分析美国波士顿地区1980年不同社区房价的影响因素，以分位数回归作为基本方法，初步探讨了一个地区除了经济发展水平之外的影响不同地段或者不同社区的房价高低的因素。使用分位数回归的方法避免了传统OLS方法对于数据分布特征严格的局限性，并且能针对不同分位上的不同数据进行有针对性的研究。陈泽坤，程晓荣，结合梯度下降算法进行数据集的回归分析，找到影响房价的主要因素并训练求得拟合函数，最后通过拟合函数建立了一个较为准确的房价预测模型。王园园，基于波士顿住房数据，分别用经典估计方法和稳健估计方法对其分析，比较两种方法的区别以及优劣。相关的房价水平统计研究还有很多，基本都采用了不用的统计分析方法。

国外房价水平影响因素分析成果也很丰富，Keren Horn,Mark Merante，研究了Airbnb日益增加的存在是否会提高租金，以及租金的变化是否可能是由于提供租金的住房供应减少所致。Prodosh Simlai，提出了一个扩展的房地产市场空间回归模型，用SARCH模型捕捉了波士顿房价的条件空间可变性，研究了空间计量经济学背景下的房价波动。Chaojiang Wua,Yan Yu，通过模拟研究，研究了有限样品的性质，提出了两个部分线性的条件分位数模型，应用于波士顿住房数据表明了所提出的方法的成功。

目前关于波士顿房价的主要研究，都是通过一些统计软件进行操作分析。

参考文献：

  1. Simlai P.Estimation of variance of housing prices using spatial conditional heteroskedasticity (SARCH) model with an application to Boston housing price data[J]. The Quarterly Review of Economics and Finance, 2014, 54(1):17-30.
  2. Horn K,Merante M.Is Home Sharing Driving up Rents? Evidence from Airbnb in Boston[J].Journal of Housing Economics, 2017, 38(dec.):14-24.
  3. Hui-Qiong L I , Gui-Ling Z , Zhao G . The Statistical Diagnosis Based on Single Index Modal Regression Models and Application to Boston Data Analysis[J]. Journal of Applied Stats and Management, 2017.
  4. A C W , B Y Y . Partially linear modeling of conditional quantiles using penalized splines[J]. Computational Stats amp; Data Analysis, 2014, 77(77):170-187.
  5. Ma S.Theory of spline regression with applications to time series, longitudinal, and categorical data, and data with jumps.[D]. 2011.
  6. Nsofor, G Chukwugozie. Comparative Analysis of Predictive Data-Mining Techniques,2006.
  7. 尹雯雯. 波士顿住房数据变系数误差模型的核实方法研究[J]. 重庆工商大学学报(自然科学版), 2018, v.35；No.179(03):29-32.
  8. 朱桂玲. 单指标众数模型的统计诊断[D]. 2017. 9. 赵 冉. 基于回归方法分析波士顿房价数据间的相关关系[J]. 统计学与应用, 2020,
  9. 陈子亮, 卿清. 影响波士顿不同社区房价水平的因素分析——基于分位数回归方法[J]. 商, 2015(30):278-279.
  10. 叶卢灵. 变系数模型的复合分位数回归及变量选择[D]. 2017.
  11. 米纯. 波士顿房价数据统计分析报告[J]. 经营管理者, 2016(20).
  12. 刘磊. 空间自回归模型变量选择方法的研究与应用[D].
  13. 翁云妹. 半参数变系数分位数回归模型及其两阶段估计:以波士顿房价应用为例[D]. 厦门大学.
  14. 郭双, 魏传华. 空间自回归模型的变量选择[J]. 中央民族大学学报(自然科学版), 2015, 024(003):92-96.
  15. 王晓瑞. 空间自回归模型变量选择的理论研究和实证分析[D].
  16. 胡丹青, 顾永泉, 赵为华. 中位数回归的贝叶斯变量选择方法[J].应用概率统计2019.
  17. 张栋陈. 可加空间自回归模型的估计方法和变量选择方法的研究与应用[D].
  18. 王淑霞. 部分变系数空间自回归模型的模拟研究及其应用[D]. 2019.

剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付

以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章