面板数据回归模型(二)房价的影响因素分析

1.数据来源

本文选择我国出一线城市房价均值、新一线城市房价均值、二线城市房价均值、货币供应量和利率。选取2002-2018年的数据,共17组数据,由于数据的自然对数变换不改变原有的协整关系,并能使其趋势线性化,消除时间序列中存在的异方差现象,所以对所有数据取其自然对数值,以增强数据线性化趋势消除异方差,同时便于考察各变量对房价的敏感性。具体变量说明如下:

2.面板单位根检验

  • 由上表可知,据LLC检验可知,Y1、Y2、Y3、M、r的检验统计量分别为-1.63262、-2.57037、-3.40549、-6.77956、-3.92529,P值分别为0.0513、0.0051、0.0003、0.0000、0.0000,均小于0.1,说明在0.1水平下,Y1、Y2、Y3、M、r的原序列均平稳。在ADF检验和PP检验中,均有M的通过检验,说明M的原序列在LLC检验、ADF检验和PP检验均通过原序列平稳的检验。
  • 通过上述分析可知,各变量的单位根检验P值均小于0.1,说明结果显著,即拒绝原假设,可以认为各变量原序列均在0.1水平平稳,即均为0阶单整。一线城市、新一线城市和二线城市的GDP均为原序列平稳,一线城市的人口为原序列平稳,新一线和二线城市的人口则为一阶平稳,所以一线城市、新一线城市和二线城市的GDP均为0阶单整,一线城市的人口为0阶单整,新一线和二线城市的人口则为1阶单整。

3.面板协整检验

  • 从上表中可以看出,Y1与M、r的ADF检验值分别为-2.819176、-1.724701,P值分别为0.0025、0.0422,P值均小于0.05,说明结果显著,即Y1与M、r分别存在协整关系;Y1与GDP存在协整关系,而与人口不存在协整关系;Y1与M、r、GDP1、PEOPLE1的ADF检验值为-5.262817,P值为0.0000,显著小于0.05,说明Y1与M、r、GDP1、PEOPLE1存在协整关系。
  • Y2与M、r的ADF检验值分别为-6.299543、-3.753342,P值分别为0.0000、0.0001,P值均小于0.05,说明结果显著,即Y2与M、r分别存在协整关系;同样Y2与GDP和人口也分别存在协整关系;Y2与M、r、GDP2、PEOPLE2的ADF检验值为-7.581670,P值为0.0000,显著小于0.05,说明Y2与M、r、GDP2、PEOPLE2存在协整关系。
  • Y3与M、r的ADF检验值分别为–6.693046、-5.249192,P值分别为0.0000、0.0000,P值均小于0.05,说明结果显著,即Y2与M、r分别存在协整关系;同样Y3与GDP和人口也分别存在协整关系;Y3与M、r、GDP3、PEOPLE3的ADF检验值为-6.065139,P值为0.0000,显著小于0.05,说明Y3与M、r、GDP3、PEOPLE3存在协整关系。

4.模型选择

由协整分

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.hqwc.cn/news/601198.html

如若内容造成侵权/违法违规/事实不符,请联系编程知识网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

【Sentinel的限流使用】⭐️SpringBoot整合Sentinel实现Api的限流

目录 前言 一、Sentinel下载 二、SpringBoot 整合 Sentinel 三、流控规则 章末 前言 小伙伴们大家好,上次使用OpenFeign时用到了 Hystrix实现熔断和限流的功能,但是发现该工具已经停止维护了,于是想到了Spring Cloud Alibaba开发的Sentin…

2.基础乐理-唱名的来历,简谱的构造

前置内容:1.唱名与记住唱名的方法 唱名的来历: 很久很久以前(公元前)各个文明开始诞生和慢慢发展,随着文明的发展,各个文明都开始出现自己的音乐,根据考古学家的发现在 公元前1800年&#xff…

深度学习学习日记4.8(下午)

1.softmax 函数的得出的结果是样本被预测到每个类别的概率,所有类别的概率相加总和等于1。使用 softmax 进行数据归一化,将数字转换成概率。 2.熵,不确定性,越低越好 3.KL 散度交叉熵-信息熵 预测越准,交叉熵越小&am…

pymilvus创建IVF_PQ向量索引

索引简介 索引的作用是加速大型数据集上的查询。 目前,向量字段仅支持一种索引类型,即只能创建一个索引。 milvus支持的向量索引类型大部分使用近似最近邻搜索算法(ANNS,approximate nearest neighbors search) 。ANNS 的核心思想不再局限于返回最准确…

NCI SEER breast cancer美国国立癌症研究所数据库乳腺癌生存分析和乳腺癌预测模型(2024年新项目)

​作者Toby,来源公众号:python生物信息学,美国国立癌症研究所数据库乳腺癌生存分析和乳腺癌预测模型 NCI美国国立癌症研究所(NationalCancerInstitute,NCI) 美国国立癌症研究所(NCI)是美国国家卫生研究院(NIH&#xf…

职场必备!微信自动回复神器来袭,让你轻松应对消息轰炸!

随着消息数量的增加,对于个人和企业来说,及时回复消息变得越来越具有挑战性。幸运的是,现在有了微信管理系统,为我们提供了一种解决方案,让您轻松管理和应对客户的消息! 下面,让我们来看看微信…

C语言面试题之判定字符是否唯一

判定字符是否唯一 实例要求 实现一个算法,确定一个字符串 s 的所有字符是否全都不同 实例分析 1、使用一个大小为 256 的bool数组 charSet 来记录字符是否出现过;2、遍历字符串时,如果字符已经在数组中标记过,则返回 false&a…

vue vue3 手写 动态加载组件

效果展示 一、需求背景: # vue3 项目涉及很多图表加载、表格加载 #考虑手写一个动态加载组件 二、实现思路 通过一个加载状态变量,通过v-if判断,加载状态的变量等于哪一个,动态加载组件内部就显示的哪一块组件。 三、实现效果…

USACO 2024 Open Bronze铜组题解

迟到了一个月的题解...... Logical Moos: 啊这题放在铜组T1雀食有点BT...... 首先,我们关注l前第一和r最后那两组。如果这俩有一个是true,那答案肯定也是true。 否则,在l和r外边的都是false。那我们就只用仔细看l和r中间的玩意儿。对于l和…

机器学习中的GBDT模型及其优缺点(包含Python代码样例)

目录 一、简介 二、优缺点介绍 三、Python代码示例 四、总结 一、简介 GBDT(Gradient Boosting Decision Tree)是一种集成学习算法,被广泛应用于机器学习中的回归和分类问题。它由多个决策树组成,每个决策树都通过迭代逐渐提升…

libVLC 提取视频帧

在前面的文章中,我们使用libvlc_media_player_set_hwnd设置了视频的显示的窗口。 libvlc_media_player_set_hwnd(vlc_mediaPlayer, (void *)ui.widgetShow->winId()); 如果我们想要提取每一帧数据,将数据保存到本地,该如何操作呢&#x…

Mac上怎么合并多张图片?

Mac上怎么合并多张图片?上班过的小伙伴都应该知道,合并拼接图片是一件非常重要且经常需要使用到的图片处理技术,将多张图片合并拼成一张之后能够展现出更多的图片内容。在Mac电脑上,合并多张图片是一项常见的任务,无论…