Tiểu luận Kinh tế lượng: Phân tích các yếu tố ảnh hưởng đến giá nhà

Đề tài Tiểu luận Kinh tế lượng sau đây tiến hành khảo sát mô hình hồi quy để tìm ra sự phụ thuộc của giá nhà đến các yếu tố cấu trúc và môi trường xung quanh. Mời các bạn cùng tham khảo.Đề tài Tiểu luận Kinh tế lượng sau đây tiến hành khảo sát mô hình hồi quy để tìm ra sự phụ thuộc của giá nhà đến các yếu tố cấu trúc và môi trường xung quanh. Mời các bạn cùng tham khảo.

KHOA TÀI CHÍNH NGÂN HÀNG

========***========

TIỂU LUẬN NHÓM KINH TẾ LƯỢNG

Đề tài:PHÂN TÍCH CÁC YẾU TỐ ẢNH HƯỞNG ĐẾN GIÁ NHÀ

Giảng viên hướng dẫn: Th.S Phí Minh Hồng

Sinh viên thực hiện:

MỤC LỤC

1 MỞ ĐẦU……… …… 3

Lời Mở Đầu 3

2 NỘI DUNG………… ……….……… 4

2.1 CƠ SỞ LÝ THUYẾT VÀ MÔ HÌNH NGHIÊN CỨU 4

2.1.1 Giới thiệu mô hình Hedonic 4

2.1.2 Mô hình nghiên cứu 5

2.2 MÔ TẢ DỮ LIỆU 6

2.2.1 Đồ thị 6

2.2.2 Giá trị trung bình, sai số tiêu chuẩn, trung vị.(phụ lục 1) 8

2.3 PHÂN TÍCH DỮ LIỆU 9

2.3.1 Hồi quy mô hình (phương pháp OLS) 9

2.3.1.1 Hàm hồi quy mẫu (SRF): P= 0 + 1 S + 2 (Be) + 3 Y + 4 N +e i (phụ lục 2) 9

2.3.2 Kiểm định các khuyết tật của mô hình.(P= β0 + β1S + β2Y + β3N +Ui) 13

2.3.2.1 Đa công tuyến 13

2.3.2.2 Phương sai sai số thay đổi 16

2.3.2.3 Tự tương quan 19

2.3.3 Khắc phục các khuyết tật của mô hình 19

2.4 ĐÁNH GIÁ 20

KẾT LUẬN 22

PHỤ LỤC 23

LỜI MỞ ĐẦU

Thị trường bất động sản là một thị trường có diễn biến phức tạp và là một lĩnh vực có ảnh

hưởng lớn đến sự phát triển của nền kinh tế Việc xác định giá nhà đất đối với nghiên cứu kinh tế

lượng luôn là một trong những đề tài nghiên cứu đáng quan tâm.Nắm rõ tình hình giá cả của nhà

đất là một lợi thế đối với các nhà kinh doanh bất động sản cũng như những người có nhu cầu

mua nhà.Trên thực tế, quyết định mua một ngôi nhà mang ý nghĩa đầu tư tài chính hơn là đơn

thuần một quyết định tiêu dùng cá nhân.Chính vì thế xét trên cả phương diện các học thuyết kinh

tế và cả phương diện mô hình kinh tế lượng, việc nghiên cứu những nhân tố ảnh hưởng tới giá

nhà mang lại nhiều ý nghĩa thực tiễn thú vị

Để nghiên cứu giá nhà ta thường thu thập số liệu về những yếu tố ảnh hưởng đến ngôi nhà đó

Giá nhà khi biến động thường phụ thuộc vào rất nhiều yếu tố, từ những yếu tố tình hình biến

động trên thị trường bất động sản và thị trường tài chính hoặc chỉ đơn giản là những yếu tố liên

quan đến cơ sở vật chất, nội thất, kiến trúc, của ngôi nhà.Những ngôi nhà nào có cơ sở vật chất

khác nhau sẽ có những giá trị khác nhau, dẫn đến giá cả trên thị trường của chúng cũng sẽ khác

nhau Xuất phát từ thực tế khách quan,và nhu cầu cấp thiết đó, nhóm chúng em tiến hành khảo

sát mô hình hồi quy để tìm ra sự phụ thuộc của giá nhà đến các yếu tố cấu trúc và môi trường

xung quanh

2 NỘI DUNG

2.1.CƠ SỞ LÝ THUYẾT VÀ MÔ HÌNH NGHIÊN CỨU

Phương pháp định giá Hedonic được định nghĩa là kỹ thuật phân tích hồi quy được sử

dụng để xác định giá trị của những thuộc tính liên quan đến hàng hóa trên thị trường trong các

giai đoạn cụ thể Những thuộc tính có thể đo lường được như kích cỡ, tốc độ, trọng lượng,… sẽ

ảnh hưởng đến giá trị của hàng hóa Theo Griliches (1971), phương pháp Hedonic dựa trên cơ

sở: giá của một hàng hóa không đồng nhất có thể được xác định thông qua những thuộc tính liên

quan đến hàng hóa đó

Vì thế, hàm hồi quy Hedonic có dạng:

pi = h(ci),

• Pi là giá của hàng hóa

• Ci là vector của các đặc tính liên quan đến hàng hóa

Theo Triplett (1986), phương pháp định giá Hedonic đã phát triển và được ứng dụng

nhiều vào cách xác định các chỉ số giá trước khi nó được xây dựng thành một khung cơ sở hoàn

chỉnh Theo Malpezzi (2002), Court (1939) là người đầu tiên áp dụng phương pháp hồi quy

Hedonic Phương pháp của ông liên hệ giá của xe ô tô với những đặc điểm tạo ra sự hài lòng của

khách hàng như sức mạnh của động cơ, tốc độ, trang trí nội thất của xe,…Vì thế, mô hình được

biết đến với tên gọi “mô hình định giá Hedonic” Mô hình Hedonic được phát triển hoàn chỉnh

hơn qua hai nghiên cứu quan trọng là lý thuyết tiêu dùng của Lancaster (1966) và mô hình giá ẩn

Hedonic của Rosen (1974) Cả hai hướng tiếp cận đều nhằm mục tiêu ước tính giá trị và số lượng

thuộc tính dựa trên những sản phẩm khác nhau được đưa vào quan sát Lancaster đã xây dựng

nền tảng lý thuyết cho mô hình Hedonic: sự thỏa dụng của người tiêu dùng có được từ những đặc

tính của sản phẩm, chứ không phải trực tiếp từ sản phẩm đó Hiện nay, phương pháp định giá

Hedonic được áp dụng rộng rãi tại các quốc gia phát triển.Theo Malpezzi (2003), trong quá trình

phát triển, thị trường nhà ở là một trong ứng dụng rộng rãi của mô hình định giá Hedonic, vì nhà

ở là hàng hóa không đồng nhất; đồng thời nhu cầu của người tiêu thụ cũng không đồng nhất.Thật

vậy, một căn hộ gồm nhiều đặc điểm riêng biệt về diện tích, chất lượng, vị trí,… Mỗi căn nhà có

một vị trí nhất định, thời gian xây dựng khác nhau, có diện tích khác nhau Bên cạnh đó, mức độ

thỏa dụng của người mua khác nhau, định giá căn hộ cũngkhác nhau Một căn hộ có cùng một

nhóm đặc điểm được định giá khác nhau theo từng người mua Việc định giá vì thế cũng trở nên

khó khăn Từ đó, phương pháp Hedonic được sử dụng phổ biến vì nó ước tính được giá trị của

các đặc điểm riêng lẻ cấu thành nên giá trị chung của cả căn hộ Theo nghiên cứu ứng dụng mô

hình Hedonic trong thị trường nhà ở của Thibodeau và Malpezzi (1980), phương pháp định giá

Hedonic là một mô hình hồi quy của giá trị hoặc giá thuê căn hộ dựa trên những đặc tính liên

quan đến căn hộ Trong đó, từng biến độc lập đại diện cho từng đặc điểm riêng biệt và các hệ số

trong kết quả của mô hình là giá tiềm ẩn của những đặc điểm này Mô hình hồi quy của giá

thuê nhà hoặc giá trị căn hộ có dạng như sau:

R = f (S, N, L, C, T),

Trong đó: R là giá thuê hoặc giá trị căn hộ; S là những đặc điểm thuộc cấu trúc; N là đặc

điểm thuộc môi trường xung quanh; L là vị trí; C là đặc điểm về hợp đồng giao dịch và T là thời

hạn căn hộ được quan sát

Nội dung của bài tiểu luậnsẽ đi nghiên cứu sự ảnh hưởng giá nhà theo các yếu tố sau:

- Những đặc điểm thuộc cấu trúc:

S: Diện tích của ngôi nhà

Be: Số phòng ngủ

Y: Diện tích sân xung quanh ngôi nhà

- Những đặc điểm thuộc môi trường xung quanh ngôi nhà:

N: chất lượng của nhà hang xóm(thang điểm 1-4 với 1 =best,4=worst)

Khi đưa vào mô hình hồi quy kinh tế lượng, biến P là biến phụ thuộc, vòn các biến S, Be,

Y N là biến độc lập Ta xétmô hình hồi quy kinh tế:

P= β 0 + β 1 S + β 2 Be + β 3 Y + β 4 N +U i

Dự đoán dấu của các hệ số dựa vào lý thuyết /kinh nghiệm thực tế:

Do theo lý thuyết trong các ngành khác cũng như trong thực tế, ta thấy diện tích nhà tác

động cùng chiều với giá nhà, tức là diện tích nhà càng lớn thì diện tích nhà càng có xu

hướng tăng Vì thế β 1 mang dấu (+)

Tương tự với các biến số phòng ngủ và diện tích sân xung quanh càng lớn thì giá nhà

càng có xu hướng tăng Vì thế β 2, β 3 đều mang dấu (+)

Ngược lại, chất lượng của các nhà hàng xóm xung quanh càng tăng, thì khả năng

cạnh tranh của các nhà hàng xóm so với nhà chúng ta càng lớn, vì thế biến chất lượng của

các nhà hàng xóm có tác động ngược chiều với giá nhà và β 4 mang dấu (-)

Ý nghĩa của các tham số hồi quy như sau:

β 0: hệ số chặn

β 1 :mức thay đổi giá nhà theo diện tích nhà

β 2 : mức thay đổi giá nhà theo số phòng ngủ

β 3 : mức thay đổi giá nhà theo sân xung quanh nhà

β 4:mức thay đổi giá nhà theo chất lượng của các nhà hàng xóm xung quanh

U i :yếu tố ngẫu nhiên

Hình 4: Đồ thị mối liên hệ giữa biến P và biến Be

2.2.2 Giá trị trung bình, sai số tiêu chuẩn, trung vị.(phụ lục 1)

Các biến Giá trị trung

bình

Giá trị lớn nhất

giá trị nhỏ nhất

Trung vị Phương sai

• Biến P ( Price of the house) : Nghìn đô la

Kết quả cho thấy:

- Giá trị trung bình của dữ liệu: 242.30

- Trung vị của dữ liệu là : 242.00, giá trị lớn nhất là 503.00 và nhỏ nhất là 107.00

Ta có thể thấy dữ liệu có độ chênh lệch rất lớn, chính vì thế không thể đánh giá qua

các giá trị trung bình hay phân vị để đưa ra một mức kết quả chung Điều này thể hiện

tầm quan trọng của việc xây dựng mô hình kinh tế lượng để đưa ra những con số tốt

nhất

• Biến S ( size of the house) : feet vuông

Kết quả cho thấy:

- Giá trị trung bình của dữ liệu: 1470.2

- Trung vị của dữ liệu là: 3269.0 , giá trị lớn nhất là: 3269.0 và nhỏ nhất là 702.00

Ta có thể thấy với biến S này, cũng như P độ chênh lệch của dữ liệu là rất lớn

• Biến Be (Numbers of bedroom in the house) :

Kết quả cho thấy:

- Giá trị trung bình của dữ liệu: 2.8372

- Trung vị của dữ liệu là: 3.0000 , giá trị lớn nhất là: 4.0000 và nhỏ nhất là 2.0000

Ta có thế thấy dữ liệu có độ chênh lệch không lớn lắm

• Biến Y ( size of the yard around the house) : feet vuông

- Giá trị trung bình của dữ liệu: 6284.8

- Trung vị của dữ liệu là: 6086.0, giá trị lớn nhất là: 19580.0 và nhỏ nhất là 1780.0

• Biến N ( Quality of the neighborhood near the house) :

- Giá trị trung bình của dữ liệu: 1.7791

- Trung vị của dữ liệu là: 1.5000, giá trị lớn nhất là: 4.0000 và nhỏ nhất là 1.0000

2.3.Phân tích dữ liệu

2.3.1.1 Hàm hồi quy mẫu (SRF): P= 0 + 1 S + 2 (Be) + 3 Y + 4 N +e i (phụ lục 2)

Đặt giả thiết H0: β1=0 (hệ số không có ý nghĩa thống kê)

diện tích nhà ở (S) có ảnh hưởng đến giá mua nhà (P)

• Kiểm định hệ số β2:

Đặt giả thiết H0: β2=0 (hệ số không có ý nghĩa thống kê)

H1: β2≠0

Cách 1: p-value=0.7301> 0.05 =>Với mức ý nghĩa α=5% chấp nhận H0 tức là hệ số β2

không có ý nghĩa thống kê

Cách 2: |tqs| ≥ t(/ ) ( )<t( ). 0.3476<t( ).

Với mức ý nghĩa α=5% chấp nhận H0 tức là hệ số β2 khôngcó ý nghĩa thống kê, tức là số

phòng ngủ (Be) không ảnh hưởng đến giá mua nhà(P)

Với mức ý nghĩa α=5% bác bỏ H0 ,chấp nhận H1 tức là hệ số β3 có ý nghĩa thống kê ,tức

là diện tích sân xung quanh nhà(Y) có ảnh hưởng đến giá mua nhà(P)

Với mức ý nghĩa α=5% bác bỏ H0 ,chấp nhậnH1 tức làhệ số β4 có ý nghĩa thống kê ,tức là

chất lượng nhà hàng xóm xung quanh(N) có ảnh hưởng đến giá mua nhà(P)

b)Hệ số R 2.

• Có hệ số R2 = 90.5090%,ý nghĩa: các biến giải thích giải thích được 90.5090% sự biến

động của biến phụ thuộc

• Kiểm định sự phù hợp của mô hình (với mức ý nghĩa α=5%)

Với mức ý nghĩa α=5% bác bỏ H0,chấp nhậnH1 tức là R2≠0, hàm phù hợp, các biến giải

thích giải thích được 90.5090% sự biến động của biến phụ thuộc

c) Xác định lại mô hình hồi quy kinh tế

• Nhận xét: vì hệ số β2 khôngcó ý nghĩa thống kê nên ta xét mô hình hồi quy kinh tế mới

(loại bỏ biến Be:số phòng ngủ ra khỏi mô hình):

Cách 1: p-value= 1.55(e^-13) < 0.05 =>Với mức ý nghĩa α=5% bác bỏ H0,chấp nhậnH1

tức là hệ sốβ1 có ý nghĩa thống kê

Cách 2:|tqs| ≥ t(/ ) ( )>t( *). 11.01>t( *).

Với mức ý nghĩa α=5% bác bỏ H0,chấp nhậnH1 tức là hệ sốβ1 có ý nghĩa thống kê,tức là

diện tích nhà ở (S) có ảnh hưởng đến giá mua nhà (P)

• Kiểm định hệ số β2:

Đặt giả thiết H0: β2=0 (hệ số không có ý nghĩa thống kê)

H1: β2≠0

Cách 1: p-value= 0.0068 < 0.05 =>Với mức ý nghĩa α=5% chấp nhận H0 tức là hệ sốβ2

khôngcó ý nghĩa thống kê

Cách 2: |tqs| ≥ t(/ ) ( )>t( *). 2.859>t( *).

Với mức ý nghĩa α=5% chấp nhận H0 tức là hệ sốβ2 khôngcó ý nghĩa thống kê,tức là diện

tích sân xung quanh nhà(Y) có ảnh hưởng đến giá mua nhà(P)

Với mức ý nghĩa α=5% bác bỏ H0,chấp nhậnH1 tức là hệ số β3 có ý nghĩa thống kê ,tức là

chất lượng nhà hàng xóm xung quanh(N) có ảnh hưởng đến giá mua nhà(P)

c.2) Hệ số R 2’.

• Có hệ số R2’= 90.4789%, ý nghĩa: các biến giải thích giải thích được 90.4789% sự biến

động của biến phụ thuộc

c.3) Kiểm định sự phù hợp của mô hình (với mức ý nghĩa α=5%)

• Đặt giả thiết H0: ! = = (# =0)

H1: $≠ 0 (j ∈ {1, 2, 3}) (# ≠ 0)

Cách 1: p-value(F)= 5.88(e^-20) <0.05 =>Với mức ý nghĩa α=5% bác bỏ H0,chấp

nhậnH1 tức là R2’≠0, tức là các biến giải thích giải thích được 90.4789% sự biến động của

biến phụ thuộc

Cách 2: Fqs>%&( ,) ') 123.5382>%( , *).

Với mức ý nghĩa α=5% bác bỏ H0,chấp nhậnH1 tức là R2’≠0, tức là các biến giải thích

giải thích được 90.4789% sự biến động của biến phụ thuộc

c.4) So sánh 2 mô hình hồi quy

• Vì #+2

<#+2’

(89.51% < 89.7465%)

Mô hình hồi quy mới phù hợp và chính xác hơn so với mô hình cũ

Lựa chọn mô hình hồi quy mới để kiểm định và khắc phục các khuyết tật của mô hình ở

những phần sau của bài tiểu luận

2.3.2 Kiểm định các khuyết tật của mô hình.(P= β 0 + β 1 S + β 2 Y + β 3 N +U i )

a) Cách 1: Hồi quy mô hình phụ(phương pháp OLS) (phụ lục 4):

Cách 2: |tqs| ≥ t(/ ) &/ & (& )>t(" ). 6.266>t(" ).

Với mức ý nghĩa α=5%,bác bỏ H0tức là α0có ý nghĩa thống kê

Cách 2: |tqs| ≥ t(/ ) &/ & (& )>t(" ). 2.444>t(" ).

Với mức ý nghĩa α=5%,bác bỏ H0,chấp nhận H1 tức là α1 có ý nghĩa thống kê

• Kiểm định hệ số α2

Đặt giả thiết H0:α2 =0 (hệ số không có ý nghĩa thống kê),

H1:α2≠0

Cách 1: p-value= 0.0093 < 0.05 =>Với mức ý nghĩa α=5%,bác bỏ H0,chấp nhận H1tức là

α2có ý nghĩa thống kê

Cách 2: |tqs| ≥ t(/ ) &/ & (& )>t(" ). 2.734>t(" ).

Với mức ý nghĩa α=5%,bác bỏ H0, chấp nhận H1 tức là α2 có ý nghĩa thống kê

• Có hệ số R2 = 32.9425%,ý nghĩa: các biến Y và N giải thích được 32.9425% sự biến động

của biến S

a.2) Kiểm định sự phù hợp của mô hình (với mức ý nghĩa α=5%)

• Đặt giả thiết H0:α! = α (# =0)

H1: α$≠ 0 (j ∈ {1, 2}) (# ≠ 0)

Cách 1: p-value(F)= 0.000338 <0.05 =>Với mức ý nghĩa α=5% bác bỏ H0,chấp nhận H1

tức là R2≠0, tức là các biến giải thích giải thích được 32.9425% sự biến động của biến

phụ thuộc

Cách 2: Fqs>%&( ,) ') 9.825133>%( ," ).

Với mức ý nghĩa α=5% bác bỏ H0,chấp nhận H1 tức là R2≠0, tức là các biến giải thích

giải thích được 32.9425% sự biến động của biến phụ thuộc

• Vì α0 , α1 , α2đều có ý nghĩa thống kê và R2≠0 nên mô hình có hiện tượng đa cộng tuyến

không hoàn hảo nhưng hiện tượng đa cộng tuyến là không đáng kể

b) Cách 2: nhân tử phóng đại phương sai (VIF)

• VIF được thiết lập trên cơ sơ hệ số xác định R2 trong hồi quy của 1 biến giải thích với các

biến giải thích còn lại (phụ lục 5)là:

01%(2) =1 − # = 1.49125 < 10101%(<) = 1 − # = 1.277 < 101

01%(>) =1 − # = 1.319 < 101Không có hiện tượng đa công tuyến hoặc nếu có thì không đáng kể

c) Cách 3: xét R2 , tỷ số t của các biến giải thích (của mô hình P= β 0 + β 1 S +β 2 Y + β 3 N +U i )

(phụ lục 3)

R2 khá cao (0.904789)

t(S) =11.01

t(Y)= 2.859

t(N)= -5.681

R2 cao,các tỷ số t không quá nhỏ

Mô hình không có hiện tượng đa cộng tuyến hoặc nếu có thì không đáng kể

d) Cách 4: Xét tương quan cặp giữa các biến giải thích(phụ lục 6)

• Vì hệ số tương quan cặp giữa các biến giải thích không cao (<0.8)

Khả năng tồn tại đa cộng tuyến trong mô hình là thấp

e) Cách 5: Độ đo Theil (đo mức độ đa cộng tuyến)(phụ lục 7,8,9)

m = R 2 –∑(AB− ABC)

• Với:R2là hệ số xác định bôi trong mô hình hồi quy của P với các biến giải thích S,Y,N

R2-i là hệ số xác định bội trong mô hình hồi quy của P với lần lượt các tổ hợp biến(S,Y) ;

m= 0.509841

• Ta có tỷ số : m / R2 = 0.509841/ 0.904789 =0.56349 > 0.5

mô hình có hiện tượng đa cộng tuyến , nhưng chưa kết luận được mức độ nghiêm trọng

của hiện tượng

2.3.2.2 Phương sai sai số thay đổi

• Phương pháp ước lượng OLS,với mức ý nghĩa α=5%

• Đặt giả thiết H0: phươngsai sai số không thay đổi

H1: phương sai sai số thay đổi

[p-value = P(Chi-square(9) > 8.691904) = 0.466186] > α

X2qs≤ X (KL) nR2 ≤ X (*). 8.691904≤ X (*).Với mức ý nghĩa α=5%,chấp nhận H0tức là mô hình gốc không có hiện tượng phương sai

sai số thay đổi

b.2) Cách 2:Dùng kiểm định Breush-Pagan-Godfrey(phụ lục 11)

• Ước lượng mô hình hồi quy:HCB= β

0 + β 1 Z 1i + + β m Z mi + U i

• Phương pháp ước lượng OLS, mức ý nghĩa α=5%

• Đặt giả thiết H0: phươngsai sai số không thay đổi

H1: phương sai sai số thay đổi

[p-value = P(Chi-square(3) > 6.061559) = 0.108653] >α

X2qs≤ X (KL) ESS/2≤ X (*). 6.061559≤ X ( ).Với mức ý nghĩa α=5%,chấp nhận H0tức là mô hình gốc không có hiện tượng phương sai

sai số thay đổi

b.3) Cách 3:Dùng kiểm định Park (phụ lục 12)

• Ước lượng mô hình hồi quy: lnHC= β 0 + β 1 lnMN + U i

• Hồi quy mô hình với biến phụ thuộc là lgDE và biến giải thích là lgFG với phương pháp

ước lượng OLS, mức ý nghĩa α=5%

• Đặt giả thiết H0: hệ số góc của mô hình không có ý nghĩa thống kê

H1: hệ số góc của mô hình có ý nghĩa thống kê

Cách 1: p-value = 0.7117>0.05 =>Với mức ý nghĩa α=5%,chấp nhận H0tức là hệ số góc

của mô hình không có ý nghĩa thống kê,tức là mô hình gốc không có hiện tượng phương

sai sai số thay đổi

Cách 2: |tqs| ≤ t(/ ) ( )<t("!). 0.3721<t("!).

Với mức ý nghĩa α=5%,chấp nhận H0tức là hệ số góc của mô hình không có ý nghĩa

thống kê,tức là mô hình gốc không có hiện tượng phương sai sai số thay đổi