房价的影响因素分析及预测模型
房地产市场中的房价预测模型比较
房地产市场中的房价预测模型比较引言：随着经济的发展和城市人口的增加，房地产市场一直都是一个备受关注的领域。
了解和预测房价走势对于投资者、开发商和政府来说都至关重要。
然而，由于房地产市场的复杂性和不确定性，准确预测房价一直都是一个具有挑战性的任务。
因此，为了解决这个问题，许多研究人员和机构开发了各种不同的房价预测模型。
本文将比较几种常见的房价预测模型，分析它们的优缺点和适用场景。
一、回归模型回归模型是最常见和广泛使用的房价预测方法之一。
它使用历史数据和相应的影响因素来建立一个数学模型，通过对未来一段时间的数据进行回归分析来预测房价。
回归模型可以分为线性回归和非线性回归两种。
1.1 线性回归模型线性回归模型假设价格与影响房价的因素之间存在线性关系。
它使用各种因素（如房屋面积、房龄、地理位置等）来建立数学模型，通过回归分析来预测未来的房价。
线性回归模型的优点是简单易用，计算效率高；缺点是无法处理非线性关系。
1.2 非线性回归模型非线性回归模型进一步拓展了线性回归模型的概念，它允许因素之间存在非线性关系。
非线性回归模型使用更复杂的数学函数来建立模型，并根据历史数据进行参数估计。
非线性回归模型的优点是可以更好地拟合实际数据，处理较复杂的关系；缺点是模型复杂度较高，计算成本较高。
二、人工神经网络人工神经网络是一种模拟人类神经系统工作方式的数学模型。
它通过训练算法从历史数据中提取模式，并学习建立预测模型。
人工神经网络模型在房价预测中表现出色，尤其是处理复杂非线性关系方面。
2.1 多层感知器（MLP）多层感知器是最常用的人工神经网络结构之一。
它由输入层、隐藏层和输出层组成。
多层感知器通过训练算法学习输入和输出之间的复杂关系，并通过这种关系进行预测。
多层感知器的优点是能够处理复杂的非线性关系，但模型的训练过程需要大量数据和计算资源。
2.2 循环神经网络（RNN）循环神经网络是一种具有循环连接的神经网络结构，可以处理时间序列数据。
数据科学中的房价预测模型
数据科学中的房价预测模型随着科技的发展和互联网的普及，数据科学在各个领域中扮演着越来越重要的角色。
其中，房地产行业也开始逐渐应用数据科学的方法来进行房价预测。
本文将介绍数据科学中的房价预测模型，并探讨其在实际应用中的意义和挑战。
一、数据收集与清洗房价预测模型的第一步是数据的收集与清洗。
在这个过程中，我们需要收集大量的相关数据，如房屋的面积、位置、朝向、楼层、周边交通、教育资源等。
同时，还需要注意数据的准确性和完整性，以确保预测模型的可靠性。
二、特征工程在数据收集与清洗之后，我们需要进行特征工程，即从原始数据中提取有用的特征。
这些特征可以包括房屋的面积与价格的比例、距离地铁站的距离、周边学校的评分等。
通过合理选择和构造特征，可以提高预测模型的准确性和效果。
三、模型选择与训练在特征工程之后，我们需要选择合适的模型来进行训练。
常用的房价预测模型包括线性回归、支持向量机、决策树、随机森林等。
每个模型都有其优势和适用场景，我们需要根据具体情况选择最合适的模型。
在模型选择之后，我们需要使用已有的数据来进行模型的训练。
训练的目标是通过学习已有数据的模式和规律，来建立一个能够准确预测房价的模型。
在训练过程中，我们需要注意模型的过拟合和欠拟合问题，以及调整模型的超参数来提高模型的性能。
四、模型评估与优化在模型训练完成之后，我们需要对模型进行评估和优化。
评估的指标可以包括均方误差、平均绝对误差等。
通过评估模型的性能，我们可以了解模型的准确性和稳定性，并进行相应的优化。
模型优化的方法可以包括特征选择、特征缩放、模型融合等。
通过不断地迭代和优化，我们可以提高模型的预测准确性和稳定性。
五、实际应用与挑战房价预测模型在实际应用中有着广泛的用途。
例如，房地产开发商可以利用预测模型来确定房屋的销售价格，从而制定合理的销售策略。
政府部门可以利用预测模型来监测房价的走势，从而采取相应的政策措施。
然而，房价预测模型也面临一些挑战。
首先，房价受到许多因素的影响，如经济状况、政策变化、市场需求等。
房地产市场价格预测模型
影响因素分析
02
模型分析表明，房地产市场价格受到多种因素的影响，如经济
状况、政策调整、人口增长等。
预测精度提升
03
通过采用先进的机器学习算法，模型在预测精度上有所提高，
能够为投资者和开发商提供更有价值的决策依据。
研究不足与展望
数据局限性
由于数据可得性限制，本研究只采用了有限的历史数据， 可能影响模型的泛化能力。未来可考虑使用更全面的数据 集进行训练和验证。
稳定性
评估模型在不同时间段或数据集上的 表现是否稳定，以判断模型的可靠性 和可重复性。
解释性
模型是否易于理解，是否能够提供对 预测结果的合理解释。
实时性
模型是否能够及时更新以反映市场变 化。
模型比较与选择
线性回归模型
支持向量机（SVM）
基于历史数据建立线性关系，简单易用， 适用于数据量较大、变量之间的关系较为 简单的情况。
04
模型选择与建立
数据收集与处理
数据来源
收集房地产市场的历史交易数据、经济指标、政 策法规等数据，确保数据的准确性和完整性。
数据清洗
对数据进行预处理，如缺失值填充、异常值处理 、数据转换等，以提高数据质量。
数据整合
将不同来源的数据进行整合，形成统一的数据格 式，便于后续分析和建模。
特征选择与提取
对模型预测结果进行敏感性 分析，了解不同参数和假设 对预测结果的影响。
根据评估指标分析模型的优 缺点，为后续改进提供依据 。
根据模型预测结果，为房地 产市场参与者提供决策建议 。
06
结论与展望
研究结论
模型有效性
01
本研究构建的房地产市场价格预测模型在历史数据上表现良好
房地产市场的价格预测模型与建模分析
房地产市场的价格预测模型与建模分析房地产市场是一个重要的产业，对于政府经济政策的制定和投资者的决策具有重要影响。
因此，对于该市场的价格预测模型与建模分析显得尤为重要。
本文将讨论房地产市场价格预测模型的建立与分析方法，以帮助投资者和政府决策者更好地理解市场趋势和未来走势。
一、房地产市场价格预测模型的建立方法房地产市场价格预测模型的建立可以采用多种方法，包括回归分析、时间序列分析和机器学习等。
下面将分别介绍这些方法的原理和应用。
1. 回归分析回归分析是一种常用的统计方法，用于探索变量之间的关系。
在房地产市场中，可以选择影响房价的相关变量，如地理位置、楼层、面积、楼龄等，作为自变量，房价作为因变量，建立回归模型进行预测。
通过分析各个自变量的系数和显著性水平，可以了解各因素对房价的影响程度和方向。
2. 时间序列分析时间序列分析是一种用于研究时间序列数据的方法，适用于预测具有一定规律性和趋势性的数据。
在房地产市场中，可以将历史的房价数据作为时间序列数据，通过分析趋势、周期性和季节性等特征，建立时间序列模型进行预测。
3. 机器学习机器学习是一种基于数据的自动化建模方法，可以利用大量的历史数据进行模型训练和预测。
在房地产市场中，可以使用机器学习算法，如决策树、随机森林、神经网络等，根据房产特征数据和历史价格数据进行训练，建立预测模型。
机器学习有着良好的拟合能力和预测性能，可以提供较为准确的房价预测结果。
二、房地产市场价格模型的分析方法建立价格预测模型之后，需要对模型进行分析以评估其准确性和稳定性，进而为投资者和政府决策者提供决策支持。
下面将介绍几种常见的模型分析方法。
1. 模型拟合度分析模型拟合度分析用于评估模型对观测数据的拟合程度，可以通过计算拟合优度指标（如R方值）来衡量模型的拟合效果。
拟合度分析可以帮助我们了解模型的预测能力和稳定性。
2. 模型参数显著性检验模型参数显著性检验可以用于评估各个自变量对因变量的影响是否显著。
用STATA进行房价影响因素的分析
用STATA进行房价影响因素的分析一、本文概述随着全球经济的不断发展和城市化进程的加速，房价问题已经成为社会各界关注的焦点。
房价不仅关系到居民的居住条件和生活质量，也是宏观经济调控的重要指标。
因此，深入研究房价的影响因素，对于理解房地产市场的运行规律、制定合理的房地产政策具有重要的理论和实践意义。
本文旨在利用STATA统计软件，对房价影响因素进行系统的分析。
我们将对房价影响因素的理论基础进行梳理，包括供求关系、经济基本面、政策因素等。
然后，基于国内外相关文献的研究，筛选出对房价有显著影响的因素，并建立相应的计量经济学模型。
接下来，我们将利用STATA软件对模型进行估计和检验，以揭示各因素对房价的具体影响程度和方向。
根据分析结果，提出针对性的政策建议，以期为房地产市场的健康发展提供有益的参考。
通过本文的研究，我们期望能够更全面地了解房价影响因素的复杂性和多样性，为政策制定者提供科学依据，同时也为投资者和消费者提供决策参考。
本文的研究方法和结论也有助于推动相关领域的学术研究和实践应用。
二、文献综述房价影响因素的研究一直是经济学、房地产学、地理学等多个学科领域的热点和难点问题。
随着全球化和城市化的推进，房价波动对经济发展、社会稳定和居民生活的影响日益显著，因此，深入探讨房价的影响因素及其作用机制具有重要的理论和实践意义。
国内外学者对房价影响因素的研究已经积累了丰富的成果。
从影响因素的类型来看，主要包括经济因素、社会因素、政策因素、地理因素等。
经济因素如经济增长、收入水平、贷款利率等，是影响房价的基础因素。
社会因素如人口结构、教育水平、文化背景等，也会对房价产生影响。
政策因素如土地政策、税收政策、住房政策等，对房价具有直接的调控作用。
地理因素如城市规模、交通状况、自然环境等，也会对房价产生重要影响。
在研究方法上，学者们采用了多种统计方法和计量模型来分析房价影响因素。
其中，STATA作为一种功能强大的统计分析软件，被广泛应用于房价影响因素的研究中。
房地产领域中的房价预测模型研究
房地产领域中的房价预测模型研究摘要：房地产市场一直以来都是经济发展的重要指标之一。
准确预测房价对于政府、房地产开发商和购房者来说都是非常重要的。
因此，研究房价预测模型已成为房地产领域的热门话题。
本文将介绍几种常见的房价预测模型，并讨论它们的优缺点。
1. 介绍随着经济的快速发展和城市化的进程，房地产市场呈现出快速增长的趋势。
然而，房地产市场的波动也给政府、开发商和购房者带来了挑战。
预测房价变动趋势对于制定合理的政策和决策，帮助开发商把握市场动态，以及引导购房者做出明智的投资决策至关重要。
2. 房价预测模型2.1 统计模型统计模型是房地产领域中较常用的房价预测模型之一。
通过历史数据的分析，统计模型可以根据某些变量的变化情况来预测未来的房价。
例如，线性回归模型可以通过一些经济指标（如人口增长率、GDP增长率等）来预测房价的变动趋势。
然而，统计模型往往对数据的要求较高，且无法考虑到所有可能的因素，因此预测精度有限。
2.2 人工智能模型随着人工智能技术的发展，人工神经网络（ANN）被应用于房价预测领域。
ANN模型通过对大量数据的学习，自动寻找变量之间的关系，以提高预测结果的准确性。
此外，支持向量机（SVM）和随机森林（Random Forest）等机器学习算法也在房价预测中获得了广泛应用。
与传统的统计模型相比，人工智能模型具有更高的灵活性和预测准确性。
2.3 时间序列模型时间序列模型是从时间角度出发进行房价预测的一种方法。
以往时间段的房价数据可以作为预测未来房价的依据。
常用的时间序列模型包括ARIMA模型、GARCH模型等。
这些模型可以考虑到时间上的相关性和趋势变化，对长期和短期的房价预测都有较好的效果。
3. 模型评估在房价预测模型的选择过程中，模型评估是至关重要的一环。
常用的评估指标包括均方根误差（RMSE）、平均绝对误差（MAE）和决定系数（R-squared）等。
通过比较不同模型的评估结果，我们可以选择最适合预测任务的模型。
数模论文最终房价预测版
2010—2011学年第二学期数学建模海市房价预测模型摘要威海地处山东半岛东北角，地理位置特殊。
作为一个沿海城市，威海市积极响应国家政策，经济发展水平不断提高，威海作为最适宜人类居住的城市吸引了一大批人们来这里定居。
同时威海与韩国、日本交流频繁，留学生、外国友人也在这座城市里留下了足迹。
作为一个发展中的城市，房价是影响人们在此定居的一个很重要的因素。
加之全国房价一直在高速上升，在这几年过程，一直有关于房价拐点的争论。
是否楼市的拐点真的到来？我们决定建立数学模型，分析一下威海市的房价发展趋势，给相关机构提供参考。
我们都知道影响房价的因素众多，大的方面有，国家的宏观经济环境，国家的宏观调控，地方政府对宏观调控的执行力，人民的住房需求，热钱的投机。
而宏观调控的手段众多，如廉租房建设，经济适用房建设，提高税收，打击投机，企业房贷资金紧缩，提高准备金率，不批准房地产企业上市圈钱等等。
影响房价的因素不同地区各不相同，影响威海市房价的主要因素是什么？是怎样影响房价的？我们希望通过这次建模找到答案。
关键字：线性模型居民人均年收入建房成本房价一、问题重述全国房价一直在高速上升，威海市也是如此，在这几年过程，一直有关于房价拐点的争论。
是否楼市的拐点真的到来？需要建立模型进行推测。
影响房价的因素众多，大的方面有，国家的宏观经济环境，国家的宏观调控，地方政府对宏观调控的执行力，人民的住房需求，热钱的投机。
而宏观调控的手段众多，如廉租房建设，经济适用房建设，提高税收，打击投机，企业房贷资金紧缩，提高准备金率，不批准房地产企业上市圈钱等等。
除去宏观调控政策，还有城市的自身因素，比如建材价格水平，城市发展水平，GDP总量等等，都会对房价产生影响。
找出影响房价的主要因素对于建立房价短期预测模型尤为重要。
二、问题分析数据收集：影响建模的因素众多，需要忽略次要因素，提取出主要因素建立模型，经过数据分析，我们得出影响房价水平的三个因素，一个是人均存储，一个是GDP水平,，最后一个是建房成本。
房价的影响因素分析及预测模型——基于北京市相关数据的实证研究
房价的影响因素分析及预测模型——基于北京市相关数据的实证研究房价是影响一个城市房地产市场的重要指标之一、它受到多种因素的影响，包括宏观经济因素、政策因素和市场因素等。
本文将从这些方面进行房价的影响因素分析，并构建相应的预测模型来预测北京市的房价。
一、宏观经济因素宏观经济因素是房价的重要决定因素之一，包括经济增长、通货膨胀率、利率水平和人口增长等。
经济增长是房价上涨的基础，经济增长意味着人们的收入水平提高，购买力增强，从而推动了房价的上涨。
通货膨胀率的上升会导致货币贬值，进而推高了房价。
利率水平的变化也会直接影响房价，当利率上升时，购买房产的成本也会增加，从而抑制了房价的上涨。
人口增长也会对房价产生影响，当人口持续增长时，对住房的需求也会增加，从而推动了房价的上涨。
二、政策因素政策因素是影响房价的关键因素之一、政府的相关政策措施对房价具有重大的影响。
例如，房地产调控政策的出台会直接影响房价的波动。
当政府采取严格的调控政策时，会抑制投资投机需求，从而稳定房价。
另外，政府还会出台土地供应政策、建筑规划政策等，这些政策也会直接或间接地影响着房价的波动。
三、市场因素市场因素也是影响房价的重要因素之一，包括供需关系、市场预期和交易成本等。
供需关系是房价波动的基础，当供大于求时，房价会下降；当需大于供时，房价会上涨。
市场预期也会对房价产生影响，市场预期房价上涨时，会促使购房者提前购买，从而推高了房价。
交易成本的变动也会对房价产生影响，例如涉及房地产的税费、手续费等，这些成本的减少会刺激购房需求，从而推高了房价。
基于以上分析，我们可以构建一个预测模型来预测北京市的房价。
首先，我们可以收集并整理相应的数据，包括历史房价数据、宏观经济数据、政策数据和市场数据等。
然后，我们可以利用回归分析的方法来构建预测模型。
以房价为因变量，宏观经济数据、政策数据和市场数据为自变量，利用历史数据进行回归分析，得到回归方程。
最后，我们可以利用该回归方程来进行房价的预测。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
房价的影响因素分析及预测模型标准化管理处编码[BBX968T-XBB8968-NNJ668-MM9N]房价的影响因素分析及预测模型——基于北京市相关数据的实证研究摘要房地产既是我国国民经济的支柱产业，也是关系重大的民生问题。
本文以北京市经济适用房销售价格、北京市生产总值等相关数据为例，分析房价的主要影响因素，建立房价与其影响因素的关系模型对北京市房价进行准确预测，并根据得出的预测结果对房地产发展提出合理性意见：问题一，建立影响房价的指标体系，利用软件将各指标数据进行折线图描述，将变化偶然性较大的货币供应量删除，建立主成分分析模型提取主成分，将各指标对各主成分的贡献率加权得到每个指标的总贡献率，比较得出影响北京市房价的六项主要指标依次为：X4居民家庭人均收入，X10房地产开发投资额,X2北京市生产总值，X1经济适用房销售价格，X6人均住宅建筑面积，X5新增保障性住房面积。
问题二，建立逐步回归模型，根据软件的运行结果显示，被剔除的前六个变量与问题一得出的六项主要指标一致，证明结论正确。
建立多元回归分析模型，由软件实现得到北京市房价与其主要影响因素的关系模型为：Y=4846.453+0.843X1+1.719X2+0.028X4−4.652X5−278.822X6−3.564X10。
问题三，建立曲线估计模型，通过软件拟合得到各指标变量随时间拟合的曲线方程（见表3·1），将预测房价与实际值进行比较，其平均误差仅为%，说明预测效果良好。
利用软件运行得到各指标及房价在2000至2015年的房价（见表3·6）稳中有升。
问题四，根据所得预测结果、北京房地产市场结构、政府相关政策，结合经济学知识，对北京市房地产发展提出合理建议。
最后，对所建模型进行了优缺点评价，在模型推广种介绍了这几个模型的广泛应用。
关键词：房价预测、影响因素、主成分、线性回归、曲线拟合一、问题重述1.1问题的背景及条件俗话说；“安居才能乐业！”在我国的传统观念中房子就家，不管住别墅还是住瓦房，每一个家庭都必须有自己的住房，因此住房问题本生就是关系国计民生的大问题。
同时，随着改革开放以来我国经济的高速发展，人民生活质量得到了极大提高，对住房质量、住房环境、小区配套服务等的要求也随之不断提高。
近十年来我国一些城镇的商品房价格上涨过快，过高的房价使城镇却中低收入者无力购买住房,为了社会持续稳定的发展,政府一直出台各种文件，从宏观层面对房地产市场进行调控。
但由于各部门配合不协调，加上恶意炒房的炒家操作，房地产的价格在过去的几年时间里快速地上涨，房价成了各种社会矛盾的焦点。
近几年来，保障房建设正在加速推进,中共中央政治局常委、国务院副总理李克强在全国保障性安居工程工作会上强调，要认真贯彻落实党中央、国务院的决策部署，大规模实施保障性安居工程，加大投入，完善机制，公平分配，保质保量完成今年开工建设1000万套的任务，努力改善群众住房条件。
问题的提出在上述背景条件以及题目给出的提示下，第一步我们需要对物价水平、国内生产总值、国民收入水平、金融政策、税收政策、土地、城市化率、各类保障性住房的投入使用等房地产价格的影响因素进行实证研究，找到影响房价的主要指标。
在第一步的基础上，第二步利用所学的数学基础知识，建立房地产价格与包括城镇住房保障规模在内的主要因素或指标之间联系的数学模型。
利用第二步所建立的关于房地产价格的数学模型，根据有关政策和规划对未来几年我国或某一地区在不同的保障房建设力度下就房地产价格趋势进行仿真或预测，并根据模型的需要对未来的情况作适当的假设。
最后，根据上述建立的数学模型和仿真结果，向相关单位、人士等提出房地产价格相关问题的咨询建议。
二、问题分析问题的重要性分析在上文已经提到住房是关系国计民生的大问题，虽然近几年来房地产业对我国各项经济指标的增长做出了巨大贡献，但高速上涨的房价使众多中低收入阶层的住房问题陷入窘境，贫富差距的矛盾日益突出，房价也成为了各种社会问题的焦点，已经威胁我国社会的持续性发展。
近段时间以来，从中央到地方的各级人民政府都相继出台了各种法律法规文件对房地产市场进行调控，公租房、廉租房和经济适用房等各类保障性住房也正在加大力度建设之中。
利用科学的方法分析得出房价的主要影响因素，建立预测模型预测近期的房价不仅有利于普通百姓更直观地根据市场、政策环境的变化分析房地产的变化，更重要的是，这将有利于政府部门合理地对房地产市场进行调控，使房价更合理、房地产市场的发展更稳健，从而解决民生问题，使老百姓安居乐业。
目前有关方面对本问题的研究房地产相关行业以及政府的研究机构从未停止过对房价及相关问题的研究，出现了众多的研究方法。
在房价的影响因素分析方面，彭聪【1】、赵丽丽【2】、李晨【3】分别通过回归分析、灰色关联分析、因子分析等方法，选取影响房地产价格的主要指标，说明住宅实际建造成本和实际生产总值对住宅价格有着显着的影响，而人口数和所有者实际资本成本的影响作用则不明显,并提出相应的改善措施和建议。
乔志敏【4】用实证分析表明生产成本的波动对房地产价格的波动有较强作用。
在确立房地产价格与各主要影响因素之间的联系方面，严焰【5】利用岭回归方法本文采用岭回归方法，以香港市场为样本，构建房价模型。
曾俊杰【6】基于回归分析和灰色关联分析做了多目标规划的房地产定价模型。
曹瑞【7】利用多项式回归模型讨论了影响房价的主要因素并建立对房价的分析模型。
总体来讲，国内学者对我国房价的研究主要从两个方面进行，一是从宏观经济方面的条件及微观经济方面的市场供求原理，来观察可能影响房价涨跌的因素；二是采用特征价格法，即针对组成房地产的各种特征属性，通过微观经济中的消费者效用理论，来分析特征属性的隐含价格对该商品价格的影响。
问题的思路分析本题主要是通过确定房价的主要影响因素，找到房价与各主要影响因素的变化关系，建立房价的预测模型，成为房地产市场调控的重要依据。
选取具有代表性的样本是科学研究的基本前提，北京是我国的首都，也是第一批保障性住房建设的试点城市，因此本文选取北京的相关数据进行实证研究。
问题一：在收集大量数据以及参考相关文献的基础上，确立房价主要影响因素的指标体系，并采用解决主要因素提取问题最广泛、最精确的方法之一的主成分分析方法，通过对载荷矩阵中各指标对所提取主成分的总贡献率的比较，即得到对房价产生影响的各主要指标。
问题二：在前人的研究成果中，我们可以发现建立房价与各主要指标之间的关系模型的主要方法是各种回归分析方法，本文采用思路最清晰明了、得到的关系式最精准的逐步回归分析法。
通过逐步回归分析，即得到房价与各主要指标的联系，同时将结果与问题一中得到的各主要指标进行比较，可检验得到的主要指标是否一致，从而对提取出的各主要指标进行验证。
最后利用多元线性回归方法对房价与各主要影响因素进行拟合，得到房价与保障住房在内的各主要影响因素之间的关系模型。
问题三：根据房价与保障性住房在内的各主要影响因素之间的关系模型，以及北京市“十二五”规划中关于保障性住房建设的规划，我们可以利用数学软件对“十二五”期间（即2011—2015年）北京市的房价进行仿真预测。
问题四：根据已经得到的模型及仿真结果，加上对房地产相关情况的了解及当前的国内外宏观经济环境等，最后对相关部门、单位及个人提出合理性的建议。
三、模型假设(1)假设经济性适用房的销售价格可以代表保障性住房的价格，从而进行本题的研究。
(2)假设在本文预测的2011至2015年期间，国家对房地产市场的宏观调控政策不发生重大改变，与现行的政策基本一致。
(3)假设在本文预测的2011至2015年期间，不发生重大自然灾害（如08年汶川地震）、金融危机（如08年美国次贷危机引起的世界金融危机）、战争等不可抗拒的、影响房地产市场发展的外力因素。
(4)房地产价格受众多因素的影响，受比赛时间所限，假设只考虑本文所研究的11个因素，以外的其他因素对房产价格的影响可暂时忽略。
(5)假设本文数据挖掘及处理研究过程中只出现有系统误差，无随机误差。
（6）假设本文所研究的各项因素的误差是不相关的。
四、符号说明五、模型的建立与求解5·1问题一：确定影响房地产价格的主要因素5·主成分分析的基本原理根据题意要求和相应的分析，对于问题一本文采用主成分分析方法。
主成分分析法是利用降维的思想，通过研究指标体系的内在结构关系，把多指标转化成少数几个互相独立而且包含原有指标大部分信息（80％—85％以上）综合指标的多元统计方法，本文在提取主成分是要求提取达到90%以上的信息，其优点在于利用该方法所确定的权数是基于数据分析而得到的指标之间的内在结构关系，不受主观因素的影响，而且得到的综合指标（主成分）之间彼此独立，减少信息的交叉，从而使分析评价结果具有客观性和可确定性。
主成分分析是对于原先提出的所有变量，通过线性变换建立尽可能少的新变量，使得这些新变量是两两不相关的，且这些新变量在反映数据的信息方面尽可能保持原有变量或数据的信息和特点。
数学上的处理就是将原来p个指标作线性组合，作为新的综合指标，如果将选取的第一个线性组合即第一个综合指标记为Ｆ1，自然希望Ｆ1尽可能多的反映原来指标的信息，这里的“信息”用Ｆ1的方差来表达，即Var（Ｆ1）越大，表示Ｆ1包含的信息越多。
因此在所有的线性组合中所选取的Ｆ1应该是方差最大的，故称为第一主成分。
如果第一主成分不足以代表原来p个指标的信息，再考虑选取即选第二个线性组合，为了有效反映原来信息，Ｆ1已有的信息就不需要出现在Ｆ1中，用数学语言表达就是要求Cov(Ｆ1，Ｆ2)=0，称Ｆ2为第二主成分，依此类推可以构造出第三，四，···，第p个主成分。
通过查阅中华人民共和国国家统计局网站【8】、北京市统计信息网【9】，中国知网【10】，我们得到北京市的物价水平、生产总值、收入水平、金融政策、税收政策、土地、城市化率、保障性住房面积、销售价格等统计数据，并在查阅大量相关文献的情况下，得到如表1所示的影响房价的指标体系（见表1·1）。
最后本文选取从2001年至2010年期间房价及各指标的统计数据进行实证分析（见附1）。
表1·1 影响房价的指标体系本文将所搜集整理的各指标数据按时间进行绘图描述，得到各指标的描述图(如图1·1)图1·1 各指标按时间序列拟合曲线图如上图所示，在2000至2010年11年间，由于近几年我国通货膨胀严重，人民币贬值，导致X11货币供应量各年份的丈夫偏差太大，由于无法预料未来一段时间内人民币或发生货币通货膨胀还是通货紧缩以及其变化程度，故将这一因素删除，最后将影响房价的指标确定为表1·1中的前十个指标。