我国房地产价格影响因素的多元回归模型分析
基于多元线性回归分析房地产价格影响因素
基于多元线性回归分析房地产价格影响因素作者：赵敬葛学韬来源：《商情》2015年第18期【摘要】从房屋销售实现市场化交易之后，近10年来，房价飞速上涨，并且在政府多次的政策调控下没有得到缓和的趋势，这一现象逐渐引起了社会各界的广泛关注。
本文以济南为例，选取2003年到2012年数据，从人均GDP、总人口、结婚数、城乡居民人民币储蓄存款余额、城镇居民人均可支配收人、土地购置费、房屋销售面积、房屋竣工面积占施工面积的比重，利用SPSS进行线性回归，从而得出房屋销售价格变动最为密切的影响因素，并提出建议。
【关键词】人均GDP ;商品房平均销售价格 ;多元线性回归一、引言随着我国国民经济的飞速发展，我国城市近几年也获得了高速迅猛的发展，房地产住房消费占我国城镇居民消费的比重也越来越高。
同时，随着城镇居民住房观念发生的重大转变、住房消费的有效启动、住房商品化新体制的基本确立、房地产投资的持续快速增长，以商品住宅为主的房地产业成为国民经济的重要支柱产业。
但是，我国房地产市场的发展极为不稳定，城市商品住宅的价格日益增长。
济南是一个二线城市，从很大程度上可以代表二线城市的整体发展水平，而二线城市的发展好坏更能影响国民经济的发展。
本文通过分析济南房价的影响因素，从而使得国家进行更好的调控，相应的提高国家的整体水平。
二、实证分析（一）多元线性回归分析方法回归分析是经济计量分析中使用最多的方法，多元回归分析预测法，是指通过对两个或两个以上的自变量与一个因变量的相关分析，建立预测模型进行预测的方法。
当自变量与因变量之间存在线性关系时，称为多元线性回归分析。
多元线性回归模型的一般形式为：Y=β0+β1X1+β2X2+β3X3+…βkXk+εβ0、β1、β2、βk是参数，ε是被称为误差项的随机变量。
（二）影响商品房平均价格的因素分析某一地区的房价是由宏观经济、供给方（房地产厂商）、需求方（购房者）三方共同决定的，因此引入了相应的指标作为自变量。
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。
基于GRA的房地产价格影响因素回归分析
基于GRA的房地产价格影响因素回归分析以近年来杭州市房地产价格变化为例，以灰色关联度分析（Grey Relational Analysis GRA）理论为基础，对影响房地产价格的主要因素进行分析，得到五个关联度相对较高的因素：即年人均可支配收入、生产总值、销售面积、房地产开发投资、竣工面积等；对这五个主要影响因素进行回归分析，建立了回归模型。
结果表明：房地产开发投资是影响杭州市房地产价格变动的主要因素。
标签：房地产价格；灰色关联度（GRA）；回归分析1 引言房地产业是整个国民经济的重要基础产业，是一个产业链长，经济关联度高的行业，在国民经济中占有十分重要的地位，其运行质量直接影响到国民经济的健康发展。
近几年来，中国的经济快速发展，房地产开发投资不断扩大，商品房销售面积逐年增加，房地产业进入快速发展时期，但在其快速发展的过程中也逐渐暴露出许多令人深思的问题：如房地产投资幅度过高、商品房空置面积增加、供求不平衡、结构不合理、阶段性供给过剩等等，这些问题大都会通过房地产价格变化得以呈现。
这也使得房价的升与降及国家的新政策成为人们关注的焦点。
因此，对房地产价格问题的研究也显得尤为重要。
近年来，国内外许多学者对影响和决定房地产价格的因素进行了研究，并就定性和定量分析做了大量探索工作，但是到目前为止可靠的分析方法和模型模拟研究方法依然缺乏，因而本文试图以杭州市房地产价格变化为例，通过构建数学模型，在GRA分析的基础上对房地产价格的影响因素做研究分析。
2 影响房地产价格因素的选取和分析方法的确定2.1 影响房地产价格因素的选取影响房地产价格的因素很多，但可以将其大体分为两类：内部决定因素和外部影响因素。
其中内部决定因素又可分为供求关系、开发成本、自身因素三个方面；外部影响因素则可从经济因素、社会因素、政策因素、人口因素及心理因素五个方面作以分析。
但是，由于上述所提及的众多因素存在数据不完备、统计口径不一致等问题，进行模型分析时对以上因素进行了精简及筛选，取对房地产价格影响较为密切的可量化因素进行分析：全市人口数量、地区生产总值（GDP）、房地产开发投资、年人均可支配收入、竣工面积、人均住房面积、销售面积。
基于回归分析的房价模型及预测
基于回归分析的房价模型及预测随着生活水平的提高和城市化进程的加速，房地产市场已经成为了国民经济的重要组成部分。
对于购房者而言，他们需要了解市场上的房价走势，以便更好地做出投资决策。
而对于开发商而言，他们需要明确自己产品的价值，以便正确定价并获得市场份额。
因此，基于回归分析的房价模型及预测在当前的经济背景下显得极其重要。
本文将介绍回归分析的相关知识，并利用Python语言建立基于多元线性回归的房价模型，并预测房价走势。
一、回归分析的知识介绍回归分析是一种通过对因变量与自变量之间的关系进行建模来对因变量进行预测的统计分析方法。
简单来说，回归分析就是用已知的自变量数据来预测未知的因变量数据。
在回归分析中，自变量与因变量之间的关系可以用一条直线或曲线来表示，这条直线或曲线称为回归线或回归曲线。
在回归分析中，自变量数量的不同可以分为简单线性回归和多元线性回归。
如果自变量只有一个，称为简单线性回归；如果自变量有多个，称为多元线性回归。
在建立回归模型之前，需要考虑一些问题，例如选择哪些自变量，如何评价模型的拟合程度等。
二、基于多元线性回归的房价模型建立在本文中，我们选择了三个自变量，分别是房屋面积、房间数量和街区位置。
我们使用Python语言来建立回归模型，其中使用了Pandas、NumPy、Scikit-learn和Matplotlib 等库。
具体代码如下所示：```pythonimport pandas as pdimport numpy as npfrom sklearn.linear_model import LinearRegressionimport matplotlib.pyplot as plt# 读取房屋数据data = pd.read_csv('house.csv')x = data.iloc[:, 1:4].valuesy = data.iloc[:, 0].values# 拟合回归模型model = LinearRegression()model.fit(x, y)R2 = model.score(x, y)print('R2 coefficient:', R2)# 显示散点图plt.scatter(data['Area'], data['Price'], color='blue')plt.xlabel('Area')plt.ylabel('Price')我们首先使用Pandas库读取房价数据，并将数据分为自变量和因变量。
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。
二手房房价影响因素的多元线性回归分析及其应用
二手房房价影响因素的多元线性回归分析及其应用摘要：在房价居高不下的情况下，二手房市场悄然兴起。
目前新品房数量已经不足以满足居民的住房需求，房地产市场供需愈加不平衡。
因此，为了平衡住房的供给和需求，二手房市场的存在就有了意义。
在二手房市场上，出售者和购买者以双方都能接受的价格达成协议，完成住房的出售，对房源进行了再分配。
本文在居民消费水平提高、重庆二手房市场十分活跃的背景下，对重庆市二手房价格进行了统计，分析了影响二手房房价的因素，例如居住条件、周边环境、经济增长等因素，并结合二手房市场所遇困难和政府对策，对适用于二手房市场的政策进行了阐述。
关键词：二手房房价；数据统计；影响因素Abstract：In the case of high housing prices, the secondary housing market quietly emerged. At present, the number of new arrivals is insufficient to meet the housing demand of the residents, and the supply and demand of the real estate market are increasingly unbalanced. Therefore, in order to balance the supply and demand of housing, the existing housing market has a meaning. In the second-hand housing market, the seller and the buyer agree on a price acceptable to both parties, complete the sale of the house and redistribute the house source. Based on the residents' consumption level, chongqing under the background of the secondary market is very active, chongqing second-hand housing prices for the statistics, analyzes the factors influencing the second-hand house prices, for example, living conditions, surrounding environment, factors such as economic growth, and combining with the secondary market encountered difficulties and countermeasures of government, the policy applicable to the secondary market are expounded.Key words：S econd-hand house price；Data statistics；Influence factor目录摘要 (I)Abstract (I)目录 .......................................................................................................................... I I1 引言 (1)1.1 选题的背景和选题的意义 (1)1.1.1 选题的背景 (1)1.1.2 选题的意义 (1)1.2 文献综述 (2)1.3 研究的内容和研究的方法 (2)1.3.1 研究的内容 (2)1.3.2 研究的方法 (3)2 居民消费水平 (3)3 重庆市二手房市场现状及存在的问题 (4)3.1 二手房概念 (4)3.2 二手房市场交易现状 (5)3.3 存在问题分析 (6)3.3.1 供需问题与货币政策 (6)3.3.2 房地产中介行业 (6)4 重庆市二手房价格影响因素 (7)4.1 多重共线性分析 (7)4.2 影响因素分析 (8)4.2.1 居住条件 (8)4.2.2 周边环境 (8)4.2.3 经济增长 (9)4.2.4 消费者心理 (11)5 重庆市二手房市场的政策导向和发展对策 (11)5.1 规范房地产中介管理制度 (11)5.2 发展公租房，完善住房体系 (12)5.3 降低二手房交易所需成本 (13)参考文献 ........................................................................................ 错误！未定义书签。
地价指数的影响因素研究——基于多元回归模型的北京市数据分析
地价指数的影响因素研究——基于多元回归模型的北京市数据分析摘要：研究目的：地价指数是衡量房地产发展的一个重要指标，研究影响地价指数的因素，以服务决策。
研究方法：以北京市历年的相关数据为基础，基于多元回归模型，运用相关软件对数据进行分析。
研究结果：通过分析各种数据，得出对地价指数影响较大的因素包括历年平均房价和住宅销售面积。
其中，历年平均房价与地价指数呈现正相关关系，住宅销售面积与地价指数呈现负相关关系。
不同因素对于地价指数的影响权重有差异。
研究结论：经济的发展会导致地价指数的上涨，但是过度的上涨不利于房地产经济的健康发展，因此要采取相关措施加以控制，以引导房地产市场的健康运行。
关键词：房地产；地价指数；多元回归1 引言房地产的价格牵动着土地的价格，土地的价格也会反过来影响房地产的价格，二者之间相互成就。
在土地价格方面，地价指数是一个衡量土地价格的重要指标。
地价指数是反映土地价格随时间的变化的趋势与幅度的相对数，能帮助人们掌握一个城市各类土地价格的变化及其总体变化的趋势。
地价指数是报告期地价与基期地价的比值。
地价指数越小，表明地价波动越小，社会的经济越稳定。
因此，分析研究地价指数对于了解社会经济动态有重要的意义。
按照房地产的用途分类，主要的地价指数有商服地价指数、住宅地价指数和工业地价指数。
由于住房问题是人们较为关注的民生问题，因此本文主要以住宅地价指数为研究依据，以期能对相关政策的提出有所贡献。
2 模型与变量选取2.1 计量模型基于多元回归模型，设计如下方程：将以上数据结合起来，进行回归分析，就可以得出回归方程，从而能得出结论。
3 实证分析根据软件分析，确定：y=302.338+0.006-0.063作为最终的回归方程。
以上回归方程表明：平均房价与住宅地价指数呈现正相关关系；住宅销售面积与住宅地价指数呈现负相关关系，这种关系与实际情况较为符合。
4 结论4.1 存在的问题4.1.1指数影响因素非单一化，易受政府政策的影响土地与房地产密不可分，发展涉及多个方面，因此指数的变化也受到多种因素影响。
唐山市房价影响因素的多元线性回归分析
二、 多元线性 回归模型的建立和检验
（ 一） 模 型指标 和数据 的选取 在经 济 学 中 ， 研 究 一个 变 量 的变化 受 多个 因素
Ｒ为 ０ ． ９ ９ ９ ， 决定 系数 Ｒ方 为 ０ ． ９ ９ ７ ， 调整 Ｒ方为
第ｌ ４卷
第 ２期
河 北 联 合 大 学 学 报 （ 社会科 学版 ）
Ｊ ｏ ｕ ｒ ｎ ａ ｌ ｏ ｆ Ｈｅ ｂ ｅ ｉ Ｕｎ ｉ ｔ ｅ ｄ Ｕｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ （ Ｓ ｏ ｃ ｉ ａ ｌ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ Ｅ ｄ ｉ ｔ ｉ ｏ ｎ ）
２ ． 住 宅竣 工面积
房地产被称为国民经济的晴雨表 ， 与地区经济
收稿 日期 ： ２ ０ １ ３ １ １ － ２ １
住 宅 竣 工 面 积 反 映 了该 地 学报（ 社会科学版）
第ｌ ４卷
量， 竣工面积越大， 供给量越大， 同样的需求量下 ， 房
北省经济发展速度最快 的城市， 同样 面临着房价攀 升的问题。本文就 以唐山市为例， 运用 Ｓ Ｐ Ｓ Ｓ软件 ， 对唐 山市房价 进行 多元 线性 回归 分 析 ， 研 究影 响房 价的主要因素 ， 并提出相关建议 ， 促进房地产业健康
发展 。
一
居 民是商品房的需求主体 ， 因此人 口数量直接 影 响 了一个地 区对 房屋 的需 求 量 。同 时 ， 工业 现 代 化引起城镇人 口大量增加 ， 加之我 国传统的消费观 念影响 ， 推动了对商品住宅的需求。
Ｖｏ １ ． １ ４ Ｎｏ ． ２
Ｍａ ｌ ＂ ． ２ ０１ ４
２ ０ １ ４年 ３月
文章编号 ： ２ ０ ９ ５ － ２ ７ ０ ８ （ ２ ０ １ ４ ） ０ ２ － ０ ０ ２ １ ０ － ５
- 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)。
一、现阶段我国房地产价格发展特点 随着房地产投资规模持续扩大，房价不断攀升，房地产市场供 给、需求不合理现象逐渐表现出来。尽管中央政府相继出台了一系 列房地产市场宏观调控措施，但房地产市场价格还是继续走高。现 阶段我国房地产价格体现出以下几个方面的特点： （一）全国范围内房价持续较快上涨 最近几年，我国房价呈不断上涨的趋势，涨价之风逐渐从大城 市刮向中小型城市。虽然有一些城市和地区的房价仍然处于较低水 平，但是可以预测，这些城市和地区的住房需求将会在今后一段时 间逐步显现出来并在一个较长时期保持增长。 （二）房地产市场供给结构不合理，高价格高空置率并存。 房地产价格上升，从内在价格规律而言是由于供不应求而引起 的，但是这种供不应求是指房地产的有效供给不足。即虽然房地产 的投资逐年增多，但是能真正满足百姓需求的房子供不应求。一般 居民对虚高的房价没有承受能力。老百姓买不起房，房屋空置率 高，价格却不下降。 （三）房地产市场消费性需求仍将继续保持较大 随着社会经济发展，人们可支配收入增加，住房需求的主体规 模不会压缩。同时，国内外房地产投资、投机、融资需求仍会继续 升温。因此，房地产市场的需求将保持旺盛势头。
二、我国房地产价格影响因素的主成分分析 （一）指标选择 本 文 通 过 对 《 中 国 统 计 年 鉴 ２００６》 中 ２００５年 度 全 国 ３ １个 省 （市）地区经济发展水平、房地产成本以及供求等方面的相关数据 进行整理，选取了地区ＧＤＰ（亿元）Ｘ１、人均住房建筑面积（平方米 ／人）Ｘ２、家庭户数（户）Ｘ３、人均可支配收入（元）Ｘ４、年末实有公 共 汽 （ 电 ） 车 辆 数 （ 辆 ） Ｘ５、 年 末 实 有 住 宅 建 筑 面 积 （ 万 平 方 米 ） Ｘ６、 房 地 产 固 定 资 产 投 资 （ 亿 元 ） Ｘ ７、 竣 工 房 屋 造 价 （ 元 ／ 平 方 米 ） Ｘ８和商品房屋平均价格（元／平方米）Ｙ等９个指标进行分析。 （二）主成分分析 １．主成分分析的前提 通过ＳＰＳＳ统计软件对原始数据进行相关分析得到相关系数矩 阵 ， 其 中 Ｘ １与Ｘ ３－Ｘ ７相 关 系 数 分 别 为 ０ ． ７ ８ ６ ， ０ ． ５ １ ９ ， ０ ． ８ ９ ４ ， ０ ． ９ ４ ２ ， ０．８９１；Ｘ７与 变 量 Ｘ１－Ｘ６之 间 的 相 关 系 数 全 都 在 ０ ． ５ 以 上 ， 分 别 为 ： ０．８９１，０．５２１，０．６１４，０．７６２，０．９１８，０．８３５；其余变量之间的相 关系数也大都在０．５以上。由此可知，所选取的８个变量之间相关性非 常高，可以提取综合指标，因此适合进行主成分分析。 ２．方差贡献率和共同度 由 于 选 择 两 个 主 成 分 会 造 成 Ｘ ２的 信 息 提 取 不 足 ， 所 以 我 们 选 择 三 个主成分，从方差贡献率表中可以看出，前三个主成分累积方差贡 献率为９４．５９７％，能够包含大部分原始变量的信 息 。 同 时 共 同 度 也 显示，选取三个主成分将会提取到变量Ｘ２的９８．８％的信息，弥补了选 择两个主成分的不足，并且选择三个主成分对其他变量信息的提取 也 有 所 增 加 ： Ｘ１为９６．０％、Ｘ３Ｘ８分别为９４．２％、９３．８％、９２．７％、 ９５．１％、９５．７％、９０．３％ ３．初始因子载荷分析 从 初 始 因 子 载 荷 分 析 可 以 看 出 Ｘ１、Ｘ５、Ｘ６、 Ｘ７即 地 区 Ｇ Ｄ Ｐ （ 亿 元）、年末实有公共汽（电）车辆数（辆）、年末实有住宅建筑面 积（万平方米）、房地产固定资产投资（亿元）的信息可称为“地区 经济发展状况和房地产供应因素”在第一个主成分Ｆ１上有较高载荷， 说明第一个主成分基本反映了这些指标的信息；而 Ｘ３、Ｘ４、Ｘ８的信息 即家庭户数（户）、人均可支配收入（元）和竣工房屋造价（元／平
·消费研究
Ｃｏｎｓｕｍｅ Ｇｕｉｄｅ ·Ｃｏｎｓｕｍｉｎｇ Ｒｅｓｅａｒｃｈ
我国房地产价格影响因素的多元回归模型分析
■ 张丽 尹皓 四川大学公共管理学院
［摘 要］从９０年代初我国房地产市场的建立至今，房地产业已成为有关国计民生的基础行业，但最近几年我国大部分城市和地区房价持续上 涨，远远超过了普通居民的承受能力。本文在对相关数据进行主成分分析和多元回归分析的基础上分析了影响我国房地产价格上涨的主要因 素。 ［关键词］房地产价格 多元回归 主成分分析 影响因素
三、多元回归分析 由于主成分只是原始变量的线性组合，而不能解释单个变量的 属性作用。只能找出可能的影响因素，因此我们还必须对其进行回 归分析。 回归分析结果
根据上表，列出回归方程表达式： Ｙ＝０．５４９ Ｆ１＋０．７８１ Ｆ２＋０．０５３ Ｆ ３ 从 表 达 式 可 以 看 出 ： Ｆ１和Ｆ２对因变量Ｙ的影响远远大于Ｆ３， 就 是 说因变量Ｙ（商品房屋平均价格）主要是受Ｆ１（地区经济发展状况和 房 地 产 供 应 因 素 ） 和 Ｆ２（ 房 地 产 成 本 和 需 求 因 素 ） 共 同 影 响 ， 而 受 Ｆ２（房地产成本和需求因素）的影响最大。但这只是对房地产价格影 响因素的量化分析。同时我们还应看到以下几个不能量化的方面： 第一，地方政府出于自身利益不是很主动去落实国家调整房价 的政策，从而纵容房价飙升。第二，消费升级与消费文化的转变也 促进了房地产价格的上涨。第三，消费者心理预期偏高、炒房行为 已经成为了影响房地产价格的重要因素，许多人争相涉足房地产进 行投资，使得房价呈现“虚高”现象，房地产市场充斥着大量泡 沫。
参考文献 ［１］罗云毅，程选，刘琳。对当前房地产市场形势的几点分析和建议［Ｊ］中国经 贸导刊，２００８ ［２］桑玉杰。回归分析在房地产市场方面的应用［Ｊ］沈阳航空工业学院学报 ２００３．６
１产成本和需求因素”则在第二个主 成分Ｆ２中有较高载荷；第三个主成分Ｆ３主要包含了Ｘ２人均住房面积的 信息。
４．主成分得分系数矩阵 通过主成分得分系数矩阵列出各个主成分的表达式： 第一主成分： Ｆ１＝０．１８８Ｘ１＋０．１１４Ｘ２ ＋０．１４６Ｘ３ ＋０．１３３Ｘ４ ＋０．１８５ Ｘ５ ＋０．１８４ Ｘ６＋０．１９２ Ｘ７＋０．０７５ Ｘ ８ 第二主成分： Ｆ２＝ － ０ ． ０ ６ ７ Ｘ１ －０．１６９ Ｘ２ －０．３４４ Ｘ３＋０．３７１ Ｘ４＋０．０５２ Ｘ５－ ０．１５６ Ｘ６＋０．０８０ Ｘ７＋０．４８５ Ｘ ８ 第三个主成分： Ｆ３＝ ―０．２８８ Ｘ１＋ １ ． ０３９ Ｘ２― ０．１７１ Ｘ３＋０．２８８ Ｘ４― ０．２８９ Ｘ５－ ０．１４９ Ｘ６＋０．０３２ Ｘ７―０．０４１ Ｘ８ 在 第 一 主 成 分 的 表 达 式 中 ， Ｘ７、Ｘ１、Ｘ５、Ｘ６四 项 指 标 的 系 数 较 大，我们把他综合为地区经济发展状况和房地产供应因素对房地产 价格的影响。 在第二个主成分表达式中，指标Ｘ８、Ｘ３、Ｘ ４的影响最大，可将其 综合为房地产成本和需求因素对房地产价格的影响。 在第三个主成分表达式中，指标Ｘ２的影响最大，单独看成是人均 住房面积（平方米／人）的影响。