BÀI TẬP LỚN KINH TẾ LƯỢNG VÀ PHÂN TÍCH DỮ LIỆU PHÂN TÍCH BỘ SỐ LIỆU: GIÁ BĐS VÀ CÁC YẾU TỐ ĐỊNH LƯỢNG VÀ VỊ THẾMô hình được xây dựng dựa trên các yếu tố định lượng và vị thế của BĐS tác động đến giá BĐS.Số quan sát là các số liệu thực tế mà các cán bộ tại NH Á Châu trực tiếp khảo sát được tại thời điểm năm 2011. Dựa vào nguồn số liệu này, em đã lấy ra 100 BĐS ngẫu nhiên làm 100 quan sát khác nhau được nghiên cứu các quận tại TP.Hồ Chí Minh để đưa vào mô hình nhằm đưa ra những đánh giá về các nhân tố ảnh hưởng tới giá BĐS tại TP.Hồ Chí Minh.
Trang 1BÀI TẬP LỚN
KINH TẾ LƯỢNG VÀ PHÂN TÍCH DỮ LIỆU
Học viên thực hiện: Diệp Thị Dệt
PHÂN TÍCH BỘ SỐ LIỆU: GIÁ BĐS VÀ CÁC YẾU TỐ ĐỊNH LƯỢNG
VÀ VỊ THẾ
Hà Nội, 01/ 2013
Trang 2Mô hình được xây dựng dựa trên các yếu tố định lượng và vị thế của BĐS tác động đến giá BĐS.Số quan sát là các số liệu thực tế mà các cán bộ tại NH Á Châu trực tiếp khảo sát được tại thời điểm năm 2011 Dựa vào nguồn số liệu này, em đã lấy ra 100 BĐS ngẫu nhiên làm 100 quan sát khác nhau được nghiên cứu các quận tại TP.Hồ Chí Minh để đưa vào mô hình nhằm đưa ra những đánh giá
về các nhân tố ảnh hưởng tới giá BĐS tại TP.Hồ Chí Minh Trong bài em hồi quy bằng phương pháp
LS giá bất động sản thông qua mô hình Logarit Mô hình này được sử dụng vì nó phù hợp với những
dữ liệu tương đối tốt và hệ số ước lượng từ mô hình có thể giải thích tỷ lệ đóng góp tỷ lệ đóng góp của các đặc tính hàng hóa vào trong hàng hóa một cách trực tiếp Ngoài ra, theo nghiên cứu đối với chuỗi
dữ liệu không có phân phối chuẩn như chuỗi dữ liệu có đơn vị là tiền tệ hoặc có giá trị dương, thì mô hình semi-logarit thường được sử dụng Do đó, trong bài đã sử dụng mô hình log-lin và biến giá của BĐS (LnPRICE) là biến phụ thuộc và các biến độc lập là các biến của yếu tố định định lượng và vị thế của BĐS
Các biến được sử dụng trong mô hình:
Doanh sách biến
H
- Giá trị BĐS trên thị trường (PRICE): Là mức giá ước tính sẽ được mua bán trên thị trường
vào thời điểm thẩm định giá giữa một bên là người mua sẵn sàng mua và một bên là người bán sẵn sàng bán trong một giao dịch khách quan và độc lập trong điều kiện thương mại bình thường
- Diện tích BĐS (AREA): Được tính trên tổng diện tích của BĐS đó và được kì vọng là tỷ lệ
thuận với giá BĐS Đơn vị tính là m2
- Khoảng cách từ BĐS tới trung tâm (CBD): Trong bài nghiên cứu này, trung tâm của TP Hồ
Chí Minh được tính coi là chợ Bến Thành Và giá của BĐS được kì vọng là tỳ lệ nghịch với khoảng cách này Đơn vị tính là m
Biếnđộclập
đường
Trang 3- Khoảng cách từ BĐS tới mặt đường (DISROAD): Giá của BĐS phụ thuộc khá lớn vào yếu tố
này Chính vì thế việc đưa biến này vào mô hình là hợp lý Và biến này cũng kì vọng là tỷ lệ nghịch với giá của BĐS Đơn vị tính là m
- Diện tích nhà (HAREA): Đây là phần nhà ở được xây trên BĐS đó Đơn vị tính là m2
- Mục đích sử dụng (USE): 1 BĐS thường có 2 mục đích chính đó là xây nhà để ở và kinh
doanh Trong mô hình này, ta quy ước nếu BĐS với mục đích để ở thì nhận giá trị bằng 1 và với mục đích kinh doanh nhận giá trị bằng 0
Correlation Matrix
AREA CBD DISROAD HAREA USE PRICE AREA 1.000000 -0.142585 -0.374407 0.398028 0.371984 0.674077
CBD -0.142585 1.000000 0.052016 -0.117846 -0.226736 -0.171668
DISROAD -0.374407 0.052016 1.000000 -0.152231 -0.496499 -0.519560
HAREA 0.398028 -0.117846 -0.152231 1.000000 0.192562 0.390218
USE 0.371984 -0.226736 -0.496499 0.192562 1.000000 0.536344
PRICE 0.674077 -0.171668 -0.519560 0.390218 0.536344 1.000000
Từ bảng trên, ta thấy trong 6 biến độc lập thì biến AREA là tương quan với biến PRICE nhiều nhất là 67% sau đó đến biến USE và biến DISROAD.Trong các cặp biến còn lại, biến USE và AREA tương quan với nhau nhiều nhất tương ứng là 37% Điều này cho thấy giá của BĐS có ảnh hưởng rất lớn từ diện tích của BĐS đó và mục đích sử dụng chúng
AREA CBD DISROAD HAREA USE PRICE Jarque-Bera 25.13371 0.283682 148.7568 3206.985 16.66684 25.65100
Probability 0.000003 0.867759 0.000000 0.000000 0.000240 0.000003
Từ kiểm định Jarque-Bera, cho kết quả chỉ có biến CBD là phân phối chuẩn còn các biến còn lại không phân phối chuẩn
Mô hình tổng quát:
Trang 4Ln(PRICE) = β 1 + β 2 *AREA + βAREA + β 3 *AREA + βCBD + β 4 *AREA + βDISROAD + β 5 *AREA + βHAREA + β 2 *AREA + βUSE + U i
Hồi quy mô hình 6 biến bằng phương pháp LS được bảng kết quả như sau:
Dependent Variable: LOG(PRICE)
Method: Least Squares
Date: 01/19/13 Time: 22:47
Sample: 1 100
Included observations: 100
Variable Coefficient Std Error t-Statistic Prob
AREA 0.015848 0.002307 6.868949 0.0000
DISROAD -0.003526 0.000937 -3.762524 0.0003
HAREA 0.000547 0.000322 1.697051 0.0930
R-squared 0.685581 Mean dependent var 9.396049
Adjusted R-squared 0.668856 S.D dependent var 0.835317
S.E of regression 0.480684 Akaike info criterion 1.430912
Sum squared resid 21.71938 Schwarz criterion 1.587222
Log likelihood -65.54560 F-statistic 40.99276
Durbin-Watson stat 1.611214 Prob(F-statistic) 0.000000
Từ kết quả hồi quy trên ta thấy: Pvalue(F-statistic)=0.000 nên hàm hồi quy có phù hợp Với
R2 = 0.686 cho biết 68.56% sự biến động của biến phụ thuộc được giải thích bởi các biến độc lập trong mô hình Tổng bình phương các phần dư có giá trị là 21.71
Ý NGHĨA CÁC BIẾN
Diện tích của đất (AREA): Khi các yếu tố khác là không đổi thì giá BĐS sẽ tăng thêm
0.015848% nếu như diện tích mỗi mảnh đất lớn hơn 1m2 Diện tích lớn, giúp cho việc mở cửa hàng, văn phòng cho thuê có nhiều cơ hội hơn Tại trung tâm mà nhu cầu đất để xây dựng cửa hàng kinh doanh buôn bán, văn phòng lớn thì diện tích đất lớn sẽ có cơ hội mua bán cao
Diện tích nhà (H_AREA): Tương tự đối với diện tích nhà, giá BĐS có phụ thuộc vào yếu tố diện
tích nhà nhưng là rất ít khi diện tích nhà tăng 1m2 chỉ tăng 0.000547% Diện tích nhà chỉ ảnh hưởng rất nhỏ tới giá của BĐS Trên thực tế có những căn nhà rất lụp xụp nhưng thuộc vị trí mặt tiền đường dùng cho kinh doanh buôn bán, mở quán ăn, quán nhậu kinh doanh rất đông khách thu nhập rất cao Còn các BĐS trong hẻm sâu dù nhà có lớn, nhiều tầng nhưng cũng chỉ dùng để ở khó tạo ra thu nhập cao
Khoảng cách của BĐS tới trung tâm (CBD): Theo tính chất của thị trường BĐS giá nhà sẽ cao
khi BĐS gần trung tâm và ngược lại.Nhưng từ kết quả trong mô hình giá nhà sẽ tăng 0.005468% khi
Trang 5mà khoảng cách này xa hơn 1km Điều này là không hợp lý Chính vì thế biến CBD không có ý nghĩa
cả về mặt thống kê lẫn về mặt kinh tế trong mô hình này
Khoảng cách từ BĐS tới mặt tiền đường (DIS_ROAD): Giá của một bất động sản càng nằm sâu
hơn trong hẻm so với các BĐS khác 1 m sẽ có giá giảm 0.003526% Với BĐS có diện tích và cấu trúc giống nhau, nhưng BĐS cách mặt tiền đường 50m sẽ có giá cao hơn BĐS cách mặt tiền 100m Do yếu
tố lợi thế giao thông và lợi thế kinh doanh tốt hơn
Mục đích sử dụng BĐS: BĐS có thể được sử dụng với mục đích kinh doanh hoặc mục đích để ở.
Đây là một nhân tố quan trọng để quyết định giá BĐS Ta thấy giá BĐS sẽ tăng lên nếu BĐS đó được dùng với mục đích kinh doanh
CÁC KIỂM ĐỊNH
- Kiểm định tự tương quan bằng kiểm định Durbin-Watson: Ta thấy mô hình không có
hiện tượng tự tương quan bậc 1 do Pvalue(F-statitis) = 0.07 >0.05 Chưa đủ cơ sở bác bỏ H0 lên mô hình trên không có hiện tượng đa cộng tuyến bậc 1 Tương tự như treen, ta thấy mô hình không có hiện tượng đa cộng tuyến bậc 2
Kết quả kiểm định tự tương quan bậc 1:
F-statistic 3.318017 Probability 0.071739
Obs*R-squared 3.444856 Probability 0.063449
Kết quả kiểm định tự tương quan bậc 2:
F-statistic 1.645821 Probability 0.198481
Obs*R-squared 3.454281 Probability 0.177792
- Kiểm định phương sai sai số thay đổi bằng kiểm định White:
+ Trong trường hợp không tích chéo: Pvalue (F-statistic)=0.074 >0.05 chưa đủ cơ sở bác bỏ
H0 nên mô hình không có hiện tượng PSSS thay đổi trong trường hợp này
Kết quả kiểm định PSSS thay đổi:
F-statistic 1.821793 Probability 0.074924
Obs*R-squared 15.41046 Probability 0.080261
+ Trong trường hợp tích chéo: Pvalue (F-statistic)=0.514>0.05 chưa đủ cơ sở bác bỏ H0 nên không có hiện tượng PSSS thay đổi
Trang 6F-statistic 0.960185 Probability 0.514742
Obs*R-squared 18.56968 Probability 0.484736
- Kiểm định dạng hàm bằng kiểm định Ramsey: Pvalue (F-statistic)=0.039<0.05 đủ cơ sở
bác bỏ H0 Vậy ta có thể kết luận là dạng hàm của mô hình trên là thiếu biến hoặc thừa biến Để khắc phục khuyết tật này ta cần thêm hoặc bớt biến phù hợp vào mô hình để mô hình có dạng hàm đúng
F-statistic 8.745530 Probability 0.003934
Log likelihood ratio 8.987540 Probability 0.002718
Từ kết quả của mô hình ta thấy có 2 biến CBD và biến HEAREA không có ý nghĩa
về mặt thống kê, chính vì thế để khắc phục dạng hàm sai bằng cách ta sẽ bỏ bớt 2 biến này
đi Khi bỏ 2 biến hàm vẫn ở dạng hàm sai Nếu bớt tiếp biến USE mô hình mới chỉ gồm biến phụ thuộc LOG(PRICE) và 2 biến độc lập là AREA và DISROAD Kết quả hồi quy mới: Dependent Variable: LOG(PRICE)
Method: Least Squares
Date: 01/21/13 Time: 00:02
Sample: 1 100
Included observations: 100
Variable Coefficient Std Error t-Statistic Prob
C 8.432846 0.170068 49.58508 0.0000
AREA 0.019197 0.002261 8.491728 0.0000
DISROAD -0.005051 0.000916 -5.516391 0.0000
R-squared 0.622647 Mean dependent var 9.396049
Adjusted R-squared 0.614867 S.D dependent var 0.835317
S.E of regression 0.518391 Akaike info criterion 1.553365
Sum squared resid 26.06670 Schwarz criterion 1.631521
Log likelihood -74.66827 F-statistic 80.02689
Durbin-Watson stat 1.560622 Prob(F-statistic) 0.000000
Để kiểm định lại dạng hàm đúng, ta tiếp tục dùng kiểm định Ramsey thì được Pvalue(F-Statistic)=0.112 >0.05 chưa đủ cở sở bác bỏ H0 Vậy có thể kết luận đây là dạng hàm đúng
KẾT LUẬN
Thông qua mô hình trên, đã giúp ta đưa ra được các yếu tố ảnh hưởng tới giá BĐS trong thời gian tới Từ những dự đoán đó có thể giúp cho nhà đầu tư có lựa chọn sáng suốt hơn trong việc đầu
tư của mình và qua đó cũng giúp các cán bộ NH có thể thẩm định đựơc các BĐS được thế chấp tại
NH một cách chính xác hơn