TIỂU LUẬN KHẢO sát các yếu tố ẢNH HƯỞNG đến GIÁ bán củ a NHỮNG căn NHÀ TRONG hẻm ở TP HCM

TRƯỜNG ĐẠI HỌC KINH TẾ TP.HCM BÀI TẬP CÁ NHÂN Môn: Kinh Tế Lượng KHẢO SÁT CÁC YẾU TỐ ẢNH HƯỞNG ĐẾN GIÁ BÁN CỦA NHỮNG CĂN NHÀ TRONG HẺM Ở TP.HCM Sinh viên thực hiện: MSSV: Lớp: Ngành: Lê Minh Đạt 33191025053 VB22.2FN01 Tài Chính Ngày 07.10.2020 MỤC LỤC 1.GIỚI THIỆU VẤN ĐỀ 2.CƠ SỞ LÝ THUYẾT 3.PHƯƠNG PHÁP NGHIÊN CỨU 3.1 Nguồn gốc thu thập liệu: 3.2 Mô tả liệu: 3.3 Mơ hình hồi quy bội: 4.PHÂN TÍCH KẾT QUẢ THỰC NGHIỆM 4.1 Chạy hồi quy mơ hình: 4.2 Kiểm định tính chuẩn phần dư u: 4.3 Kiểm tra biến mơ hình có bị đa cộn 4.4 Kiểm định hệ số hồi quy biến độ 4.4.1 Kiểm định riêng lẻ biến, với = 5%: 4.4.2 Kiểm định đồng thời nhiều biến, với = 5%: 4.5 Tìm khoảng tin cậy cho hệ số với mức ý n 4.6 Dự báo giá nhà trung bình: 4.7 Kiểm định phương sai phần dư u có bị tha 4.8 Kiểm định mơ hình có bị sai dạng hàm với mứ 5.KẾT LUẬN 6.PHỤ LỤC 1 GIỚI THIỆU VẤN ĐỀ Tại Việt Nam, đặc biệt TP.HCM, thị trường bất động sản (BĐS) sôi động Nhu cầu việc mua nhà để mua với mục đích đầu tư ln lý để làm nên sôi động thị trường Việc chi khoản tiền để mua nhà sau vài tháng, giá trị nhà tăng so với lúc mua Thậm chí, vừa đặt tiền cọc thơi vài ngày sau, giá trị nhà tăng lên Tôi tự hỏi, liệu có cách mơ hình để dự đốn giá nhà với giá trị với thơng tin cụ thể (thuộc tính) nhà hay khơng? Điều hữu ít, giúp dự đốn mức giá hợp lý để định chi tiền để sở hữu nhà cách hợp lý Trong phạm vi tiểu luận Đối tượng khảo sát nhà hẻm, nhà hẻm nhà thường mua để mua để đầu tư (mua bán lại) dễ dàng hơn, số liệu khảo sát phong phú Nhà hẻm có nhiều thuộc tính để xem xét ảnh hưởng thuộc tính lên giá nhà CƠ SỞ LÝ THUYẾT Sử dụng mơ hình hồi quy bội với phương pháp ước lượng hệ số hồi quy phương pháp: Ước lượng bình phương bé (OLS – Ordinary Least Squares) PHƯƠNG PHÁP NGHIÊN CỨU 3.1 Nguồn gốc thu thập liệu: Dữ liệu sử dụng tiểu luận liệu thứ cấp giá nhà thuộc tính nhà hẻm, thu thập phần mềm riêng từ trang web https://propzy.vn/ (Chi tiết liệu xem phần phụ lục) 3.2 Mô tả liệu: Dữ liệu thu thập ngẫu nhiên với số lượng 1096 mẫu (quan sát) với thuộc tính sau: Biến (Thuộc tính) price bedRooms bathRooms lotArea direction swDir seDir southDir floors 10 midFloor 11 district 12 nearMarket 13 nearSchool 14 nearHospital 15 alleyWide 3.3 Mơ hình hồi quy bội: Mơ hình hồi quy bội bao gồm: Biến phụ thuộc: log(price) Trang Các biến độc lập (10 biến): bedRooms, bathRooms, log(lotArea), floors, midFloors, district, log(alleyWide), nearMarket, nearSchool, nearHospital Quy cách đặt tên hệ số chặn hệ số biến độc lập mơ hình hồi quy mẫu (SRF): Hệ số hồi quy mẫu (SFR) ̂ ̂ ̂ ℎ ̂ ̂ ̂ ̂ ̂ ℎ ̂ ̂ 10 ̂ 11 ̂ 12 ̂ 13 ℎ ̂ 14 ̂ 15 Từ đây, ta viết mơ hình hồi quy cho tổng thể (PRF) mẫu (SRF) sau: PRF: log( )= + + + + ( ( ) +( ) +[ ( ( )+ ( )+ ℎ ( ℎ )+ )] ℎ ( ℎ ) )+ Trang ( ) SRF: log( )̂ = ̂0 + ̂ + + + )+̂ ( ̂ ( ̂ ( ̂ ( ̂ )+ ( )+ )+ ̂ ℎ ( ℎ ̂ [ ( ℎ ( ℎ )+̂ ( ) )] ) ) PHÂN TÍCH KẾT QUẢ THỰC NGHIỆM Các kết hồi quy thực mơi trường ngơn ngữ lập trình R ứng dụng RStudio với tiêu, yêu cầu sau: • • • • • • • • Chạy hồi quy mơ hình Kiểm định tính chuẩn phần dư u Kiểm tra biến mơ hình có bị đa cộng tuyến hay khơng Kiểm định hệ số hồi quy ̂ biến độc lập Tìm khoảng tin cậy cho hệ số Dự đốn giá nhà trung bình Kiểm định phương sai phần dư u mơ hình có bị thay đổi Kiểm định mơ hình có bị sai dạng hàm hay khơng 4.1 Chạy hồi quy mơ hình: Load packages cần thiết: > > > > > library(car) library(readxl) library(tseries) library(fBasics) library(lmtest) Load liệu: > > > > #Load liệu priceData = read_excel("data/house-price-20201002163752_1096.xlsx") #Xem tổng số rows nrow(priceData) [1] 1096 Kết chạy hồi quy: > model1 = lm(log(price) ~ bedRooms + bathRooms + log(lotArea) + floors + midFloor + district + log(alleyWide) + nearMarket + nearSchool + nearHospital, data = priceData) > summary(model1) Call: lm(formula = log(price) ~ bedRooms + bathRooms + log(lotArea) + floors + midFloor + district + log(alleyWide) + nearMarket + nearSchool + nearHospital, data = priceData) Residuals: Min 1Q Median 3Q Max -0.80497 -0.15828 -0.00917 0.14418 1.86563 Trang Coefficients: (Intercept) bedRooms bathRooms log(lotArea) floors midFloor district log(alleyWide) nearMarket nearSchool nearHospital Signif codes: Residual standard Multiple R-squared: 0.8167, F-statistic: 483.3 on 10 > nobs(model1) [1] 1096 4.2 Kiểm định tính chuẩn phần dư u: > jarqueberaTest(model1$residuals) Title: Jarque - Bera Normalality Test Test Results: STATISTIC: X-squared: 787.7235 P VALUE: Asymptotic p Value: < 2.2e-16 Kiểm định giả thuyết: { 1: 0 : ℎầ ó ℎâ ℎố ℎ ẩ với = 5% Với − = 0.0000 < = 0,05 → Bác bỏ giả thuyết Nghĩa u khơng có phân phối chuẩn với mức ý nghĩa 5% Tuy không thỏa giả thiết MLR.6 bù lại ta có số lượng mẫu lớn (1096 quan sát) giảm sai số chuẩn hệ số biến mơ hình hồi quy Ta thử chạy lại mơ hình hồi quy với số quan sát 285 < 1096 để xem sai số chuẩn hệ số bao nhiêu: > #Lấy 285 quan sát > priceData285 = priceData[1:285,] > model2 = lm(log(price) ~ bedRooms + bathRooms + log(lotArea) + floors + midFloor + district + log(alleyWide) + nearMarket + nearSchool + nearHospital, data = priceData285) > nobs(model2) [1] 285 > #lấy cột standard error model1 Trang > #lấy cột standard error model2 > print(summary(model2)$coefficients[2:11, 2]) Dựa vào kết trên, ta thấy model1 có số quan sát 1096 cịn model2 có số quan sát 285, rõ ràng giá trị standard error hệ số model1 nhỏ model2 4.3 Kiểm tra biến mơ hình có bị đa cộng tuyến hay khơng: Ta kiểm tra giá trị nhân tử phóng đại phương sai (VIF – Variance Inflation Factor) > vif(model1) bedRooms 5.528694 district log(alleyWide) 1.326956 Ta thấy: Tuy biến độc lập có giá trị < 10 (nằm phạm vi cho phép), nhận xét riêng biến bedRooms bathRooms thấy giá trị vif biến lớn (lần lượt 5.528694 5.238777) mức độ đa cộng tuyến biến với biến lại nhiều Trong thực tế, nhà hẻm thường có diện tích sàn cố định Do đó, để có nhiều phịng ngủ phịng tắm người ta bắt buộc phải tăng số tầng, nghĩa tăng số tầng lên khả số phòng ngủ phòng tắm tăng theo ̂ 4.4 Kiểm định hệ số hồi quy biến độc lập: > summary(model1) Call: lm(formula = log(price) ~ bedRooms + bathRooms + log(lotArea) + floors + midFloor + district + log(alleyWide) + nearMarket + nearSchool + nearHospital, data = priceData) Residuals: Min 1Q Median 3Q Max -0.80497 -0.15828 -0.00917 0.14418 1.86563 Coefficients: (Intercept) bedRooms bathRooms log(lotArea) floors midFloor district log(alleyWide) Trang nearMarket nearSchool nearHospital Signif codes: Residual standard error: 0.2647 on 1085 degrees of freedom Multiple R-squared: 0.8167, Adjusted R-squared: 0.815 F-statistic: 483.3 on 10 and 1085 DF, p-value: < 2.2e-16 4.4.1 Kiểm định riêng lẻ biến, với = %: Kiểm định biến bedRooms, nearMarket, nearSchool có ý nghĩa thống kê riêng lẻ hay không Biến Giả thuyết p-value Kết luận Tương tự vậy, ta thấy biến bathRooms, log(lotArea), floors, midFloor, district, log(alleyWide), nearHospital có giá trị − < = 0.05 Kết luận biến có ý nghĩa thống kê riêng lẻ với mức ý nghĩa 5% (thậm chí mức ý nghĩa 1% biến có ý nghĩa thống kê riêng lẻ) 4.4.2 Kiểm định đồng thời nhiều biến, với = %: - Kiểm định biến: bedRooms, nearMarket, nearSchool, có ý nghĩa đồng thời mơ hình hay khơng Giả thuyết: {0 :̂ = 0; ̂ 1: = 0; ̂ ℎ =0 > linearHypothesis(model1, c("bedRooms=0", "nearMarket=0", "nearSchool=0")) Linear hypothesis test Hypothesis: bedRooms = nearMarket = nearSchool = Model 1: restricted model Model 2: log(price) ~ bedRooms + bathRooms + log(lotArea) + floors + midFloor + district + log(alleyWide) + nearMarket + nearSchool + nearHospital Res.Df 1088 1085 Trang Ta thấy: − = 0.5743 > = 0.05 → chưa đủ sở bác bỏ Nghĩa biến bedRooms, nearMarket, nearSchool khơng có ý nghĩa thống kê đồng thời mơ hình với mức ý nghĩa 5% - Kiểm định biến: bathRooms, log(lotArea), floors, midFloor, district, log(alleyWide), nearHospital, có ý nghĩa thống kê đồng thời hay không > linearHypothesis(model1, c("bathRooms=0", "log(lotArea)=0", "floors=0", "midFloor=0", "district=0", "log(alleyWide)=0", "nearHospital=0")) Linear hypothesis test Hypothesis: bathRooms = log(lotArea) = floors = midFloor = district = log(alleyWide) = nearHospital = Model Model 1: restricted Res.Df 1092 291.674 1085 76.026 7215.65 439.66 < 2.2e-16 *** Signif codes: ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ Ta thấy: − = 2.2 −16 < = 0.05 → bác bỏ Nghĩa biến bathRooms, log(lotArea), floors, midFloor, district, log(alleyWide), nearHospital, có ý nghĩa thống kê đồng thời với mức ý nghĩa 5% 4.5 Tìm khoảng tin cậy cho hệ số với mức ý nghĩa 5%: > confint(model1, level=0.95) (Intercept) bedRooms bathRooms log(lotArea) floors midFloor district log(alleyWide) nearMarket nearSchool nearHospital 4.6 Dự báo giá nhà trung bình: Giả sử với độ tin cậy 95%, biến mơ hình nhận giá trị cụ thể sau: Trang RSS Df Sum of = 4; ℎ = 1; = = 3; = 28; = =1; =1; =2,5 = 1; ℎ > predict(model1, + data.frame( + + + + + + + + + + + + + + bedRooms = 4, bathRooms = 3, lotArea = 28, floors = 2, midFloor = 1, district = 1, alleyWide = 2,5, nearMarket = 1, nearSchool = 1, nearHospital = ), interval ="confidence", level = 0.95) fit 1.81584 Dựa vào kết trên, với mức ý nghĩa 5% ta có: ̂ → = 1.81584 khoảng dự báo trung bình cho log( Khoảng dự báo trung bình giá nhà hẻm là: [ 1.77198 ; ) là: [1.77198 ; 1.8597] 1.8597 ] ↔ [5.8825 ; 6.4218] ỷ 4.7 Kiểm định phương sai phần dư u có bị thay đổi với mức ý nghĩa 5%: > bptest(model1) studentized Breusch-Pagan test data: model1 BP = 71.416, df = 10, p-value = 2.36e-11 Giả thuyết: { 1: Ta thấy: − = 2.36 −11 0 : ℎươ ủ ℎô đổ < = 0.05 → Bác bỏ Nghĩa mơ hình có phương sai u bị thay đổi 4.8 Kiểm định mơ hình có bị sai dạng hàm với mức ý nghĩa 5%: > resettest(model1) RESET test data: model1 RESET = 63.101, df1 = 2, df2 = 1083, p-value < 2.2e-16 Trang Thêm log ( ) , log ( ) , log ( ) > resettest(model1, power=2:4, type="fitted") RESET test data: model1 RESET = 42.036, df1 = 3, df2 = 1082, p-value < 2.2e-16 0: Giả thuyết: { ℎì ℎ ó : Ta thấy, trường hợp có − = 2.2 −16 ℎà đú < = 0.05 → Bác bỏ Nghĩa mơ hình bị sai dạng hàm KẾT LUẬN Thông qua kết thực nghiệm, có số nhận xét sau: - Hệ số có giá trị âm, không kỳ vọng thực tế nhà hẻm gần với trường học gần bệnh viện làm tăng giá nhà ̂ ℎ ̂ - Tuy phần dư u sau chạy hồi quy không thỏa giả thiết MLR.6 có phân phối chuẩn với số quan sát lớn giúp cho hệ số biến mô hình có sai số chuẩn nhỏ so với số lượng quan sát nhỏ - Về phần kiểm định phương sai thay đổi mơ hình bị sai dạng hàm cho thấy mơ hình có phương sai thay đổi bị sai dạng hàm - Về chất lượng liệu: liệu dạng thứ cấp, thu thập từ website chuyên rao bán bất động sản propzy.vn Cho nên tính xác liệu so với thực tế không cao dẫn tới chất lượng liệu không tốt Theo đánh giá thân chất lượng liệu khoảng 50% - 60% Trong tương lai, có điều kiện phát triển tiểu luận cố gắng tìm nguồn liệu chất lượng Thông qua việc tự thu thập liệu, sàn lọc liệu bị trùng liệu không thỏa điều kiện Sau thực bước chạy hồi quy mơ hình sau kiểm định thơng số mơ hình, tơi nhận thấy rằng, kỳ vọng mơ hình mà dự tính trước thực hồi quy có khác so với sau chạy thực tế mơ hình Từ đó, giúp thân rút nhiều học để liên hệ với thực tế PHỤ LỤC Dữ liệu gốc, có link quan sát Dữ liệu dùng để chạy mơ hình hồi quy tiểu luận Trang 10 ... tính) nhà hay khơng? Điều hữu ít, giúp dự đốn mức giá hợp lý để định chi tiền để sở hữu nhà cách hợp lý Trong phạm vi tiểu luận Đối tượng khảo sát nhà hẻm, nhà hẻm nhà thường mua để mua để đầu... hàm hay khơng 4.1 Chạy hồi quy mơ hình: Load packages cần thiết: > > > > > library(car) library(readxl) library(tseries) library(fBasics) library(lmtest) Load liệu: > > > > #Load liệu priceData... midFloor + district + log(alleyWide) + nearMarket + nearSchool + nearHospital, data = priceData) > summary(model1) Call: lm(formula = log(price) ~ bedRooms + bathRooms + log(lotArea) + floors + midFloor