【毕业学位论文】（Word原稿）CPI测算升级：引入房价因素的必要性研究-统计教育学

算升级：引入房价因素的必要性研究 浙江工商大学 摘要 本文针对目前房价与 钩”的热点，结合国家统计局考虑加大居住类在 权重的背景，深入研究了两者之间的内在联系。 首先，本文从两方面证明了房价因素对 有极为重要的影响。 1）空间角度，选取了与 有密切关联的 9 项指标，对 我国 26 个省市自治区的数据进行因子分析，提出了综合可支付性因子、享受资料因子、饮食消费因子和发展因子，通过共同度分析，以及旋转后的四个因子的方差贡献率，得出主要由房价因素组成的综合性可支付因子对居民消费影响最 大的结论。 2）时间角度，建立经网络模型，对考虑房屋销售价格指数及不考虑房屋销售价格指数的两种情况下对 预测精度进行研究，将计算机模拟结果与实际 进行比较，得出在加入房屋销售价格指数后， 预测精度将有明显提高。 其次，为进一步探究房价因素与 间的内在传导机制，本文将房屋销售价格指数分解为 新建商品住房价格指数以及二手住房价格指数，将月度环比数据转换成月度定基比数据， 建立 型，通过格兰杰检验、脉冲响应函数的建立、方差分解，认为二者都是 内在变量，对 冲击均具有滞后 性，且无论是拉动程度还是贡献度，均有相似的较高水平，并有相当长的持续性。相比之下，前者对 冲击程度稍弱，但方差贡献更大。因此认为 在测算 ，适当考虑房价因素是有意义的。 最后，本文针对房价与 传导机制，结合模型结果，提出了 算体系提升建议。 【关键词】 ： 房屋销售价格指数 因子分析 经网络 型 目录 一、 引言 . 1 二、 文献综述 . 2 （一） 响因素及传导机制 . 2 （二） 房地产关系 . 3 三、 问题描述 . 4 四、 模型的建立、求解及检验 . 4 （一）空间角度 基于因子分析的房价因素对 . 5 1. 指标体系的构建 . 5 2. 数据的收集与整理 . 6 3. 因子分析 . 6 （二）时间角度 基于 . 9 1. 经网络工作原理 . 9 2. 改进的最近邻聚类学习算法 . 11 3. 经网络实证分析 . 12 （三） 房价因素与 传导机制 . 14 1. 指标选择 . 14 2. 数据来源 . 14 3. 数据处理 . 14 4. 型 . 15 （ 1） 验 . 15 （ 2）初始向量自回归模型 . 16 （ 3）确定滞后阶数 . 17 （ 4） 果检验 . 17 （ 5） 验 . 20 （ 6）脉冲响应分析 . 21 （ 7） 方差分解 . 22 五、 模型的优缺点及改进方向 . 23 六、 结论及建议 . 24 七、 参考文献 . 27 八、 附录 . 28 1 一、 引言 近年来，民生问题成为国家关注的焦点。无论是“十二五”规划，还是全国人民代表大会，每一项决议都明显地表现出社会民生的高度重视。居民消费价格指数 (为反映 消费者支付商品和劳务价格变化情况 的工具， 牵涉到每个老百姓的切身利益 ，体现着人民的生活水平，影响到人们未来的购买需求，因而受到了普遍的关注。 在我国房地产市场发展的近十年中， 中国房价节节攀升， 居民购房出现了爆发性增长 ，使得整个 房地产市场呈现出偏热的景象，从而导致人们产生了较高的管 2011年 1月 ， 国家统计局将 居住类价格 权重 提高 了 然而由此得到的 人们的实际感受存在着明显的偏差。究其原因，在实际的 我国 在具体核算上并未将住房价格直接纳入 是将其作为一项投资来考虑。同时，在居住所占的权重仅为 因而房价的波动对其测算结果影响较小。由此，导致了 介于这种现状，许多经济学家认为 法真正反映居民消费的压力变化， 也不能确切衡量整体经济的运行情况，这将误导政府经济决策，影响人民生活。 因此，是否应将与房价具有直接相关性的指标纳入测算体系以更好地反映 为了现今社会讨论的热点话题。 对此，国家统计局人士表示，预计 2011年居住类权重比今年有所增加，并将考虑用贷款利率和住房价格的加权数代替居住类下的自有住房中的房屋贷款利 2 率 1 。由于房屋销售价格 指数是反应住房价格的的重要因素，因此，重点研究它与 握趋势，为更好地完善 为了现如今迫切需要解决的课题。 二、 文献综述 人们的生活密切相关，是人民生活水平的重要写照。真实反映 数以了解通货膨胀情况，是政府进行宏观调控的重要依据。近年来，由于官方公布 数实际值与人们预期产生了严重的背离，因而更受关注。在此背景下，众位学者和专家纷纷投入到该领域的研究，通过实证分析，深入研究 关的文献主要有以下几个方面。 （一） 响因素及传导机制 在现有的文献资料中， 刘海萍、王海涛、王洪利等（ 2009）2 用 凌云、王凡彬等（ 2010） 3 用主成分分析法，通过统计回归模型对 如此类的预测模型被广泛运用。而在具体影响因素的分析上，学术界常以研究传导机制的形式进行深入挖掘。 刘金海、杨雪婷（ 2008） 4 利用 2007年度居民消费指数分类 中十三个指标，通过主成分分析和因子分析的使用，构造出反映 算出影响 周启红（ 2008） 5 运用 过引入居民消费价格通胀率作为最主要的内生变量，将货币增长率和固定资产的增长率作为次要内生变量，将粮食种植面积的滞后一期的缩减率和燃料动力通胀率作为外生变量，另外引入美国通胀率，分析货币供给增长、固定资产投资增长与 为 刘海兵、刘 丽（ 2009）选取了城镇居民人均可支配收入、货币供应量、固定资产投资、农业生产资料价格指数、工业品出厂价格指数作为 建立 上 , 运用脉冲响应函数和方差分解方法进行研究，得出了 陈黎明、吴伟、徐海云（ 2010） 6 研究了 们将 3 用 此同时，他们运用变结构协整， 检验了近几年中国价格传导的变异性，指出了变结构点，并发现价格传导效应有减弱的迹象。 综合以上文献，发现在 虑的指标多为原材料、燃料和动力购进价格指数、 币因素等。通过脉冲分析以及方差分解的方法探讨各因素对 于 以为本文模型的构建提供依据。而在具体影响因素的选择上，本文将针对现状，加入新的指标，以求更好地契合实际。 此外，借鉴刘金海、杨雪婷的因子分析方法，提取因子，探究油罐房价的因子在 售价格指标的意义所在。 （二） 日益增长的房价是人们对 是本文研究的目的所在。与此相关的文献不仅涉及时间序列，还涉及面板数据。 经朝明等人（ 2006）在研究 居民消费价格指数和房地产价格指数关系时利用协整检验，得出了两者之间存在负向的长短期均衡关系的结论，即替代效应大于财富效应，房地产价格的上涨会导致一般物价水平的下降。 张红，章辉赞（ 2008） 7 结合北京和上海的 月度数据，运用 究了中国通货膨胀与商品住宅价格的连续与灵敏的变化关系，最终得出：通货膨胀与商品住宅价格在北京不存在长期均衡关系，而在上海存在长期均衡。 黄飞雪 ,金建东（ 2010） 8 利用 2005年 7月到 2009年 11月房地产价格指数 (与 月度数据，在消除异方差的基础上通过 立了 过二维网络搜索法进行估计。最终得出的结论是，从整体来看，房价指数的变化对 变化 影响是复杂的非线性关系，适用于 型 ,转换变量的门限值为 0. 0016和 0. 0038。同时，认为 房地产价格指数的变化对 且这种拉动作用是非线性的。 郜浩、吴翔华用 2006年 1月至 2009年 8月我国房屋销售价格指数和 数据，对房价与 出两者之间存在较强的相关性，其系数为 且，在短期内 ，房价是 价每提高 1%， 李静、张旭（ 2010） 9 利用中国 1998年至 2009年的 屋销售价格指数）年度同比数据，应用 行回归分析，并进行了相关性检验以及异方差检验，得出 此基础上，运用 出两者之间 互为因果的结论。 胡卫兵（ 2010） 10 对 2002年至 2007年全国 35个大中城市的季度数据进行实证分析，研究了房地产销售价格指数（ 综上所述，在研究房价与 要 运用协整模型及格兰杰检验分析两者之间的内在联系，探讨两者是否存在长期均衡或短期波动关系。但其缺点主要表现在：多数研究未考虑到直接采用统计年鉴上的同比数据或环比数据进行分析会产生一定的问题 数据的可比性有待商榷。因此，在数据处理方面，本文尤为重视。 三、 问题描述 近年来，我国放假涨势迅猛，居民的住房支出日益增加， 导致居民对通货膨胀产生了较高的预期。然而 公布的数据往往低于公众的预期，很大程度上是由于购房往往被视作一项投资，而非消费。但多数经济学家认为，如今的 映居民消费的压力变化， 也不能确切衡量整体经济的运行情况，这将误导政府经济决策，影响人民生活。为此，国家统计局也有将住房价格纳入 于以上背景，本文力图通过建立模型探究将房价因素对 及二者的内在传导机制，为将房价因素纳入 四、 模型的建立、求解及检验 由于本文是在国家统计局 考虑用贷款利率和住房价格的加权数代替房屋贷款利率这一想法下提出的，因而，首要解决的问题便是研究这一决策的科学性， 5 即房屋销售价格因素相对于其他因素而言，是否对 此 ，本文主要从空间和时间方向出发，双角度进行剖析。 空间上采用因子分析的方法，通过提取与房价相关的因子，研究它对 间上采用神经网络的方法，研究房价因子的存在是否会对 其次，本文以 一步挖掘房屋销售价格内部两因素与 入探究其传导机制。 （一）空间角度 基于因子分析的房价因素对 1. 指标体系的构建 为反映消费者支付商品和劳务的价格变化情况的工具，由八大类商品指标构成：食品、烟酒及其用品、衣着、家 庭设备及维修服务、医疗保健及个人用品、交通与通讯、娱乐教育文化用品及服务、居住。本文将从以上八项商品价格指标出发，选择较能反映居民消费的指标进行分析。 表 1 指标体系及符号说明 居民消费 指标 符号 粮食消费价格指数 123456789x 6 根据张海波、徐慧（ 2009） 12 的研究， 变动很大程度上是由于食品价格的波动，食品中粮食价格的波动占主要原因，故将粮食消费价格指数列入指标体系。中国社科院金融研究所易宪容指出，目前中国居民的消费品与消费结构来看，居民最大的消费应该是居住类消费、教育及医疗消费，故将教育从娱乐教育文化用品及服务中提出。而由于通信、烟类价格垄断性质较强，居民在这两类商品的消费波动性不大，对 影响作用较小，故未选入指标体系中。 针对以上指标体系， 根据中国统计年鉴（ 2010），搜集并计算我国 26个省市自治区上述 9项指标数值。 各指标数值存在着量纲的影响，但由于在 在此不对数据进行无量纲化处理。 （ 1）适合性检验 将数据导入 件中，对这 19个变量进行 球形 验。结果如表 2： 表 2 验 上表显示 为 应的显著性概率 ( 小于 为相关系数矩阵与单位矩阵有显著差异。同时 为 1, ，根据 变量适合进行因子分析。 （ 2）因子分析具体过程 将数据导入 件中，进行因子分析，以期对所有的变量进行分组，并解释其含义。 1） 因子数量的选择及命名 首先根据指标体系，暂选择 4 个公共因子，将主成分分析的因子载荷矩阵 7 作为初始载荷矩阵，用方差最大法进行因子旋转。在 r=v n=4 输出结果如下： 2） 特征值及累积方差贡献率 由表 3 看 出，前四个特征值都大于 1，累积方差贡献率达到 在公共因子的选取方面，根据特征值大于一的原则，应选取 4 个，证明了前述公共因子数量选择的正确性。 表 3 相关系数矩阵的特征值及方差贡献率 3） 初始因子载荷矩阵 表 4 初始载荷矩阵 由表 4，大部分变量对 4 个因子的解释程度差异性不够大，部分因子的经济含义不清，因此本文将采用方差最大法将初始因子载荷矩阵旋转，使得每一列上的系数尽量接近 1或者 0。 8 4） 旋转后的因子载荷矩阵及因子命名 表 5 旋转后的因子载荷矩阵 根据旋 转后的因子载荷矩阵（ 见上方 5），可以较好的解释这四个因子的含义。 第一个因子在交通消费价格指数（6x）、居住消费价格指数（8x）、房屋销售平均价格（9x）这 3 个变量上的载荷值较大。根据清华大学房地产研究所的研究结果：在空间上，居民所负担的住房成本和交通成本存在着 密切的互动关系，共同构成了家庭的支付。例如。在靠近市区的地域，房屋销售价格较高，因此住房成本高，而这一地区交通更为便利，于是承担的交通成本则低一些，在空间上，二者的关系十分密切。故采用研究所的命名方法，第一个因子可命名为综合可支付性因子。其中，交通消费价格指数、居住消费价格指数、房屋销售平均价格在第一个因子上载荷值的绝对值皆高达 上，说明，这三个变量对综合可支付性因子有较大的且大小相近的解释程度。 第二个因子在衣着消费价格指数（3x）、家庭设备用品及维 修服务消费价格指数（4x）上的载荷值较大。其中家庭设备用品及维修服务消费价格包括耐用消费品、室内装饰品、床上用品、家庭日用杂品、家庭服务及加工维修服务费。体现了家庭生活方面的品质，因此第二个因子可命名为享受资料因子。 第三个因子在粮食消费价格指数（1x）、酒类消费价格指数（2x）上的载荷值较大，则可命名为饮食消费因子。 第四个因子在医疗保健与个人用品消费价格指 数（5x）、教育消费价格指数（7x）上因子载荷值比较大，描述了居民在生活质量的保障与提升，故可命名 9 为发展因子。 综上所述，这四个公共因子可以分别命名为综合可支付性因子、享受资料因子、饮食消费因子、发展因子。 5） 共同度及各因子解释的方差 表 6 每个因子解释的方差 表 7 共同度 从表 6 看出，旋转后，这四个因子的方差贡献分别为 些数字代表着各个因子对 解释程度。由此，综合性可支付因子对居民消费的影响最大。再根据前文所述房屋销售价格对综合性可支付因子的解释程度很大，因此可以说，房价对 影响程度很大，将其列入 体系中是有一定根据的。 另外，共同度体现出这四个公共因子所能解释每个变量的程度。表 7 显示出，除了变量1x、2他变量共同度均在 70%以上，信息损失较少。 （二）时间角度 基于 房价因素对 从时间角度出发，本文研究房价因子的存在对于 测精度的影响。对于非线性时间序列的预测，出现了多种基于神经网络的预测控制方法，以 练时间长和收敛速度慢等缺点，影响了预测的效果。特此，本文采取 经网络，取得更好的预测效果。 经网络工作原理 络定义为：以径向基函数作为隐含层神经元激活函数的三层前向 型神经网络。第一层为输入层，由信号源结点组成；第二层为隐含层，其单位数视所描述问题的需要而定；第三层为输出层（单输出），它对输入模式的作用做出 10 响应。 构成 络的基本思想：用径向基函数作为隐单元的“基”构成隐含层空间，这样就将输入矢量直接（而不通过权连接）映射到隐含层空间，当径向层空间到输出层空间的映射是线性的，即网络的输出是隐单元输出的线性加权和。 由上面分析可知， 络的映射关系由以下两部分组成（设输入维数为 n ,隐 单元数为 m ，输出维数为 p ） : （ 1）从输入空间到隐含层空间的非线性变换层。第 22( ) ( | | | | / 2 )j j jh x x c 其中 (.) 为隐单元的变换函数（即径向基函数），它是一种局部分布的对中心店径向对称衰减的非负非线性函数，一般取高斯函数。 |.| 为欧式范数； x 为n 维输入向量，即 12 , , , x x xj 个非线性变换单元的中心向量，即： 1 2 3 , , , , j j j jc c c c c 其中， j 个中心对应第 n 个输入的分量；j为第 j 个非线性变换单位的宽度。 （ 2）从隐含层空间到输出层空间的线性合并层。输出为： 1( ) ( )m x h x w 其中，j 个隐单元与输出之间的连接权； m 为隐单元数。 心的选取合适与否将从根本上影响 于训练样本1( , ) |pi i ，通常取性能指标为： 211 ( ( ) )2 y f x 其中， N 为训练样本数，为归一化后的网络期望值， () 11 通过上述描述可知，指标 E 是关于中心 c 、宽度 r 和权值 w 的函数。 E 趋于最小。 最近邻聚类学习算法是一种在线自适应动态聚类学习算法。 虽然学习时间短、速度快但牺牲了精度，在精度要求高的场合使用受到限制。针对原算法的缺陷，提出了一种改进的额矢量最近邻聚类算法，使聚类更合理、精度更高。 具体过程如下： （ 1）定义一个矢量 ()于存放属于各类的输出矢量之和，定义一个计数器 ()中 p 为类别数。 （ 2） 计算出所有样本相互之间的距离 ( , 1 , 2 , , ;i j N N 为 样 本 总 数 ）及其平均值 _d : 22| | | | | | | |i j i x x y y 1_112( 1 )j 找出与样本 i 距离最近的 t 个样本，设这 t 个样本与样本 i 的距离分别为1 2 i, , ,i i id d d ，求出平均距离 _ _11 t 其中， _i 的样本区域密度，它间接表示样本 i 区域附近的样本密度。 （ 3） 从第一个样本对 11( , )始，在 1x 上建立一个聚类 中心 _1x ,且1(1), (1) 1B 。选择一个初始聚类半径 r 。 （ 4） 考虑第 k 个样本数据对 ( , )，假设已存在 M 个聚类中心，其中心点分别为 _ _ _12, , , mx x x 。在上述建立的 络中已有 M 隐单元。再分别求出到这 M 个聚类中心的距离 _| | , 1 , 2 , ,x i M 。 设 _|为这些距离中的最小距离，即聚类 j 为样本 最近邻聚类，则令： 12 _*_* 如果： 2 2 *| | | | | | | |i j i x y y r 成立，则将 ( , )为聚类 j ，且有 _( ) ( ) , ( ) ( ) 1 , m p t m pA j A j y B j B j x x x 式中 _j 以及归属于它的样本的输入之和。否则，把样本 ( , )有： _1 1 ()kA m y ( ) 1 (5)确定完聚类后，令 _ / ( )ii p ,将学习样本输入网络，得到拟合误差平方和 E ，即： 212 f y其中， 输入为 的网络输出，此时可按一般的梯度算法调整网络参数 ，即： E （ 为 学 习 规 律 ） (4)学习完毕后，网络输出应为： _211_211( ) e x p ( ( ) )()( ) e x p ( ( ) )jM n n 其中 ()属于聚类 M 的输出矢量和， () 的样本个数， _表示样本 i 到 M 个聚类中心的距离。 根据上述规则建立的 络，在形成新聚类时考虑了输出信息的影响，新聚类的半径根据样本密度作了自适应调整，并通 过基于梯度信息的参数优化更好的保证了精度。 3. 经网络实证分析 本文以中国 2006 年 1月到 2010年 12 月的全国居民消费物价指数（ Y ）为 13 输出神经元。首先，在不考虑房价因子的条件下，以教育价格指数（1S）、衣着指数（2S）、医疗保健价格指数（3S）为影响因子，建立 经网络模型，预测 次， 加入全国房屋销售价格指数（4S），再建立模型，与之前未加入该因子的预测情况相比较，以观察房价因子对于 对训练神经网络之前，需要进行数据预处理。具体办法： _ ( ) m i n()m a x m i ()别是原始数据中的最大和最小值。 _()围是 0,1 。 对网络期望输出采用以下方法进行处理： _( ) ( ) ( m a x m i n ) m i nX t X t 具体处理结果： 将样本数据分成两部分：（ 1）网络的训练数据集（前 55项数据）（ 2）检验数据集（余下 5项）。 训练目标函数分别取120 . 0 1 , 0 . 0 0 5。观察网络仿真训练结果。 利用 经网络模型，分别对四个影响因素和三个影响因素（剔除房屋销售价格指数）的模拟结果如下， 序见附录： 表 8 不同因素影响下 日期 影响因素模型 1 影响因素模型 2 （包含房屋销售价格指数） 2=1=2=14 均相对误差 由上表可知，在加入房屋销售价格指数时，其他因素保持不变的情况下，经网络的训练结果精度较好，平均误差明显减小。自此，从时间序列角度证明了，将房价因素加入 算体系中的重要性。 （三） 房价因素与 在以上两个模型中，本文分 别从空间和时间的角度已证明了房屋销售价格对于 进一步深入内部，剖析两者之间具体的传导机制，本文建立了以下模型。 1. 指标选择 本文首先将房屋销售价格分解为新建商品住房价格、二手住房价格，建立型，具体研究以这两项指数为依托的房屋销售价格与 内在关系。 2. 数据来源 本文选取了 2006 年 1月 2010年 12月全国 建商品住房价格指数、二手住房价格指数的月度环比数据，均来自国家统计局网站、人大经济论坛。 3. 数据处理 环比数据主要用于反映价格的变动，由于它的基期在不停地 变化，各数据之间不具备可比性，因此不能用于趋势的分析，而只有定基的价格指数才可以做趋势的变化分析 13 。为此，本文对月度环比数据进行转换，使其成为以 2006年 1月为定基的定基比数据。 第一步：假定 2006年 1月 =100 第二步：设计计算公式： , , 1 , 1 0 0P y m P y m P y m ，其中 y 指年、 m 指月、 ,P y m 指定基比价格指数、 ,P y m 指统计局公布的上月 =100的环比数据。此公式适合 2006年以及以后各年使用。 第三步：根据公式计算各年月定基比数据。 15 型 （ 1） 验 表 9 验结果 指标 平稳性 差 分 含趋势项 % 平稳 5% 平稳 10% 平稳 含截距 1% 平稳 5% 平稳 10% 平稳 均不含 1% 平稳 5% 平稳 10% 平稳 一 次 差 分 含趋势项 1% 平稳 5% 稳 10% 稳 含截距 1% 稳 5% 稳 10% 稳 均不含 % 稳 5% 稳 10% 稳 新建商品住房价格指数 无 差 分 含趋势项 1% 平稳 5% 稳 10% 稳 含截距 % 平稳 5% 平稳 10% 平稳 均不含 % 平稳 5% 平稳 10% 平稳 二手住房价格指数 无 差 分 含趋势项 % 平稳 5% 平稳 10% 平稳 含截距 % 平稳 5% 平稳 10% 平稳 均不含 1% 平稳 5% 平稳 10% 平稳 一 含趋势项 1% 平稳 16 次 差 分 5% 稳 10% 稳 含截距 1% 稳 5% 稳 10% 稳 均不含 % 平稳 5% 稳 10% 稳 由上述 验结果，新建商品住房价格指数原序列在 95%的概率保证下是趋势平稳的，而 二手住 房 价格指数均在一次差分后获得了平稳。因此适合构造 型。 （ 2） 初始向量自回归模型 将 新建商品住房价格指数1()X、二手住房价格指数2()行初始 型的建立，得到结果如下： 表 10 初始向量自回归模型结果 17 由此，可以写出假定 建商品住房价格指数、二手住房价格指数无论谁作为因变量，其他两项均为其内生变量时的三个方程，即： 11221 . 1 0 1 4 1 0 . 3 1 0 8 2 0 . 0 2 3 2 X 1 0 . 0 4 7 4 20 . 0 6 3 4 1 0 . 2 0 2 4 X 2 9 . 3 9 5 5C P I C P I C P I 1 1 1220 . 0 2 2 6 1 0 . 0 5 9 7 2 1 . 6 1 8 9 1 0 . 6 7 1 2 20 . 2 4 6 5 1 0 . 1 6 8 7 2 1 . 2 1 5 1X C P I C P I X 2 1 1220 . 0 0 7 5 1 0 . 0 3 6 0 2 0 . 2 7 6 0 1 0 . 2 7 0 2 21 . 3 9 5 1 1 0 . 4 2 5 5 2 0 . 0 2 3 9X C P I C P I X 三个模型的 分别为 近于 1，说明 型拟合效果很好。 （ 3） 确定滞后阶数 表 11 滞后阶数的判断依据表 R C A 3 上表，有一半以上的指标选择了三阶之后，故该模型为 )模型。 （ 4） 果检验 为确定内外生变量，因而对其做 果检验。 新建商品房价格指数以及二手住房价格指数的趋势图如下： 18 1）趋势图： 图 1 势图 图 2 新建商品住房价格指数 趋势图 图 3 二手住房价格指数趋势图 上图显示， 建商品住房价格指数、二手住房价格指数随着时间的推移，均有明显向上的趋势，因此以时间 (T)为自变量，分别以 建商品住房价格指数、二手住房价格指 数为因变量，建立三个 归方程，用三个方程的残差项进行 果检验，即对消除趋势项的时间序列进行检验。 19 2） 归 在 分别键入： T; 1 C T; 2 C T，得到如下三个回归方程 : 9 9 . 4 4 6 0 0 . 2 7 6 0 I 1 1 0 0 . 2 0 8 4 0 . 6 4 0 7 2 1 0 1 . 0 7 3 6 0 . 5 4 6 3 3）对残差项 验 设 新建商品住房价格指数、二手住房价格指数的残差分别为1R、2R、3R，对残差进行 验。 表 12 残差项的 验结果表 指标 验值 平稳性 1 差 分 含趋势项 % 平稳 5% 平稳 10% 平稳 含截距 % 平稳 5% 平稳 10% 平稳 均不含 % 平稳 5% 平稳 10% 稳 2 差 分 含趋势项 % 平稳 5% 稳 10% 稳 含截距 % 稳 5% 稳 10% 稳 均不含 % 稳 5% 稳 10% 稳 3 差 分 含趋势项 % 平稳 5% 平稳 10% 平稳 含截距 % 平稳 5% 平稳 10% 平稳 均不含 1% 平稳 20 5% 稳 10% 稳 通过以上结果，得知三个残差序列均不存在单位根， 为平稳序列。因此，可以进行 果检验。 4） 果检验 结果 由于 型的滞后阶数为 3 阶，在进行 果检验时，同样将滞后期定为 3期。得到检验结果如下： 表 13 果表 消除趋势项的影响后，根据 P 值小于 拒绝原假设的原则， 二手住房价格指数互为格兰杰因果；新建商品住房价格指数能够格兰杰推导至 能格兰杰推导到新建商品住房价格指数；新建商品住房价格指数与二手住房价格指数不互为格兰杰因果。 因此，可以说，新建商品住房价格 指数、二手住房价格指数是 内生变量。初始 型不需要再次调整。应选取第一个方程作为 型的方程，即 11221 . 1 0 1 4 1 0 . 3 1 0 8 2 0 . 0 2 3 2 0 1 0 . 0 4 7 4 20 . 0 6 3 4 1 0 . 2 0 2 4 2 9 . 3 9 5 5C P I C P I C P I X （ 5） 验 只有 型是稳定的，即 型的单位根均小于 1（或者说在单位圆内），才能进一步构造脉冲响应函数以及进行方差分解。 检验结果