Upload
truonghanh
View
222
Download
3
Embed Size (px)
Citation preview
1
LTH, 23 september 2008
Ekonometrisk analys av fastighetsmarknader
- en introduktion(tillämpad regressionsanalys)
2
MålEfter dagens och morgondagens
föreläsning/övningar ska du kunna
• Bygga, skatta och tolka hedoniska prismodeller för småhus i Excel.
• Hedoniska modeller: studerar hur olika egenskaper hos en vara, t ex hus, har för inverkan på priset (hedonisk efterfrågeteori). Egenskaper kan vara boyta, närhet till strand, standard etc etc.
3
Matematik Statistik Ekonomi
Ekonometri
• En ekonometriker ska i allmänhet vara en kompetent matematiker och statistiker med en i grund och botten ekonomisk skolning.
De tre ingredienserna i ekonometri är- ekonomisk teori- ekonomiska data och- statistiska metoder (främst multipel regressionsanalys).
4
Vad är statistik“The science of collecting, organizing, presenting, analyzing, and interpreting data to assist in making more effective decisions.” [2]
Två huvudkategorier:1. Beskrivande (Deskriptiv)
statistik (Descriptive statistics)
2. Statistisk inferens (Statistical inference)
(Jmf slide nr 48)
Referenser till engelskspråkig litteratur, se sista sliden.
5
Descriptive statistics“Methods of organizing, summarizing, and presenting data in an informative way.” [1]
“Descriptive statistics include graphical and numerical procedures that summarize and process data and are used to transform data to information.” [2]
Statistical inference“The methods used to estimate a property of a population on the basis of a sample.” [2]
“Inferential statistics provide the basis for predictions, forecasts, and estimates that are used to transform information to knowledge.” [3]
6
Population (Population)“The entire set of individuals or objects of interest or the measurements obtained from all individuals or objects of interest.” [2].- N usually represents the population size.
Urval, stickprov (Sample)“An observed subset, portion, or part, of the population of interest” [2].- n usually represents the sample size.
Vad utgör ett bra urval?
7
Vad är då ekonometri
(econometrics)?
Ekonometri handlar om samband mellan olika ekonomiska variabler. Några citat:
• “Econometrics is concerned with the systematic study of economic phenomena using observed data.”
8
Vad är ekonometri (econometrics)?
Ekonometri handlar om samband mellan olika ekonomiska variabler. Några citat:
• “Econometrics is concerned with the systematic study of economic phenomena using observed data.”
• “Econometrics is concerned with the empirical determination of economic laws.”
9
Vad är ekonometri (econometrics)?
Ekonometri handlar om samband mellan olika ekonomiska variabler. Några citat:
• “Econometrics is concerned with the systematic study of economic phenomena using observed data.”
• “Econometrics is concerned with the empirical determination of economic laws.”
• “Econometrics is based upon the development of statistical methods for estimating economic relationships, testing economic theories, and evaluating and implementing government and business policy.
10
Kategorier
Ekonometri
Teoretisk Tillämpad
Klassisk BayesianskKlassiskBayesiansk
11
Linjär regressionsanalysBeskrivning och analys av linjära samband mellan en beroende variabel (y) och en eller flera förklarande (oberoende) variabler (x1, x2,…,xk):
y = f (x1, x2,…,xk)
• Enkel linjär regressionsanalys: en förklarande variabel, t exPris = β0 + β1Boyta + u
• Multipel linjär regressionsanalys: flera förklarande variabler, t exPris = β0 + β1Boyta + β2Standardpoäng + u
12
Linjär regressionsanalysVi vill bygga och skatta en modell som kan förklara verkligheten – ”what’s going on out there?”
•Vilka variabler ska ingå i modellen?
•Hur ska det matematiska sambandet mellan den oberoende variabeln och de förklarande variablerna se ut?
•Vi är intresserade av Kasualitet: Beror BNP-ökningen på ökat byggande, eller ökat byggande på ökad BNP? Jämför korrelation: skilj på statistiska samband och kasuala samband. Vad påverkar vad?
•Har vi tillgång till bra data (observationer)?
13
Varför ekonometri i fastighetsekonomi?
14
Fastighetsvärdering/taxeringScatterplott, price and size of house in square feet.
y = 0,1402x + 11,204R2 = 0,6208
0
100
200
300
400
500
600
700
800
0 500 1000 1500 2000 2500 3000 3500 4000 4500
Price
Square feetSource: HPRICE1, Wooldrige.
15
Makroanalyser
-20
-10
0
10
20
30
40
1966
1968
1970
1972
1974
1976
1978
1980
1982
1984
1986
1988
1990
1992
dBNPdPrice
Procent
År
y =-1,8+0,8x+u
Y=förändringPris
X=förändringBNP
16
Marknadsanalyser• log(Bostadsyta) = β0 + β1log(Pris)
+β1log(Inkomst) + β1log(Familjestorlek) + u
Exempel:- Priselasticitet: -0,10
- Inkomstelasticitet: 0,05.
- Ökar familjestorleken med 1 person så ökar efterfrågad kvantitet med drygt 5 procent.
17
Finansiella analyser
-3
-2
-1
0
1
2
3
2005
-01-
03
2005
-01-
10
2005
-01-
17
2005
-01-
24
2005
-01-
31
2005
-02-
07
2005
-02-
14
2005
-02-
21
2005
-02-
28
2005
-03-
07
2005
-03-
14
2005
-03-
21
2005
-03-
28
2005
-04-
04
2005
-04-
11
2005
-04-
18
2005
-04-
25
2005
-05-
02
2005
-05-
09
2005
-05-
16
2005
-05-
23
2005
-05-
30
2005
-06-
06
2005
-06-
13
2005
-06-
20
2005
-06-
27
2005
-07-
04
2005
-07-
11
2005
-07-
18
2005
-07-
25
2005
-08-
01
2005
-08-
08
2005
-08-
15
MarketReal Estate
y =-0,11+0,41x+u
Y=avkastning fastigheter
X=avkastning brett aktieindex
18
Tänk!• Är det rimligt att anta att sambanden du har
funnit är stabila över tiden?
• Does history repeat itself?
• Kasualitet eller nonsens-samband?
19
BakgrundsvariablerResultatvariablerPrediktorerResponsvariabelFörklaringsvariablerUndersökningsvariabelOberoende variablerBeroende variabel
x1, x2,…,xky
20
RegressorsRegressandPredicted VariablesPredicted variableControl variablesResponse variableExplanatory variablesExplained variableIndependent variablesDependent variable
x1, x2,…,xky
21
Varför urval (stickprov eller sampel)?
För dyrt och/eller omöjligt med totalundersökning.
Omöjligt fall: ”Sample” = blodprov. Helt enkelt oetiskt, kan inte tömma människan på allt blod (=populationen).
Småhusförsäljningar: Hur skulle en ”Drömsituation” för fastställande av taxeringsvärden se ut?
Diskutera olika faktorer som kan bidra till att ditt urval inte är representativt för den population du vill dra slutsatser om!
22
Skatta våra okända parametrar: Från population till skattningar
Punktskattningar av medelvärdet μ (exempel på lägesmått) och variansen σ2 (exempel på spridningsmått) i en population.
∑=
=n
iix
nx
1
1
∑=
−−
=n
ii xx
ns
1
22 )(1
1
Populations-parameter
Skattning baserat påurval (stickprov)
Medelvärde μ
Varians σ2
Våra Regressionskoefficienter…:
Kovarians och Korrelation ) Se nedan!
23
Populationsmedelvärde:
population in the valuesofNumber
...211
=
++==
∑=
NN
xxxN
xN
N
ii
μ
Urvalsmedelvärde – aritmetiska medelvärdet
sample in the valuesofNumber
...211
=
++==
∑=
nn
xxxn
xx n
n
ii
24
Medianen
• Ordna data stigande eller fallande. Medianen, Xm, är det “mellersta talet”.
Mao: Medianen är det tal i den ordnade datamängden som storleksmässigt ligger så att det finns lika många tal som är större än och mindre än medianen
• Om n är - udda, då utgörs Xm av den mellersta obervationen;
- Jämnt, då utgörs Xm av medelvärdet av de två “mellersta talen” .
25
Ofta används som spridningsmått standardavvikelsen s:
∑=
−−
=n
ii xx
ns
1
2)(1
1
I vårt enkla linjära regressionsexempel ovan, vilka är - populationsparametrarna? - skattningsfunktionerna?
26
Samband mellan två slumpvariabler
• Hur är två variabler relaterade till varandra?
• Vi kan beskriva sambandet med hjälp av - spridningsdiagram (scatter plot),- kovariansen (the covariance),- korrelationskoefficient (the correlation coefficient.
Vi studerar samband mellan två slumpvariabler, säger inget om
kausalitet.
27
- an indication of the strength of the relationship between two variables;
- an indication of the direction of the relationship between two variables;
- the range of each variable;
- an indication of extreme values (outliers);
- pattern of values over the range [3].
Spridningsdiagram visar
28
Kovarians (baserat på urval)
1
))((),( 1
−
−−==∑=
n
yyxxsyxCov
n
iii
xy
• Vad indikerar en positiv kovarians?
• Vad indikerar en negativ kovarians?
29
Korrelationskoefficient
)()(
))((
1
2
1
2
1
∑∑
∑
==
=
−−
−−==
n
ii
n
ii
n
iii
yx
xyxy
yyxx
yyxx
sss
r
• Standardiserad kovarians – mycket lättare att tolka.
• –1 till +1 (jmf spridningsdiagram)
• Vilka värden på korrelationskoefficienten vill dubeskriva som “Perfect”, “Strong”, “Moderate”, “Weak”, “No” positive/negative linear relationship?
30
Stickprovets regressionslinje (vid enkel linjär regression)
• Med hjälp av minsta-kvadratmetoden (Ordinary LeastSquare) kan man anpassa en rät linje, en regressionslinje, till ett datamaterial bestående av nstycken observationspar (xi, yi).
• Dvs, för att skatta de okända regressionsparametrarna β0 och β1 använder vi oss av OLS (MK-metoden). Hur?
• Välj estimatorerna (skattningsfunktionerna)så att summan av de kvadrerade avstånden från den anpassade räta linjen (regressionslinjen) och de observerade talparen (xi, yi) minimeras.
31
Stickprovets regressionslinje (vid enkel linjär regression)
• Regressionslinjen skriver vi som
• För en enskild observation har vi det anpassade värdet(i = 1,…,n).
• Residualen ei för observation i, är skillnaden mellan det faktiska yi och dess anpassade värde
• Det finns n stycken residualer.
xy ˆˆˆˆ 10 ββ +=
ii xy ˆˆˆˆ 10 ββ +=
:ˆiy
iiiii xyyye ˆˆˆˆ 10 ββ +−=−=
32
Stickprovets regressionslinje (vid enkel linjär regression)
• Välj så att summan av de kvadrerade residualerna
Blir så liten som möjligt. Lösningen till minimeringsproblemet ger oss skattningsfunktionerna
10ˆoch ˆ ββ
∑∑∑===
+−=−=N
Iii
N
Iii
N
Ii xyyye
1
210
1
2
1
2 )ˆˆˆ()ˆ( ββ
∑
∑
=
=
−
−−=−= n
ii
n
iii
xx
yyxxxy
1
2
1100
)(
))((ˆoch ˆˆ βββ
33
Stickprovets regressionslinje
• Ovanstående formler gäller om vi har en oberoende variabel (dvs enkel linjär regressionsanalys).
• Om multipel linjär regressionsanalys, då är det matrisalgebra som gäller (mer om multipel regressionsanalys senare).
• Under vissa förutsättningar är OLS-skattningarna väntevärdesriktiga och effektivaste av alla möjliga skattningar.
• Nu när vi vet principen för hur vi finner våra OLS-skattningar fortsätter vi med statistisk inferens och speciellt hypotesprövningar.
• SE WORDFIL LTH2007!
34
Klassisk ekonometrisk metod1. Framställning av teori eller hypotes.2. Specificering av den matematiska modellen för teorin.3. Specificering av den ekonometriska modellen.4. Erhålla data.5. Estimering (skattning) av parametrarna som ingår i den
ekonometriska modellen.6. Hypotesprövningar.7. Prediktioner8. Använd modellen för policysyften eller kontroller.
35
Illustration av de åtta stegenVi använder oss av ett klassiskt makroekonomiskt exempel:- Keynes konsumptionsteori och MPC (Marginal
propensity to consume; den marginella konsumtionsbenägenheten).
- Steg 1: Framställning av teori eller hypotes:”Hushåll ökar sin konsumtion när den disponibla inkomsten stiger, dock inte med hela inkomstökningen.”
(Jmf ”Priset på bostadsrätter ökar med y% när den disponibla inkomsten stiger med x%”)
36
Illustration av de åtta stegen• Steg 2: Specificering av den matematiska modellen för
Keynes teori. :
Låt C beteckna konsumtion och I disponibel inkomst. En matematisk modell för teorin kan då vara:
C = β0 + β1I
- β0 och β1 är modellens parametrar: intercept- respektive lutningskoefficienterna.
- β0 anger hur stor konsumtionen är då inkomsten är 0 kr.- β1 mäter den marginella konsumtionsbenägenheten.
37
Illustration av de åtta stegenSteg 2 fortsättning:
C = β0 + β1I
• Linjär konsumtionsfunktion.
• K är en funktion av I, därför säger vi att C är den beroende variabeln, medan I är den oberoende(förklarande) variabeln.
• Antagande om kausalitet (orsakssamband) mellan C och I: kausaliteten går in en riktning, dvs I antas orsaka C och inte tvärtom.
38
Illustration av de åtta stegenSteg 3: Specificering av den ekonometriska modellen.
• Notera följande i den matematiska modellen i steg 2: C = β0 + β1I antar att det finns ett exakt eller deterministiskt samband mellan konsumtion och inkomst.
Men relationer eller samband mellan ekonomiska variabler är vanligtvis inexakta: kan vi förvänta oss att alla datapunkter (C, I) ligger på en rät linje om vi samlar in data från säg 100 hushåll? Nej! Varför?
Andra variabler påverkar konsumtion (ålder, storlek påhushållet, religion, etc etc).
39
Illustration av de åtta stegen
• Steg 3 fortsättning: Specificering av den ekonometriska modellen.
• Den ekonometriska modellen tar hänsyn till att ekonomisk teori inte kan exakt kan förklara hushållens beteenden.
• För att tillåta inexakta relationer eller samband mellan ekonomiska variabler specificerar vi följande ekonometriska modell: C = β0 + β1I + u, där u är feltermen (error term, disturbance).
• Feltermen u representerar alla de variabler som påverkar konsumtionen, men som inte ingår i modellen explicit: våra ”unobserved”.
40
Illustration av de åtta stegen• Steg 3 fortsättning: Specificering av den ekonometriska
modellen.
• C = β0 + β1I + u
• Exempel på en enkel linjär regressionsmodell.
• Den ekonometriska modellen för konsumtion består av två komponenter: en del som beror linjärt på inkomsten I och en del som är slumpmässig.
41
Illustration av de åtta stegen• Steg 4: Skaffa data.
• Data är observerbara värden på en variabel.year consumption income1984 3081,5 4620,31985 3240,6 4803,71986 3407,6 5140,11987 3566,5 5323,51988 3708,7 5497,71989 3822,3 5649,51990 3972,7 5865,21991 4064,6 6062,01992 4132,2 6136,31993 4105,8 6079,41994 4219,8 6244,41995 4343,6 6389,61996 4486,0 6610,71997 4595,3 6742,11998 4714,1 6928,41999 4801,2 7100,62000 4920,5 7220,32001 5011,3 7350,32002 5140,5 7499,22003 5230,2 7600,02004 5330,7 7722,22005 5390,6 7832,42006 5500,0 7945,2
42
Illustration av de åtta stegen• Steg 4 fortsättning: Skaffa data.
• Tvärsnittsdata består av urval av individer, hushåll, företag, regioner, städer, länder etc tagna vid en giventidpunkt (ignorerar små skillnader i timing).Exempel: huspriser 2006. BNP för alla länder 2006.Även för givna veckor, månader, kvartal,…
• Tidsseriedata består av observationer på en eller flera variabler över tiden.Exempel: årliga huspriser 1980 till 2006. Svensk BNP för perioden 1980 till 2006. KPI. FPI. Vårt konsumtionsexempel.Datafrekvens: dagar, veckor, månader, kvartal, år,…
43
Illustration av de åtta stegen• Steg 4 fortsättning: Skaffa data.
• Vissa data har både tvärsnitts- och tidsseriedimension.
• Exempel: Paneldata (longitudinell data) består av observationer på en eller flera variabler på sammaobjekt/individer över tiden.
Exempel:- BNP för alla världens länder för perioden 1970 till 2004. - Alla ni och era inkomster fr o m i år och 30 år framåt. - Repeated Sales Price Index (vad är objektet?)
44
Steg 4: Mer engelsk terminologi• Cross–section data: Data which consist of
observations relating to units at a given point in time. Dvs Tvärsnittsdata.
• Time-series data: Data which describe the movement of a variable over time (daily, weekly, monthly, quarterly, yearly).
• Pooled data: Data which combine cross-section and time-series data.
• Panel data: same as pooled data, but the data consists of repeated observations on the same objects through time.
45
Illustration av de åtta stegen• Steg 5: Estimering av den ekonometriska modellen.
• Med vår data kan vi estimera (skatta) parametrarna i konsumtionsfunktionen. De numeriska värdena vi erhåller ger konsumtionsfunktionen empiriskt innehåll.
• Vi estimerar parametrarna med den statistiska teknik som kallas regressionsanalys. Vi erhåller följande skattningar av β0 och β1: –268,07 och 0,72.
• Sålunda har vi följande estimerade (skattade) konsumtionsfunktion:
IIC 72,007,268ˆˆˆ10 +−=+= ββ
Ibland b0resp b1
46
Illustration av de åtta stegen• Steg 5: Estimering av den ekonometriska modellen.
•
• Tolkning: För perioden 1984 – 2006 är lutningskoefficienten (dvs MPC) 0,72.
Med andra ord, en ökning av den reala inkomsten med 1 dollar ledde, i genomsnitt, till en ökning av real konsumtion med 72 cents.
IIC 72,002,268ˆˆˆ10 +−=+= ββ
47
Illustration av de åtta stegen• Steg 6: Hypotesprövning
• Statistisk hypotesprövning innebär att man med hjälp av slumpmässiga urval bedömer trovärdigheten i hypoteser –antaganden – angående populationen.
• Vi vill med hypotesprövning fastställa hur mycket bevis för att en viss hypotes är sann som finns i vårt urval.
• I vårt fall är nollhypotesen att MPC < 1.- Kan vi förkasta den eller inte?
• Begrepp: nollhypotes, alternativhypotes, teststatistika, kritisk region.
48
Illustration av de åtta stegen• Steg 7: Prediktion
• Givet att vår modell inte har motbevisat vår teori eller hypotes, kan vi använda den för att göra prognoser(forecasts, predictions).
• Med hjälp av kända eller förväntade framtida värde(n) på den oberoende (förklarande) variabeln, kan vi erhålla prediktion av den beroende variabeln.
• Antag att vi vill göra en prediktion av den genomsnittliga konsumtionen för år 2008. Antag att vi förväntar oss att inkomsten (GDP) för 2008 kommer att bli 8050. Vi erhåller då prediktionen
.5535)8050(72,002,268ˆ =+−=C
49
Illustration av de åtta stegen• Steg 8: Använd modellen för policysyften eller
kontroller
• Antag att regeringen tror att om konsumtionen uppgår till 5600 (miljarder dollar) kommer arbetslösheten hamna på 4,5%.
• Hur stor måste inkomsten vara för att konsumtionen ska uppnå 5600?
• Med finans- (och ev. penningpolitiska medel) kan regeringen manipulera kontrollvariablen I för att uppnå den önskvärda nivån på målvariabeln C.
.7414
72,002,2685600
=⇔
+−=
I
I
50
Statistikprogram ett måste
• Excel• SPSS• Eviews• Stata• Matlab• R• SAS
51
Övningar på att tolka skattade regressionslinjer
%Δy = (100b1)Δxx1log(y)Log-level
%Δy = b1 %Δxlog(x1)log(y)Log-log
Δy = b1 Δxx1yLevel-level
Tolkningav b1
Oberoendevariabel
Beroendevariabel
Modell
y = b0 + b1* x1
52
Övningar på att tolka skattade regressionslinjer
pris = b0 + b1*Boyta = 10 + 50 000*BoytaTolkning:
b1 anger hur mycket pris ändras i genomsnitt när boyta ökar med en kvm.
ln(pris) = b0 + b1*ln(Boyta) = 10 + 0,80*BoytaTolkning: elasticiteter
(här priselasticitet m.a.p. Boyta).b1 anger hur många procent pris ändras i genomsnitt när boyta ökar med 1 procent.
(1 procents ökning av boytan leder till att pris ökar med i genomsnitt 0.80%)
53
Övningar på att tolka skattade regressionslinjer
ln(pris) = b0 + b1*rum = 10 + 0.50*rum
Tolkning: semi-elasticiteterb1 anger hur många procent pris ändras i genomsnitt när rum ökar med 1 enhet.
(För varje rum så ökar pris ökar med i genomsnitt 50%)
54
Övningar på att tolka skattade regressionslinjer
pris = b0 + b1*Boyta + b2*standardpoäng
= 10 + 40 000*Boyta + 10 000*standardpoäng
Tolkning:b1 anger hur mycket pris ändras i genomsnitt när boyta ökar med en kvm, och standardpoäng är konstant (ceteris paribus tolkning).b2…
55
Övningar på att tolka skattade regressionslinjer(US-English)
log(price) = 10 + 0.65*log(sqrft) – 0.066*bedrooms + 0.15*baths
- The price elasticity with respect to square footage is 0.65. Holding bedrooms and baths fixed, a 1 percentage increase in square footage is predicted to increase housing price (price) by about 0.65% (on average).
- Given size (sqrft) and number of bedrooms, one more bathroom (baths) is predicted to increase housing price (price) by 15% (on average).
- Varför negativt tecken på koefficienten för bedrooms?
56
Övningar på att tolka skattade regressionslinjermed dummyvariabler (binär variabel)
log(pris) = b0 + b1*log(Boyta) + b2*strandtomt
= 10 + 0.70*log(Boyta) + 0.65* strandtomt
- strandtomt är en dummyvariabel som är lika med 1 om huset är byggt på en strandtomt, annars 0.
- Hus på strandtomter är i genomsnitt 65% dyrare än andra hus, allt annat lika.
57
Sammanfattning 1
Vi vill försöka fastställa kasualt samband mellan variabler. Vad har variabel x för kasual effekt påvariabeln y? Att ”fånga in” verkligheten i en modell.
Teoretiska modellen (enkel linjär regression):
y = β0 + β1*x + u
y: beroende variabel, undersökningsvariabel
x: oberoende variabel, förklarande variabel
u: felterm, slumpterm: fångar in de variabler som ej är observerade.
β0 och β1: regressionskoefficienter, okända parametrar som ska skattas.
β0: intercept med y-axeln: värdet på y när x = 0. Ofta av lite intresse.
β1: anger lutningen på regressionslinjen.
• Man kan säga att ett viktigt mål med regressionsanalys är att erhålla skattningar av de okända parametrarna (β-parametrarna).
58
Sammanfattning 1
Den multipla linjära regressionsmodellen
k oberoende variabler och ett intercept => finns k + 1 stycken (okända) parametrar att skatt (vilka?).
Oavsett hur många oberoende variabler vi har inkluderat i vår modell kommer det alltid att finnas faktorer som vi inte kan inkludera. Än en gång är det feltermen u som samlar in alla ”icke observerade” faktorer.
Pris = f(x1, x2, x3,…).
• Problem med multikollinearitet.• Ceteris paribus tolkning.
59
Några datorövningar
Glöm ej deskriptiv statistik, korrelation etc.
Gör övningar i Excel! Var kreativ, prova, experimentera!
Rent rates.xls
•Huspriser Norra Ängby 1.xls
•Huspriser_1.xls
•Norra och Södra Ängby.xls
• Huspriser_2.xls
60
Statistisk inferensteori & hypotesprövning
Kom ihåg: Statistisk slutledning eller statistiskinferens är konsten att göra intelligenta gissningar med hjälp av slumpmässiga urval.
Med ett slumpmässigt urval (exv. fastighets-försäljningar ett visst år) kan vi skatta okända parametrar – till exempel medelvärden och varianser – för populationen.
Dessutom kan vi pröva hypoteser – antaganden – om populationen. Se LTH 2008
Hypotesprövning
61
Statistisk inferens (jmf slides 4 och 5)
• Population - parametrar• Urval - skattningar• Statistiska slutsatser
– Skatta parametrar– Testa hypoteser
Vi vill med hjälp av vårt urval dra slutsatser om populationen!
Population
Urval
Samtliga fastigheter
Sålda fastigheter
62
Två Fallgropar
• Heteroskedasticitet - ej konstant varians• Multikollinearitet - hög inbördes korrelation
mellan olika oberoende variabler
63
Några referense• [1]. D. Geltner, N.G. Miller, J. Cayton, and P. Eichholtz (2007).
Commercial Real estate - Analysis and Investments, 2nd ed.The MIT Press
• [2]. D. A. Lind, W. G. Marchal, and S.A. Wathen (2008). StatisticalTechniques in Business and Economics, 13th ed. McGraw-Hill Irwin
• [3]. P. Newbold, W. L. Carlson, and B. Thorne (2003). Statistics for Business and Economics, 5th ed. Prentice Hall
• [4]. R. V. Hogg, and E. A. Tanis (2001). Probability and StatisticalInference, 6th ed. Prentice Hall
• [5]. J. M. Wooldridge (2006). Introductory Econometrics –A Modern Approach, 3rd ed. Thomson South-Western
• [6]. G. R. Brown, and G. A. Matysiak (2000). Real Estate Investment – A Capital Market Approach. Financial Times, Prentice Hall