2014年-IMF国际货币组织全球_Commercial_Property_Price_Indexes_Problems_of_Sparse_Data_Spatial_Spillovers_and_Weighting_31页_852kb

报告摘要

本文由Mick Silver和Brian Graf撰写，探讨了商业房地产价格指数（CPPIs）在构建过程中面临的几个关键问题，包括数据稀疏性、空间溢出效应和权重分配。研究基于美国的交易数据，提出了改进方法，以提高指数的准确性与效率。

数据稀疏性问题
- 由于商业房地产交易的不频繁和多样性，CPPIs的数据通常较为稀疏。
- 为提高估计效率，本文建议使用交易数量（counts）作为权重，用于加权最小二乘法（WLS）估计。
空间溢出效应
- 空间自回归（SAR）模型被引入，以考虑邻近地区对价格变化的影响，从而减少估计偏差。
- 空间权重矩阵和自回归参数 $\rho$ 被允许随时间变化，以更准确地反映区域间关系的动态性。
权重分配方法
- 本文提出了一种基于资产存量或交易量的权重分配方法，用于计算直接、总和与间接效应。
- 使用WLS方法可以更有效地利用counts数据，减少测量误差对估计结果的影响。
方法改进
- 通过引入SAR模型和动态权重，提升了对价格变化的估计精度。
- 对比了固定权重与链式权重（chain weights）的效果，发现链式权重在某些情况下更优。
指数构建与比较
- 使用RCA CPPI数据构建了美国不同类型的商业房地产价格指数（公寓和核心商业）。
- 对比了WLS和OLS估计结果，发现WLS在处理稀疏数据时更具优势。

使用双重固定效应面板回归模型，其中包含空间自回归项（SAR）。
模型形式如下：
$$
\mathbf{Y}{n,t} = \rho \mathbf{W}n \mathbf{Y}{n,t} + \mathbf{Z}\mu \boldsymbol{\mu}n + \mathbf{Z}\gamma \boldsymbol{\gamma}t + \mathbf{V}{n,t}
$$
引入counts数据作为WLS权重，以提高估计效率。

本文指出，传统的CPPI构建方法存在数据稀疏性、忽略空间溢出效应和权重不灵活的问题。通过引入SAR模型、使用counts数据作为权重以及允许权重和空间参数随时间变化，可以显著提高CPPI的估计效率和准确性。此外，WLS方法在处理稀疏数据时比OLS更优，而链式权重在某些情况下优于固定权重。

展开完整摘要

试读结束，高清完整版pdf/doc/ppt,请点下载