Best predictors of apartment prices: Empirical Evidence from Czechia

Abstract

Kontrolovat ukazatele cen nemovitostí je klíčové, jelikož může docházet k tvorbě cenové bubliny, jejíž prasknutí by mohlo mít velice negativní dopady na hospodářství. Cílem této bakalářské práce je najít nejlepší možné ukazatele a modely pro předpovídání cen bytů v České republice a jejích regionech s užitím panelových dat a časových řad poskytnutých Českým statistickým úřadem. Po stanovení hypotéz o očekávaném vlivu proměnných na cenu bytů se průměrná mzda, míra nezaměstnanosti, přirozený růst populace a cena pozemku zdají být nejdůležitějšími ukazateli cen bytů napříč všemi modely. Optimální výsledek je dosáhnut pomocí ekonometrických modelů jako jsou fixní efekty, první diference nebo klasická metoda nejmenších čtverců s heteroskedasticitními a auto-korelovanými konsistentními standartními chybami. Dále je použita lasso metoda pro řešení multi-kolinearity a selekci velkého počtu nezávislých proměnných. Lasso metoda vylepšila přesnost předpovědi ve většině případů. Avšak prognóza regrese první diference se po aplikaci lasso penalizace zhoršila. 1

It is essential to control for property price determinants since there could be created the price bubble, and its burst would have harmful effects on the economy. Thus, this bachelor thesis aims to show the best determinants and models for forecasting the apartment prices in Czechia and its regions with the use of panel data and time series from the Czech Statistical Office. After stating hypotheses of variable's expected impacts on apartment prices, the most important determinants appeared to be the average wage, unemployment rate, natural population growth, and the building plot price. The best results are found by using econometric regressions as the fixed effects, the first differences or the classical ordinary least squares method. I also use the heteroskedasticity and autocorrelation consistent standard errors for better robustness of coefficients. Moreover, the lasso method is applied for dealing with multicollinearity and over-fitting, which are fixed by the variable selection. In most cases, the lasso improved prediction accuracy. However, the first difference regressions worsen the forecasts after the lasso penalisation. 1