A macroeconomic analysis on house prices and returns: an emprical application on house price indexes

Abstract

Το αντικείμενο αυτής της διατριβής είναι να υποδείξει τις μεταβλητές που τείνουν να επηρεάζουν τις τιμές και τις αποδόσεις ακινήτων. Γι' αυτόν τον σκοπό, χρησιμοποιήθηκαν 4 δείκτες τιμών κατοικιών για τις διάφορες πόλεις και περιοχές της Ελλάδας (Αθήνα, Θεσσαλονίκη, άλλες πόλεις και άλλες περιοχές). Τα χρονικά διαστήματα των τιμών τους κυμαίνονται από το 2006:Q1 έως το 2023:Q2. Επίσης, συλλέχθηκαν και οι συνήθως αναφερόμενες μακροοικονομικές μεταβλητές στη βιβλιογραφία, με τιμές που κυμαίνονται σε αυτό το χρονικό διάστημα. Μετά τον προσεκτικό μετασχηματισμό των μεταβλητών μας και την εξασφάλιση της στασιμότητάς τους, εφαρμόστηκαν ατομικές γραμμικές παλινδρομήσεις για καθεμία από τις τέσσερις εξαρτημένες μεταβλητές. Στην συνέχεια, οι τέσσερις εξισώσεις παλινδρόμησης εκτιμήθηκαν από κοινού ως ένα σύστημα εξισώσεων (SURE). Τα συμπεράσματα στα οποία καταλήξαμε δείχνουν ότι μεταβλητές όπως το ονομαστικό ΑΕΠ, ο δείκτης βιομηχανικής παραγωγής, η καθαρή άμεση ξένη επένδυση στον τομέα των ακινήτων, ο δείκτης καταναλωτικής εμπιστοσύνης και ο δείκτης κόστους κατασκευής κτιρίων είναι κρίσιμοι για την εξήγηση και πρόβλεψη των τιμών και των αποδόσεων των ακινήτων. Παρ' όλα αυτά, οι πιο επιδραστικές και στατιστικά σημαντικές, ήταν οι παρελθοντικές τιμές (μέχρι 4 χρονικές περιόδους πίσω) των ίδιων των εξαρτημένων μεταβλητών. Τέλος, οι προβλέψεις που προέκυψαν από το μοντέλο SURE ήταν ελαφρώς πιο ακριβείς σε 3 από τις 4 περιπτώσεις, σε σύγκριση με τις εκτιμήσεις που έγιναν ατομικά.

This thesis’ objective is to indicate those variables which tend to affect house prices and returns. For that purpose, 4 House Price Indexes were used for the different cities and areas of Greece (Athens, Thessaloniki, other cities, and other areas). Their values’ timeframe ranges from 2006:Q1 to 2023:Q2. Also, commonly cited macroeconomic variables in the literature, were also collected with values ranging in that timeframe. After carefully transforming our variables and establishing their stationarity, individual linear regressions were implemented for every of the four dependent variables. Moreover, the four regression equations were jointly estimated as a system of equations (SURE). The conclusions we resulted in, indicate that variables like the nominal GDP, the Industrial Production Index, the net foreign direct investment in the housing sector, the Consumer Confidence Index and the Building Construction Cost Index are crucial in the explanation and prediction of house prices and returns. Although the most impactful and statistically significant ones, were the past values (up to 4 time periods back) of the dependent variables. Finally, the predictions generated by the SURE model were slightly more accurate in 3 out of the 4 cases, compared to the individually estimated ones.