This dissertation covers three different aspects of estimating and forecasting residential real estate markets.
Chapter 1:
The first chapter aims to examine whether there are differences between the long and short-term relationship of house prices and interest rates. The elasticity of house prices to monetary policy changes, e.g. via interest rates, is from a theoretical perspective and in ...
Zusammenfassung (Englisch)
This dissertation covers three different aspects of estimating and forecasting residential real estate markets.
Chapter 1:
The first chapter aims to examine whether there are differences between the long and short-term relationship of house prices and interest rates. The elasticity of house prices to monetary policy changes, e.g. via interest rates, is from a theoretical perspective and in the long-run negative. However, house prices adapt in the short-run dynamically to economic, financial, institutional and demographic factors. In this chapter, we confirm the aforementioned negative relationship for the Nordic housing markets but provide evidence of drastic deviations in the short run, especially in the context of the financial crisis.
Chapter 2:
The second chapter tests the prediction accuracy of two innovative methods proposed along the hedonic debate: The Geographically Weighted Regression (GWR) and the Generalized Additive Model (GAM). We compare the predictions of linear, spatial and non-linear hedonic models based on a very large dataset in Germany. The results provide evidence for a clear disadvantage of the GWR model in out-of-sample forecasts. However, the simplicity of the OLS approach is not substantially outperformed by the semi-parametric approach. Since sample size is essential when estimating and forecasting hedonic models this study covers more than 570,000 observations which is – to the authors' knowledge – one of the largest datasets used for spatial real estate analysis.
Chapter 3:
Google Trends offers virtually unlimited, instantaneously available, spatially and textually adjustable and, in addition, free data. Real estate markets appear to be particularly well-suited for search volume related studies, as the “products” of this market involve a large financial commitment, which demands an extensive information gathering process. Although Google Trends data can be accessed already since 2008, many interpretation and usage misunderstandings can be found amongst the literature. Therefore, the third chapter will focus on two main objectives: Firstly, I will give an overview of what Google data is in the first place and what the potential pitfalls are. Secondly, I will conduct an empirical analysis to find out, whether the results are still in line with the literature after accounting for those difficulties.
Übersetzung der Zusammenfassung (Deutsch)
Diese Dissertation behandelt drei verschiedene Aspekte bezüglich des Schätzens und Prognostizierens von Wohnimmobilienmärkten.
Kapitel 1:
Das erste Kapitel untersucht, ob es Unterschiede zwischen der lang- und kurzfristigen Beziehung zwischen Immobilienpreisen und Zinsen gibt. Theoretisch dürfte eine negative Beziehung der beiden Größen erwartet werden. Allerdings reagieren Immobilienpreise ...
Übersetzung der Zusammenfassung (Deutsch)
Diese Dissertation behandelt drei verschiedene Aspekte bezüglich des Schätzens und Prognostizierens von Wohnimmobilienmärkten.
Kapitel 1:
Das erste Kapitel untersucht, ob es Unterschiede zwischen der lang- und kurzfristigen Beziehung zwischen Immobilienpreisen und Zinsen gibt. Theoretisch dürfte eine negative Beziehung der beiden Größen erwartet werden. Allerdings reagieren Immobilienpreise auch auf ökonomische, finanzielle, institutionelle und demographische Veränderungen. In diesem Kapitel können wir den erwarteten negativen Zusammenhang für den nordischen Immobilienmarkt zeigen, finden aber auch – gerade im Rahmen der Finanzkrise – Anzeichen für drastische kurzfristige Abweichungen von diesem langfristigen Trend.
Kapitel 2:
Das zweite Kapitel vergleicht die Prognosegenauigkeit von zwei innovativen hedonischen Modellen: Die geographisch gewichtete Regression (Geographically Weighted Regression (GWR)) und das semi-parametrische Generalized Additive Model (GAM). Wir vergleichen lineare, räumliche und nicht lineare hedonische Modelle mit Hilfe eines sehr großen Datensatzes für den deutschen Mietmarkt. Die Ergebnisse zeigen einen klaren Nachteil für die GWR-Methode bezüglich deren out-of-sample Prognosen. Entgegen unserer Erwartungen liefert die Einfachheit des OLS-Ansatzes vergleichsweise sehr gute Ergebnisse, die fast gleichwertig zu denen des semi-parametrischen Modells zu sein scheinen. Da die Größe des Datensatzes ausschlaggebend für eine solche Untersuchung ist, beinhaltet diese Untersuchung mehr als 570.000 Beobachtungen, was – nach unserem Wissensstand – einer der größten Datensätze in der Literatur ist.
Kapitel 3:
Google Trends bietet theoretisch unendlich viele Daten, die sofort verfügbar, zusätzlich inhaltlich, räumlich und zeitlich anpassbar sind und noch dazu kostenlos zur Verfügung gestellt werden. Immobilienmärkte scheinen für Studien im Zusammenhang mit Suchmaschinendaten besonders geeignet zu sein, da die „Produkte“ dieses Marktes aufgrund der großen finanziellen Verpflichtung, ein hohes Maß an Informationssammlung fordern. Obwohl Google Trends Daten bereits seit 2008 frei zugänglich sind, finden sich in der Literatur noch viele Missverständnisse bezüglich der Interpretation und Nutzung dieser Daten. Daher setzt sich das dritte Kapitel zwei Ziele: Zum einen soll eine Übersicht gegeben werden, was diese Daten überhaupt aussagen und wo mögliche Fallstricke oder Schwierigkeiten auftreten könnten. Zum anderen soll eine empirische Analyse zeigen, ob die Ergebnisse noch immer im Einklang mit der Literatur sind, wenn man diese Schwierigkeiten berücksichtigt.
Downloadstatistik