MétaCan
Menu
Retour à la cohorte
Enregistrement W2890677796 · doi:10.3390/jrfm11030054

U.K. House Prices: Bubbles or Market Efficiency? Evidence from Regional Analysis

2018· article· en· W2890677796 sur OpenAlexvenueno aff
Yi Wu, Nicole Lux

Notice bibliographique

RevueJournal of risk and financial management · 2018
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueHousing Market and Economics
Établissements canadiensnon disponible
Organismes subventionnairesNatural Science Foundation of Guangdong Province
Mots-clésEconomic rentEconomicsHouse priceMean reversionEconometricsValue (mathematics)DividendMomentum (technical analysis)EstimationTerm (time)Financial economicsFinanceStatisticsMicroeconomicsMathematics

Résumé

récupéré en direct d'OpenAlex

This paper studies U.K. regional house prices across nine regions from January 2005 to December 2017 to identify regional versus national effects on house prices and potential house price bubbles. It uses a version of the Gordon dividend discount model, modelling house prices as the present value of imputed rents as a measure of fundamentals. It differentiates between long-term and short-term effect using pooled mean group (PMG) and mean group estimation (MG) to determine variations in regional house prices during different periods relating to the most recent financial crisis. The results confirm that the crisis had differentiating effects in the short term, but there is reversion back to long-run fundamentals. Regional trend analysis shows that the house price growth in the regions has been affected differently in the short run and each region has varying long-run fundamentals. Residential property values in London have shown strongest short-run momentum.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,269
Score d'incertitude au seuil0,582

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,028
Tête enseignante GPT0,222
Écart entre enseignants0,195 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations9
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of risk and financial managementMême sujetHousing Market and EconomicsTravaux en français237 207