An Empirical Analysis of the Relationship between the Housing Market and Macroeconomy
Notice bibliographique
Résumé
The purpose of this paper is to analyze the relationship between the housing market and the macroeconomy using macroeconomic variables, and housing price variables of South Korea from the first quarter of 1991 to the fourth quarter of 2021. In consideration of the macroeconomic transmission mechanism of housing price fluctuations, I built a VAR model with variables such as real GDP, private consumption, housing investment, private credit, policy interest rate, and housing transaction price. In respect of the impulse response, the result of the analysis showed that housing prices rose when real GDP, private consumption, housing investment, and private credit had risen. When housing prices rose, real GDP, prices, private consumption, private credit, and policy interest rates rose. As a result of forecast error variation decomposition, I found that the contribution of changes in housing prices to changes in each variable was not significant, but changes in real GDP and interest rates had a major impact on changes in housing prices. In the historical decomposition I performed, the contribution of policy interest rates to fluctuations in housing prices was also high. In particular, private credit was considerably affected by the rapid increase in housing prices in 2020. Based on the above results, I found that the increase in housing prices had a relatively long-term impact on the credit market but a poor impact on the real economy through increased consumption and housing investment, while I confirmed that the GDP and interest rates had a major effect on changes in housing prices.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».