Detecting bubbles in the Finnish housing markets 2006-2023
Notice bibliographique
Résumé
The research motivation for this study derives from the importance of understanding housing markets as it has a great effect on people’s lives, their financials and the macroeconomy. Throughout the history, housing markets have also been an important factor in a variety of economic crises. Therefore, a housing bubble detection study contributes a lot in order to analyze the housing markets and detect possible price bubble scenarios. \nThe housing prices from the Finnish capital area and from Finland are collected from the secondary housing price data from the first quarter of 2006 to the second quarter of 2023. OLS regression analysis is then performed with real housing prices as the dependent variable and disposable aggregate income and unemployment rates as independent variables. From the fitted values, it is assessed whether the determined bubble thresholds are exceeded during the sample period. The results from the regression analysis are compared to the results received from the ratio analysis conducted with the price-to-rent ratio and price-to-income ratio using the same data that the regression analysis to again evaluate whether the determined bubble thresholds are exceeded. \nThe results indicate that the hypotheses about a housing market bubble between 2020 and 2022 for the Finnish housing markets and for the Finnish capital area housing markets are somewhat confirmed with small variations in the actual bubble periods between the different research methods. The results from the OLS-regression model, price-to-rent ratio and price-to-income ratio indicate that there is notable bubble activity from 2019 to 2022 depending on the research method.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,003 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».