Page 15 - MFB22JudyOK

成長率 (或報酬率)，而 Tone 及 PN 指數經單根檢定後均拒絕虛無

假設，均為定態序列，因此不再做任何轉換。

而在探討經濟變數對於情緒指標是否具解釋及預測能力後，我們

嘗試檢視此情緒指標對於房屋地產相關變數是否具解釋及預測能
力，模型如下:

m p
1 
z i t     j x , i t j     q z , i t q   t 1
,

, 1
j 0 q 0
其中 z 為第 i={全台,台北市,新北市,桃園市,台中市,台南市,高雄市}
i,t
個區域在 t 時間點房地產相關變數，z i,t+1 若為月頻率資料，則為下

一個月資料，若為季頻率資料，則為下一季資料；而在解釋變數中亦

包含落後期數的房地產相關變數 z i,t-q ，q=｛0,1,…p｝， 主要是用於捕

捉可能產生的相關序列性質，自變數的落後期數之選取如前所述，選

取 0 至 3 期，且所有變數亦皆已轉換為定態的成長率 (或報酬率)

變數。

3.2.3 CART 與決策森林

迴歸樹 (classification and regression tree，以下簡稱 CART) 是決

策樹的一種，為常用的資料探勘技術。CART 與迴歸分析最大的不同

在於一個解釋變數可以在不同的切割階段被重複使用，並且可以應用

在間斷型的資料中以進行分類。在建立決策樹的過程中，CART 每次

都會利用 Gini 分類法來計算間斷型資料的不純度 (impurity)，並依

此選擇分割條件。在每次的分割中會將資料分成兩個子集合，並再子

集合中尋找下一個分割條件。經由不斷將間斷型資料分割成兩個子集

合的方式來建構決策樹，直到無法再分割為止。而決策森林是集成學

習 (ensample learning) 的一種，主要是透過建立多個相互獨立的迴歸

樹，並將這些分類結果加以平均或以多數決準則為依據，來做為模型

最後的預測結果。也就是說，決策森林模型會依據隨機抽取出的樣本

13