Page 16 - MFB22JudyOK

以及解釋變數來建立一個 CART 模型，並且該步驟會持續進行 N

次，以建立 N 個相互獨立的 CART 模型。最後再將這 N 個模型的

分類結果加以平均 (或依多數決準則的結果) 來做為決策森林模型

的最終預測值。

我們採用前一小節中所提及的變數來檢視其與房價指數間的關

聯性，採取的資料期間為 2012 年 9 月~2020 年 12 月。並且進行

以下的資料轉換。首先將房價指數改成間斷型資料， 即 當房價指數成

長率大於 0.1% 時，則 Z t 9  1 (表示房價上漲)，當房價指數成長率

小 於 0.1% 時 ， 則 Z t 9   1 ( 表 示 房 價 下 跌 )， 其 他 情 況 則 為

Z t 9  0 (表示房價持平)。接著我們嘗試利用決策森林模型以上一期的

房屋交易量月增率、上一期的貨幣總計數 M1B 月增率、上一期的大

盤指數月報酬率以及上一期的 Tone 與 PN 指數來預測次九個月房

價指數是上漲/持平或下跌的 Z t 9 結果。

4.實證結果分析

4.1 情緒指標分析

本論文編製之情緒指標因將政策相關之關鍵字納入考量，因此在

指標的編制上，房地產、房地產政策以及市場情緒三者之關鍵字須同

時符合才會列入計算。從 Tone 及 PN 指標中得以看出群眾於政府

政策實施時，對於房市狀況之情緒反應；當 Tone 指標 > 0 (< 0)

時，表示群眾對於房市狀況樂觀 (悲觀)；PN 指標 > 0 (< 0) 時，表

示群眾對於房市狀況樂觀 (悲觀)。表 5 為台灣直轄市與全台 Tone

指標的敘述統計，表 6 為台灣直轄市與全台 PN 指標的敘述統

計，其中台南市 (台北市) 平均的 Tone (PN) 指標最高。

14