DOI: https://doi.org/10.1371/journal.pone.0341026
PMID: https://pubmed.ncbi.nlm.nih.gov/41575971
تاريخ النشر: 2026-01-23
المؤلف: Mrs. Nutan Singh وآخرون
الموضوع الرئيسي: سوق الإسكان والاقتصاد
نظرة عامة
تدرس هذه الدراسة دقة التنبؤ بمؤشر أسعار المساكن (HPI) في الهند من خلال استخدام نموذج MIDAS غير المقيد (U-MIDAS)، مع دمج مؤشرات جديدة مثل إجمالي قيمة المدفوعات الرقمية (TDP)، ومؤشر أسعار المستهلك (CPI)، ومؤشر الضغط المالي (FSI). باستخدام بيانات HPI ربع السنوية من بنك الاحتياطي الهندي (RBI) جنبًا إلى جنب مع بيانات شهرية للمتغيرات الأخرى من أكتوبر 2019 إلى سبتمبر 2024، تكشف التحليلات عن وجود علاقة إيجابية بين HPI والمدفوعات الرقمية، وعلاقة ضعيفة مع FSI، وعلاقة سلبية مع CPI. يظهر نموذج U-MIDAS أداءً متفوقًا في التنبؤ على المدى القصير مقارنة بالنماذج التقليدية، وخاصة نموذج ARIMAX، كما يتضح من القيم المنخفضة لجذر متوسط مربع الخطأ (RMSE)، ومتوسط الخطأ المطلق (MAE)، ومتوسط الخطأ النسبي المطلق (MAPE)، ومتوسط الخطأ النسبي المطلق المتماثل (SMAPE).
في الختام، يتنبأ نموذج U-MIDAS بفعالية بمؤشر HPI في الهند، متفوقًا على نموذج ARIMAX من خلال استيعاب بيانات السلاسل الزمنية ذات التردد المختلط. تؤكد الدراسة على أهمية دمج مقاييس المدفوعات الرقمية ومؤشرات الضغط المالي لتعزيز فهم ديناميات سوق الإسكان. ومع ذلك، تبرز أيضًا الحاجة إلى أن يتعامل صانعو السياسات مع التحديات المتعلقة بتناسق بيانات العقارات، وخصوصية البيانات، وبنية المدفوعات الرقمية، ومحو الأمية. يجب أن تهدف الأبحاث المستقبلية إلى تحسين منهجية U-MIDAS واستكشاف مؤشرات تردد عالية إضافية لتحسين دقة التنبؤ بمؤشر HPI، وبالتالي دعم اتخاذ قرارات مستنيرة داخل قطاع العقارات.
مقدمة
تستعرض مقدمة هذه الورقة البحثية تطبيق نموذج الانحدار غير المقيد لعينات البيانات المختلطة (U-MIDAS) لتحسين توقعات مؤشر أسعار المساكن (HPI) في الهند. من خلال دمج بيانات السلاسل الزمنية بترددات متعددة، تفحص الدراسة تأثير المؤشرات الاقتصادية، وخاصة قيم المدفوعات الرقمية ومؤشر الضغط المالي، على أسعار المساكن. تسلط النتائج الضوء على أهمية الرقمنة المالية في الهند، مع زيادة ملحوظة في المدفوعات الرقمية خلال الجائحة، مما يعكس اتجاهات إنفاق المستهلكين والسيولة في السوق، وبالتالي يؤثر على الطلب على المساكن. تنتقد الورقة المؤشرات السكنية الحالية، مثل RESIDEX ومؤشر HPI لبنك الاحتياطي الهندي، بسبب منهجياتها القديمة ونطاقها الجغرافي المحدود، مما يبرز الحاجة إلى مؤشر HPI أكثر استجابة وشمولية يدمج بيانات عالية التردد.
تهدف الدراسة إلى تعزيز دقة توقعات HPI من خلال استخدام نموذج U-MIDAS، مما يمثل أول تطبيق له في هذا السياق. من خلال تقديم مؤشرات جديدة جنبًا إلى جنب مع المؤشرات التقليدية، تسعى الدراسة إلى تقديم فهم أوضح لديناميات أسعار المساكن في الهند. يتم وضع قدرة نموذج U-MIDAS على دمج تدفقات بيانات متنوعة كحل للتحديات التي تواجهها طرق التنبؤ التقليدية، التي غالبًا ما تفشل في التكيف مع المشهد الاقتصادي المتطور بسرعة واتجاهات التحضر. تشمل أهداف الدراسة تقييم القوة التنبؤية لنموذج U-MIDAS، والتحقيق في علاقته بالمتغيرات الاقتصادية الرئيسية، ومقارنة دقته في التنبؤ بالنماذج التقليدية مثل ARIMAX، بهدف تقديم رؤى قيمة لصانعي السياسات وأصحاب المصلحة في قطاع الإسكان.
النتائج
في قسم النتائج، تقدم الدراسة مصفوفة ارتباط تقيم العلاقات بين مؤشر أسعار المساكن (HPI) ومختلف المؤشرات، بما في ذلك مؤشر أسعار المستهلك (CPI)، وبيانات المدفوعات الرقمية (DTDP)، ومؤشر الضغط المالي (FSI). تكشف التحليلات أن بيانات HPI ثابتة عند الفرق الثاني، بينما CPI وTDP ثابتتان عند الفرق الأول، وFSI ثابت عند المستوى. من الجدير بالذكر أن DTDP يظهر ارتباطًا إيجابيًا مع HPI، مما يشير إلى أن الأنشطة المالية الرقمية تؤثر إيجابيًا على أسعار المساكن، بينما يظهر CPI ارتباطًا سلبيًا ضعيفًا، مما يشير إلى احتمال الانحراف عن اتجاهات أسعار المساكن. تشير النتائج إلى أن ارتفاع أسعار المستهلك يمكن أن يؤثر سلبًا على الطلب على المساكن، خاصة بين الأسر ذات الدخل المنخفض، مما يؤدي إلى انخفاض أسعار المساكن.
تقيم الدراسة أربعة نماذج للتنبؤ – المربعات الصغرى العادية (OLS)، MIDAS-PDL، MIDAS-Step، وU-MIDAS – عبر فترة التنبؤ من الربع الثالث 2023 إلى الربع الثاني 2024. يظهر نموذج U-MIDAS أداءً متفوقًا، محققًا أدنى القيم في مقاييس التقييم مثل RMSE، MAE، MAPE، وSMAPE، مما يدل على فعاليته في التنبؤ بـ HPI. تؤكد النتائج على مزايا نموذج U-MIDAS في التعامل مع بيانات التردد المختلط وتبرز قوته النظرية في تحديات التنبؤ، متفوقًا على نماذج ARIMAX التقليدية. بشكل عام، تدعو النتائج إلى اعتبار نموذج U-MIDAS الأداة الأكثر موثوقية لتوقع أسعار المساكن في سياق المؤشرات الاقتصادية المتنوعة.
المناقشة
تسلط قسم المناقشة في الورقة الضوء على تطبيق نموذج الانحدار غير المقيد لعينات البيانات المختلطة (U-MIDAS) لتوقع مؤشر أسعار المساكن (HPI) في الهند. غالبًا ما تكافح نماذج الانحدار الزمنية التقليدية مع بيانات التردد المختلط، حيث يتم استخدام مؤشرات عالية التردد (مثل البيانات الشهرية) للتنبؤ بمتغيرات منخفضة التردد (مثل البيانات ربع السنوية). يعالج نموذج U-MIDAS هذه التحدي بفعالية من خلال السماح بدمج ترددات بيانات متنوعة دون فقدان كبير للمعلومات، مما يعزز دقة التنبؤ. تظهر الدراسة أن U-MIDAS يتفوق على كل من نماذج MIDAS الأخرى ونموذج ARIMAX من حيث مقاييس التقييم المختلفة، بما في ذلك جذر متوسط مربع الخطأ (RMSE) ومتوسط الخطأ النسبي المطلق (MAPE).
تشير النتائج إلى وجود ارتباط إيجابي بين HPI والمعاملات الرقمية، بينما العلاقة مع مؤشر الضغط المالي (FSI) ضعيفة، وتوجد علاقة عكسية مع مؤشر أسعار المستهلك (CPI). تؤكد الدراسة على أهمية مقاييس مراقبة الأسعار الدقيقة للنمو الاقتصادي وتقترح أن نموذج U-MIDAS يمكن أن يوفر رؤى قيمة لصانعي السياسات والمطورين والمؤسسات المالية في السياق الهندي. بالإضافة إلى ذلك، تحدد الورقة الآثار العملية للبنوك والخدمات المالية، داعية إلى استخدام الذكاء الاصطناعي وتعلم الآلة لتحسين تقديم الخدمات ومعالجة قضايا الاستقرار المالي. تشمل اتجاهات البحث المستقبلية تحسين منهجية U-MIDAS واستكشاف مؤشرات تردد عالية إضافية لتحسين توقعات HPI بشكل أكبر.
DOI: https://doi.org/10.1371/journal.pone.0341026
PMID: https://pubmed.ncbi.nlm.nih.gov/41575971
Publication Date: 2026-01-23
Author(s): Mrs. Nutan Singh et al.
Primary Topic: Housing Market and Economics
Overview
This study investigates the predictive accuracy of the Housing Price Index (HPI) in India by employing the unrestricted MIDAS (U-MIDAS) model, incorporating novel predictors such as total digital payment value (TDP), consumer price index (CPI), and financial stress index (FSI). Utilizing quarterly HPI data from the Reserve Bank of India (RBI) alongside monthly data for the other variables from October 2019 to September 2024, the analysis reveals a positive correlation between HPI and digital payments, a weak relationship with FSI, and a negative correlation with CPI. The U-MIDAS model demonstrates superior performance in short-term forecasting compared to traditional models, particularly the ARIMAX model, as evidenced by lower values of root mean square error (RMSE), mean absolute error (MAE), mean absolute percentage error (MAPE), and symmetric mean absolute percentage error (SMAPE).
In conclusion, the U-MIDAS model effectively forecasts HPI in India, outperforming the ARIMAX model by accommodating mixed-frequency time series data. The study underscores the importance of incorporating digital payment metrics and financial stress indicators to enhance understanding of the housing market dynamics. However, it also highlights the need for policymakers to address challenges related to real estate data consistency, data privacy, digital payment infrastructure, and literacy. Future research should aim to refine the U-MIDAS methodology and explore additional high-frequency predictors to further improve HPI forecasting accuracy, thereby supporting informed decision-making within the real estate sector.
Introduction
The introduction of this research paper outlines the application of the Unrestricted Mixed Data Sampling (U-MIDAS) regression model to improve Housing Price Index (HPI) forecasts in India. By integrating time-series data at multiple frequencies, the study examines the impact of economic indicators, particularly digital payment values and the financial stress index, on housing prices. The findings highlight the significance of India’s financial digitalization, with a notable surge in digital payments during the pandemic, which reflects consumer spending trends and market liquidity, thereby influencing housing demand. The paper critiques existing housing indices, such as RESIDEX and the Reserve Bank of India’s HPI, for their outdated methodologies and limited geographic coverage, emphasizing the need for a more responsive and comprehensive HPI that incorporates high-frequency data.
The research aims to enhance the accuracy of HPI predictions by utilizing the U-MIDAS model, marking its first application in this context. By introducing novel predictors alongside traditional indicators, the study seeks to provide a clearer understanding of housing price dynamics in India. The U-MIDAS model’s ability to integrate diverse data streams is positioned as a solution to the challenges faced by conventional forecasting methods, which often fail to adapt to the rapidly evolving economic landscape and urbanization trends. The study’s objectives include evaluating the predictive power of the U-MIDAS model, investigating its relationship with key economic variables, and comparing its forecasting accuracy against traditional models like ARIMAX, ultimately aiming to offer valuable insights for policymakers and stakeholders in the housing sector.
Results
In the results section, the study presents a correlation matrix that assesses the relationships between the Housing Price Index (HPI) and various predictors, including the Consumer Price Index (CPI), Digital Payment Data (DTDP), and the Financial Stress Index (FSI). The analysis reveals that the HPI data is stationary at the second difference, while CPI and TDP are stationary at the first difference, and FSI is stationary at the level. Notably, DTDP shows a positive correlation with HPI, suggesting that digital financial activities positively influence housing prices, whereas CPI exhibits a weak negative correlation, indicating potential divergence from housing price trends. The findings suggest that rising consumer prices can adversely affect housing demand, particularly among lower-income households, leading to a decline in housing prices.
The research evaluates four forecasting models—Ordinary Least Squares (OLS), MIDAS-PDL, MIDAS-Step, and U-MIDAS—across a forecast period from Q3 2023 to Q2 2024. The U-MIDAS model demonstrates superior performance, achieving the lowest values in evaluation metrics such as RMSE, MAE, MAPE, and SMAPE, indicating its effectiveness in predicting HPI. The results underscore the advantages of the U-MIDAS model in handling mixed-frequency data and highlight its theoretical robustness in forecasting challenges, outperforming traditional ARIMAX models. Overall, the findings advocate for the U-MIDAS model as the most reliable tool for forecasting housing prices in the context of varying economic indicators.
Discussion
The discussion section of the paper highlights the application of the Unrestricted Mixed Data Sampling (U-MIDAS) regression model for forecasting India’s Housing Price Index (HPI). Traditional time-series regression models often struggle with mixed-frequency data, where high-frequency indicators (e.g., monthly data) are used to predict low-frequency variables (e.g., quarterly data). The U-MIDAS model effectively addresses this challenge by allowing for the integration of diverse data frequencies without significant information loss, thereby enhancing forecasting accuracy. The study demonstrates that U-MIDAS outperforms both other MIDAS models and the ARIMAX model in terms of various evaluation metrics, including Root Mean Square Error (RMSE) and Mean Absolute Percentage Error (MAPE).
The findings indicate a positive correlation between HPI and digital transactions, while the relationship with the Financial Stress Index (FSI) is weak, and an inverse relationship exists with the Consumer Price Index (CPI). The research emphasizes the importance of accurate price-monitoring metrics for economic growth and suggests that the U-MIDAS model can provide valuable insights for policymakers, developers, and financial institutions in the Indian context. Additionally, the paper outlines practical implications for banks and financial services, advocating for the use of AI and machine learning to enhance service delivery and address financial stability issues. Future research directions include refining the U-MIDAS methodology and exploring additional high-frequency predictors to further improve HPI forecasting.