数据透视美国经济危机房价走势与就业通胀的联动关系

1

引言：目标与总体流程

目的：用可重复的步骤判断“房价—就业—通胀”在美国经济危机期间的联动性。
小分段：1) 获取原始时序数据；2) 清洗与对齐时间尺度；3) 描述性分析；4) 建模（VAR/Granger）；5) 可视化与报告。

2

准备工具与环境

小分段：1) 推荐工具：Python 3.9+（pandas, statsmodels, matplotlib, seaborn）, 或者R（vars, urca）；2) 安装示例：pip install pandas statsmodels matplotlib seaborn requests fredapi；3) 获取API：到FRED注册API key，Zillow Research可下载Case-Shiller或Zillow指数列表（如Zillow Home Value）。

3

数据来源与选择指标

小分段：1) 房价：Case-Shiller房价指数、Zillow中位房价；2) 就业：BLS的失业率（Unemployment Rate）与非农就业人数（NFP）；3) 通胀：BLS CPI-U或核心CPI（CPI excluding food & energy）；4) 频率：以月度为主，若有季度数据需线性插值或改用季度模型。

4

获取数据：FRED与CSV下载实操

小分段：1) FRED示例（Python）：from fredapi import Fred; fred=Fred(api_key='你的key'); df_hp=fred.get_series_df('CSUSHPINSA')；2) BLS：可通过BLS API或直接下载CSV（搜索 series id 比如 UNRATE, PAYEMS）；3) Zillow：若有CSV直接下载并用 pandas.read_csv()

5

数据清洗与对齐步骤

小分段：1) 时间索引统一为DatetimeIndex，df.index = pd.to_datetime(df.index);2) 处理缺失：df.interpolate(method='time')或前向填充，但若大量缺失需慎重；3) 频率对齐：df.resample('M').last()或.mean()；4) 转换同比/环比：df['hp_yoy']=df['hp'].pct_change(12)

6

检查平稳性：ADF与差分

小分段：1) 对每序列做ADF检验（from statsmodels.tsa.stattools import adfuller）；2) 若非平稳（p>0.05），先取对数再差分：np.log(x).diff();3) 记录差分阶数，统一用于VAR建模。

7

建立描述性分析与相关矩阵

小分段：1) 绘制时序图（matplotlib）观察同步性；2) 计算滚动相关corr = df['hp'].rolling(12).corr(df['unrate'])；3) 输出矩阵：df_diff.corr().round(3)并保存为CSV供报告使用。

8

构建VAR模型：步骤详解

小分段：1) 选择变量集合（如 HP_diff, Unemp_diff, CPI_diff）；2) 确定滞后阶数：使用AIC/BIC（from statsmodels.tsa.api import VAR; model=VAR(df); model.select_order(12)）；3) 拟合VAR：res=model.fit(lags);4) 检查残差自相关与稳定性res.test_serial_correlation() 与 res.is_stable()

9

Granger因果检验操作指南

小分段：1) 使用statsmodels.tsa.stattools.grangercausalitytests(data[['hp','cpi']], maxlag=12);2) 解读：若p值小于0.05则存在Granger因果（注意：因果为预测因果，不代表结构性因果）；3) 提示：在差分后的平稳序列上检验。

10

脉冲响应与方差分解

小分段：1) 计算脉冲响应：irf = res.irf(10); irf.plot(orth=False)；2) 查看方差分解：fevd = res.fevd(10); fevd.summary()；3) 解读要点：看当就业或通胀发生冲击时房价的冲击响应幅度与持续期。

11

可视化与报告建议

小分段：1) 必备图表：原序列时序图、差分序列图、滚动相关图、脉冲响应图、方差分解图；2) 导出图表：plt.savefig('figure.png')并生成PDF或HTML报告；3) 写结论章节：数据时间范围、主要发现、稳健性检验结果。

12

实务应用：如何据分析结果做决策

小分段：1) 房地产投资：若结果显示失业率上升领先房价下跌，则应在领先信号出现后审慎入市或对冲；2) 政策建议：若通胀对房价有显著正向影响，央行加息周期可能抑制房价增长；3) 企业战略：开发商可结合就业数据调整推盘节奏与定价。

13

常见问题与风险提示

小分段：1) 数据滞后与样本区间选择会影响结论，建议做滚动窗口检验；2) 结构性断裂（如2008、2020）应单独建模或加入事件虚拟变量；3) 模型假设（线性、同方差）被违反时需考虑非线性模型或GARCH类模型。

14

总结与可复现性清单

小分段：1) 清单：API keys、原始CSV、代码脚本、模型输出、图表；2) 保证复现：在报告中附上数据下载日期与脚本版本；3) 推荐保存格式：代码放Git/Gist，数据存CSV并上传到可访问的云盘。

15

问：在数据有限的情况下，如何判断房价与就业的因果关系？

小分段：答：首先以差分平稳化序列，使用Granger因果检验并报告不同滞后下的p值；其次做滚动窗口Granger检验观察稳定性；若样本短可用Bootstrap提升置信度，并结合经济直觉和事件窗口分析（如失业激增后几个月房价变化）。

16

问：如果房价和通胀同时上升，如何判定哪一方主导？

小分段：答：使用VAR的脉冲响应函数（IRF）和方差分解（FEVD）：若对通胀冲击房价的IRF显著且方差分解显示通胀对房价解释比例高，则通胀更可能主导；同时用滞后Granger检验交叉验证结论。

17

问：针对个人（买房者/投资者），如何用本文方法快速落地决策？

小分段：答：1) 关注三项月度指标（房价指数、失业率、CPI）；2) 建立一个简单脚本自动下载并计算12个月滚动相关与短期Granger检验；3) 设定规则：若失业率连续3个月上升且Granger显示失业→房价，建议暂停大额购置或谈判更低首付/价格。

来源：数据透视美国经济危机房价走势与就业通胀的联动关系