自己的一点经验：首先，需要对“房价”有完整严格的定义，甚至要自己去做一套房价指数。其次，对调控因素有合理的量化方式；第三，对金融市场有合理的量化方式；第四，若干个ARIMA的叠加模型或许最合适。

计量模型能做得很有限，在国内数据严重存在问题的情况下结论更是不敢恭维， @SlowMover引用的挺好，确实DSGE模型要比大部分计量模型更加靠谱一点。但也只是一点而已。。。

就计量经济学的本质来说，要解决的问题主要有两点1.模型设定问题（你要利用什么样的假设） 2. 数据的选择问题（你要证明什么）。就第一点来说，你在设定中国房价这个被解释变量时想用什么样的变量来解释它。OLS（普通最小二乘）方法的主要问题就是不可观测变量所导致的估计量偏误问题。而时间序列变量ARIMA基本上是对于变量自身趋势的一种解读。因为不稳定的序列不经过协整是无法预测的。所以，预测中国全国的房价的的问题很多时候是不现实的，因为从宏观面忽略了数据之间太多的异质性，而计量经济学擅长的恰巧是局部均衡。就第二点而言，要理解房地产作为商品有其微观的一面，但其基础的土地供给和政策性又有其宏观一面。所以不能单纯从宏观出发，而要考虑微观的需求和效用出发。而且，选择的变量不宜过多，过多会更容易导致异方差性和序列相关性。综上，计量经济学的优势在于验证模型，因为其本质上是统计和实验的方法，所以不从经济理论出发的纯计量回归，只能表现各个变量之间的相关性，其模型并不具有预测性。so，预测房价的话，建议有正确的模型设定和恰当的数据选择，最好集中在某省或者某市，才能得出适合的结果。

作为一个只当过一年兼职的外行人……说一下经历……请大神指点……1，计量报告觉得更多是假设中的房价趋势。Arima模型也只是根据投资者意愿，可选择模型之一而已。模型是会根据地点不同而做调整的。起码我老领导的那个软件(真不会拼……)在架构模型的时候是能调整的。例如，珠海房价的可调整区间就非常大，因为房价调整波动很低，但是远期很好；深圳蛇口的房价和珠海的模型就非常相像，就是价格基础比较高；东莞的模型则基数很小，但是波动很大……诸如此类。2，数据回归并非全都是价格回归，交易量也很重要很重要。还有抽样重要性几乎决定了这份计量报告的质量。看上去均线和普通交易的K线差不太多，也有金叉死叉，但是这个价格均线如何去话却很有讲究。还是说我自己的例子，此前看的计量报告采样分类是珠海靠海的两个区作为一个区间；口岸一个区间；内陆一个区间；开发新区作为一个区间。华发新城在内的成交额就会发现很高，基本上柱状图现实只要有楼盘都是长期稳定的交易量，但是浮动区间很小——也就是说日均线与月均线波动一样，俗称的有价无市。换句话说，值得投资，但是不值得套现炒作~~诸如此类吧。3，模型里面分析各个省市的房价波动因素factors时，这个是大老板直接提供的，他哪来的就不知道了。然后波动区间与模型微调也是电脑软件里面自带的，估计也是花钱买的？即便如此，在现有模型之下，除了上面说的价格均线与成交额以外。还有就是做预期，forecasting，这个里面也有模型。总而言之，计量报告几乎是做房价预期的必备工具。他集中了均线、成交量、环境因素、市场波动等所有因素。模型架构里面比较见水平的就是如何去分析这份计量报告——报告本身不难，关键是在谁手里面。

单纯从计量方法来讲，预测的前提是对历史数据进行分析。收集历史时间序列数据，在本例中就是房价，以及其他任何你认为可能对房价造成影响的时间序列数据（比如同期的宏观经济和社会数据等），然后用这些数据对房价数据进行回归，观察显著性。这其中同时运用时间序列数据计量的一些技术，测试不同模型的拟合度，调整滞后期（典型的比如ARIMA模型等）。然后用测试下来最合适的模型，对未来的房价走势进行预测。当然，这一切只是建立在理论的基础上。房地产市场的波动很多程度上还与人们的价格预期以及行为金融的规律有关，因此这是一个非常复杂的课题，同时不同的人研究这个问题也会有截然不同的方法论与结果。