Kredietvoorwaarden als voorspeller van woningprijzen
Marnix Hazelhoff
13 mei 2025
Leestijd 6 minuten
Van der Drift, R., de Haan, J., & Boelhouwer, P. (2024). Forecasting house prices through credit conditions: A Bayesian approach. Computational Economics.
In dit onderzoek staat de vraag centraal in hoeverre kredietvoorwaarden, zoals hypotheekrente en leennormen (loan-to-income en loan-to-value ratios), bijdragen aan de ontwikkeling van woningprijzen. De onderzoekers verkennen of deze variabelen, die de leencapaciteit van huishoudens bepalen, systematisch kunnen worden ingezet om woningprijsontwikkelingen in Nederland nauwkeuriger te voorspellen. Daarbij wordt specifiek gekeken naar de meerwaarde van Bayesiaanse modellering ten opzichte van traditionele econometrische voorspelmodellen.
Methode
Omdat woningmarktdata beperkt beschikbaar zijn, meestal op kwartaalbasis en over relatief korte perioden, zijn traditionele econometrische modellen vaak onvoldoende robuust. Om hiermee om te gaan, kozen de onderzoekers voor een Bayesiaanse benadering die uitermate geschikt is voor kleine steekproeven met meerdere onderling afhankelijke variabelen.​
​​Specifiek zijn drie modellen ingezet: een BVAR in levels, een BVAR in eerste verschillen, en een Bayesiaans Vector Error Correction Model (BVECM). Deze modellen analyseren de wisselwerking tussen onder meer reële woningprijzen, hypotheekrente, en leenverhoudingen (LTI en LTV), met data uit de Nederlandse markt.
​
Het onderscheidende van deze aanpak is het gebruik van zogeheten priors, vooraf gespecificeerde aannames over economische relaties. Hierdoor kunnen de modellen theoriegedreven informatie combineren met empirische data. Dit verhoogt de stabiliteit van de uitkomsten en voorkomt overfitting, wat cruciaal is bij beperkte datavolumes.
Bod berekenen
Wil je weten wat je moet bieden op je droomhuis? Wij berekenen het voor je.
Wat zijn de bevindingen?
-
Kredietvoorwaarden zijn krachtige voorspellers van woningprijzen. Zowel hypotheekrente als leennormen blijken sterke verklarende variabelen voor prijsontwikkeling op de woningmarkt. Verlaging van de rente of verruiming van de leennormen leidt tot hogere prijzen, doordat kopers meer kunnen bieden.​​​
-
Bayesiaanse modellen presteren beter dan klassieke modellen
De Bayesiaanse benadering resulteert in een betere voorspelprestatie vergeleken met conventionele niet-Bayesiaanse modellen. Dit geldt met name bij kortetermijnvoorspellingen.
-
Keuze van model hangt af van het type analyse
-
De BVAR in verschillen (BVAR-d) biedt de beste kortetermijnvoorspellingen van woningprijzen.
-
De BVECM is geschikt voor situaties waarin langetermijnrelaties tussen variabelen relevant zijn (zoals cointegratie tussen inkomen en woningprijs).
-
De BVAR in levels presteert het minst, tenzij er sterke economische priors worden gebruikt.
-
-
Effecten van kredietvoorwaarden werken relatief snel door
Veranderingen in hypotheekrente of leennormen blijken binnen enkele kwartalen invloed te hebben op de woningprijsindex, wat duidt op een directe prijselasticiteit van de vraagzijde.
Conclusie
De resultaten onderstrepen het belang van monetair beleid bij het beheersen van woningmarktdynamiek. Beleidswijzigingen op het vlak van leennormen of rentebeleid hebben voorspelbare en relatief snelle effecten op huizenprijzen. Voor beleidsmakers betekent dit dat kredietvoorwaarden niet slechts randvoorwaarden zijn, maar belangrijke beleidsinstrumenten waarmee de stabiliteit en toegankelijkheid van de woningmarkt kunnen worden beïnvloed.
​
Daarnaast toont het onderzoek aan dat Bayesiaanse econometrische modellen waardevolle tools zijn voor woningmarktanalyse, zeker in contexten waar beperkte data beschikbaar zijn of waar bestaande economische theorieën richting kunnen geven aan de modellering.
