 |
palvelut tarjotaan tätä kysymystä
> the Appraiser Coach |
toimituksen huomautus: tämä juttu löytyy Working RE: n uudesta painoksesta (juuri postitettu). Olenko Työtilaaja? OREP E&O insureds on tilattavissa ilmaiseksi.
Kuinka Paljon Lisäarvoa Tuo Ylimääräinen Makuuhuone Tuo? (Understanding Regression)
By Dr. Keying Ye
yksinkertaisimmillaan kiinteistöarvioijat arvioivat kiinteistön käyvän markkina — arvon-yksi luku, joka kokoaa kiinteistön monien ominaisuuksien arvon sekä määrällisesti (makuuhuoneiden ja kylpyhuoneiden lukumäärä, neliömateriaali, Tontin koko, autotallien lukumäärä jne.) ja laadulliset (näkymät, katukuva, sijainti jne.). Eikö niin?
yksi tapa arvioida tätä arvoa on käyttää regressiomenetelmää, joka on data-analyysityökalu riippuvan muuttujan (tässä tapauksessa kiinteistön arvon) ja ominaisuuksien ennustajien (kuten kylpyhuoneiden tai bruttoasuntopinta-alan) välisen suhteen tutkimiseen. Tässä artikkelissa pyritään osoittamaan, miten regressio voi lisätä arviointitarkkuutta keskittymällä kahteen yleisimpään tyyppiin: yksinkertainen vs. Multiple Linear regressio.
selecting Simple Linear Regression
Simple linear regression (SLR) on suoraviivainen regressiomenetelmä, jossa käytetään vain yhtä ennustajaa ja yhtä riippuvaista muuttujaa. Jos esimerkiksi uskomme, että voimme käyttää asuinpinta-alaa ainoana ennustajana kiinteistön arvon arvioimiseksi ja että asuinpinta-alan ja kiinteistön arvon välinen yhteys liittyy lineaarisesti, voisimme käyttää yksinkertaista lineaarista regressiota arvon arvioimiseksi.
järjestelmäkameran ennustava rakenne voidaan ilmaista ennusteena = M + b * ominaisuus.
tässä tapauksessa ominaisuus on itsenäinen muuttuja ja ennustus on vastemuuttuja (muistele lukio-algebrasta y = m + bx). Tässä ”m” ja ”b” ovat tästä yhtälöstä tehdyn graafin ”kulmakerroin” ja ”sieppaus” vastaavasti. The intercept on, jos ennuste olisi, jos ominaisuus on nolla (jos kohde ominaisuus ei ole autotalli esimerkiksi). Kulmakerroin on kiinteistön arvon lisäys tai lasku kunkin ominaisuuden yksikkömuutoksen osalta (esim.kuinka paljon kiinteistön arvo muuttuu jokaista lisättyä tai vähennettyä neliöjalkaa kohden).
tarkastellaan seuraavaa esimerkkiä. Haluamme ennustaa yhden perheasunnon (SFR) arvon ja tunnemme sen perustiedot, kuten oleskelutilan, vuodepaikkojen ja kylpyjen määrän. Käyttämällä Housecanaryn valmiiksi laskettua comps-analyysiä, tunnistamme viisi eniten samanlaista kiinteistöä, joita on myyty viimeisen puolen vuoden aikana, kuten alla olevasta taulukosta käy ilmi.
(tarina jatkuu alla)
(tarina jatkuu)
samankaltaisuus määräytyy omaisuustyyppien (SFR tai muut), omaisuuden ominaisuuksien sekä kyseisten ominaisuuksien ja subjektin omaisuuden maantieteellisten etäisyyksien perusteella. Koska jokaisessa kiinteistössä on sama määrä makuuhuoneita, tämä ominaisuus ei vaikuta hintaan näiden ominaisuuksien joukossa muuten kuin kiinteänä vakiona. Hintavaihtelu on kuitenkin selvästi yhteydessä asuinpinta-alaan ja kylpyjen määrään.
alla olevissa luvuissa on esitetty tonttien hintojen suhde joko asuinpinta-alaan tai kylpylöiden määrään kussakin kiinteistössä (katso tontit 1 ja 2). Jokaisessa kaaviossa piste, jossa pystysuora ruskea viiva koskettaa vaaka-akselia, osoittaa kohteen omaisuuden arvon kyseiselle ominaisuudelle (3 137 asuinalueella ja 3,0 kylpyhuoneissa). Sininen viiva on yhden ennusteen lineaarinen regressiolinja, joka osoittaa ennustavan suhteen kiinteistön hinnan ja sopivan ominaisuuden välillä.
(tarina jatkuu alla)
(tarina jatkuu)
esimerkiksi kaaviossa 1 hinnan ja asuinalueen välinen ennustussuhde ilmaistaan seuraavasti: hinta =200 323 + 147 * asuinalue. Tutkittavalle kiinteistölle, joka mittaa 3,137 neliöjalkaa, tämä tarkoittaa, että sen ennustettu hinta on $661,462: $661,462 = ($200,323 + $147 * 3137) tämä näkyy kiinteänä sinisenä pisteenä tontin 1 kuvaajassa. Regressiolinjan ”kaltevuus”, 147, mittaa yksikköhinnan arvoa eli kunkin ylimääräisen neliöjalanosan (kuvaaja 1) hinnantarkistusta. Kuitenkin, jos käytämme Määrä kylpyhuoneet meidän ennustaja sijaan, kohde kiinteistön ennustettu hinta on $553,000 (-$1,241,000 + $598,000 * 3.0 = $553,000). Tämä ero ennustetussa hinnassa ($661,462 ja $553,000) on yleinen käytettäessä yksinkertaisia lineaarisia regressiokaavoja saman ominaisuuden eri ominaisuuksille (katso yllä oleva juoni 2).
kohdekiinteistön todellinen hinta on 607 000 dollaria, joka on esitetty ruskeana tähtenä jokaisessa kaaviossa. Näin ollen molempien arvioiden virheet ovat lähes identtiset, vaikkakin päinvastaiseen suuntaan, ilmaistiinpa ne raakadollareina ($607,000 – $661,462 = -$54,462 ja $607,000 – $553,000 = $54,000, vastaavasti) tai prosentteina (-$54,462/$607,000 = – 9 prosentti ja 54 000 dollaria / 607 000 dollaria = 9 prosenttia).
jatkaen moninkertaista lineaarista regressiota
käyttäen yksinkertaista lineaarista regressiota, arvioija voi käyttää kiinteistön arvon tärkeintä ennustajaa arviointianalyysissään (tai jopa käyttää JÄRJESTELMÄKUVAUSANALYYSIA useista ominaisuuksista saadakseen useita vertailupisteitä. Mutta entä jos tärkein ennustaja ei ole selvä? Entä jos esimerkiksi kaikissa kolmen makuuhuoneen yksiköissä on tietyn analyysin mukaan eri määrä kylpyhuoneita, vaihtelevia brutto-oleskelutiloja tai vain parissa niistä on uima-altaat? Käyttämällä useita lineaarisia regressioita (multiple linear regression, MLR) arvioijat voivat verrata vaikutusta, joka useilla ennustajilla on ominaisuuden arvoon yhdellä laskelmalla.
MLR: n ennustava rakenne voidaan ilmaista seuraavasti:
prediction = m + b1 * feature 1 + b2 * feature 2 + b3 * feature 3+ …
esimerkiksi yllä olevien tietojen avulla voimme regressoida hintaa sekä asuinalueen että kylpyhuoneiden lukumäärän mukaan: price = – 1 309 770 $ – 125 * living area + 744 918 $ * baths.
jos kytkemme mukaan kohteen ominaisuusarvot, ennustettu hinta on 532 859 dollaria, jolloin virhe on 74 141 dollaria eli 12%. Virhe tämän ennusteen on pahempi kuin ne virheet pidetään SLRs, mutta älä huoli, on selitys tiedot (ja ratkaisu, joka seuraa!).
ensin on pohdittava predikaattorien itsensä välisiä suhteita ja ymmärrettävä, mitä informaatiota yllä olevan yhtälön kirjaimet välittävät, mikä ei tässä tapauksessa ole yhtä suoraviivaista kuin SLR: ää käytettäessä. Esimerkiksi asuintilan kerroin-125 dollaria-kertoo, että kiinteän kylpymäärän osalta asuinalueen kasvattaminen yhdellä neliöjalalla itse asiassa laskee kiinteistön hintaa 125 dollarilla — mikä tuntuu luonnottomalta! Kuitenkin, jos katsomme yllä olevaa taulukkoa, voimme nähdä, että 3,5 kylpyhuonetta, onvain kaksi kiinteistöä. Se, jossa on 3,101 neliöjalkaa, on itse asiassa kalliimpi ($951,000) kuin kiinteistö, jossa on 4,024 neliöjalkaa. Kolme kiinteistöä, joissa on 3,0 kylpyhuonetta, oleskelutilat (2690, 3080, 3155) eivät korreloi täsmälleen hintojen kanssa($521,000, $451,000, $687,000) kumpaakaan.
(tarina jatkuu alla)
(story continues)
tämä tarkoittaa, että meillä on aineistossamme erilainen lineaarinen suhde vastaushinnan ja ennustavan asuintilan välillä kiinteistöille, joissa on eri määrä kylpyhuoneita. Niinpä Seuraavassa kuvaajassa musta viiva (regressiolinja kylpyammeilla = 3,0) ja punainen viiva (regressiolinja kylpyammeilla = 3,5) näyttävät itse asiassa vastakkaisia suuntauksia. Tällaisessa tapauksessa kumpikaan ennustaja ei ole pelkästään additiivinen suhteessa hintaan—onedonkorotus ei merkitse välittömästi hinnan nousua. Korjaus tähän on lisätä toinen termi, oleskelualue * kylpyjen määrä, joka edustaa ennustajien vuorovaikutusta.
(tarina jatkuu alla)
(story continues)
meidän tiedoissamme ennustava suhde ilmaistaisiin seuraavasti:
price = – $9,590,000 + $2,552 * asuinalue + 3,202,000 * baths-791
* asuinalue * baths
tämä tuottaa kohteen ominaisuusennusteen 577,523$, jossa on virhe $29,477 ($607,000 – $577,523 = $29,477) ja suhteellinen virhe 5 prosenttia, mikä on paras tähän mennessä!
milloin käytetään yksinkertaista vs. Multiple lineaarinen regressio
arvioidessaan kiinteistöä tai määrittäessään tietyn ominaisuuden arvoa arvioijat voivat regressioanalyysin avulla johtaa tarkimmat hintakorjaukset ottamalla huomioon useiden ominaisuuksien vaikutuksen kiinteistön arvoon. Uudet toimialasäädökset, joissa vaaditaan datalähtöistä perustelua arviointipäätöksille, saattavat tehdä regressioanalyysistä entistä tarpeellisemman arvioijille lähitulevaisuudessa.
pidä mielessä, että ei välttämättä ole aina mahdollista käyttää useita lineaarisia regressioanalyysejä. Jos esimerkiksi kiinteistöä ja sen vertailukohteita varten ei ole saatavilla monipuolista datapisteiden joukkoa, tietoja ei välttämättä ole riittävästi MLR-analyysin tekemiseen. Mutta kun Saatavilla on riittävästi tietoa MLR-analyysin tekemiseen, se tuottaa usein tarkimmat tulokset. Muista, että on aikoja, jolloin MLR-analyysi vaatii ylimääräisen termin, joka edustaa ennustajien vuorovaikutusta tarkimmin, kuten yllä olevassa esimerkissä. Vaikka regressioanalyysi ei selvästikään korvaa arvioijan asiantuntemusta — se voi olla arvokas lisä siihen.
toivomme, että havaitset nämä oivallukset hyödyllisiksi arvioidessasi niitä.
> CE Online-7 tuntia (hyväksytty 40 osavaltiossa)
miten tukea ja todistaa mukautukset
esittäjä: Richard Hagar, Sra
Must-know business practices for all apparants working today. Varmista asianmukainen tuki säätöjä. Puolustettavissa olevien muutosten tekeminen on ensimmäinen askel ”ykköstason” arvioijaksi, joka ansaitsee enemmän, nauttii parhaista tehtävistä ja kärsii vähemmän pulmia ja takaisinkutsuja. Up your game, välttää aikaa vievää takaisinkutsuja ja ansaita hyväksytty CE tänään! Rekisteröidy Nyt! $119 (7 tuntia)
OREP Insurred ’ s Price: $99
tietoja tekijästä
Dr. Keying Ye on tilastotieteen professori College of Businessissa Texasin yliopistossa San Antoniossa ja myös vanhempi tutkija Housecanaryssa, jossa hän kehittää ennakoivaa analytiikkaa sen johtaviin arviointiohjelmistoihin, HouseCanary Appraiseriin ja muihin tuotteisiin. HouseCanary Appraiser auttaa asuin arvioijat sulkea enemmän liiketoimintaa yhdellä helppokäyttöinen ratkaisu ja sisältää muotoja, kuten 1004, 2055, 1075, ja enemmän!
