 |
Tjenester Som Tilbys Dette Problemet
> The Appraiser Coach |
Redaktørens Notat: denne historien finnes i den nye utgaven Av Working RE (bare sendt). Er jeg En Fungerende Re Abonnent? OREP E& o forsikrede nyte et gratis abonnement.
Hvor Mye Verdi Legger Det Ekstra Soverommet Til? (Forstå Regresjon)
Av Dr. Keying Ye
i de enkleste termer, eiendomsmegling takstmenn vurdere markedsverdien av en eiendom – ett tall som samler verdien av et bredt utvalg av eiendommens funksjoner, både kvantitative (antall soverom og bad, arealet, mye størrelse — antall garasjer, etc.) og kvalitative (visninger, gatescene, plassering, etc.). Ikke sant?
en måte å tilnærme denne verdien på er å bruke regresjonsmetoden, som er et dataanalyseverktøy for å studere forholdet mellom en avhengig variabel (i dette tilfellet egenskapsverdi) og funksjonspådommer (for eksempel antall bad eller brutto boareal). Denne artikkelen tar sikte på å vise hvordan regresjon kan øke vurderingsnøyaktigheten ved å fokusere på de to vanligste typene: Enkel vs Flere Lineær Regresjon.
Å Takle Enkel Lineær Regresjon
ENKEL lineær regresjon (SLR) er en enkel regresjonstilnærming ved å bruke bare en prediktor og en avhengig variabel. For eksempel, hvis vi tror at vi kan bruke boareal som eneste prediktor for å estimere en egenskaps verdi, og at sammenhengen mellom boareal og verdien av en eiendom er lineært relatert, kan vi bruke en enkel lineær regresjon for å estimere verdien.
en prediktiv STRUKTUR AV SLR kan uttrykkes som prediksjon = m + b * – funksjonen.
i dette tilfellet er funksjonen den uavhengige variabelen og prediksjon er responsvariabelen (tenk tilbake til y = m + bx fra videregående algebra). Her er» m «og» b «henholdsvis» helling «og» avskjæring » av en graf laget av denne ligningen. Avskjæringen er hvor prediksjonen ville være hvis funksjonen er null (hvis emneegenskapen ikke har en garasje for eksempel). Stigningen er økningen eller reduksjonen i egenskapsverdien for hver enhet endring i funksjonen (f. eks hvor mye eiendommens verdi endres for hver kvadratfot lagt til eller trukket fra).
Vurder følgende eksempel. Vi ønsker å forutsi verdien av EN enkeltfamiliebolig (SFR), og vi vet grunnleggende informasjon som stue, antall senger og antall bad. Ved Hjelp Av Housecanarys pre-computed comps-analyse identifiserer vi de fem mest liknende egenskapene som er solgt i løpet av de siste seks månedene, som vist i tabellen nedenfor.
(historien fortsetter nedenfor)
(historien fortsetter)
likheten bestemmes av egenskapstyper (SFR eller andre), egenskapsfunksjoner og de geografiske avstandene mellom disse egenskapene og emneegenskapen. Siden hver eiendom har samme antall soverom, har denne funksjonen ingen innvirkning på prisen blant disse egenskapene annet enn som en fast konstant. Prisvariasjonen er imidlertid tydelig knyttet til stue og antall bad.
tallene nedenfor viser forholdet mellom boligprisene og enten boareal eller antall bad av hver av eiendommene (Se tomter 1 og 2). I hver graf viser punktet der den vertikale brune linjen berører den horisontale aksen emneegenskapens verdi for den aktuelle funksjonen (3.137 for boareal og 3.0 for bad). Den blå linjen er en-prediktor lineær regresjonslinje, som viser det prediktive forholdet mellom eiendomsprisen og den aktuelle funksjonen.
(historien fortsetter nedenfor)
(historien fortsetter)
i plot 1 er for eksempel prognoseforholdet mellom pris og boareal uttrykt som: pris =200,323 + 147 * boareal . For emnet eiendom, som måler 3,137 kvadratmeter, betyr dette at den forventede prisen er $661,462: $661,462 = ($200,323 + $147 * 3137) Dette vises som den heltrukne blå prikken i plot 1-grafen. «Skråningen» av regresjonslinjen, 147, måler enhetsprisverdien, dvs. prisjusteringen for hver ekstra kvadratmeter (plot 1). Men hvis vi bruker antall bad som vår prediktor i stedet, er målegenskapens forventede pris $553,000 (-$1,241,000 + $598,000 * 3.0 = $553,000). Denne uoverensstemmelsen i forventet pris ($661,462 og $553,000) er vanlig når du bruker enkle lineære regresjonsformler for forskjellige funksjoner i samme eiendom(se plot 2 graf over).
den faktiske prisen for målegenskapen er $607 000, som vises som en brun stjerne i hver graf. Følgelig er feilene for begge estimatene nesten identiske, om enn i motsatt retning, enten uttrykt i rå dollar ($607,000 – $661,462 = -$54,462 og $607 000 – $553 000 = $ 54 000, henholdsvis) eller i prosent (-$54,462/$607,000 = – 9 54,000/ $ 607,000 = 9 prosent, henholdsvis).
Går Videre Med Flere Lineære Regresjon
ved hjelp av enkel lineær regresjon, kan en takstmann bruke den viktigste prediktor for en egenskaps verdi for å gjøre hans / hennes vurdering analyse (eller til og med bruke SLR analyse på flere funksjoner for å få flere referansepunkter. Men hva om den viktigste prediktoren ikke er klar? Hva om for eksempel alle de tre soveromsenhetene i en gitt analyse har et annet antall bad, varierende brutto oppholdsrom, eller bare et par av dem har bassenger? VED å bruke flere lineær regresjon (MLR) takstmenn kan sammenligne effekten at flere prediktorer har på en egenskapsverdi med en enkelt beregning.
en prediktiv struktur AV MLR kan uttrykkes som:
prediction = m + b1 * feature 1 + b2 * feature 2 + b3 * feature 3+ …
For eksempel, med dataene ovenfor, kan vi regress pris av både stue og antall bad: pris = -$1,309,770 – $125 * stue + $ 744,918 * bad.
hvis vi plugger inn målegenskapens funksjonsverdier, er den forventede prisen $532,859, noe som gir en feil på $74,141 eller 12%. Feilen i denne prediksjonen er verre enn de feilene som vurderes I Speilreflekskameraer, men ikke bekymre deg, det er en forklaring i dataene (og en løsning som følger!).
Først må vi vurdere forholdet mellom prediktorene selv og forstå hvilken informasjon bokstavene i ligningen ovenfor formidler, noe som ikke er så greit i dette tilfellet som det var ved BRUK AV SLR. For eksempel sier koeffisienten – $125 for boarealet at for et fast antall bad, øker boarealet med en kvadratmeter faktisk eiendomsprisen med $125-som virker unaturlig! Men hvis vi ser på tabellen ovenfor, kan vi se at for 3,5 bad er detbare to egenskaper. Den med 3,101 kvadratmeter er faktisk dyrere ($951,000) enn eiendommen med 4,024 kvadratmeter. For de tre eiendommene med 3,0 bad, korrelerer ikke oppholdsarealene (2690, 3080, 3155) nøyaktig med prisene ($521,000, $451,000, $687,000) heller.
(historien fortsetter nedenfor)
(historien fortsetter)
Dette betyr at vi i våre data har et annet lineært forhold mellom responsprisen og prediktorens boareal for eiendommene med et annet antall bad. I neste graf nedenfor viser den svarte linjen (regresjonslinjen med bad = 3,0) og den røde linjen (regresjonslinjen med bad = 3,5) faktisk motsatte trender. I så fall er begge prediktorer ikke rent additive mot prisen-en økning på enbetyr ikke umiddelbart en økning i prisen. Løsningen på dette er å legge til et annet begrep, boareal * antall bad , som representerer samspillet mellom prediktorene.
(historien fortsetter nedenfor)
(historien fortsetter)
for våre data vil det prediktive forholdet bli uttrykt som:
pris = – $9,590,000 + $2,552 * boareal + 3,202,000 * bad-791
* boareal * bad
dette gir et mål eiendom prediksjon av $577,523, som har en feil på $29,477 ($607,000 – $577,523 = $29,477) og en relativ feil på 5 prosent, som er den beste passformen så langt!
Når Skal Du Bruke Simple vs. Multiple Linear Regression
når du vurderer en egenskap Eller bestemmer verdien av en bestemt funksjon, kan takstmenn bruke regresjonsanalyse for å utlede de mest nøyaktige prisjusteringene ved å ta hensyn til effekten av flere funksjoner på en egenskaps verdi. Nye bransjeforskrifter som krever datadrevet begrunnelse for vurderingsbeslutninger, kan gjøre regresjonsanalyse enda mer nødvendig for taksere i nær fremtid.
Husk at det ikke alltid er mulig å bruke en multippel lineær regresjonsanalyse. Hvis det for eksempel ikke er et variert utvalg av datapunkter tilgjengelig for en egenskap og dens sammenlignbare, kan det hende at det ikke er nok informasjon til å utføre EN MLR-analyse. Men når det er nok tilgjengelige data til Å utføre EN MLR-analyse, produserer den ofte de mest nøyaktige resultatene. Husk at DET er tider når EN MLR-analyse vil kreve et ekstra begrep som representerer samspillet mellom prediktorene for å være mest nøyaktige, for eksempel i eksemplet ovenfor. Mens regresjonsanalyse klart ikke erstatter en vurderers kompetanse — det kan være et verdifullt supplement til det.
vi håper du vil finne disse innsiktene nyttige for dine vurderinger.
> CE Online – 7 Timer (godkjent i 40 stater)
Hvordan Støtte Og Bevise Justeringer
Presentert Av: Richard Hagar, SRA
Må vite forretningspraksis for alle takstmenn som arbeider i dag. Sørg for riktig støtte for justeringer. Å gjøre forsvarlige justeringer er det første skrittet i å bli en» Tier One » appraiser, som tjener mer, har de beste oppdragene og lider færre snags og tilbakeanrop. Opp spillet ditt, unngå tidkrevende tilbakeanrop og tjene godkjent CE i dag! Registrer Deg Nå! $119 (7 Timer)
OREP Forsikret Pris: $99
Om Forfatteren
Dr. Keying Ye Er Professor I Statistikk Ved College Of Business I University Of Texas I San Antonio og Også En Seniorforsker Ved HouseCanary hvor han utvikler prediktiv analyse for sin ledende vurderingsprogramvare, HouseCanary Appraiser og andre produkter. HouseCanary Appraiser hjelper bolig takstmenn lukke mer virksomhet gjennom en lett-å-bruke løsning og inkluderer former som 1004, 2055, 1075, og mer!
