 |
servicii oferite această problemă
>antrenorul Evaluator |
Nota Editorului: Această poveste poate fi găsită în noua ediție tipărită a Working RE (doar trimisă prin poștă). Sunt un abonat re de lucru? OREP e& o asigurații se bucură de un abonament gratuit.
Cât De Multă Valoare Adaugă Acel Dormitor Suplimentar? (Înțelegerea regresiei)
de Dr.Keying Ye
în termeni simpli, evaluatorii imobiliari evaluează valoarea justă de piață a unei proprietăți — un număr care agregă valoarea unei game largi de caracteristici ale proprietății, atât cantitative (numărul de dormitoare și băi, metri pătrați, dimensiunea lotului, numărul de garaje etc.) și calitativ (vederi, scenă stradală, locație etc.). Corect?
o modalitate de a aproxima această valoare este utilizarea metodei de regresie, care este un instrument de analiză a datelor pentru studierea relației dintre o variabilă dependentă (în acest caz, valoarea proprietății) și predictorii caracteristicilor (cum ar fi numărul de băi sau suprafața brută de locuit). Acest articol își propune să arate cum regresia poate crește precizia evaluării, concentrându-se pe cele două tipuri cele mai comune: regresie liniară simplă vs.multiplă.
abordarea regresiei liniare Simple
regresia liniară simplă (SLR) este o abordare de regresie simplă folosind un singur predictor și o variabilă dependentă. De exemplu, dacă credem că putem folosi zona de locuit ca unic predictor pentru a estima valoarea unei proprietăți și că asocierea dintre zona de locuit și valoarea unei proprietăți este legată liniar, atunci am putea folosi o regresie liniară simplă pentru a estima valoarea.
o structură predictivă a SLR poate fi exprimată ca predicție = m + b * caracteristică.
în acest caz, caracteristica este variabila independentă și predicția este variabila de răspuns (gândiți-vă la y = m + bx din algebra liceului). Aici „m” și „b” sunt „panta” și, respectiv, „interceptarea” unui grafic realizat din această ecuație. Interceptarea este locul în care predicția ar fi dacă caracteristica este zero (dacă proprietatea subiectului nu are un garaj, de exemplu). Panta este creșterea sau scăderea valorii proprietății pentru fiecare modificare a unității din Caracteristică (de exemplu, cât de mult se schimbă valoarea proprietății pentru fiecare metru pătrat adăugat sau scăzut).
luați în considerare următorul exemplu. Vrem să prognozăm valoarea unei singure reședințe de familie (SFR) și cunoaștem informațiile sale de bază, cum ar fi zona de locuit, numărul de paturi și numărul de băi. Folosind analiza comps precalculată a HouseCanary, identificăm cele mai similare cinci proprietăți vândute în ultimele șase luni, așa cum se arată în tabelul de mai jos.
(povestea continuă mai jos)
(povestea continuă)
similitudinea este determinată de tipurile de proprietăți (SFR sau altele), caracteristicile proprietății și distanțele geografice dintre aceste proprietăți și proprietatea subiectului. Deoarece fiecare proprietate are același număr de dormitoare, Această caracteristică nu are niciun impact asupra prețului dintre aceste proprietăți, altele decât ca o constantă fixă. Variația de preț, cu toate acestea, este în mod clar asociat cu zona de living și numărul de băi.
cifrele de mai jos arată relația dintre prețurile proprietăților și zona de locuit sau numărul de băi ale fiecărei proprietăți (a se vedea parcelele 1 și 2). În fiecare grafic, punctul în care linia maro verticală atinge axa orizontală arată valoarea proprietății subiectului pentru caracteristica în cauză (3.137 pentru zona de locuit și 3,0 pentru băi). Linia albastră este linia de regresie liniară cu un singur predictor, care arată relația predictivă dintre prețul proprietății și caracteristica corespunzătoare.
(povestea continuă mai jos)
(povestea continuă)
în complotul 1, de exemplu, relația de prognoză dintre preț și zona de locuit este exprimată ca: preț =200.323 + 147 * zona de locuit. Pentru proprietatea subiectului, care măsoară 3.137 de metri pătrați, acest lucru înseamnă că prețul său prezis este $661,462: $661,462 = ($200,323 + $147 * 3137) acest lucru este prezentat ca punct albastru solid în graficul 1. „Panta” liniei de regresie, 147, măsoară valoarea prețului unitar, adică ajustarea prețului pentru fiecare pătrat suplimentar (graficul 1). Cu toate acestea, dacă vom folosi numărul de băi ca predictor nostru în schimb, prețul prezis de proprietate țintă este $553,000 (-$1,241,000 + $598,000 * 3.0 = $553,000). Această discrepanță în prețul prezis (661.462 USD și 553.000 USD) este obișnuită atunci când se utilizează formule simple de regresie liniară pentru diferite caracteristici ale aceleiași proprietăți (vezi graficul 2 de mai sus).
prețul real pentru proprietatea țintă este $607,000, care este prezentat ca o stea maro în fiecare grafic. În consecință, Erorile pentru ambele estimări sunt aproape identice, deși în direcția opusă, indiferent dacă sunt exprimate în dolari brute ($607,000 – $661,462 = -$54,462 $607.000 – $553.000 = $54.000, respectiv) sau ca procent (-$54,462/$607,000 = – 9 % și 54.000 USD / 607.000 USD = respectiv 9%).
Mergând mai departe cu regresie liniară multiplă
folosind regresie liniară simplă, un evaluator poate folosi cel mai important predictor al valorii unei proprietăți pentru a face analiza sa de evaluare (sau chiar să utilizeze analiza SLR pe mai multe caracteristici pentru a obține mai multe puncte de referință. Dar dacă cel mai important predictor nu este clar? Ce se întâmplă dacă, de exemplu, toate cele trei unități de dormitor dintr-o analiză dată au un număr diferit de băi, diferite zone de locuit brute sau doar câteva dintre ele au piscine? Prin utilizarea regresiei liniare multiple (MLR), evaluatorii pot compara efectul pe care predictorii multipli îl au asupra unei valori a proprietății cu un singur calcul.
o structură predictivă a MLR poate fi exprimată ca:
predicție = m + b1 * caracteristică 1 + b2 * Caracteristică 2 + b3 * caracteristică 3+ …
de exemplu, cu datele de mai sus, putem regresa prețul atât în funcție de zona de locuit, cât și de numărul de băi: Preț = -$1,309,770 – $125 * zonă de living + $744,918 * băi.
dacă conectăm valorile caracteristicilor proprietății țintă, prețul prevăzut este de 532.859 USD, ceea ce produce o eroare de 74.141 USD sau 12%. Eroarea acestei predicții este mai gravă decât acele erori considerate în SLR-uri, dar nu vă faceți griji, există o explicație în date (și o soluție care urmează!).
în primul rând, trebuie să luăm în considerare relațiile dintre predictori înșiși și să înțelegem ce informații transmit literele din ecuația de mai sus, ceea ce nu este la fel de simplu în acest caz ca atunci când se utilizează SLR. De exemplu, coeficientul-125 USD pentru zona de locuit spune că, pentru un număr fix de băi, creșterea zonei de locuit cu un picior pătrat scade de fapt prețul proprietății cu 125 USD — ceea ce pare nefiresc! Cu toate acestea, dacă ne uităm la tabelul de mai sus, putem vedea că pentru 3,5 băi existădoar două proprietăți. Cel cu 3.101 de metri pătrați este de fapt mai scump (951.000 de dolari) decât proprietatea cu 4.024 de metri pătrați. Pentru cele trei proprietăți cu băi 3.0, zonele de locuit (2690, 3080, 3155) nu se corelează exact cu prețurile ($521,000, $451,000, $687,000) fie.
(povestea continuă mai jos)
(povestea continuă)
aceasta înseamnă că, în datele noastre, avem o relație liniară diferită între prețul de răspuns și zona de locuit predictor pentru proprietățile cu un număr diferit de băi. Astfel, în graficul următor de mai jos, linia neagră (linia de regresie cu băi = 3,0) și linia roșie (linia de regresie cu băi = 3,5) arată de fapt tendințe opuse. Într—un astfel de caz, ambii predictori nu sunt pur adiționali față de preț-o creștere a unuianu implică imediat o creștere a prețului. Remediul pentru aceasta este de a adăuga un alt termen, zona de locuit * numărul de băi, care reprezintă interacțiunea predictorilor.
(povestea continuă mai jos)
(povestea continuă)
pentru datele noastre, relația predictivă ar fi exprimată ca:
price = -$9,590,000 + $2,552 * living area + 3,202,000 *baths – 791
* living area * baths
aceasta produce o predicție de proprietate țintă de $577,523, care are o eroare de $29,477 ($607,000 – $577,523 = $29,477) și o eroare relativă de 5 la sută, care este cea mai potrivită până acum!
când să utilizați simplu vs. Regresie liniară multiplă
atunci când evaluează o proprietate sau determină valoarea unei anumite caracteristici, evaluatorii pot utiliza analiza de regresie pentru a obține cele mai exacte ajustări ale prețurilor, luând în considerare efectul mai multor caracteristici asupra valorii unei proprietăți. Noile reglementări din industrie care necesită justificări bazate pe date pentru deciziile de evaluare pot face ca analiza de regresie să fie și mai necesară pentru evaluatori în viitorul apropiat.
rețineți că este posibil să nu fie întotdeauna posibilă utilizarea unei analize de regresie liniară multiplă. Dacă, de exemplu, nu există o gamă variată de puncte de date disponibile pentru o proprietate și comparabilele sale, este posibil să nu existe suficiente informații pentru a efectua o analiză MLR. Dar, atunci când există suficiente date disponibile pentru a efectua o analiză MLR, aceasta produce adesea cele mai precise rezultate. Amintiți-vă că există momente în care o analiză MLR va necesita un termen suplimentar care reprezintă interacțiunea predictorilor pentru a fi cel mai precis, cum ar fi în exemplul de mai sus. În timp ce analiza de regresie nu înlocuiește în mod clar expertiza unui evaluator — poate fi o completare valoroasă a acesteia.
sperăm că veți găsi aceste informații utile pentru evaluările dvs.
>ce Online – 7 ore (aprobat în 40 de state)
cum să susțineți și să dovediți ajustările dvs.
prezentat de: Richard Hagar, SRA
trebuie să știți practicile de afaceri pentru toți evaluatorii care lucrează astăzi. Asigurați-vă un sprijin adecvat pentru ajustările dvs. Efectuarea ajustărilor apărabile este primul pas în a deveni un evaluator „Tier One”, care câștigă mai mult, se bucură de cele mai bune misiuni și suferă mai puține blocaje și apeluri. Up jocul, pentru a evita callback consumatoare de timp și de a câștiga aprobat CE azi! Inscrie-Te Acum! $119 (7 ore)
Orep asigurat ‘ S Pret: $99
despre autor
Dr.Keying Ye este un profesor în Statistică la Colegiul de afaceri din Universitatea din Texas, la San Antonio și, de asemenea, un cercetator Senior la HouseCanary unde se dezvoltă de analiză predictivă pentru software-ul său de evaluare de conducere, Evaluator HouseCanary și alte produse. Housecanary Appraiser ajută evaluatori rezidențiale Închide mai multe afaceri printr-o soluție ușor de utilizat și include forme, cum ar fi 1004, 2055, 1075, și mai mult!
