Residual Constraint Approach

Residual Constraint Approach (RCA)

Salgssammenligningstilgang: Residual Constraint Approach eller RCA for kort, er et udtryk, jeg giver til følgende metode til salgssammenligningstilgangen. Denne metode kan også kaldes den immaterielle eller subjektive værditilgang. Metoden er designet til at give vurderingsmænd mulighed for at frembringe meninger af værdi med meget højere grad af præcision end med standardmetoder, ved at:

  1.  Brug af et regressionsværktøj af høj kvalitet, såsom Salford Systems MARS eller R-Language Earth.
  2. Kontrol af de samlede justeringer for subjektive eller kvalitative funktioner gennem en regression og scoringsproces i flere trin.

Generelt

RCA er en måde at indeholde eller begrænse over- og undervurderingen af ​​subjektive egenskaber, der kræver subjektiv tildeling af score til subjektive egenskabstræk såsom udsigt, tilstand og kvalitet.   

Proceduren kan opdeles i tre faser:

Fase I

Den første fase af RCA-metoden er at bruge et højkvalitets regressionsværktøj såsom MARS fra Salford Systems eller jorden fra R-Language, til at modellere så meget af prisvariationen som muligt, baseret på objektive kvantitative egenskaber, typisk leveret af skattevurderings- og MLS-data, såsom brutto boligareal (GLA), partistørrelse, rumstørrelser og antal, tagtype , fundamenttype og placering. Denne metode fungerer bedst, når denne indledende regressionsmodel kan tegne sig for mindst 70-80 % af prisvariationen baseret på sådanne data. Men lavere værdier er bestemt brugbare - på bekostning af nøjagtigheden. Taksatorer gør simpelthen det bedste, de kan med de data, de har. Det kan argumenteres for, at regression er lige så god eller bedre end nogen anden tilgængelig metode, selv i de værste tilfælde.

Fase II

Den resterende prisafvigelse, forskellen mellem den faktiske salgspris og det skøn, som regressionsmodellen giver, kaldet residualen, antages at være resultatet af variabler, der enten er ukendte eller skal scores gennem subjektiv vurdering. Den vigtigste af den sidste gruppe af variabler er dem, der omtales som 'kvalitative'. Disse kvalitative variabler har værdier, der kun kan repræsenteres ved subjektiv vurdering, da de ikke kan måles objektivt ved hjælp af almindeligt accepterede videnskabelige målestandarder. For eksempel kan vi bedømme tilstanden af ​​et hjem baseret på procentdelen af ​​boliger i emnekvarteret, som vi subjektivt anser for at være i dårligere stand; og med denne metode til scoring giver vi måske en score på 0-100%, afrundet til nærmeste hele procent. Imidlertid er det ofte sådan, at der kræves mere nøjagtighed, og jeg bruger typisk 0.0-100.0%. Disse sidstnævnte tilfælde opstår, når vi har at gøre med ejendomme nær bunden eller toppen af ​​værdikurven, hvor hældningen er stejl, og værdierne ændrer sig hurtigt med mindre variationer i scoren. For eksempel kan et kvarter med ældre hjem kun have 2% i kategorien "fixere". Et hjem med en score på 1.5 kan have brug for moderat reparationsarbejde i størrelsesordenen $ 20,000, mens et hjem med en score på 0.4 lige så godt kan blive revet ned for en pris på $ 250,000. På samme måde har boliger "overbygget" med dyre funktioner ofte en tendens til at have værdier, der skyrocket i de øverste 1% af scoringer.

Resten er en enkelt mængde og er en kurvværdi for alle de variabler eller funktioner, der ikke er indtastet i regressionssoftwaren. Alle salg analyseret af regressionssoftwaren kan rangeres efter deres restværdier opnået ved at trække estimaterne fra fase I -modellen fra deres salgspriser. (Hvis man ønsker en højere grad af nøjagtighed, kan han “massere” salgspriserne for at fjerne køberindrømmelser, men dette ville være meget arbejde, hvis der for eksempel er 300 salg at analysere. Men hvis der er relativt få salg med sådanne indrømmelser på markedet, kan dette være muligt, afhængigt af om sådanne data er pålideligt markeret af MLS.)

De rangerede rester kan scores med procent over eller
nedenfor i ranglisten. Så hvis vi skulle
brugsprocent nedenfor, ville scoren med den største negative rest få en
score på 0 og den med den højeste score ville få 99, baseret på et heltal
score fra 0-99. (Man kan lave dette
score mere nøjagtigt ved at bruge 0.0-99.9.)

Dernæst kan regressionen køres mod residualscoren som den enkelte prædiktorvariabel mod salgsresidualen for at få en model for residualerne. Dette er egentlig kun en funktion af score vs residual. Hvis du lægger prisen forudsagt af trin 1-modellen til den resterende forudsagte af restscoren, bør du komme meget tæt på salgsprisen for de sammenlignelige salg. Og hvis du anvender dette på dit estimat af den resterende score for emnet - bør du have et meget godt estimat for den hypotetiske salgspris på emneejendommen.

Fase III

De to ovenstående modeller kan kombineres til en enkelt model og kodes i et computerprogram til beregning. Seks til et dusin comps, hvis de rimeligt ligner emnet, kan sammen med emnets funktionsværdier indtastes i computeren for at beregne justeringer og justerede salgspriser, som igen er i gennemsnit til at give et estimeret salgspris for emnet. Der bør være mulighed for at vægte salgssammenlignelige med graden af ​​lighed med emnet, hvis det giver mening.

Afsluttende spørgsmål

Det kan være nødvendigt på grund af rapporteringskrav at opdele resterne i komponentværdier. Især betingelsen, kvaliteten og udsigten skal muligvis adskilles. Hvordan dette gøres, er i høj grad vurderingsmandens skøn. Begrænsningen er, at for hvert salg, der er sammenligneligt, skal justeringerne for de kvalitative variabler lægge op til restværdien. Et hus med en gennemsnitlig score i disse funktioner har en rest i nærheden af ​​0. Således forventer vi, at når funktioner afviger fra gennemsnittet, bliver residualen mere positiv (for ovenstående egenskaber) eller mere negativ (for ringere egenskaber). Så hvis et salg, der er sammenligneligt, har en restværdi på -50,000, er i gennemsnitlig stand og er af gennemsnitlig kvalitet med et dårligt syn, kan vi forvente at tildele alt det $ 50,000 til det dårlige syn. Det er ikke ligegyldigt, hvordan de $ 50,000 fordeles til forskellige kvalitative funktioner ved beregning af den endelige justerede værdi. Matematikken sikrer, at den justerede værdi forbliver den samme. Fordelingen giver imidlertid en forklaring til læseren af ​​vurderingen om, hvorfor den justerede pris er, hvad den er.

Et interessant problem er, hvordan man opdeler den estimerede residual for emneegenskaben. Da taksatoren har inspiceret emnet, er han faktisk i en god position til at foretage en rimelig opdeling af den estimerede rest på tværs af de tilgængelige "resttræk".

 
 
 
Rul til top