अवशिष्ट रोकथाम दृष्टिकोण (आरसीए)

मूल्यांकन के लिए पारंपरिक बिक्री तुलना दृष्टिकोण पर एक बदलाव

प्रस्तावना और समीक्षा

बर्ट क्रेटोर द्वारा, पैसिफिक विस्टा नेट, 6 अगस्त, 2022
प्रशांत, सीए

मैंने 2020 और 2021 में बिक्री तुलना दृष्टिकोण के लिए एक नया तरीका पेश किया जो आमतौर पर मूल्यांककों द्वारा नियोजित वर्तमान तरीकों की तुलना में कहीं अधिक सटीकता, निष्पक्षता और विश्वसनीयता का वादा करता है। ध्यान दें कि मैंने आईआरएस और उधार उद्देश्यों के लिए सैन फ्रांसिस्को खाड़ी क्षेत्र में संपत्तियों का मूल्यांकन करने के लिए व्यक्तिपरक मूल्य या अमूर्त मूल्य रोकथाम दृष्टिकोण जैसे कई अलग-अलग नामों के तहत विधि का उपयोग किया है। नया पदनाम अधिक सार्थक होने का इरादा है। स्थिति, गुणवत्ता, कार्यात्मक उपयोगिता, दृश्य, और इसी तरह के लिए "अमूर्त" या "व्यक्तिपरक" विशेषताओं के बजाय, "अनमाइंड" विशेषताओं का उपयोग करना अधिक सटीक है, क्योंकि यह तकनीक प्रतिगमन अवशेषों के माध्यम से सभी अनमाने विशेषताओं के मूल्य को शामिल करती है। . इसलिए, मेरा सुझाव है कि "अवशिष्ट रोकथाम दृष्टिकोण" सबसे संक्षिप्त और सही शब्द है।

विधि को वर्कफ़्लो के रूप में वर्णित किया जा सकता है जिसमें शामिल हैं:

1. मिलान जोड़े या सामान्य प्रतिगमन तकनीकों के माध्यम से समायोजन मूल्यों के शास्त्रीय प्रत्यक्ष निर्धारण के बजाय, संपत्ति के मूल्य में जोड़ने वाली सभी विशेषताओं के मूल्य योगदान के निर्धारण पर ध्यान केंद्रित करना। समायोजन मूल्य केवल विषय के योगदान मूल्यों और तुलनीयताओं के बीच का अंतर है। फिर भी समायोजन स्वयं सुरक्षा बाधाओं को आसानी से दरकिनार कर देता है। योगदान मूल्यों को बिक्री मूल्य में जोड़ना चाहिए। इसलिए, समायोजन की गणना करने से पहले योगदान मूल्यों की गणना करना निश्चित रूप से सुरक्षित है।
2. आस-पड़ोस या बाजार क्षेत्र से कई बिक्री तुलनीय इकट्ठा करना। इसमें एक शहर या एक बड़े शहर का विशिष्ट क्षेत्र शामिल हो सकता है। आपको 3 मील के दायरे में रहने की कोशिश करनी चाहिए, लेकिन यह निश्चित रूप से संपत्ति के प्रकार पर निर्भर करता है। आपको कम से कम 80 या अधिक तुलनीय प्राप्त करने का प्रयास करना चाहिए जिसमें ऐसी विशेषताएं हों जो एक दूसरे और विषय के साथ कम से कम आंशिक रूप से ओवरलैप होने की संभावना रखते हों। मेरी तुलना की औसत संख्या 125-180 है, लेकिन यह 600 तक जा सकती है। बिक्री की एक उपयोगी संख्या प्राप्त करने के लिए आपको 5 से 15 या अधिक वर्षों तक वापस जाना पड़ सकता है और यह सुनिश्चित करना चाहिए कि आपके पास सुविधाओं का एक अच्छा नमूना है जो आपको इसमें मिलता है। विषय संपत्ति। विशेषता मूल्यों के दुर्लभ संयोजन वाले विषय को 10 या अधिक वर्षों के समय में वापस जाने की आवश्यकता हो सकती है। पूर्वव्यापी मूल्यांकन भी हैं। तुलनीय या विषयगत संपत्ति के लिए बिक्री की तारीख को हमेशा के लिए समायोजित किया जा सकता है। हालाँकि, यह समझें कि आप जितना अधिक समय पीछे जाते हैं, कीमत में बदलाव के उतने ही अधिक कारक होते हैं। यदि आप 10 साल से अधिक समय से वापस जा रहे हैं, तो आपको पता चल जाएगा कि उस अवधि में खरीदार का स्वाद बदल गया है, जो बिक्री की तारीख और अन्य सुविधाओं के बीच एक बातचीत बनाता है। फिर आपको दो-तरफ़ा इंटरैक्शन का उपयोग करने की आवश्यकता होगी, जो अंतिम प्रतिगमन मॉडल की जटिलता को बढ़ाता है।
3. मापी गई और न मापी गई विशेषताओं का पृथक्करण। रिग्रेशन केवल मापा विशेषता मानों पर चलाया जाता है। अमापी विशेषताओं का मूल्यांकन अवशिष्टों के माध्यम से किया जाता है।
4. जीएलए, लॉट साइज, बिक्री की तारीख, कहानियां, कमरे की संख्या, जीआईएस निर्देशांक, और उम्र (वास्तविक या प्रभावी) जैसे मापा विशेषता मूल्यों के आधार पर एक प्रतिगमन मॉडल का निर्माण, एक अत्यधिक सटीक प्रतिगमन तकनीक का उपयोग करना जैसे कि बहुभिन्नरूपी अनुकूली प्रतिगमन विभाजन ( मंगल)। इसके लिए "कैरेट" पैकेज के साथ आर के ओपन सोर्स "अर्थ" पैकेज की सिफारिश की जाती है। इसे समानांतर संसाधन के साथ ओपन-सोर्स आर स्टूडियो में चलाया जा सकता है। मैं वर्तमान में इसे AMD Ryzen 9 5950 डेस्कटॉप पर चलाता हूं, जो आमतौर पर 28 में से लगभग 32 कोर का उपयोग करता है, जहां कैरेट पृथ्वी के कई रनों के समानांतर प्रसंस्करण के लिए R स्टूडियो के 28 +/- अलग-अलग उदाहरणों को बंद कर देता है।
5. रिग्रेशन मॉडल द्वारा प्रदान किए गए अनुमानों और तुलनीय बिक्री की वास्तविक बिक्री कीमतों के बीच अंतर के आधार पर एक अवशिष्ट मॉडल का निर्माण। यह मॉडल दो चीजें हैं:

    

   1. एक फ़ंक्शन जो 0.00 से 10.00 के अवशिष्ट स्कोर को अवशिष्ट मान पर मैप करता है. आप इस फ़ंक्शन को बिक्री की तुलना को सबसे बड़े से सबसे छोटे से अवशिष्ट मूल्य के आधार पर रैंकिंग करके प्राप्त करते हैं, फिर किसी दिए गए मूल्य से कम बिक्री के प्रतिशत के आधार पर स्कोर बनाते हैं। फ़ंक्शन को मानों के इन दो सेटों पर एक प्रतिगमन चलाकर या केवल एक लुकअप सरणी बनाकर बनाया जा सकता है जो किसी विशेष स्कोर को किसी मान पर मैप करता है। ऐसा करने के लिए आपको R में एक प्रोग्राम लिखना होगा। इस फ़ंक्शन का उपयोग करके, आप इसके अवशिष्ट मूल्य का अनुमान प्राप्त करने के लिए विषय के अनुमानित अवशिष्ट स्कोर को दर्ज कर सकते हैं। यह विषय के बिक्री मूल्य का अनुमान लगाने की कुंजी है।   नोट: इस चरण को आर में पूरी तरह से स्वचालित किया जा सकता है।
      
   2. तुलनीय प्रत्येक बिक्री के लिए अवशिष्ट मूल्य का आवंटन और बिना मापी गई विशेषताओं के अधीन संपत्ति। अवशिष्ट सभी माप न किए गए गुणों का कुल मूल्य देता है। आमतौर पर, रिपोर्ट का उपयोगकर्ता कुछ और अर्थपूर्ण चाहता है। अवशिष्टों को गुणवत्ता, स्थिति, कार्यात्मक उपयोगिता, दृश्य जैसी विभिन्न अनमापी विशेषताओं के बीच विभाजित करने की आवश्यकता है, और जो भी अन्य बिना मापी गई विशेषताएँ आपको मूल्यवान लगती हैं। मूल्यांकक को केवल उन तुलनीयों के लिए ऐसा करने की आवश्यकता है जो बिक्री ग्रिड में जा रहे हैं। यह अच्छी बात है क्योंकि इसे करने में कुछ काम और समय लगता है।  ध्यान दें कि यह एक मैनुअल प्रक्रिया है जिसके लिए मूल्यांकन के ज्ञान की आवश्यकता होती है।    ध्यान रखें, जहां तक ​​अंतिम मूल्य निष्कर्ष का संबंध है, यह केवल कुल मूल्य है जिसका कोई प्रभाव पड़ता है। आप उस कुल अवशिष्ट मूल्य को कैसे विभाजित करते हैं, यह केवल रिपोर्ट रीडर के लिए आपके संचार को प्रभावित करता है कि मट्ठा की बिक्री विषय और अन्य तुलनीयों की तुलना में अधिक या कम में बेची जाती है। यह चरण वह जगह है जहां विधि की "बाधा" तस्वीर में प्रवेश करती है। आप बिना मापी गई विशेषताओं के लिए मान निर्दिष्ट कर रहे हैं, - इस बाधा के तहत कि किसी विशेष तुलनीय के लिए ऐसे सभी अवशिष्ट घटक मूल्यों को संबंधित अवशिष्ट मूल्य में जोड़ना चाहिए। यदि आप शर्त के लिए अतिरिक्त मान जोड़ना चाहते हैं, तो आपको उस मान को एक या अधिक अन्य विशेषताओं से दूर करना होगा।

      नोट: यह चरण पूरी तरह से स्वचालित नहीं हो सकता। कम से कम कभी भी जल्द नहीं, - जैसे कि अगले दशक में। हालाँकि, इस चरण में आप कितनी अच्छी नौकरी करते हैं, यह मूल्य निष्कर्ष को प्रभावित नहीं करेगा - केवल आपके स्पष्टीकरण की गुणवत्ता कि क्यों एक संपत्ति दूसरे से अधिक या कम में बेची गई। यदि आपके पास समय की कमी है तो आप प्रतिशत के आधार पर बिना मापे मूल्यों का अनुमान लगाकर इस प्रक्रिया को शॉर्टकट कर सकते हैं। उदाहरण के लिए, आप स्वचालित रूप से शेष का 30% गुणवत्ता, 30% स्थिति, 20% कार्यात्मक उपयोगिता, और 20% देखने और फिर अपवाद के आधार पर व्यक्तिगत बिक्री (या विषय) को असाइन कर सकते हैं। अधिक संभावना है, हालांकि, आपको कार्य अधिक जटिल लगेगा क्योंकि अवशिष्ट नकारात्मक और सकारात्मक दोनों मूल्यों से बना हो सकता है। उदाहरण के लिए, यदि किसी तुलनीय के लिए अवशिष्ट $50K है, तो शायद $75K कंडीशन में जाता है, और - $25K दृश्य में जाता है। फिर, आप प्रतिशत के आधार पर प्रारंभिक आवंटन को स्वचालित कर सकते हैं और फिर मानदंड से विचलन के आधार पर आवंटन को बदल सकते हैं।
      

6. मान्यता है कि काफी उच्च R2 मान वाला एक प्रतिगमन मॉडल अवशिष्ट मान प्रदान करेगा जो बिना मापी गई विशेषताओं के मूल्य से संबंधित है। कहने का तात्पर्य यह है कि, एक ऐसी संपत्ति जो मापी गई विशेषताओं के आधार पर अपेक्षा से अधिक या मॉडल द्वारा इंगित की जाती है, लेकिन इसमें बिना मापी गई विशेषताएँ होती हैं जो औसत संपत्ति से अधिक मूल्यवान होती हैं।
7. बड़े से छोटे तक के अवशिष्ट मूल्य के आधार पर रैंकिंग की तुलना की जाती है, फिर माप न की गई विशेषताओं के मान से मेल खाती है। रैंकिंग प्रतिशत स्कोर प्रदान कर सकती है, उदाहरण के लिए, 0.00 से 10.00 तक, जहां उदाहरण के लिए 6.25 का स्कोर इंगित करेगा कि 62.5% बिक्री की तुलना में कम अवशिष्ट स्कोर था। आप 0.0 से 100.0 तक जाने वाले स्कोर का उपयोग कर सकते हैं, लेकिन मुझे लगता है कि 0.00 से 10.00 अधिक सुविधाजनक है।
8. तुलनीय अवशेषों की रैंक सूची के विरुद्ध विषय संपत्ति की रैंकिंग, यह पता लगाने के लिए कि कौन सी दो संपत्तियां बिना मापी गई विशेषताओं के आधार पर सबसे अच्छी तरह फिट बैठती हैं। यह तब बेहतर और कम (अवशिष्ट के संदर्भ में) गुणों के बीच कहीं एक अंक का संकेत देगा। एक मोटे अनुमान का उपयोग किया जा सकता है। इस स्कोर को फिर एक अवशिष्ट मूल्य के लिए रिवर्स मैप किया जा सकता है और उस मान को तब विषय के अवशिष्ट मूल्य के रूप में उपयोग किया जाता है।
9. विषय संपत्ति के लिए अनुमानित अवशिष्ट मूल्य को उसके मापा विशेषताओं के आधार पर प्रतिगमन मॉडल से अनुमान में जोड़ा जाता है एक संकेतित मूल्य पर पहुंचने के लिए.

उदाहरण के लिए, विषय 6.2 के स्कोर के साथ तुलनीय और 6.3 के स्कोर के साथ एक के बीच फिट हो सकता है, इसलिए आप विषय को 6.25 का स्कोर प्रदान करते हैं। इस स्कोर से, आप पाते हैं कि विषय के लिए संबंधित अवशिष्ट मूल्य $120K है। तुलनीय 1 का अवशिष्ट मूल्य $80K है, इसलिए अंतर +$40K है जो तुलनात्मक 1 में सभी बिना मापी गई सुविधाओं के लिए आपका कुल समायोजन है। इसमें से, आप शर्त के लिए $20K, देखने के लिए $ 10K, और कार्यात्मक के लिए $10K आवंटित करते हैं। उपयोगिता। और ध्यान दें कि इस मामले में तुलनात्मक 1 बिना मापी गई विशेषताओं के संबंध में विषय से कम है।

यदि हम उपरोक्त वर्कफ़्लो का आउटपुट लेते हैं और इसे बिक्री ग्रिड में रखते हैं, तो प्रत्येक विशेषता समायोजन की गणना इस प्रकार की जाती है   

              विशेषता समायोजन = विषय विशेषता मूल्य योगदान - बिक्री तुलनीय मूल्य योगदान,

हम सभी समायोजन प्राप्त करेंगे, सिवाय इसके कि सभी न मापी गई विशेषताओं के लिए कुल समायोजन मूल्य एकल अवशिष्ट समायोजन के अंतर्गत होगा। हालांकि, हम समायोजन की गणना करने से पहले विभिन्न गैर-मापने योग्य विशेषताओं के बीच अवशिष्ट योगदान मूल्यों का बैकअप और पहले विभाजित कर सकते हैं। हम अवशिष्ट समायोजन को कैसे विभाजित करते हैं, यह अंतिम मूल्य परिणाम (या दूसरे शब्दों में सभी समायोजित बिक्री मूल्य का औसत) को प्रभावित नहीं करेगा, जब तक कि व्यक्तिगत मूल्य अभी भी तुलनीय प्रत्येक बिक्री के लिए अवशिष्ट कुल में जुड़ जाते हैं। एक शॉर्टकट के रूप में, हम बिक्री तुलनीय अमापन विशेषताओं के बीच अवशिष्ट समायोजन को भी विभाजित कर सकते हैं, हालांकि यह जोखिम समायोजन जो कुछ हद तक ऑफ-बेस होने की संभावना है, हालांकि ऐसी त्रुटियां समायोजित बिक्री कीमतों को प्रभावित नहीं करेंगी।

अंतिम परिणाम यह होगा कि सभी तुलनीय बिक्री का बिल्कुल समान समायोजित बिक्री मूल्य होगा। और अगर हम उन मानों को औसत करते हैं, तो हमारे पास वही मान होगा जो ऊपर चरण 8 द्वारा प्राप्त किया गया था।  

कोई पूछ सकता है - क्यों न केवल बिक्री ग्रिड को फेंक दिया जाए और ऊपर चरण 8 से प्राप्त मूल्य का उपयोग किया जाए? सबसे अच्छा कारण यह है कि बिक्री ग्रिड उस मूल्य निष्कर्ष के लिए आधारभूत समर्थन प्रदान करता है जिसकी उपयोगकर्ता समीक्षा कर सकता है। यह इस बात के लिए तर्क प्रदान करता है कि व्यक्तिगत बिक्री तुलनीय विषय संपत्ति के लिए मूल्य निष्कर्ष से कम या अधिक के लिए क्यों बेची जाती है।

प्रश्न जवाब

1. सवाल: हम कैसे जानते हैं कि अवशिष्ट मूल्य द्वारा तुलनीय बिक्री की रैंकिंग विभिन्न अनमापी विशेषताओं के मूल्य योगदान के अनुरूप होगी?

   उत्तर: यह इस बात पर निर्भर करता है कि मापी गई विशेषताओं के लिए प्रतिगमन मॉडल कितना अच्छा है। 2-70%+ का एक उच्च R80 मान यह सुनिश्चित करता है कि तुलना के बीच मूल्य विचलन का 70-80% मापा विशेषताओं के प्रतिगमन मॉडल द्वारा हिसाब किया जाता है। 20-30% अनिवार्य रूप से बिना मापी गई विशेषताओं और त्रुटियों के कारण होना चाहिए। त्रुटियों को तुलनाओं और उनकी विशेषताओं पर यादृच्छिक माना जाता है। चूंकि प्रतिगमन इन विशेषताओं के प्रभाव का औसत है, इसलिए प्रतिगमन मॉडल पर त्रुटि का प्रभाव मापा विशेषताओं के संबंध में निष्पक्ष होने की संभावना है।

   इसलिए यह समझा जाना चाहिए कि इस पद्धति की प्रभावशीलता अत्यधिक सटीक और परिष्कृत प्रतिगमन तकनीक जैसे कि बहुभिन्नरूपी अनुकूली प्रतिगमन स्प्लिन (MARS) का उपयोग करने पर निर्भर करती है। इस उद्देश्य के लिए एक मुक्त ओपन-सोर्स सॉफ्टवेयर पैकेज के रूप में आर/अर्थ की सिफारिश की जाती है।

   यह भी ध्यान दें, कि केवल एक उन्नत और सटीक प्रतिगमन पद्धति का उपयोग करने से परिणाम की गुणवत्ता की गारंटी नहीं होती है। मार्स रिग्रेशन का उपयोग करने के लिए काफी अनुभव, ज्ञान और कौशल की आवश्यकता होती है। यहां तक ​​कि एक उच्च R2 भी गुणवत्ता की गारंटी नहीं है, क्योंकि यह ओवरफिटिंग का परिणाम हो सकता है। ओवरफिटिंग के लिए प्रत्येक मॉडल की समीक्षा की जानी चाहिए और क्या यह वास्तविक दुनिया के संदर्भ में समझ में आता है।

2. सवाल: क्या उपरोक्त क्यूए का मतलब यह है कि इस पद्धति को स्वचालित करना मुश्किल होगा?

   उत्तर: स्वचालन की नितांत आवश्यकता है क्योंकि उपरोक्त वर्कफ़्लो में कई छोटे चरण शामिल हैं जिन्हें एक सुसंगत और अत्यधिक सटीक तरीके से किया जाना है। 

   हालांकि, प्रतिगमन मॉडल का निर्माण एक कला है, जिसके लिए न केवल उपयोग किए जा रहे प्रतिगमन उपकरण के ज्ञान की आवश्यकता होती है, बल्कि मूल्यांकन में अच्छा ज्ञान और अनुभव भी होता है। हालाँकि, स्वचालन केवल इतना आगे जाता है। MARS द्वारा निकाले गए प्रत्येक मॉडल या मूल्य समीकरणों के सेट की समीक्षा विश्लेषक / मूल्यांकक द्वारा की जानी चाहिए जो जानता है कि क्या देखना है। कई मॉडल संभावित रूप से MARS के मापदंडों को बदलकर और फिर एक उपयुक्त मॉडल खोजने के लिए डेटा को सही या अन्यथा संशोधित करके उत्पन्न और समीक्षा की जाएगी जो सटीक मूल्यांकन परिणाम प्रदान करेगा।

   हालांकि भविष्य में पूरी तरह से स्वचालित प्रणाली को डिजाइन करना संभव होना चाहिए, यह एक रास्ता बंद होने की संभावना है। परिणामस्वरूप, मूल्यांकन में अधिक सटीकता और निष्पक्षता का वादा करते हुए, यह विधि अधिक समय लेने वाली भी है और इसके लिए अधिक कौशल की आवश्यकता होती है।

3. सवाल: मूल्यांकनकर्ता पूर्वाग्रह के खिलाफ यह तरीका कितना मजबूत है?

   उत्तर: इस पद्धति में वास्तव में केवल एक ही स्थान है जहां पूर्वाग्रह पेश किया जा सकता है और वह है बिक्री की तुलना की अवशिष्ट रैंकिंग में विषय संपत्ति की नियुक्ति। यदि मॉडल को ओवरफिट नहीं किया गया है, तो डेटा यथोचित रूप से सटीक है, और R2 मान लगभग 70% या अधिक है, तो प्लेसमेंट में पूर्वाग्रह स्पष्ट होगा। औसत के आसपास व्यापक रैंकिंग क्षेत्र में प्लेसमेंट अधिक कठिन है, 10% और 90% के बीच - जहां अवशिष्ट मूल्य बनाम स्कोर वक्र आमतौर पर बहुत अधिक नहीं होता है। अवशिष्ट रैंकिंग के इस हिस्से में प्लेसमेंट त्रुटियां आमतौर पर मूल्य को इतना प्रभावित नहीं करती हैं। हालांकि, अवशिष्ट वक्र निम्न और उच्च दोनों सिरों, निम्न और उच्च अवशिष्ट मूल्य गुणों पर खड़ी हो जाती है। स्पेक्ट्रम के इस हिस्से में, गुणवत्ता और अन्य बिना मापी गई विशेषताओं में अंतर इतना अधिक है कि विषय को बहुत कम या बहुत अधिक रैंक वाली सूची में रखना स्पष्ट होना चाहिए। किसी भी मामले में, समीक्षक जानता है कि पूर्वाग्रह के संकेतों को कहां देखना है। भूसे के ढेर में सुई खोजने का सवाल ही नहीं उठता। यदि प्रश्न उठते हैं, तो अगला कदम प्रतिगमन मॉडल रेखांकन और समीकरणों की समीक्षा करना होगा।

4. सवाल: "गुणवत्ता, स्थिति और स्थान/दृश्य जैसे व्यक्तिपरक पैरामीटर सिस्टम में इनपुट कैसे प्राप्त करते हैं? और यदि वे मैन्युअल रूप से इनपुट नहीं हैं, तो क्या डेटा आज के एमएलएस सिस्टम में इन कारकों के इनपुट को स्वचालित करने के लिए पर्याप्त ग्रैन्युलैरिटी/गहराई के साथ मौजूद है? (जैसे ग्रेनाइट बनाम कोरियन बनाम लैमिनेट काउंटरटॉप्स, या 10′ बनाम 8′ छत)। (AppraisersForum.com से)

   उत्तर: आपने जिन सुविधाओं का उल्लेख किया है, वे केवल "अनमापी" विशेषताएं हैं। हमारे पास उनके लिए उपाय नहीं हैं। कम से कम उपयोगी होने के लिए पर्याप्त नहीं है। अगर हमने किया, तो हम उन्हें जीएलए, लॉट साइज, रूम काउंट आदि के साथ रिग्रेशन में इनपुट करेंगे।

   इसलिए, हम जो करते हैं वह सभी मापी गई विशेषताओं को प्रतिगमन में इनपुट करता है और यह एक मॉडल को बाहर निकालता है जो इन इनपुट के आधार पर बिक्री मूल्य का अनुमान लगाता है। बेशक, मॉडल सही नहीं है। सबसे अच्छा, यह मूल्य भिन्नता का लगभग 80% हिस्सा हो सकता है। यह लगभग 20% छोड़ देता है, जिसे "अवशिष्ट" कहा जाता है। (इस संदर्भ में "अवशिष्ट" "तुलनीय बिक्री मूल्य" है - "प्रतिगमन अनुमानित बिक्री मूल्य" !!) कि 20% सभी बिना मापे मूल्यों का एक साथ मूल्य है और गलत डेटा से त्रुटियां हैं। हालाँकि, उस अवशिष्ट का अधिकांश हिस्सा उन विशेषताओं के लिए होगा, जो प्रतिगमन में नहीं गए, ज्यादातर स्थिति, गुणवत्ता और दृश्य।

   अब, यह महत्वपूर्ण बिंदु है: हमें वास्तव में उन सभी बिना मापी गई विशेषताओं को अलग से महत्व देने की आवश्यकता नहीं है, क्योंकि जैसा कि यह पता चला है, हमें विषय के लिए मूल्य निष्कर्ष प्राप्त करने के लिए केवल उनके कुल मूल्य की आवश्यकता है। हालाँकि, आप अपने स्पष्टीकरण को पूरा करने के लिए अलग-अलग गैर-मापने वाली विशेषताओं के बीच अवशिष्ट को विभाजित कर सकते हैं कि बिक्री मूल्य किसी दिए गए बिक्री तुलनीय और विषय और अन्य तुलनीयों के बीच भिन्न क्यों हैं। आप विभाजन कैसे करते हैं, इसका समायोजित बिक्री मूल्य पर कोई प्रभाव नहीं पड़ता है और, विषय के लिए संकेतित मूल्य को स्थानांतरित करके (औसत के माध्यम से)। चूंकि आपके सभी समायोजित बिक्री मूल्य बिल्कुल समान होंगे, इसलिए भारोत्तोलन किसी उद्देश्य की पूर्ति नहीं करेगा। अवशिष्टों का उपयोग करके मापी न गई विशेषताओं से निपटने का पूरा मुद्दा अपने आप में एक विषय है। आपको इसके बारे में अत्यधिक चिंतित होने की आवश्यकता नहीं है - क्योंकि इसका मूल्य पर कोई प्रभाव नहीं पड़ता है, केवल दिए गए मूल्य निष्कर्ष के लिए आपके समर्थन पर, अर्थात, यह समझाने की आपकी क्षमता कि क्यों कुछ संपत्ति दूसरे की तुलना में अधिक या कम में बेची गई .

   एक दूसरा महत्वपूर्ण बिंदु है: मान लें कि आप 120 बिक्री की तुलना पर प्रतिगमन करते हैं। फिर आप मुड़ते हैं और मापी गई विशेषताओं के आधार पर और तुलनीय बिक्री कीमतों और उन अनुमानों के आधार पर अनुमान बनाते हैं। फिर आप तुलनाकर्ताओं को उनके अवशेषों के आधार पर रैंक करते हैं, सबसे बड़ा से सबसे छोटा। यदि आपके पास 2% या उससे अधिक के R70 के साथ एक अच्छा प्रतिगमन है, तो आप ओवरफिटिंग से बचते हैं, तो आप लगभग निश्चित रूप से पाएंगे कि तुलनाओं की रैंकिंग बेहतर स्थिति, गुणवत्ता और तुलनाओं को सूची के शीर्ष पर रखेगी — क्योंकि वे अपेक्षा से अधिक में बिका। तो आप उस रैंकिंग का उपयोग उन अमापी विशेषताओं के संदर्भ में तुलना करने के लिए कर सकते हैं। आप "अवशिष्ट मॉडल" प्राप्त करने के लिए स्कोर को अवशेषों में मैप कर सकते हैं। एक अवशिष्ट मॉडल के साथ, आप ऐसा कोई भी स्कोर दर्ज कर सकते हैं और यह आपको अनुमानित अवशिष्ट देगा। तो, आप विषय संपत्ति लेते हैं और पाते हैं कि यह रैंकिंग में सबसे अच्छा कहां फिट बैठता है। इसका स्कोर उन दो सर्वोत्तम संपत्तियों का औसत है, जिनके बीच यह फिट बैठता है। स्कोर से, अवशिष्ट प्राप्त करें। अनुमानित बिक्री मूल्य प्राप्त करने के लिए विषय के अनुमानित अवशिष्ट को प्रतिगमन अनुमान में जोड़ें। ... या फिर समस्या पर जाएं और अवशिष्ट समायोजन प्राप्त करने के लिए अवशिष्ट विषय से प्रत्येक तुलनीय अवशिष्ट को घटाएं, सभी समायोजित बिक्री मूल्यों की गणना करें - वे सभी समान होंगे - और वे विषय के पूर्वोक्त अनुमानित बिक्री मूल्य के बिल्कुल बराबर होंगे।

   ध्यान दें: यदि तुलनाओं को अवशिष्ट द्वारा रैंक किया गया है, लेकिन आप यह नहीं देखते हैं कि बड़े अवशेष बिना मापी गई विशेषताओं से बहुत अच्छी तरह से संबंधित हैं - तो आप निश्चित रूप से सुनिश्चित हो सकते हैं कि आपके प्रतिगमन में कम R2 है या अधिक है। इससे MARS जैसी उच्च-गुणवत्ता वाली प्रतिगमन तकनीक का उपयोग करना अनिवार्य हो जाता है - और यह जानना कि आप क्या कर रहे हैं।

   अंत में: आपके प्रश्न का संक्षिप्त उत्तर यह है कि यह विधि आपके व्यक्तिपरक चरों के लिए काफी सटीक माप प्रदान करती है - केवल यह उन सभी के लिए एक मान है। - लेकिन मूल्य निष्कर्ष पर पहुंचने के लिए यह काफी अच्छा है।