Residual Containment Approach (RCA)

A hagyományos értékesítési összehasonlító megközelítés változata az értékeléshez

Bevezetés és áttekintés

szerző: Bert Craytor, Pacific Vista Net, 6. augusztus 2022
Pacifica, Kalifornia

2020-ban és 2021-ben új módszert vezettem be az értékesítési összehasonlításban, amely sokkal nagyobb pontosságot, objektivitást és megbízhatóságot ígér, mint a jelenlegi, az értékbecslők által általánosan alkalmazott módszerek. Ne feledje, hogy a módszert több különböző néven is alkalmaztam, például a szubjektív érték vagy az immateriális érték visszaszorítási megközelítése a San Francisco-öböl területén lévő ingatlanok IRS és hitelezési célú értékelésére. Az új elnevezés értelmesebb lesz. Az állapotra, minőségre, funkcionális hasznosságra, nézetre és hasonlókra vonatkozó „megfoghatatlan” vagy „szubjektív” attribútumok helyett pontosabb a „nem mért” attribútumok kifejezés használata, mivel ez a technika az összes nem mért attribútum értékét regressziós maradékokon keresztül tartalmazza. . Ezért azt javaslom, hogy a „maradék visszatartási megközelítés” a legtömörebb és leghelyesebb kifejezés.

A módszer munkafolyamatként írható le, amely magában foglalja:

1. Összpontosítani az összes tulajdonság értékhozzájárulásának meghatározását, amely növeli egy tulajdonság értékét, nem pedig a korrekciós értékek klasszikus közvetlen meghatározását párosított párokon vagy normál regressziós technikákon keresztül. A korrekciós értékek egyszerűen az alany és az összehasonlítható értékek közötti különbséget jelentik. Maguk a beállítási értékek azonban könnyen megkerülik a biztonsági korlátozásokat. A hozzájárulás értékeinek össze kell adniuk az eladási árat. Ezért minden bizonnyal biztonságosabb a járulékértékek kiszámítása a korrekciók kiszámítása előtt.
2. Sok értékesítési összehasonlító adat összegyűjtése a környékről vagy a piac területéről. Ez magában foglalhat egy várost vagy egy nagyobb város külön területét. Próbáljon meg 3 mérföldes körzeten belül maradni, de ez természetesen az ingatlan típusától függ. Meg kell próbálnia legalább 80 vagy több összehasonlítható elemet beszerezni, amelyek olyan jellemzőkkel rendelkeznek, amelyek valószínűleg legalább részben átfedik egymást és a témát. Az összehasonlítható elemek átlagos száma 125-180, de akár 600 is lehet. Előfordulhat, hogy 5-15 vagy több évet kell visszamennie ahhoz, hogy hasznos számú értékesítést érjen el, és biztosítsa, hogy megfelelő mintavétellel rendelkezzen a alanyi tulajdonság. Egy ritka jellemzőérték-kombinációval rendelkező alanynak 10 vagy több évvel vissza kell mennie az időben. Vannak visszamenőleges értékelések is. A hasonló vagy tárgyi ingatlan értékesítésének időpontja mindig módosítható. Ne feledje azonban, hogy minél távolabb megy vissza az időben, annál több tényező befolyásolja az árváltozásokat. Ha több mint 10 évre megy vissza, valószínűleg felfedezheti, hogy a vásárlók ízlése megváltozott ebben az időszakban, ami interakciót hoz létre az eladás dátuma és más jellemzők között. Ezután kétirányú interakciókat kell használnia, ami növeli a végső regressziós modell összetettségét.
3. Mért és nem mért tulajdonságok elkülönítése. A regresszió csak a mért attribútumértékeken fut. A nem mért tulajdonságok értékelése a maradékokon keresztül történik.
4. Regressziós modell felépítése mért attribútumértékeken, például GLA, tétel mérete, eladás dátuma, történetek, helyiségek száma, GIS koordináták és életkor (tényleges vagy tényleges) alapján, rendkívül pontos regressziós technikával, például többváltozós adaptív regressziós spline-okkal ( MARS). Ehhez az R nyílt forráskódú „earth” csomagja a „caret” csomaggal együtt ajánlott. Ez párhuzamos feldolgozással futtatható a nyílt forráskódú R Studio-ban. Jelenleg ezt egy AMD Ryzen 9 5950 asztali számítógépen futtatom, amely általában körülbelül 28 magot használ a 32 magból, ahol a caret az R Studio 28 +/- különálló példányát forgatja le több földi futtatás párhuzamos feldolgozásához.
5. Maradékmodell készítése a regressziós modell által adott becslések és az értékesítési összehasonlítások tényleges eladási árai közötti különbség alapján. Ez a modell két dologból áll:

    

   1. Egy függvény, amely egy 0.00 és 10.00 közötti maradék pontszámot leképez egy maradványértékre. Ezt a függvényt úgy kapja meg, hogy az értékesítési összehasonlítókat maradékérték szerint rangsorolja a legnagyobbtól a legkisebbig, majd pontszámot hoz létre az adott értéknél kisebb eladások százalékos aránya alapján. A függvény létrehozható úgy, hogy lefuttat egy regressziót ezen a két értékkészleten, vagy egyszerűen létrehoz egy keresési tömböt, amely egy adott pontszámot leképez egy értékre. Ehhez R nyelvű programot kell írni. Ezzel a funkcióval ezután megadhatja az alany becsült maradékpontszámát, hogy megbecsülje a maradványértékét. Ez a kulcs a tárgy eladási árának becsléséhez.   Megjegyzés: Ez a lépés teljesen automatizálható R-ben.
      
   2. A maradványérték hozzárendelése minden egyes értékesítési összehasonlítható és tárgyi tulajdonsághoz a nem mért attribútumokhoz. A maradék megadja az összes nem mért attribútum összértékét. A jelentés felhasználója általában valami értelmesebbet szeretne. A maradékokat fel kell osztani a különböző nem mért attribútumok között, mint például a minőség, állapot, funkcionális segédprogram, nézet és bármely más, értékesnek tartott nem mért attribútum. Az értékbecslőnek ezt csak az értékesítési rácsba bekerülő összehasonlítók esetében kell megtennie. Ez jó dolog, mert ehhez némi munka és idő kell.  Vegye figyelembe, hogy ez egy manuális folyamat, amelyhez az értékelés ismerete szükséges.    Ne feledje, hogy ami a végső értékkövetkeztetést illeti, csak a teljes értéknek van hatása. Az, hogy hogyan osztja fel ezt a teljes maradványértéket, csak a jelentésolvasó felé intézett kommunikációját befolyásolja, hogy az összehasonlítható eladások többe vagy olcsóbban keltek el, mint a tárgy és más összehasonlítható termékek. Ebben a lépésben lép be a képbe a módszer „kényszere”. Ön értéket rendel a nem mért attribútumokhoz, – azzal a megkötéssel, hogy egy adott összehasonlításhoz tartozó összes ilyen maradványösszetevő értéknek össze kell adnia a megfelelő maradványértéket. Ha extra értéket szeretne hozzáadni a Feltételhez, akkor ezt az értéket el kell távolítania egy vagy több egyéb attribútumból.

      Megjegyzés: Ez a lépés nem automatizálható teljesen. Legalábbis nem egyhamar, például a következő évtizedben. Az azonban, hogy ebben a lépésben mennyire jó munkát végez, nem befolyásolja az értékkövetkeztetést – csak annak a magyarázatának a minősége, hogy miért adtak el egy ingatlant drágábban vagy olcsóbban, mint a másikat. Ezt a folyamatot lerövidítheti a nem mért értékek százalékos becslésével, ha nincs ideje. Például automatikusan hozzárendelheti a maradék 30%-át a Minőséghez, 30%-át az Állapothoz, 20%-át a Funkcionális segédprogramhoz és 20%-át a Megtekintéshez, majd a kivételek alapján módosíthatja az egyedi eladásokat (vagy a tárgyat). Valószínűbb azonban, hogy a feladatot bonyolultabbnak fogja találni, mivel a maradék negatív és pozitív értékekből is állhat. Például, ha egy hasonló termék maradéka 50 75 USD, akkor talán 25 XNUMX USD kerül a Conditionre, és – XNUMX XNUMX USD a Megtekintésre. Ismét automatizálhatja a kezdeti elosztást a százalékok alapján, majd módosíthatja az elosztást a normától való eltérések alapján.
      

6. Annak felismerése, hogy a szignifikánsan magas R2 értékű regressziós modell olyan maradványértékeket ad, amelyek korrelálnak a nem mért attribútumok értékével. Vagyis olyan ingatlan, amely a mért tulajdonságok alapján a modell által vártnál vagy jelzettnél drágábban kel el, de olyan nem mért tulajdonságokkal rendelkezik, amelyek értékesebbek az átlagos ingatlannál.
7. Az összehasonlítható elemek rangsorolása maradványérték szerint nagytól kicsiig, majd megfelel a nem mért attribútumok értékének. A rangsor százalékos pontszámokat adhat, például 0.00 és 10.00 között, ahol például a 6.25-ös pontszám azt jelzi, hogy az értékesítési összehasonlítások 62.5%-ának volt alacsonyabb a maradék pontszáma. Használhat 0.0 és 100.0 közötti pontszámokat, de úgy gondolom, hogy a 0.00 és 10.00 közötti érték a kényelmesebb.
8. A tárgytulajdonság rangsorolása az összehasonlítható maradékok rangsorolt ​​listájához képest, hogy megtudja, melyik két tulajdonság illik a legjobban a nem mért attribútumok alapján. Ez akkor valahol a jobb és a gyengébb (maradék) tulajdonságok közötti pontszámot jelezné. Hozzávetőleges becslés használható. Ezt a pontszámot ezután vissza lehet képezni egy maradványértékre, és ezt az értéket használhatjuk az alany maradványértékeként.
9. A tárgytulajdonság becsült maradványértéke ezután hozzáadódik a regressziós modell becsléséhez a mért attribútumok alapján. hogy eljusson egy jelzett értékhez.

Például előfordulhat, hogy az alany egy összehasonlítható 6.2-es és egy 6.3-as pontszámú közé illeszkedik, tehát 6.25-ös pontszámot rendel a tárgyhoz. Ebből a pontszámból azt találja, hogy a tárgy megfelelő maradványértéke 120 1 USD. Az 80. összehasonlító maradványértéke 40 1 USD, tehát a különbség + 20 10 USD, ami az 10. összehasonlító összes nem mért jellemzőjének teljes korrekciója. Ebből Ön 1 XNUMX USD-t rendel az állapotra, XNUMX XNUMX USD-t a megtekintésre és XNUMX XNUMX USD-t a funkcionálisra. Hasznosság. És vegye figyelembe, hogy ebben az esetben az Összehasonlítható XNUMX rosszabb, mint az alany, a nem mért tulajdonságok tekintetében.

Ha a fenti munkafolyamat kimenetét vesszük és egy értékesítési rácsba helyezzük, minden attribútum-korrekciót mint   

              Attribútum-beállítás = Tárgyattribútumérték-hozzájárulás – Értékesítési összehasonlítható érték-hozzájárulás,

minden korrekciót megkapunk, kivéve, hogy az összes nem mért attribútum teljes korrekciós értéke egyetlen maradék korrekció alatt lesz. A korrekciók kiszámítása előtt azonban biztonsági másolatot készíthetünk, és először feloszthatjuk a fennmaradó járulékértékeket a különböző nem mért attribútumok között. A fennmaradó kiigazítás felosztása nem befolyásolja a végső érték kimenetelét (vagy más szóval az összes kiigazított eladási ár átlagát), mindaddig, amíg az egyes értékek továbbra is összeadják az egyes összehasonlítható eladások maradék összegét. Parancsikonként a maradék korrekciót is feloszthatnánk az értékesítési összehasonlítható nem mért attribútumok között, bár ez olyan korrekciókat kockáztat, amelyek valószínűleg kissé eltérnek az alaptól, bár az ilyen hibák nem befolyásolják a korrigált eladási árakat.

A végeredmény az lesz, hogy az összes értékesítési összehasonlítható termék pontosan ugyanazt a korrigált eladási árat fogja tartalmazni. És ha ezeket az értékeket átlagoljuk, akkor ugyanazt az értéket kapjuk, mint amit a fenti 8. lépésben kaptunk.  

Felmerülhet a kérdés: Miért nem dobja ki az értékesítési rácsot, és használja a fenti 8. lépésben kapott értéket? A legjobb ok az, hogy az értékesítési rács megalapozott támogatást nyújt az értékkövetkeztetéshez, amelyet a felhasználó áttekinthet. Indoklást ad arra vonatkozóan, hogy az egyes értékesítési összehasonlítók miért adták el a tárgyi ingatlan értékkövetkeztetésénél alacsonyabb vagy több áron.

Kérdés válasz

1. Kérdés: Honnan tudhatjuk, hogy az értékesítési összehasonlítók maradványérték szerinti rangsorolása megfelel a különböző nem mért tulajdonságok értékhozzájárulásának?

   Válasz: Ez attól függ, hogy mennyire jó a mért attribútumok regressziós modellje. A magas, 2-70%+ R80 érték biztosítja, hogy az összehasonlítható értékek közötti értékeltérések 70-80%-át a mért tulajdonságok regressziós modellje számolja el. 20-30%-a szükségszerűen a nem mért tulajdonságok és hibák miatt van. Feltételezzük, hogy a hibák véletlenszerűek az összehasonlítók és jellemzőik alapján. Mivel a regresszió ezen jellemzők hatásának átlagát jelenti, a hiba regressziós modellre gyakorolt ​​hatása valószínűleg elfogulatlan a mért tulajdonságok tekintetében.

   Ezért meg kell érteni, hogy ennek a módszernek a hatékonysága egy rendkívül pontos és kifinomult regressziós technika, például többváltozós adaptív regressziós spline (MARS) alkalmazásától függ. Az R/earth ingyenes nyílt forráskódú szoftvercsomagként ajánlott erre a célra.

   Vegye figyelembe azt is, hogy a fejlett és pontos regressziós módszer alkalmazása nem garantálja az eredmény minőségét. A MARS-regresszió használata sok tapasztalatot, tudást és készségeket igényel. Még a magas R2 sem garancia a minőségre, mivel ez lehet a túlszerelés eredménye. Minden modellt felül kell vizsgálni a túlszerelés szempontjából, és azt, hogy a valós világban van-e értelme.

2. Kérdés: A fenti minőségbiztosítás azt jelenti, hogy ezt a módszert nehéz lesz automatizálni?

   Válasz: Az automatizálásra feltétlenül szükség van, mert a fenti munkafolyamat számos kisebb lépést tartalmaz, amelyeket következetesen és nagyon pontosan kell végrehajtani. 

   A regressziós modell felépítése azonban olyan művészet, amelyhez nemcsak az alkalmazott regressziós eszköz ismeretére van szükség, hanem az értékeléshez szükséges jó tudásra és tapasztalatra is. Az automatizálás azonban csak idáig megy. A MARS által kidobott minden modellt vagy értékegyenlet-készletet felül kell vizsgálnia az elemzőnek/értékelőnek, aki tudja, mire kell figyelnie. Valószínűleg sok modellt generálnak és felülvizsgálnak a paraméterek MARS-re történő módosításával, majd az adatok helyesbítésével vagy más módon történő módosításával annak érdekében, hogy megfelelő modellt találjanak, amely pontos értékelési eredményeket biztosít.

   Bár a jövőben lehetővé kell tenni egy teljesen automatizált rendszer tervezését, ez valószínűleg kiút. Ennek eredményeként ez a módszer, bár nagyobb pontosságot és objektivitást ígér az értékelésben, időigényesebb és több szakértelmet igényel.

3. Kérdés: Mennyire robusztus ez a módszer az értékelői torzítással szemben?

   Válasz: Ennek a módszernek valóban csak egy pontja van, ahol torzítás vezethető be, ez pedig a tárgytulajdonság elhelyezése az értékesítési összehasonlítások maradék rangsorában. Ha a modell nincs túlillesztett, az adatok meglehetősen pontosak, és az R2 érték körülbelül 70% vagy magasabb, akkor valószínűleg nyilvánvaló az elhelyezés torzítása. Nehezebb az elhelyezés az átlag körüli tág, 10% és 90% közötti rangsorolási területen – ahol a maradványérték vs pontszám görbe jellemzően nem túl meredek. A fennmaradó rangsor ezen részében található elhelyezési hibák jellemzően nem befolyásolják annyira az értéket. A maradványgörbe azonban hajlamos meredek lenni mind az alsó, mind a felső végén, az alacsonyabb és magasabb maradványértékű tulajdonságoknál. A spektrum ezen részén a minőségi és egyéb nem mért tulajdonságok közötti különbségek olyan nagyok, hogy nyilvánvalónak kell lennie, ha a tárgyat túl alacsonyra vagy túl magasra helyezik a rangsorolt ​​listán. A bíráló mindenesetre tudja, hol keresse az elfogultság jeleit. Nem arról lesz szó, hogy megpróbálunk tűt találni a szénakazalban. Ha kérdések merülnek fel, a következő lépés a regressziós modell grafikonjainak és egyenleteinek áttekintése.

4. Kérdés: „Hogyan kerülnek be a rendszerbe az olyan szubjektív paraméterek, mint a minőség, állapot és hely/nézet? És ha nem manuálisan adják meg őket, léteznek-e az adatok a mai MLS-rendszerekben kellő részletességgel/mélységgel ahhoz, hogy automatizálják ezeknek a tényezőknek a bevitelét? (Mint a gránit vs Corian vs laminált munkalapok, vagy 10′ vs 8′ mennyezet.) (Az AppraisersForum.com oldaláról)

   Válasz: Ezek a funkciók, amelyeket említettél, csak „nem mért” funkciók. Nincsenek intézkedéseink számukra. Legalábbis nem elég jó ahhoz, hogy hasznos legyen. Ha megtennénk, egyszerűen beírnánk őket a regresszióba a GLA-val, a tételmérettel, a helyiségszámmal stb. együtt.

   Tehát az összes mért jellemzőt bevisszük a regresszióba, és kidob egy modellt, amely ezen inputok alapján megbecsüli az eladási árat. Természetesen a modell nem tökéletes. Legjobb esetben az árkülönbség körülbelül 80%-át teheti ki. Így marad körülbelül 20%, az úgynevezett „maradék”. (A „maradék” ebben az összefüggésben az „összehasonlítható eladási ár” – „regressziós becsült eladási ár” !!) Ez a 20% az összes nem mért érték összege, plusz a hibás adatokból származó hibák értéke. Ennek a maradéknak a nagy része azonban azokra az attribútumokra vonatkozik, amelyek nem mentek bele a regresszióba, főleg az állapot, a minőség és a nézet.

   Nos, ez a kritikus pont: Valójában nem kell külön értékelnünk ezeket a nem mért jellemzőket, mert mint kiderült, csak az összértékükre van szükségünk ahhoz, hogy értékkövetkeztetést kapjunk az alany számára. A maradékot azonban feloszthatja a különböző nem mért attribútumok között, hogy kiegészítse annak magyarázatát, hogy miért térnek el az eladási árak egy adott értékesítési összehasonlítható termék és a tárgy és más összehasonlítható termékek között. A felosztás módja nincs hatással a korrigált eladási árra, és átutalással (átlagolás útján) a tárgynál feltüntetett értékre. Mivel az összes módosított eladási ára pontosan azonos lesz, a súlyozás nem szolgál semmilyen célt. A nem mért attribútumok maradékokkal való kezelésének egész kérdése önmagában is téma. Nem kell túlságosan foglalkozni vele – hiszen az értékre nincs hatással, csak az adott értékkövetkeztetés alátámasztására, vagyis arra, hogy pontosan meg tudja magyarázni, miért adott el egy ingatlan drágábban vagy olcsóbban, mint a másik .

   Van egy második kritikus pont: Tegyük fel, hogy 120 értékesítési összehasonlító adaton végez regressziót. majd megfordul, és becsléseket készít a mért attribútumok, valamint az összehasonlítható eladási árak és ezekből a becslésekből a maradékok alapján. Ezután rangsorolja az összehasonlítókat a maradékuk alapján, a legnagyobbtól a legkisebbig. Ha tisztességes regressziója van 2%-os vagy magasabb R70-vel, elkerülve a túlillesztést, akkor szinte biztosan azt fogja tapasztalni, hogy az összehasonlítók rangsorolása a jobb állapotú, minőségi és nézetű összehasonlítókat fogja a lista élére tenni – mert azok a vártnál drágábban kelt el. Így ezt a rangsort használhatja az összehasonlítható értékek pontozására a nem mért tulajdonságok alapján. A pontszámokat leképezheti a maradékokhoz, hogy megkapja a „maradék modellt”. A maradék modellnél bármilyen ilyen pontszámot megadhat, és ez megadja a becsült maradékot. Tehát vegye figyelembe a tárgy tulajdonságát, és keresse meg azt, ahol a legjobban illeszkedik a rangsorban. Pontszáma annak a két legjobb tulajdonságnak az átlaga, amely közé illeszkedik. A pontszámból kapja meg a maradékot. Adja hozzá az alany becsült maradékát a regressziós becsléshez, hogy megkapja a becsült eladási árat. … Vagy törekedjen arra, hogy minden összehasonlítható maradékot levonjon a tárgymaradékból, hogy maradékkorrekciót kapjon, és kiszámítsa az összes kiigazított eladási árat – mindegyik azonos lesz –, és pontosan megegyezik az alany fent említett becsült eladási árával.

   Megjegyzés: Ha az összehasonlítható értékek maradék szerint vannak rangsorolva, de nem látja, hogy a nagyobb maradékok nagyon jól kapcsolódnak a nem mért attribútumokhoz – akkor egészen biztos lehet benne, hogy a regresszió alacsony R2-vel rendelkezik, vagy túlillesztett. Ez elengedhetetlenné teszi, hogy jó minőségű regressziós technikát, például MARS-t használjon – és tudja, mit csinál.

   Végül: A kérdésedre egy rövid válasz az, hogy ez a módszer meglehetősen pontos mértéket ad a szubjektív változóidhoz – csak ez az érték az ÖSSZES esetében. – De ez elég jó ahhoz, hogy értékkövetkeztetést vonjunk le.