Alur kerja baru untuk penilaian URAR berdasarkan MARS (Multivariate Adaptive Regression Splines) versi R/earth telah ditambahkan ke perangkat kami.
Konversi telah menambahkan beberapa peningkatan, seperti otomatisasi penuh pemrosesan input MLS melalui pengiriman ke earth(), penguraian output R::earth ke spreadsheet Excel dengan penyesuaian, dan agregasi penyesuaian ke bidang URAR per file konfigurasi pengguna dapat memodifikasi untuk mengubah:
- bidang yang akan dianalisis,
- aktivasi interaksi dua arah vs. satu arah,
- variabel yang diizinkan untuk interaksi dua arah ketika pengguna memilih opsi itu, dan
- bidang URAR untuk menggabungkan penyesuaian yang ditentukan model.
Alur kerja otomatis secara signifikan mempercepat proses penilaian dan meningkatkan akurasi penilaian.
Peningkatan akurasi berasal dari CQA yang lebih akurat ke pemetaan Residual (atau fungsi). Fungsi ini, ditulis dalam C++, menggantikan pembuatan fungsi yang sebelumnya dilakukan melalui Minitab/Salford-Systems MARS.
Saya menggunakan R Studio untuk mengembangkan sistem alur kerja baru dalam skrip R dan C++. R Studio juga digunakan untuk eksekusi, meskipun saya berencana membuat front end di C# untuk mengelola alur kerja. Sistem berisi sekitar 1500 baris untuk kode skrip R dan 500 baris kode C++.
Sistem akan menghasilkan penyesuaian URAR untuk jumlah perbandingan penjualan yang tidak terbatas, menyesuaikan semuanya dalam 0.00001% dari rata-ratanya.
Saya menggunakan variasi Pendekatan Perbandingan Penjualan yang disebut
- Pendekatan Penahanan Nilai Subjektif (SVCA),
- Pendekatan Penahanan Nilai Tak Berwujud (ICVA), atau
- Pendekatan Nilai Kontribusi (CVA)
untuk alur kerja ini. Dari nama-nama tersebut, mungkin Pendekatan Nilai Kontribusi adalah yang paling akurat. Meskipun \"Pendekatan Penahanan Nilai Tidak Berwujud\" menekankan keuntungan nyata dari pendekatan tersebut, yaitu istilah yang jauh lebih tepat untuk memperkirakan Nilai Pasar. Namun, kelemahan dari deskripsi ini adalah bahwa nilai yang ditangkap melalui regresi residual lebih akurat mengandung kontribusi nilai semua variabel yang tidak masuk analisis regresi Tahap I. Lebih khusus lagi, beberapa dari variabel-variabel ini mungkin sebagian berwujud, meskipun tidak dapat diukur karena berbagai alasan. Istilah CVA atau Pendekatan Nilai Kontribusi juga menekankan bahwa perhitungan penyesuaian terjadi sebagai akibat dari: pertama menghitung nilai kontribusi fitur properti, ditambah nilai dasar tipikal.
