Pendekatan Penahanan Residu (RCA)

Variasi Pendekatan Perbandingan Penjualan Tradisional untuk Penilaian

Pendahuluan dan Ikhtisar

oleh Bert Craytor, Pacific Vista Net, 6 Agustus 2022
Pacifica, CA

Saya memperkenalkan metode baru untuk pendekatan perbandingan penjualan pada tahun 2020 dan 2021 yang menjanjikan akurasi, objektivitas, dan keandalan yang jauh lebih tinggi daripada metode saat ini yang biasa digunakan oleh penilai. Perhatikan bahwa saya telah menggunakan metode di bawah beberapa nama yang berbeda, seperti Nilai Subjektif atau Pendekatan Penahanan Nilai Tak Berwujud untuk menilai properti di San Francisco Bay Area untuk tujuan IRS dan Pinjaman. Penunjukan baru ini dimaksudkan agar lebih bermakna. Alih-alih atribut "intangible" atau "subyektif" untuk kondisi, kualitas, utilitas fungsional, tampilan, dan sejenisnya, lebih tepat menggunakan istilah atribut "tidak terukur", karena teknik ini menggabungkan nilai semua atribut yang tidak terukur melalui residual regresi . Oleh karena itu, saya menyarankan bahwa “Pendekatan Residual Containment” adalah istilah yang paling ringkas dan tepat.

Metode ini dapat digambarkan sebagai alur kerja yang meliputi:

1. Berfokus pada penentuan kontribusi nilai dari semua fitur yang menambah nilai properti, daripada penentuan langsung klasik dari nilai penyesuaian melalui pasangan yang cocok atau teknik regresi normal. Nilai penyesuaian hanyalah perbedaan antara nilai kontribusi subjek dan yang sebanding. Namun nilai penyesuaian itu sendiri dengan mudah melewati batasan keamanan. Nilai kontribusi harus ditambahkan ke harga jual. Oleh karena itu, tentu lebih aman untuk menghitung nilai kontribusi sebelum menghitung penyesuaian.
2. Mengumpulkan banyak penjualan yang sebanding dari lingkungan atau area pasar. Ini mungkin termasuk kota atau area berbeda dari kota yang lebih besar. Anda harus mencoba untuk tetap berada dalam radius 3 mil, tetapi itu tentu saja tergantung pada jenis propertinya. Anda harus mencoba untuk mendapatkan setidaknya 80 atau lebih pembanding yang memiliki fitur yang kemungkinan setidaknya sebagian tumpang tindih satu sama lain dan subjek. Jumlah rata-rata pembanding saya adalah 125-180 tetapi dapat mencapai 600. Anda mungkin juga harus kembali 5 hingga 15 tahun atau lebih untuk mendapatkan jumlah penjualan yang berguna dan memastikan Anda memiliki contoh fitur yang baik yang Anda temukan di properti subjek. Subjek dengan kombinasi nilai fitur yang langka mungkin perlu kembali ke masa lalu 10 tahun atau lebih. Ada juga penilaian retrospektif. Tanggal penjualan untuk properti yang sebanding atau subjek selalu dapat disesuaikan. Namun, pahamilah bahwa semakin jauh ke masa lalu, semakin banyak faktor yang menyebabkan perubahan harga. Jika Anda kembali lebih dari 10 tahun, kemungkinan besar Anda akan menemukan bahwa selera pembeli telah berubah dalam periode tersebut, yang menciptakan interaksi antara tanggal penjualan dan fitur lainnya. Anda kemudian perlu menggunakan interaksi dua arah, yang meningkatkan kompleksitas model regresi akhir.
3. Pemisahan atribut terukur dan tak terukur. Regresi dijalankan hanya pada nilai atribut yang diukur. Penilaian atribut yang tidak terukur dilakukan melalui residual.
4. Konstruksi model regresi berdasarkan nilai atribut terukur seperti GLA, ukuran lot, tanggal penjualan, lantai, jumlah kamar, koordinat GIS, dan usia (aktual atau efektif), menggunakan teknik regresi yang sangat akurat seperti spline regresi adaptif multivariat ( MARS). Untuk ini, paket "bumi" open source dari R direkomendasikan bersama dengan paket "caret". Ini dapat dijalankan di R Studio open-source dengan pemrosesan paralel. Saat ini saya menjalankan ini pada desktop AMD Ryzen 9 5950 yang biasanya menggunakan sekitar 28 dari 32 core, di mana caret melepaskan 28 +/- instance terpisah dari R Studio untuk pemrosesan paralel dari beberapa run of earth.
5. Pembuatan model residual berdasarkan perbedaan antara perkiraan yang diberikan oleh model regresi dan harga jual aktual dari penjualan yang sebanding. Model ini adalah dua hal:

    

   1. Sebuah fungsi yang memetakan skor residu katakanlah 0.00 hingga 10.00 ke nilai residu. Anda mendapatkan fungsi ini dengan memberi peringkat pada perbandingan penjualan berdasarkan nilai sisa dari yang terbesar hingga yang terkecil, kemudian membuat skor berdasarkan persentase penjualan yang kurang dari nilai yang diberikan. Fungsi dapat dibuat dengan menjalankan regresi pada dua kumpulan nilai ini atau cukup membuat larik pencarian yang memetakan skor tertentu ke suatu nilai. Anda perlu menulis program dalam R untuk melakukan ini. Dengan menggunakan fungsi ini, Anda kemudian dapat memasukkan perkiraan skor residu subjek untuk mendapatkan perkiraan nilai residunya. Itulah kunci untuk memperkirakan harga jual subjek.   Catatan: Langkah ini dapat sepenuhnya otomatis di R.
      
   2. Alokasi nilai sisa untuk setiap penjualan yang sebanding dan properti subjek ke atribut yang tidak diukur. Residual memberikan nilai total dari semua atribut yang tidak terukur. Biasanya, pengguna laporan akan menginginkan sesuatu yang lebih bermakna. Residu perlu dipisahkan antara berbagai atribut yang tidak terukur, seperti Kualitas, Kondisi, Utilitas Fungsional, Tampilan, dan atribut tak terukur lainnya yang menurut Anda berharga. Penilai hanya perlu melakukan ini untuk pembanding yang masuk ke Kotak Penjualan. Itu adalah hal yang baik karena dibutuhkan beberapa pekerjaan dan waktu untuk melakukan ini.  Perhatikan bahwa ini adalah proses manual yang membutuhkan pengetahuan tentang penilaian.    Perlu diingat, bahwa sejauh menyangkut kesimpulan nilai akhir, hanya nilai total yang berdampak. Bagaimana Anda membagi nilai sisa total itu hanya berdampak pada komunikasi Anda kepada pembaca laporan tentang whey penjualan yang sebanding dijual lebih atau kurang dari subjek dan pembanding lainnya. Langkah ini adalah di mana "kendala" dari metode memasuki gambar. Anda menetapkan nilai ke atribut yang tidak terukur, – di bawah batasan bahwa semua nilai komponen residual tersebut untuk perbandingan tertentu harus dijumlahkan dengan nilai residu yang sesuai. Jika Anda ingin menambahkan nilai ekstra untuk Kondisi, maka Anda harus mengambil nilai tersebut dari satu atau lebih atribut lainnya.

      Catatan: Langkah ini tidak dapat sepenuhnya otomatis. Setidaknya tidak dalam waktu dekat, – seperti dalam dekade berikutnya. Namun, seberapa bagus pekerjaan yang Anda lakukan dalam langkah ini tidak akan memengaruhi kesimpulan nilai – hanya kualitas penjelasan Anda tentang mengapa satu properti dijual lebih atau kurang dari yang lain. Anda dapat mempersingkat proses ini dengan memperkirakan nilai yang tidak terukur berdasarkan persentase jika Anda kekurangan waktu. Misalnya, Anda dapat secara otomatis menetapkan 30% dari sisa untuk Kualitas, 30% untuk Kondisi, 20% untuk Utilitas Fungsional, dan 20% untuk Lihat dan kemudian mengubah penjualan individu (atau subjek) berdasarkan pengecualian. Lebih mungkin, bagaimanapun, Anda akan menemukan tugas yang lebih rumit karena residu dapat terdiri dari nilai negatif dan positif. Misalnya, jika sisa untuk yang sebanding adalah $50K, maka mungkin $75K masuk ke Condition, dan – $25K masuk ke View. Sekali lagi, Anda dapat mengotomatiskan alokasi awal berdasarkan persentase dan kemudian mengubah alokasi berdasarkan penyimpangan dari norma.
      

6. Pengakuan bahwa model regresi dengan nilai R2 yang tinggi secara signifikan akan memberikan nilai residual yang berkorelasi dengan nilai atribut yang tidak terukur. Artinya, properti yang dijual lebih dari yang diharapkan atau ditunjukkan oleh model berdasarkan atribut terukur, tetapi memiliki atribut tak terukur yang lebih berharga daripada properti rata-rata.
7. Pemeringkatan sebanding dengan nilai sisa dari besar ke kecil, kemudian sesuai dengan nilai atribut yang tidak terukur. Pemeringkatan dapat memberikan skor persentase, misalnya, 0.00 hingga 10.00, di mana misalnya skor 6.25 akan menunjukkan bahwa 62.5% dari penjualan yang sebanding memiliki skor residu yang lebih rendah. Anda dapat menggunakan skor dari 0.0 hingga 100.0, tetapi menurut saya 0.00 hingga 10.00 lebih nyaman.
8. Memberi peringkat properti subjek terhadap daftar peringkat residu yang sebanding, untuk menemukan dua properti mana yang paling cocok di antara keduanya berdasarkan atribut yang tidak diukur. Ini kemudian akan menunjukkan skor di suatu tempat antara properti yang lebih baik dan lebih rendah (dalam hal residual). Perkiraan kasar dapat digunakan. Skor ini kemudian dapat dipetakan kembali ke nilai sisa dan nilai tersebut kemudian digunakan sebagai nilai sisa subjek.
9. Estimasi nilai residu untuk properti subjek kemudian ditambahkan ke estimasi dari model regresi berdasarkan atribut yang diukur untuk sampai pada nilai yang ditunjukkan.

Misalnya, subjek mungkin cocok antara yang sebanding dengan skor 6.2 dan satu dengan skor 6.3, jadi Anda menetapkan skor 6.25 untuk subjek. Dari skor ini, Anda menemukan nilai sisa yang sesuai untuk subjek adalah $120K. Sebanding 1 memiliki nilai sisa $80K, jadi perbedaannya adalah +$40K yang merupakan penyesuaian total Anda untuk semua fitur yang tidak terukur di Sebanding 1. Dari jumlah ini, Anda mengalokasikan $20K ke Condition, $10K ke View, dan $10K ke Functional Kegunaan. Dan perhatikan bahwa dalam hal ini Sebanding 1 lebih rendah daripada Subjek, sehubungan dengan atribut yang tidak diukur.

Jika kita mengambil output dari alur kerja di atas dan menempatkannya di kisi penjualan, hitung setiap penyesuaian atribut sebagai:   

              Penyesuaian Atribut = Kontribusi Nilai Atribut Subjek – Kontribusi Nilai Sebanding Penjualan,

kita akan mendapatkan semua penyesuaian, kecuali bahwa nilai penyesuaian total untuk semua atribut yang tidak diukur akan berada di bawah satu penyesuaian residual. Namun, kita dapat mencadangkan dan terlebih dahulu membagi nilai kontribusi residual di antara berbagai atribut yang tidak terukur sebelum menghitung penyesuaian. Bagaimana kita membagi penyesuaian residual tidak akan mempengaruhi hasil nilai akhir (atau dengan kata lain rata-rata dari semua Harga Jual yang Disesuaikan), selama nilai individual masih menjumlahkan total sisa untuk setiap penjualan yang sebanding. Sebagai jalan pintas, kami juga dapat membagi penyesuaian residual antara penjualan yang sebanding dengan atribut yang tidak terukur, meskipun penyesuaian itu berisiko yang mungkin agak tidak wajar, meskipun kesalahan tersebut tidak akan memengaruhi harga jual yang disesuaikan.

Hasil akhirnya adalah bahwa semua pembanding penjualan akan memiliki harga penjualan yang disesuaikan persis sama. Dan jika kita rata-ratakan nilai-nilai itu, kita akan memiliki nilai yang sama seperti yang diperoleh pada langkah 8 di atas.  

Orang mungkin bertanya – Mengapa tidak membuang saja kisi penjualan dan menggunakan nilai yang diperoleh dari langkah 8 di atas? Alasan terbaik adalah bahwa kisi penjualan memberikan dukungan dasar untuk kesimpulan nilai yang dapat ditinjau pengguna. Ini memberikan alasan mengapa penjualan individu sebanding dijual kurang atau lebih dari kesimpulan nilai untuk properti subjek.

Tanya-Jawab

1. Pertanyaan: Bagaimana kita tahu bahwa peringkat penjualan yang sebanding dengan nilai sisa akan sesuai dengan kontribusi nilai dari berbagai atribut yang tidak terukur?

   Menjawab: Hal ini tergantung pada seberapa baik model regresi untuk atribut yang diukur. Nilai R2 yang tinggi sebesar 70-80%+ memastikan bahwa 70-80% penyimpangan nilai antara yang sebanding diperhitungkan oleh model regresi atribut yang diukur. 20-30% harus karena kebutuhan karena atribut dan kesalahan yang tidak terukur. Kesalahan diasumsikan acak atas pembanding dan fitur-fiturnya. Karena regresi merata-ratakan dampak fitur-fitur ini, dampak kesalahan pada model regresi kemungkinan besar tidak bias sehubungan dengan atribut yang diukur.

   Oleh karena itu harus dipahami bahwa efektivitas metode ini bergantung pada penggunaan teknik regresi yang sangat akurat dan halus seperti splines regresi adaptif multivariat (MARS). R/earth direkomendasikan sebagai paket perangkat lunak sumber terbuka gratis untuk tujuan ini.

   Perhatikan juga, bahwa hanya menggunakan metode regresi yang canggih dan akurat tidak menjamin kualitas hasilnya. Menggunakan regresi MARS membutuhkan banyak pengalaman, pengetahuan, dan keterampilan. Bahkan R2 yang tinggi bukanlah jaminan kualitas, karena bisa jadi akibat overfitting. Setiap model harus ditinjau untuk overfitting dan apakah masuk akal dalam istilah dunia nyata.

2. Pertanyaan: Apakah QA di atas berarti metode ini akan sulit untuk diotomatisasi?

   Menjawab: Otomatisasi mutlak diperlukan karena alur kerja di atas melibatkan sejumlah langkah kecil yang harus dilakukan secara konsisten dan sangat akurat. 

   Namun, konstruksi model regresi adalah seni, yang tidak hanya membutuhkan pengetahuan tentang alat regresi yang digunakan, tetapi juga pengetahuan dan pengalaman yang baik dalam penilaian. Namun, otomatisasi hanya berjalan sejauh ini. Setiap model atau set persamaan nilai yang dikeluarkan oleh MARS harus ditinjau oleh analis/penilai yang tahu apa yang harus dicari. Banyak model kemungkinan akan dihasilkan dan ditinjau dengan mengubah parameter ke MARS dan kemudian mengoreksi atau memodifikasi data untuk menemukan model yang sesuai yang akan memberikan hasil penilaian yang akurat.

   Meskipun mungkin untuk merancang sistem yang sepenuhnya otomatis di masa depan, kemungkinan itu masih jauh. Akibatnya metode ini, selain menjanjikan akurasi dan objektivitas yang lebih tinggi dalam penilaian, juga lebih memakan waktu dan membutuhkan lebih banyak keterampilan.

3. Pertanyaan: Seberapa kuat metode ini terhadap bias penilai?

   Menjawab: Metode ini benar-benar hanya memiliki satu tempat di mana bias dapat diperkenalkan dan itu adalah penempatan properti subjek di peringkat sisa dari perbandingan penjualan. Jika model tidak overfitted, data cukup akurat, dan nilai R2 sekitar 70% atau lebih tinggi, maka bias dalam penempatan kemungkinan akan terlihat jelas. Penempatan lebih sulit di area peringkat yang luas di sekitar rata-rata, antara 10% dan 90% – di mana nilai sisa vs kurva skor biasanya tidak terlalu curam. Kesalahan penempatan di bagian peringkat residual ini biasanya tidak terlalu memengaruhi nilai. Namun, kurva residu cenderung curam baik pada ujung rendah maupun ujung atas, sifat nilai residu yang lebih rendah dan lebih tinggi. Di bagian spektrum ini, perbedaan kualitas dan atribut tak terukur lainnya begitu besar sehingga menempatkan subjek terlalu rendah atau terlalu tinggi dalam daftar peringkat harus terlihat jelas. Bagaimanapun, peninjau tahu di mana mencari tanda-tanda bias. Ini tidak akan menjadi pertanyaan tentang mencoba menemukan jarum di tumpukan jerami. Jika pertanyaan muncul, langkah selanjutnya adalah meninjau grafik dan persamaan model regresi.

4. Pertanyaan: “Bagaimana parameter subjektif, seperti kualitas, kondisi, dan lokasi/tampilan masuk ke dalam sistem? Dan jika tidak dimasukkan secara manual, apakah data ada di sistem MLS saat ini dengan perincian/kedalaman yang cukup untuk mengotomatiskan input dari faktor-faktor ini? (Seperti granit vs Corian vs meja laminasi, atau langit-langit 10′ vs 8′). (Dari AppraisersForum.com)

   Menjawab: Fitur-fitur yang Anda sebutkan ini hanyalah fitur-fitur yang “tidak terukur”. Kami tidak memiliki tindakan untuk mereka. Setidaknya tidak cukup baik untuk berguna. Jika ya, kita cukup memasukkannya ke dalam regresi bersama dengan GLA, Ukuran Lot, Jumlah Kamar, dan sebagainya.

   Jadi, yang kami lakukan adalah memasukkan semua fitur yang diukur ke dalam regresi dan memulai model yang memperkirakan harga jual berdasarkan input ini. Tentu saja, modelnya tidak sempurna. Paling-paling, itu mungkin menyumbang sekitar 80% dari varian harga. Itu menyisakan sekitar 20%, yang disebut "sisa". ("Residual" dalam konteks ini adalah "harga jual yang sebanding" - "regresi harga jual perkiraan" !!) 20% itu adalah nilai dari semua nilai yang tidak terukur digabungkan bersama ditambah kesalahan dari data yang salah. Namun, sebagian besar dari sisa itu adalah untuk atribut yang tidak masuk ke dalam regresi, sebagian besar kondisi, kualitas, dan tampilan.

   Sekarang, inilah titik kritisnya: Kita sebenarnya tidak perlu menilai setiap fitur yang tidak terukur itu secara terpisah, karena ternyata, kita hanya membutuhkan nilai totalnya untuk mendapatkan kesimpulan nilai untuk subjeknya. Namun Anda dapat membagi sisa antara atribut tak terukur yang berbeda untuk melengkapi penjelasan Anda tentang mengapa harga jual berbeda antara perbandingan penjualan tertentu dan subjek dan pembanding lainnya. Bagaimana Anda melakukan pemisahan tidak berdampak pada harga jual yang disesuaikan dan, dengan mentransfer (melalui rata-rata) nilai yang ditunjukkan untuk subjek. Karena semua harga jual yang disesuaikan akan sama persis, pembobotan tidak akan berguna. Seluruh masalah berurusan dengan atribut yang tidak terukur menggunakan residu adalah subjek itu sendiri. Anda tidak perlu terlalu mengkhawatirkannya – karena hal itu tidak berdampak pada nilai, hanya pada dukungan Anda untuk kesimpulan nilai yang diberikan, artinya, kemampuan Anda untuk menjelaskan dengan tepat mengapa beberapa properti dijual dengan harga lebih atau kurang dari yang lain .

   Ada titik kritis kedua: Katakanlah Anda melakukan regresi pada 120 perbandingan penjualan. kemudian Anda berbalik dan membuat perkiraan berdasarkan atribut yang diukur, dan dari harga jual yang sebanding dan perkiraan tersebut, residunya. Kemudian Anda memberi peringkat pada yang sebanding berdasarkan residunya, terbesar hingga terkecil. Jika Anda memiliki regresi yang layak dengan R2 70% atau lebih tinggi, menghindari overfitting, maka Anda hampir pasti akan menemukan bahwa peringkat yang sebanding akan menempatkan kondisi, kualitas, dan tampilan yang sebanding di bagian atas daftar —- karena mereka dijual lebih dari yang diharapkan. Jadi Anda dapat menggunakan peringkat itu untuk menilai perbandingan dalam hal atribut yang tidak terukur tersebut. Anda dapat memetakan skor ke residual untuk mendapatkan "model residual". Dengan model residual, Anda dapat memasukkan skor seperti itu dan kemudian akan memberi Anda perkiraan sisa. Jadi, Anda mengambil properti subjek dan menemukan mana yang paling cocok dalam peringkat. Skornya adalah rata-rata dari dua properti terbaik yang cocok di antara keduanya. Dari skor, dapatkan sisa. Tambahkan estimasi residual subjek ke estimasi regresi untuk mendapatkan estimasi harga jual. … Atau bersusah payah untuk mengurangi setiap residu yang sebanding dari residu subjek untuk mendapatkan penyesuaian residu, hitung semua harga jual yang disesuaikan — semuanya akan sama — dan semuanya akan sama persis dengan perkiraan harga jual subjek yang disebutkan di atas.

   Catatan: Jika pembanding diurutkan berdasarkan residual tetapi Anda tidak melihat bahwa residual yang lebih besar berhubungan sangat baik dengan atribut yang tidak diukur — maka Anda dapat yakin bahwa regresi Anda memiliki R2 rendah atau overfitted. Ini membuatnya penting untuk menggunakan teknik regresi berkualitas tinggi seperti MARS – dan untuk mengetahui apa yang Anda lakukan.

   Akhirnya: Jawaban singkat untuk pertanyaan Anda adalah bahwa metode ini memberikan ukuran yang cukup tepat untuk variabel subjektif Anda — hanya saja ini adalah nilai untuk SEMUA variabel tersebut. – Tapi itu cukup baik untuk sampai pada kesimpulan nilai.