残留封じ込めアプローチ（RCA）

査定のための従来の販売比較アプローチのバリエーション

はじめにと概要

Bert Craytor 著、Pacific Vista Net、6 年 2022 月 XNUMX 日
パシフィカ、カリフォルニア州

2020 年と 2021 年に、鑑定士が一般的に採用している現在の方法よりもはるかに高い正確性、客観性、信頼性を約束する販売比較アプローチの新しい方法を導入しました。 主観的価値または無形価値封じ込めアプローチなど、いくつかの異なる名前でこの方法を使用して、IRSおよび貸付目的でサンフランシスコベイエリアの不動産を評価したことに注意してください. 新しい指定は、より意味のあるものにすることを目的としています。 状態、品質、機能的有用性、ビューなどの「無形」または「主観的」属性の代わりに、「未測定」属性という用語を使用する方が正確です。この手法では、回帰残差を通じてすべての未測定属性の値が組み込まれるためです。 . したがって、私は「残留封じ込めアプローチ」が最も簡潔で正しい用語であることを提案します。

この方法は、以下を含むワークフローとして説明できます。

1. 一致したペアまたは通常の回帰手法による調整値の古典的な直接決定ではなく、プロパティの値に追加されるすべての機能の値の寄与の決定に焦点を当てています。 調整値は、対象と比較対象の貢献値の差です。 しかし、調整値自体は安全制約を簡単に回避します。 貢献値は、販売価格に加算する必要があります。 したがって、調整を計算する前に寄与値を計算する方が確実に安全です。
2. 近所や市場エリアから多くの販売に匹敵するものを集める。 これには、町や大都市の特定の地域が含まれる場合があります。 半径 3 マイル以内に滞在するように努める必要がありますが、それはもちろん物件の種類によって異なります。 少なくとも部分的に相互に重複し、主題と重複する可能性が高い機能を持つ、少なくとも 80 以上の比較対象を取得するように努める必要があります。 私の比較対象の平均数は 125 ～ 180 ですが、最大 600 になる可能性があります。有用な販売数を得るには、5 年から 15 年、またはそれ以上遡る必要があるかもしれません。対象プロパティ。 特徴値のまれな組み合わせを持つ被験者は、10 年以上前にさかのぼる必要がある場合があります。 遡及評価もあります。 比較対象物件または対象物件の売却日はいつでも調整できます。 ただし、時間をさかのぼるほど、価格の変化には多くの要因があることを理解してください。 10 年以上前にさかのぼると、その期間に購入者の好みが変わったことに気付く可能性が高く、これにより、販売日と他の機能との間に相互作用が生じます。 その後、双方向の相互作用を使用する必要があり、最終的な回帰モデルの複雑さが増します。
3. 測定された属性と測定されていない属性の分離。 回帰は、測定された属性値に対してのみ実行されます。 測定されていない属性の評価は、残差によって行われます。
4. 多変量適応回帰スプライン (火星）。 これには、R のオープン ソースの「earth」パッケージと「caret」パッケージをお勧めします。 これは、並列処理を使用してオープンソースの R Studio で実行できます。 私は現在、これを AMD Ryzen 9 5950 デスクトップで通常 28 個のコアのうち約 32 個を使用して実行しています。キャレットは、R Studio の 28 個の +/- 個別のインスタンスをスピンオフして、複数のアースの実行を並列処理します。
5. 回帰モデルによって提供される推定値と販売比較対象の実際の販売価格との差に基づく残差モデルの作成。 このモデルは次の XNUMX 点です。

    

   1. たとえば0.00から10.00の残差スコアを残差値にマッピングする関数. この関数は、比較可能な売上を残余価値の最大から最小までランク付けし、特定の値を下回る売上のパーセンテージに基づいてスコアを作成することによって得られます。 関数は、これら XNUMX つの値のセットに対して回帰を実行するか、特定のスコアを値にマップするルックアップ配列を作成するだけで作成できます。 これを行うには、R でプログラムを作成する必要があります。 この関数を使用すると、被験者の推定残余スコアを入力して、その残余価値の推定値を得ることができます。 それが、対象の販売価格を見積もる鍵となります。   注: このステップは R で完全に自動化できます。
      
   2. 比較可能な各売却および対象物件の残余価値の未測定属性への配分。 残差は、測定されていないすべての属性の合計値を示します。 通常、レポートのユーザーは、より意味のあるものを求めます。 残差は、品質、状態、機能的有用性、ビュー、および価値があると思われるその他の測定されていない属性など、さまざまな測定されていない属性に分割する必要があります。 評価者は、Sales Grid に入る比較対象に対してのみこれを行う必要があります。 これを行うには手間と時間がかかるため、これは良いことです。  これは評価の知識を必要とする手動のプロセスであることに注意してください。    最終的な値の結論に関する限り、影響があるのは合計値のみであることに注意してください。 その総残存価額をどのように分割するかは、レポートの読者へのコミュニケーションに影響を与えるだけであり、比較対象の売上高が対象および他の比較対象よりも多かれ少なかれ販売された. このステップで、メソッドの「制約」が明らかになります。 あなたは未測定の属性に価値を割り当てています – 特定の比較可能なもののそのようなすべての残余構成要素の値が対応する残余価値に加算されなければならないという制約の下で. 条件に値を追加する場合は、その値を他の XNUMX つ以上の属性から取り除く必要があります。

      注: この手順を完全に自動化することはできません。 少なくともすぐには、次の 30 年などには。 ただし、このステップでどれだけ良い仕事をしたかは、価値の結論には影響しません。ある物件が別の物件より多かれ少なかれ売れた理由の説明の質だけです。 時間がない場合は、パーセンテージに基づいて未測定の値を推定することで、このプロセスをショートカットできます。 たとえば、残りの 30% を品質に、20% を状態に、20% を機能的有用性に、50% を表示に自動的に割り当てて、例外に基づいて個々の売上 (または件名) を微調整することができます。 ただし、残差が負の値と正の値の両方で構成される可能性があるため、タスクがより複雑になる可能性が高くなります。 たとえば、比較対象の残りが 75 万ドルの場合、おそらく 25 万 XNUMX 千ドルがコンディションに、XNUMX 万 XNUMX 千ドルがビューに割り当てられます。 ここでも、パーセンテージに基づいて初期割り当てを自動化し、標準からの偏差に基づいて割り当てを微調整できます。
      

6. R2 値が非常に高い回帰モデルは、測定されていない属性の値に相関する残差値を提供するという認識。 つまり、測定された属性に基づくモデルによって予想または示された以上の価格で販売されているが、平均的な不動産よりも価値のある未測定の属性を持っている不動産です。
7. 大から小まで残余価値によって比較可能なものをランク付けし、その後、未測定の属性の値に対応します。 ランキングは、たとえば 0.00 ～ 10.00 のパーセンテージ スコアを提供できます。たとえば、6.25 のスコアは、販売比較対象の 62.5% の残余スコアが低いことを示します。 0.0 から 100.0 までのスコアを使用することもできますが、0.00 から 10.00 の方が便利だと思います。
8. 比較可能な残差のランク付けされたリストに対して対象プロパティをランク付けし、測定されていない属性に基づいてどの XNUMX つのプロパティが最適に適合するかを見つけます。 これは、(残差に関して) より良いプロパティとより悪いプロパティの間のどこかのスコアを示します。 大まかな見積もりを使用できます。 次に、このスコアを残差値に逆マッピングし、その値を被験者の残差値として使用できます。
9. 次に、対象物件の推定残存価値が、測定された属性に基づく回帰モデルからの推定値に追加されます。 指示された値に到達する.

たとえば、対象がスコア 6.2 の比較対象とスコア 6.3 の対象の間に適合する可能性があるため、対象にスコア 6.25 を割り当てます。 このスコアから、被験者の対応する残存価値は $120 であることがわかります。 比較対象 1 の残余価値は $80K であるため、差額は +$40K であり、これは比較対象 1 のすべての未測定機能の合計調整額です。このうち、条件に 20 万ドル、表示に 10 万ドル、機能に 10 万ドルを割り当てます。効用。 この場合、比較可能な 1 は、測定されていない属性に関して、サブジェクトよりも劣っていることに注意してください。

上記のワークフローの出力を取得して販売グリッドに配置すると、各属性調整が次のように計算されます。   

              属性調整 = 被験者の属性値への貢献 – 売上比較価値への貢献、

すべての未測定属性の合計調整値が単一の残差調整の下になることを除いて、すべての調整を取得します。 ただし、調整を計算する前に、さまざまな未測定の属性間で残存寄与値をバックアップして最初に分割することができます。 残りの調整を分割する方法は、個々の値が比較可能な各販売の残りの合計に加算される限り、最終的な値の結果 (つまり、すべての調整済み販売価格の平均) に影響しません。 近道として、残りの調整を売上の比較可能な未測定の属性に分割することもできますが、そのようなエラーは調整された販売価格に影響を与えませんが、調整が多少オフベースになる可能性があります。

最終結果は、すべての販売比較対象がまったく同じ調整済み販売価格を持つことになります。 これらの値を平均すると、上記の手順 8 で取得した値と同じになります。  

販売グリッドを破棄して、上記のステップ 8 で取得した値を使用しないのはなぜですか? 一番の理由は、セールス グリッドが、ユーザーが確認できる価値の結論に対して根拠のあるサポートを提供することです。 これは、個々の販売比較物件が、対象物件の価値の結論よりも低いまたは高い価格で販売された理由を説明します。

質疑応答

1. 質問: 残存価値による販売比較対象のランキングが、測定されていないさまざまな属性の価値への貢献に対応することをどのように知ることができますか?

   回答: これは、測定された属性の回帰モデルがどの程度良好であるかによって異なります。 2 ～ 70%+ という高い R80 値により、比較対象間の値の偏差の 70 ～ 80% が、測定された属性の回帰モデルによって説明されることが保証されます。 20 ～ 30% は、測定されていない属性とエラーが原因である必要があります。 エラーは、比較対象とその特徴に対してランダムであると想定されます。 回帰はこれらの機能の影響を平均化しているため、回帰モデルに対するエラーの影響は、測定された属性に関して公平である可能性があります。

   したがって、この方法の有効性は、多変量適応回帰スプライン (MARS) などの非常に正確で洗練された回帰手法の使用に依存することを理解する必要があります。 この目的のための無料のオープンソース ソフトウェア パッケージとして、R/earth をお勧めします。

   また、高度で正確な回帰方法を使用するだけでは、結果の品質が保証されないことにも注意してください。 MARS 回帰を使用するには、かなりの経験、知識、およびスキルが必要です。 R2 が高くても、オーバーフィッティングの結果である可能性があるため、品質を保証するものではありません。 各モデルは、オーバーフィッティングと、それが現実世界で意味があるかどうかを確認する必要があります。

2. 質問: 上記の QA は、この方法は自動化が難しいということですか?

   回答: 上記のワークフローには、一貫性のある非常に正確な方法で実行する必要がある多数の小さなステップが含まれるため、自動化が絶対に必要です。 

   ただし、回帰モデルの構築は芸術であり、使用する回帰ツールの知識だけでなく、評価に関する十分な知識と経験も必要です。 ただし、自動化はここまでしか進みません。 MARS によって除外されたすべてのモデルまたは一連の価値方程式は、何を探すべきかを知っているアナリスト/評価者によってレビューされる必要があります。 正確な評価結果を提供する適切なモデルを見つけるために、パラメータを MARS に変更し、データを修正または変更することによって、多くのモデルが生成およびレビューされる可能性があります。

   将来的には完全に自動化されたシステムを設計できるようになるはずですが、それはまだ先の話です。 結果として、この方法は評価の正確性と客観性を約束しますが、より多くの時間がかかり、より多くのスキルを必要とします。

3. 質問: この方法は、評価者バイアスに対してどの程度堅牢ですか?

   回答: この方法では、実際には、バイアスが導入される可能性のある場所が 2 つしかなく、それは、販売比較対象の残差ランキングにおける対象物件の配置です。 モデルがオーバーフィットしておらず、データが適度に正確で、R70 値が約 10% 以上の場合、配置の偏りは明らかです。 90% から XNUMX% の間の平均に近い広いランキング領域では、配置はより困難です。この領域では、残余価値とスコアの曲線は通常、それほど急勾配ではありません。 残りのランキングのこの部分の配置エラーは、通常、値にそれほど影響を与えません。 ただし、残余曲線は、下限と上限の両方で急勾配になる傾向があり、下限と上限の残価特性があります。 スペクトルのこの部分では、品質やその他の測定されていない属性の違いが非常に大きいため、ランク付けされたリストで対象を低すぎたり高すぎたりすることは明らかです. いずれにせよ、レビュアーはバイアスの兆候をどこで探すべきかを知っています。 干し草の山から針を見つけようとする問題ではありません。 疑問が生じた場合、次のステップは、回帰モデルのグラフと方程式を確認することです。

4. 質問: 「品質、状態、場所/ビューなどの主観的なパラメーターは、どのようにシステムに入力されますか? また、それらが手動で入力されていない場合、これらの要素の入力を自動化するのに十分な粒度/深さで、今日の MLS システムにデータが存在しますか? （御影石 vs コーリアン vs ラミネート カウンタートップ、または 10 フィート vs 8 フィートの天井のように）。」 (AppraisersForum.com より)

   回答: あなたが言及したこれらの機能は、単に「測定されていない」機能です。 それらに対する対策はありません。 少なくとも有用であるには十分ではありません。 もしそうなら、GLA、ロットサイズ、部屋数などと一緒にそれらを回帰に入力するだけです.

   したがって、測定されたすべての機能を回帰に入力し、これらの入力に基づいて販売価格を推定するモデルを開始します。 もちろん、モデルは完璧ではありません。 せいぜい、価格変動の約 80% を占める可能性があります。 それは「残余」と呼ばれる約 20% を残します。 (このコンテキストでの「残余」とは、「比較可能な販売価格」-「回帰推定販売価格」です!!) その 20% は、すべての未測定値をひとまとめにした値と、誤ったデータによる誤差を加えた値です。 ただし、その残差のほとんどは、回帰に含まれなかった属性、主に状態、品質、およびビューになります。

   さて、これが重要なポイントです。測定されていない各機能を個別に評価する必要はありません。結局のところ、被験者の価値の結論を得るには、それらの合計値のみが必要だからです。 ただし、異なる未測定の属性間で残差を分割して、特定の販売比較対象と対象および他の比較可能対象の間で販売価格が異なる理由の説明を完成させることができます。 どのように分割するかは、調整された販売価格に影響を与えることはなく、転送 (平均化による) によって対象の指定された値に影響を与えます。 調整後の販売価格はすべてまったく同じになるため、重み付けは何の役にも立ちません。 残差を使用して測定されていない属性を処理するという全体の問題は、それ自体が主題です。 過度に心配する必要はありません。価値には影響しないため、与えられた価値の結論、つまり、ある物件が別の物件より多かれ少なかれ売却された理由を正確に説明する能力にのみ影響します。 .

   120 番目の重要な点があります。たとえば、2 の販売比較対象について回帰を行うとします。 次に、方向を変えて、測定された属性に基づいて見積もりを作成し、比較対象の販売価格とそれらの見積もりから、残差を作成します。 次に、残差に基づいて比較対象を最大から最小にランク付けします。 R70 が XNUMX% 以上の適切な回帰があり、オーバーフィッティングを回避している場合、ほぼ確実に、比較対象のランキングによって、状態、品質、ビューの比較対象がより優れていることがリストの一番上に表示されることがわかります。予想以上に売れた。 したがって、そのランキングを使用して、これらの未測定の属性に関して比較対象をスコアリングできます。 スコアを残差にマッピングして、「残差モデル」を取得できます。 残差モデルでは、そのようなスコアを入力すると、推定残差が得られます。 したがって、対象のプロパティを取得して、ランキングのどこに最も適しているかを見つけます。 そのスコアは、その間に収まる XNUMX つの最良のプロパティの平均です。 スコアから残差を取得します。 被験者の推定残差を回帰推定に追加して、推定販売価格を取得します。 …または、対象の残差から比較可能な各残差をわざわざ差し引いて残差調整を取得し、すべての調整済み販売価格を計算します—それらはすべて同じになります—そしてそれらは対象の前述の推定販売価格と正確に等しくなります.

   注: 比較対象が残差でランク付けされていて、大きな残差が測定されていない属性とうまく関連していない場合は、回帰の R2 が低いか、過適合であると確信できます。 このため、MARS などの高品質の回帰手法を使用し、自分が何をしているかを知ることが不可欠です。

   最後に: あなたの質問に対する簡単な答えは、この方法は主観的変数に対してかなり正確な尺度を提供するということです。 – しかし、それは価値のある結論に到達するのに十分です.