잔류물 억제 접근(RCA)

평가를 위한 전통적인 판매 비교 접근 방식의 변형

소개 및 개요

Bert Craytor, Pacific Vista Net, 6년 2022월 XNUMX일
캘리포니아 주 퍼시피카

저는 2020년과 2021년에 판매 비교 접근 방식을 위한 새로운 방법을 도입했습니다. 이 방법은 평가자가 일반적으로 사용하는 현재 방법보다 훨씬 더 높은 정확도, 객관성 및 신뢰성을 약속합니다. IRS 및 대출 목적으로 샌프란시스코 만 지역의 부동산을 평가하기 위해 주관적 가치 또는 무형 가치 억제 접근법과 같은 여러 다른 이름으로 이 방법을 사용했습니다. 새로운 명칭은 더 의미가 있습니다. 상태, 품질, 기능적 유용성, 보기 등에 대한 "무형" 또는 "주관적" 속성 대신 "미측정" 속성이라는 용어를 사용하는 것이 더 정확합니다. 이 기술은 회귀 잔차를 통해 측정되지 않은 모든 속성의 값을 통합하기 때문입니다. . 따라서 나는 "잔류물 봉쇄 접근"이 가장 간결하고 정확한 용어라고 제안합니다.

이 방법은 다음을 포함하는 워크플로로 설명할 수 있습니다.

1. 일치 쌍 또는 일반 회귀 기술을 통한 조정 값의 고전적인 직접 결정보다는 속성의 가치에 추가되는 모든 기능의 가치 기여도 결정에 중점을 둡니다. 조정 값은 단순히 주제와 비교 ​​대상의 기여도 값 간의 차이입니다. 그러나 조정 값 자체는 쉽게 안전 제약을 우회합니다. 기부 금액은 판매 가격에 합산되어야 합니다. 따라서 조정을 계산하기 전에 기여 값을 계산하는 것이 확실히 더 안전합니다.
2. 이웃 또는 시장 지역에서 많은 판매 비교를 수집합니다. 여기에는 도시 또는 더 큰 도시의 고유한 영역이 포함될 수 있습니다. 반경 3마일 이내에 머물도록 노력해야 하지만 이는 물론 속성 유형에 따라 다릅니다. 적어도 부분적으로 서로 및 주제와 겹칠 가능성이 있는 기능이 있는 비교 대상을 80개 이상 얻으려고 노력해야 합니다. 제 평균 비교 대상 수는 125-180개이지만 최대 600개까지 올라갈 수 있습니다. 또한 유용한 판매 수를 얻고 다음에서 찾을 수 있는 기능의 좋은 샘플을 확보하려면 5년에서 15년 이상으로 돌아가야 할 수도 있습니다. 대상 속성. 특성 값의 드문 조합을 가진 주제는 10년 이상 시간을 거슬러 올라가야 할 수 있습니다. 회고적 평가도 있다. 비교 대상 또는 대상 자산의 판매 날짜는 항상 조정할 수 있습니다. 그러나 시간을 거슬러 올라갈수록 가격 변동에 더 많은 요인이 있음을 이해하십시오. 10년 이상 이전으로 돌아가면 해당 기간 동안 구매자 취향이 변경되어 판매 날짜와 다른 기능 간에 상호 작용이 생성되었음을 발견할 수 있습니다. 그런 다음 최종 회귀 모델의 복잡성을 증가시키는 양방향 상호 작용을 사용해야 합니다.
3. 측정된 속성과 측정되지 않은 속성의 분리. 회귀는 측정된 속성 값에서만 실행됩니다. 측정되지 않은 속성의 평가는 잔차를 통해 수행됩니다.
4. 다변량 적응 회귀 스플라인(Multivariate Adaptive Regression Spline)과 같은 매우 정확한 회귀 기법을 사용하여 GLA, 부지 크기, 판매 날짜, 층수, 객실 수, GIS 좌표 및 연령(실제 또는 유효)과 같은 측정된 속성 값을 기반으로 회귀 모델을 구성합니다. 화성). 이를 위해 "caret" 패키지와 함께 R의 오픈 소스 "earth" 패키지를 권장합니다. 이것은 병렬 처리를 통해 오픈 소스 R Studio에서 실행할 수 있습니다. 저는 현재 일반적으로 9개 코어 중 약 5950개를 사용하는 AMD Ryzen 28 32 데스크탑에서 이것을 실행하고 있습니다. 여기에서 캐럿은 여러 지구 실행의 병렬 처리를 위해 R Studio의 28개 +/- 개별 인스턴스를 스핀오프합니다.
5. 회귀 모델에서 제공한 추정치와 비교 가능한 판매 가격의 실제 판매 가격 간의 차이를 기반으로 잔차 모델을 생성합니다. 이 모델은 두 가지입니다.

    

   1. 0.00에서 10.00까지의 잔차 점수를 잔차 값에 매핑하는 함수. 잔존 가치를 기준으로 비교 가능한 판매 순위를 가장 큰 것부터 작은 것까지 나열한 다음, 주어진 값보다 적은 판매 비율을 기준으로 점수를 만들어 이 기능을 얻습니다. 이 두 값 집합에 대해 회귀를 실행하거나 특정 점수를 값에 매핑하는 조회 배열을 간단히 만들어 함수를 만들 수 있습니다. 이를 수행하려면 R로 프로그램을 작성해야 합니다. 이 기능을 사용하면 대상의 예상 잔차 점수를 입력하여 잔존 가치를 추정할 수 있습니다. 그것이 대상의 판매 가격을 추정하는 열쇠입니다.   참고: 이 단계는 R에서 완전히 자동화될 수 있습니다.
      
   2. 비교 가능한 각 판매에 대한 잔여 가치와 대상 자산을 측정되지 않은 속성에 할당합니다. 잔차는 측정되지 않은 모든 속성의 총 값을 제공합니다. 일반적으로 보고서 사용자는 더 의미 있는 것을 원할 것입니다. 잔차는 품질, 상태, 기능적 유용성, 보기와 같은 다양한 측정되지 않은 속성과 가치 있다고 생각하는 기타 측정되지 않은 속성 간에 분할되어야 합니다. 평가자는 Sales Grid에 들어가는 비교 대상에 대해서만 이 작업을 수행하면 됩니다. 이 작업을 수행하는 데 약간의 작업과 시간이 필요하기 때문에 이는 좋은 일입니다.  이것은 평가에 대한 지식이 필요한 수동 프로세스입니다.    최종 가치 결론에 관한 한 영향을 미치는 것은 총 가치뿐임을 명심하십시오. 총 잔존 가치를 분할하는 방법은 비교 대상 판매가 대상 및 기타 비교 대상보다 많거나 적은 유청에 대해 보고서 독자에게 전달하는 데만 영향을 미칩니다. 이 단계는 방법의 "제약"이 그림에 들어가는 곳입니다. 측정되지 않은 속성에 값을 할당하고 있습니다. 특정 비교 대상에 대한 이러한 모든 잔여 구성 요소 값은 해당 잔여 값에 합산되어야 한다는 제약 조건 하에서입니다. Condition에 대한 추가 값을 추가하려면 하나 이상의 다른 속성에서 해당 값을 가져와야 합니다.

      참고: 이 단계는 완전히 자동화할 수 없습니다. 적어도 빠른 시일 내에, 예를 들어 다음 30년처럼 말입니다. 그러나 이 단계에서 당신이 얼마나 좋은 일을 하느냐는 가치 결론에 영향을 미치지 않고 단지 한 부동산이 다른 부동산보다 더 많이 또는 더 적게 팔린 이유에 대한 설명의 질입니다. 시간이 부족한 경우 백분율을 기준으로 측정되지 않은 값을 추정하여 이 프로세스를 단축할 수 있습니다. 예를 들어, 잔여의 30%를 품질에, 20%를 상태에, 20%를 기능적 유틸리티에, 50%를 보기에 자동으로 할당한 다음 예외에 따라 개별 판매(또는 주제)를 조정할 수 있습니다. 그러나 잔차가 음수 값과 양수 값 모두로 구성될 수 있으므로 작업이 더 복잡하다는 것을 알게 될 가능성이 더 큽니다. 예를 들어 비교 대상에 대한 잔차가 $75K이면 $25K는 Condition으로, $XNUMXK는 View로 이동합니다. 다시 말하지만, 백분율을 기반으로 초기 할당을 자동화한 다음 표준과의 편차를 기반으로 할당을 조정할 수 있습니다.
      

6. R2 값이 상당히 높은 회귀 모델은 측정되지 않은 속성의 값과 상관관계가 있는 잔차 값을 제공할 것임을 인식합니다. 즉, 측정된 속성을 기반으로 모델이 표시하거나 예상한 것보다 더 많이 판매되지만 평균 속성보다 더 가치가 있는 측정되지 않은 속성이 있는 속성입니다.
7. 잔존 가치를 기준으로 비교 대상을 큰 것부터 작은 것 순으로 순위를 매긴 다음 측정되지 않은 속성의 값에 해당합니다. 순위는 예를 들어 0.00에서 10.00 사이의 백분율 점수를 제공할 수 있습니다. 예를 들어 점수가 6.25이면 비교 가능한 판매 제품의 62.5%가 더 낮은 잔여 점수를 가짐을 나타냅니다. 0.0에서 100.0 사이의 점수를 사용할 수 있지만 0.00에서 10.00이 더 편리합니다.
8. 비교 가능한 잔차의 순위 목록에 대해 주제 속성의 순위를 지정하여 측정되지 않은 속성을 기반으로 두 속성 사이에 가장 적합한 두 속성을 찾습니다. 그러면 (잔차 측면에서) 더 나은 속성과 더 낮은 속성 사이의 어딘가에 점수가 표시됩니다. 대략적인 추정치를 사용할 수 있습니다. 그런 다음 이 점수는 잔여 값에 역으로 매핑될 수 있으며 해당 값은 주제의 잔여 값으로 사용됩니다.
9. 대상 자산에 대한 추정 잔존 가치는 측정된 속성을 기반으로 하는 회귀 모델의 추정에 추가됩니다. 표시된 값에 도달.

예를 들어, 주제가 6.2점의 비교 대상과 6.3점의 비교 대상 사이에 맞을 수 있으므로 주제에 6.25점을 할당합니다. 이 점수에서 주제에 대한 해당 잔존 가치가 $120임을 알 수 있습니다. 비교 대상 1의 잔존 가치는 $80이므로 그 차이는 +$40이고 이는 비교 대상 1의 모든 측정되지 않은 기능에 대한 총 조정입니다. 이 중 $20을 조건에, $10를 보기에, $10를 기능에 할당합니다. 공익사업. 그리고 이 경우 비교 대상 1은 측정되지 않은 속성과 관련하여 주제보다 열등합니다.

위 워크플로의 출력을 가져와 판매 그리드에 배치하면 각 속성 조정을 다음과 같이 계산합니다.   

              속성 조정 = 주제 속성 값 기여도 – 판매 비교 가능한 값 기여도,

측정되지 않은 모든 속성에 대한 총 조정 값이 단일 잔여 조정 아래에 있다는 점을 제외하고 모든 조정을 얻습니다. 그러나 조정을 계산하기 전에 다양한 측정되지 않은 속성 간에 잔여 기여 값을 백업하고 먼저 분할할 수 있습니다. 개별 값이 비교 가능한 각 판매의 잔여 총계에 합산되는 한, 잔여 조정을 분할하는 방법은 최종 가치 결과(또는 모든 조정된 판매 가격의 평균)에 영향을 미치지 않습니다. 지름길로, 우리는 판매 비교 가능한 측정되지 않은 속성 간에 잔여 조정을 분할할 수도 있지만, 그러한 오류가 조정된 판매 가격에 영향을 미치지는 않지만 다소 기준을 벗어날 가능성이 있는 조정의 위험이 있습니다.

최종 결과는 모든 비교 가능한 판매 가격이 정확히 동일한 조정 판매 가격을 갖게 된다는 것입니다. 그리고 이 값을 평균화하면 위의 8단계에서 얻은 값과 동일한 값을 갖게 됩니다.  

판매 그리드를 버리고 위의 8단계에서 얻은 값을 사용하는 것이 어떻습니까? 가장 좋은 이유는 판매 그리드가 사용자가 검토할 수 있는 가치 결론에 대한 기반 지원을 제공하기 때문입니다. 개별 판매 비교 대상이 대상 자산에 대한 가치 결론보다 낮거나 더 높게 판매된 이유에 대한 추론을 제공합니다.

질문 답변

1. 문제: 잔존 가치에 따른 비교 가능한 판매 순위가 다양한 측정되지 않은 속성의 가치 기여도에 해당하는지 어떻게 알 수 있습니까?

   대답: 이것은 측정된 속성에 대한 회귀 모델이 얼마나 잘 되었는지에 달려 있습니다. 2-70%+의 높은 R80 값은 비교 대상 간의 값 편차의 70-80%가 측정된 속성의 회귀 모델에 의해 설명되도록 합니다. 20-30%는 측정되지 않은 속성과 오류로 인해 필연적으로 발생해야 합니다. 오류는 비교 대상 및 해당 기능에 대해 무작위로 가정됩니다. 회귀는 이러한 기능의 영향을 평균화하기 때문에 회귀 모델에 대한 오류의 영향은 측정된 속성과 관련하여 편향되지 않을 가능성이 높습니다.

   따라서 이 방법의 효율성은 MARS(다변량 적응 회귀 스플라인)와 같은 매우 정확하고 세련된 회귀 기술을 사용하는 것에 달려 있음을 이해해야 합니다. 이를 위한 무료 오픈 소스 소프트웨어 패키지로 R/earth를 권장합니다.

   또한 고급의 정확한 회귀 방법을 사용한다고 해서 결과의 품질이 보장되는 것은 아닙니다. MARS 회귀를 사용하려면 상당한 경험, 지식 및 기술이 필요합니다. 높은 R2라도 과적합의 결과일 수 있으므로 품질을 보장하지 않습니다. 각 모델은 과대적합과 실제 용어로 타당한지 검토해야 합니다.

2. 문제: 위의 QA는 이 방법이 자동화하기 어렵다는 것을 의미합니까?

   대답: 위의 워크플로에는 일관되고 매우 정확한 방식으로 수행되어야 하는 여러 작은 단계가 포함되므로 자동화가 절대적으로 필요합니다. 

   그러나 회귀 모델의 구성은 사용되는 회귀 도구에 대한 지식뿐만 아니라 평가에 대한 좋은 지식과 경험이 필요한 기술입니다. 그러나 자동화는 여기까지만 진행됩니다. MARS에서 쫓겨난 모든 모델 또는 가치 방정식 세트는 무엇을 찾아야 하는지 알고 있는 분석가/평가자가 검토해야 합니다. 매개변수를 MARS로 변경한 다음 정확한 평가 결과를 제공할 적합한 모델을 찾기 위해 데이터를 수정하거나 수정함으로써 많은 모델이 생성되고 검토될 것입니다.

   미래에는 완전히 자동화된 시스템을 설계하는 것이 가능해야 하지만 이는 불가능할 것입니다. 결과적으로 이 방법은 평가에서 더 많은 정확성과 객관성을 약속하지만 더 많은 시간이 소요되고 더 많은 기술이 필요합니다.

3. 문제: 이 방법은 평가자 편향에 대해 얼마나 강력합니까?

   대답: 이 방법은 실제로 편향이 도입될 수 있는 단 하나의 지점이 있으며, 이는 대상 부동산을 비교 가능한 판매 순위의 잔여 순위에 배치하는 것입니다. 모델이 과적합되지 않고 데이터가 상당히 정확하고 R2 값이 약 70% 이상인 경우 배치의 편향이 분명할 것입니다. 일반적으로 잔존 가치 대 점수 곡선이 그다지 가파르지 않은 10%에서 90% 사이의 평균 주변의 광범위한 순위 영역에서 배치가 더 어렵습니다. 잔여 순위에서 이 부분의 배치 오류는 일반적으로 가치에 그다지 영향을 미치지 않습니다. 그러나 잔차 곡선은 하한과 상한 모두에서 가파르게 나타나는 경향이 있으며, 잔존 가치 속성이 낮고 높습니다. 스펙트럼의 이 부분에서 품질 및 기타 측정되지 않은 속성의 차이가 너무 커서 순위 목록에서 주제를 너무 낮거나 너무 높게 배치하는 것이 분명해야 합니다. 어쨌든 검토자는 편향의 징후를 찾아야 할 위치를 알고 있습니다. 건초 더미에서 바늘을 찾으려고 하는 문제가 아닙니다. 질문이 발생하면 다음 단계는 회귀 모델 그래프와 방정식을 검토하는 것입니다.

4. 문제: “품질, 상태, 위치/조망과 같은 주관적인 매개변수가 시스템에 입력되는 방법은 무엇입니까? 그리고 수동으로 입력하지 않은 경우 데이터가 이러한 요소의 입력을 자동화하기에 충분한 세분성/깊이를 가진 오늘날의 MLS 시스템에 존재합니까? (화강암 vs Corian vs 라미네이트 조리대, 또는 10' vs 8' 천장)” (AppraisersForum.com에서)

   대답: 말씀하신 이러한 기능은 "측정되지 않은" 기능일 뿐입니다. 우리는 그들을 위한 조치가 없습니다. 적어도 유용할 만큼 좋지는 않습니다. 그렇다면 GLA, 로트 크기, 방 수 등과 함께 회귀 분석에 입력하기만 하면 됩니다.

   따라서 우리가 하는 일은 측정된 모든 기능을 회귀 분석에 입력하고 이러한 입력을 기반으로 판매 가격을 추정하는 모델을 실행하는 것입니다. 물론 모델이 완벽하지는 않습니다. 기껏해야 가격 차이의 약 80%를 차지할 수 있습니다. "잔여물"이라고 불리는 약 20%가 남습니다. (이 문맥에서 "잔여"는 "비교 판매 가격"- "회귀 추정 판매 가격"입니다!!) 그 20%는 측정되지 않은 모든 값을 뭉친 값에 잘못된 데이터의 오류를 더한 값입니다. 그러나 그 잔여의 대부분은 회귀에 포함되지 않은 속성, 주로 조건, 품질 및 보기에 대한 것입니다.

   이제 이것이 중요한 점입니다. 측정되지 않은 각 기능을 별도로 평가할 필요가 없습니다. 결과적으로 우리는 주제에 대한 가치 결론을 얻기 위해 총 가치만 필요하기 때문입니다. 그러나 측정되지 않은 여러 속성 간의 잔차를 분할하여 주어진 판매 비교 대상과 대상 및 기타 비교 대상 간에 판매 가격이 다른 이유에 대한 설명을 완료할 수 있습니다. 분할을 수행하는 방법은 조정된 판매 가격에 영향을 미치지 않으며 전송(평균을 통해) 대상에 대해 표시된 값입니다. 조정된 모든 판매 가격이 정확히 동일하기 때문에 가중치는 아무 소용이 없습니다. 잔차를 사용하여 측정되지 않은 속성을 다루는 전체 문제는 그 자체로 주제입니다. 당신은 그것에 대해 지나치게 걱정할 필요가 없습니다. 가치에는 영향을 미치지 않고 주어진 가치 결론에 대한 지지에만 영향을 미치기 때문입니다. .

   두 번째 중요한 포인트가 있습니다. 120개의 비교 가능한 판매 제품에 대해 회귀를 수행한다고 가정해 보겠습니다. 그런 다음 측정된 속성과 비교 가능한 판매 가격 및 이러한 추정치에서 잔차를 기반으로 돌아서 추정치를 생성합니다. 그런 다음 가장 큰 것부터 가장 작은 것까지 잔차를 기반으로 비교 대상의 순위를 지정합니다. R2가 70% 이상이고 과적합을 피하는 적절한 회귀가 있는 경우 비교 대상의 순위가 더 나은 조건, 품질 및 보기 비교 대상을 목록의 맨 위에 놓을 것이라는 것을 거의 확실히 알게 될 것입니다. 생각보다 많이 팔렸습니다. 따라서 해당 순위를 사용하여 측정되지 않은 속성 측면에서 비교 대상에 점수를 매길 수 있습니다. 점수를 잔차에 매핑하여 "잔차 모델"을 얻을 수 있습니다. 잔차 모델을 사용하면 이러한 점수를 입력할 수 있으며 예상 잔차를 제공합니다. 따라서 주제 속성을 취하고 순위에서 가장 적합한 위치를 찾습니다. 점수는 그 사이에 맞는 두 가지 최고의 속성의 평균입니다. 점수에서 잔차를 구합니다. 추정 판매 가격을 얻으려면 회귀 추정에 피험자의 추정 잔차를 추가하십시오. ... 또는 문제로 이동하여 대상 잔차에서 각 비교 가능한 잔차를 빼서 잔차 조정을 얻고, 모든 조정된 판매 가격을 계산합니다. 모두 동일할 것이며, 대상의 앞서 언급한 예상 판매 가격과 정확히 같을 것입니다.

   참고: 비교 대상이 잔차로 순위가 매겨지지만 더 큰 잔차가 측정되지 않은 속성과 잘 관련되어 있지 않다는 것을 알 수 없다면 회귀 분석이 낮은 R2를 가지거나 과대적합되었음을 확신할 수 있습니다. 따라서 MARS와 같은 고품질 회귀 기술을 사용하고 수행 중인 작업을 알아야 합니다.

   마지막으로: 귀하의 질문에 대한 짧은 대답은 이 방법이 주관적인 변수에 대해 상당히 정확한 측정값을 제공한다는 것입니다. 단지 모든 변수에 대한 값일 뿐입니다. – 그러나 가치 결론에 도달하기에 충분합니다.