Likučio sulaikymo metodas (RCA)

Tradicinio pardavimo palyginimo vertinimo metodo variantas

Įvadas ir apžvalga

Bertas Craytoras, „Pacific Vista Net“, 6 m. rugpjūčio 2022 d
Ramiojo vandenyno valstija, Kalifornija

2020 ir 2021 m. įdiegiau naują pardavimo palyginimo metodą, kuris žada daug didesnį tikslumą, objektyvumą ir patikimumą nei dabartiniai vertintojų dažniausiai naudojami metodai. Atminkite, kad šį metodą naudojau keliais skirtingais pavadinimais, pvz., Subjektyviosios vertės arba Nematerialios vertės apribojimo metodu, kad įvertinčiau nuosavybę San Francisko įlankos rajone IRS ir skolinimo tikslais. Naujasis pavadinimas turėtų būti prasmingesnis. Vietoj „neapčiuopiamų“ arba „subjektyvių“ atributų, skirtų būsenai, kokybei, funkciniam naudingumui, vaizdui ir panašiai, tiksliau vartoti terminą „neišmatuoti“ atributai, nes šis metodas apima visų neišmatuotų atributų vertę per regresijos liekanas. . Todėl siūlau, kad „likęs sulaikymo metodas“ yra pats trumpiausias ir teisingiausias terminas.

Metodą galima apibūdinti kaip darbo eigą, kuri apima:

1. Dėmesys sutelkiamas į visų savybių, kurios padidina nuosavybės vertę, vertės nustatymą, o ne į klasikinį tiesioginį koregavimo verčių nustatymą naudojant suderintas poras arba įprastus regresijos metodus. Koregavimo reikšmės yra tiesiog skirtumas tarp tiriamojo ir palyginamų įnašų verčių. Tačiau pačios reguliavimo vertės lengvai apeina saugos apribojimus. Įnašo vertės turi atitikti pardavimo kainą. Todėl tikrai saugiau įmokų dydžius apskaičiuoti prieš skaičiuojant koregavimus.
2. Daugelio pardavimų palyginimų rinkimas iš kaimynystės ar turgaus zonos. Tai gali apimti miestą arba atskirą didesnio miesto sritį. Turėtumėte pabandyti likti 3 mylių spinduliu, bet tai, žinoma, priklauso nuo nuosavybės tipo. Turėtumėte pabandyti gauti bent 80 ar daugiau palyginamų elementų, turinčių savybių, kurios gali bent iš dalies sutapti viena su kita ir subjektu. Mano vidutinis palyginamų objektų skaičius yra 125–180, bet gali išaugti iki 600. Taip pat gali tekti grįžti 5–15 ar daugiau metų atgal, kad gautumėte naudingą pardavimų skaičių ir įsitikintumėte, jog gerai atrinksite funkcijas, kurias rasite dalykinė nuosavybė. Jei subjektas turi retą funkcijų verčių derinį, gali tekti grįžti į laiką 10 ar daugiau metų. Taip pat yra retrospektyvinių vertinimų. Panašaus ar objekto pardavimo data visada gali būti koreguojama. Tačiau supraskite, kad kuo toliau atgal, tuo daugiau veiksnių įtakoja kainų pokyčius. Jei grįšite daugiau nei 10 metų atgal, greičiausiai pastebėsite, kad per tą laikotarpį pasikeitė pirkėjų skonis, o tai sukuria sąveiką tarp pardavimo datos ir kitų savybių. Tada turėsite naudoti dvipusę sąveiką, o tai padidina galutinio regresijos modelio sudėtingumą.
3. Išmatuotų ir neišmatuotų požymių atskyrimas. Regresija vykdoma tik pagal išmatuotas atributų vertes. Neišmatuotų atributų vertinimas atliekamas per likučius.
4. Regresijos modelio sukūrimas, pagrįstas išmatuotomis atributų reikšmėmis, tokiomis kaip GLA, partijos dydis, pardavimo data, istorijos, kambarių skaičius, GIS koordinatės ir amžius (faktinis arba efektyvus), naudojant labai tikslią regresijos techniką, pvz. MARS). Tam rekomenduojamas atvirojo kodo R paketas „žemė“ kartu su „caret“ paketu. Tai galima paleisti atvirojo kodo R Studio su lygiagrečiu apdorojimu. Šiuo metu tai paleidžiu AMD Ryzen 9 5950 darbalaukyje, paprastai naudodamas maždaug 28 branduolius iš 32, kur caret išjungia 28 +/- atskirus R Studio egzempliorius, kad lygiagrečiai apdorotų kelis žemės paleidimus.
5. Likutinio modelio sukūrimas, remiantis regresijos modelio pateiktų įverčių ir realių pardavimo palyginamų prekių pardavimo kainų skirtumu. Šį modelį sudaro du dalykai:

    

   1. Funkcija, kuri likutinį balą, tarkime, nuo 0.00 iki 10.00, susieja su likutine verte. Šią funkciją gausite reitinguodami pardavimų palyginamąsias medžiagas pagal likutinę vertę nuo didžiausios iki mažiausios, tada sukurdami balą pagal pardavimo procentą, mažesnį už nurodytą vertę. Funkciją galima sukurti vykdant šių dviejų reikšmių rinkinių regresiją arba tiesiog sukuriant peržvalgos masyvą, susiejantį konkretų balą su verte. Norėdami tai padaryti, turite parašyti programą R. Naudodami šią funkciją galite įvesti numatomą tiriamojo likutinį balą, kad gautumėte jo likutinės vertės įvertinimą. Tai yra raktas į objekto pardavimo kainą.   Pastaba: šis veiksmas gali būti visiškai automatizuotas R.
      
   2. Likutinės vertės priskyrimas kiekvienam palyginamam pardavimo daiktui ir nagrinėjamam turtui neįvertintoms savybėms. Likutis pateikia bendrą visų neišmatuotų atributų vertę. Paprastai ataskaitos vartotojas norės kažko prasmingesnio. Likučiai turi būti padalyti tarp įvairių neišmatuotų atributų, tokių kaip kokybė, būklė, funkcinis naudingumas, vaizdas ir bet kokie kiti neįvertinti atributai, kurie, jūsų manymu, yra vertingi. Vertintojas turi tai padaryti tik tiems palyginamiems objektams, kurie patenka į pardavimo tinklelį. Tai geras dalykas, nes tam reikia šiek tiek darbo ir laiko.  Atminkite, kad tai yra rankinis procesas, kuriam reikia žinių apie vertinimą.    Turėkite omenyje, kad, kalbant apie galutinę vertės išvadą, įtaką turi tik bendra vertė. Tai, kaip padalijate tą bendrą likutinę vertę, turi įtakos tik jūsų pranešimui ataskaitų skaitytojui, kad palyginamos prekės parduotos už didesnę ar mažesnę kainą nei tema ir kiti palyginamieji. Šiame žingsnyje į paveikslėlį patenka metodo „apribojimas“. Neišmatuotiems atributams priskiriate vertę, – laikantis apribojimo, kad visos tokios konkretaus palyginamo komponento likutinės vertės turi sudaryti atitinkamą likutinę vertę. Jei norite pridėti papildomos sąlygos sąlygai, turite ją pašalinti iš vieno ar kelių kitų atributų.

      Pastaba: šis veiksmas negali būti visiškai automatizuotas. Bent jau ne artimiausiu metu, pavyzdžiui, per ateinantį dešimtmetį. Tačiau tai, kaip gerai atlikote darbą šiame žingsnyje, neturės įtakos vertės išvadai – tik jūsų paaiškinimo, kodėl vienas turtas parduotas brangiau ar pigiau nei kitas, kokybei. Jei trūksta laiko, galite sutrumpinti šį procesą, įvertindami neišmatuotas reikšmes pagal procentus. Pavyzdžiui, galite automatiškai priskirti 30 % likučio kokybei, 30 % būklei, 20 % funkcinei priemonei ir 20 % peržiūrėti, o tada koreguoti individualius pardavimus (arba temą), atsižvelgdami į išimtį. Tačiau labiau tikėtina, kad užduotis bus sudėtingesnė, nes likutį gali sudaryti ir neigiamos, ir teigiamos reikšmės. Pavyzdžiui, jei likutis už palyginamą produktą yra 50 75 USD, galbūt 25 XNUMX USD bus skirta „Condition“, o – XNUMX XNUMX USD bus skirta peržiūrai. Vėlgi, galite automatizuoti pradinį paskirstymą, pagrįstą procentais, o tada koreguoti paskirstymą pagal nukrypimus nuo normos.
      

6. Pripažinimas, kad regresijos modelis su žymiai didele R2 reikšme suteiks likutines vertes, kurios koreliuoja su neišmatuotų požymių verte. Tai reiškia, kad turtas parduodamas brangiau, nei tikėtasi arba nurodyta modelyje, remiantis išmatuotais požymiais, bet turi neįvertintų atributų, kurie yra vertingesni už vidutinį turtą.
7. Palyginamųjų reitingavimas pagal likutinę vertę nuo didelės iki mažos, tada atitinka neišmatuotų atributų vertę. Reitingas gali pateikti procentinius balus, pvz., nuo 0.00 iki 10.00, kai, pavyzdžiui, 6.25 balas reikštų, kad 62.5 % palyginamų pardavimų turėjo mažesnį likutinį balą. Galite naudoti balus nuo 0.0 iki 100.0, bet manau, kad nuo 0.00 iki 10.00 yra patogiau.
8. Įvertinkite dalyko ypatybes pagal reitinguotą palyginamų likučių sąrašą, kad nustatytumėte, kurios dvi savybės geriausiai tinka pagal neįvertintus požymius. Tada tai rodytų balą kažkur tarp geresnių ir mažesnių (pagal liekamąsias) savybes. Galima naudoti apytikslį įvertinimą. Tada šį rezultatą galima susieti su likutine verte ir naudoti kaip tiriamojo likutinę vertę.
9. Tada apskaičiuota tiriamosios savybės likutinė vertė pridedama prie regresijos modelio įvertinimo, pagrįsto jo išmatuotais požymiais pasiekti nurodytą vertę.

Pavyzdžiui, objektas gali atitikti palyginamąjį, kurio balas yra 6.2, ir 6.3 balo, todėl dalykui priskiriate 6.25 balo. Iš šio balo matote, kad atitinkama tiriamojo likutinė vertė yra 120 1 USD. 80 palyginimo likutinė vertė yra 40 1 USD, taigi skirtumas yra + 20 10 USD, o tai yra jūsų bendras visų neišmatuotų 10 palyginimo funkcijų koregavimas. Iš jų 1 XNUMX USD skiriate būklei, XNUMX XNUMX USD peržiūrai ir XNUMX XNUMX USD funkcinei Naudingumas. Ir atkreipkite dėmesį, kad šiuo atveju palyginamasis XNUMX yra prastesnis už subjektą, atsižvelgiant į neišmatuotas savybes.

Jei paimtume aukščiau pateiktos darbo eigos išvestį ir patalpintume ją į pardavimo tinklelį, kiekvieną atributo koregavimą apskaičiuojant kaip   

              Atributo koregavimas = subjekto atributo vertės įnašas – pardavimų palyginamos vertės įnašas,

gausime visus koregavimus, išskyrus tai, kad bendra visų neišmatuotų atributų koregavimo vertė bus viename likutiniame koregavime. Tačiau prieš apskaičiuodami koregavimus galime sukurti atsarginę kopiją ir pirmiausia padalyti likusias įnašo reikšmes tarp įvairių neišmatuotų atributų. Tai, kaip padalisime likutinį koregavimą, neturės įtakos galutinės vertės rezultatui (arba, kitaip tariant, visos pakoreguotos pardavimo kainos vidurkiui), jei atskiros vertės vis tiek sudaro kiekvieno palyginamo pardavimo likutinę sumą. Kaip spartųjį klavišą taip pat galėtume tiesiog padalinti likutinį koregavimą tarp palyginamų neįvertintų pardavimų atributų, nors dėl to gali kilti koregavimų, kurie gali būti šiek tiek ne baziniai, nors tokios klaidos neturėtų įtakos pakoreguotoms pardavimo kainoms.

Galutinis rezultatas bus toks, kad visi palyginamieji parduodami produktai turės lygiai tokią pačią pakoreguotą pardavimo kainą. Ir jei suvidurkinsime šias vertes, turėsime tokią pat vertę, kaip ir gauta atlikus 8 veiksmą aukščiau.  

Galima paklausti – kodėl tiesiog neišmetus pardavimo tinklelio ir nepasinaudojus verte, gauta atlikus 8 veiksmą? Geriausia priežastis yra ta, kad pardavimo tinklelis pateikia pagrįstą vertės išvadą, kurią vartotojas gali peržiūrėti. Jame pateikiami motyvai, kodėl atskiri palyginamieji parduodami daiktai buvo parduoti už mažesnę arba didesnę kainą, nei nurodyta objekto vertės išvadoje.

Klausimo atsakymas

1. klausimas: Kaip mes žinome, kad pardavimų lyginamoji padėtis pagal likutinę vertę atitiks įvairių neįvertintų atributų vertės indėlį?

   atsakymas: Tai priklauso nuo to, kaip gerai veikia išmatuotų požymių regresijos modelis. Didelė R2 reikšmė 70-80%+ užtikrina, kad 70-80% reikšmių nuokrypių tarp palyginamų elementų atsižvelgiama į išmatuotų požymių regresijos modelį. 20-30% būtinai turi būti dėl nepamatuotų savybių ir klaidų. Manoma, kad palyginamų medžiagų ir jų savybių klaidos yra atsitiktinės. Kadangi regresija apskaičiuoja šių savybių poveikį, klaidos įtaka regresijos modeliui greičiausiai bus nešališka išmatuotų požymių atžvilgiu.

   Todėl reikia suprasti, kad šio metodo veiksmingumas priklauso nuo labai tikslios ir patobulintos regresijos technikos, tokios kaip daugiamatės adaptyviosios regresijos splainai (MARS), naudojimo. Šiuo tikslu R/earth rekomenduojamas kaip nemokamas atvirojo kodo programinės įrangos paketas.

   Taip pat atkreipkite dėmesį, kad vien tik pažangaus ir tikslaus regresijos metodo naudojimas negarantuoja rezultato kokybės. Naudojant MARS regresiją reikia turėti daug patirties, žinių ir įgūdžių. Net aukštas R2 nėra kokybės garantija, nes tai gali būti permontavimo rezultatas. Kiekvienas modelis turi būti peržiūrėtas, ar nėra per daug pritaikytas ir ar jis yra prasmingas realiame pasaulyje.

2. klausimas: Ar aukščiau pateiktas kokybės užtikrinimas reiškia, kad šį metodą bus sunku automatizuoti?

   atsakymas: Automatizavimas yra būtinas, nes aukščiau nurodyta darbo eiga apima keletą mažesnių žingsnių, kurie turi būti atliekami nuosekliai ir labai tiksliai. 

   Tačiau regresijos modelio kūrimas yra menas, reikalaujantis ne tik naudojamo regresijos įrankio išmanymo, bet ir gerų žinių bei vertinimo patirties. Tačiau automatizavimas tęsiasi tik iki šiol. Kiekvieną MARS modelį ar verčių lygčių rinkinį turi peržiūrėti analitikas / vertintojas, žinantis, ko ieškoti. Daugelis modelių greičiausiai bus sugeneruoti ir peržiūrėti pakeitus parametrus į MARS, o vėliau taisius ar kitaip modifikuojant duomenis, siekiant rasti tinkamą modelį, kuris pateiks tikslius vertinimo rezultatus.

   Nors ateityje turėtų būti įmanoma sukurti visiškai automatizuotą sistemą, tai greičiausiai yra išeitis. Dėl to šis metodas, nors ir žada didesnį vertinimo tikslumą ir objektyvumą, taip pat užima daugiau laiko ir reikalauja daugiau įgūdžių.

3. klausimas: Ar šis metodas yra patikimas prieš vertintojo šališkumą?

   atsakymas: Šis metodas iš tikrųjų turi tik vieną vietą, kur galima įvesti šališkumą, t. Jei modelis nėra per daug pritaikytas, duomenys yra pakankamai tikslūs, o R2 reikšmė yra apie 70 % arba didesnė, tai greičiausiai bus akivaizdus išdėstymo poslinkis. Sunkiau išdėstyti plačioje reitingavimo srityje apie vidurkį, nuo 10 % iki 90 % – kur likutinės vertės ir balo kreivė paprastai nėra labai staigi. Paskirties vietos klaidos šioje likutinio reitingo dalyje paprastai neturi didelės įtakos vertei. Tačiau liekamoji kreivė paprastai būna stačia tiek žemesniuose, tiek aukštesniuose galuose, o žemesnės ir didesnės likutinės vertės savybės. Šioje spektro dalyje kokybės ir kitų nepamatuotų savybių skirtumai yra tokie dideli, kad subjekto išdėstymas per žemai arba per aukštai reitinguojamame sąraše turėtų būti akivaizdus. Bet kuriuo atveju apžvalgininkas žino, kur ieškoti šališkumo požymių. Tai nebus klausimas, kaip šieno kupetoje rasti adatą. Jei kyla klausimų, kitas žingsnis būtų regresijos modelio grafikų ir lygčių peržiūra.

4. klausimas: „Kaip subjektyvūs parametrai, tokie kaip kokybė, būklė ir vieta / vaizdas, įvedami į sistemą? Ir jei jie neįvedami rankiniu būdu, ar šiuolaikinėse MLS sistemose yra pakankamai detalių / gilių duomenų, kad būtų galima automatizuoti šių veiksnių įvedimą? (Kaip granitas vs Corian vs laminatas stalviršiai arba 10 ′ vs 8 ′ lubos). (Iš AppraisersForum.com)

   atsakymas: Šios jūsų nurodytos funkcijos yra tik „neišmatuotos“ funkcijos. Neturime jiems priemonių. Bent jau nepakankamai geras, kad būtų naudingas. Jei tai padarytume, paprasčiausiai įvestume juos į regresiją kartu su GLA, partijos dydžiu, patalpų skaičiumi ir pan.

   Taigi, mes įvedame visas išmatuotas ypatybes į regresiją ir sukuriamas modelis, kuris įvertina pardavimo kainą pagal šias įvestis. Žinoma, modelis nėra tobulas. Geriausiu atveju tai gali sudaryti apie 80 % kainų skirtumo. Tai palieka apie 20%, vadinamą „likutiniu“. („Likutinė dalis“ šiame kontekste yra „palyginama pardavimo kaina“ – „regresinė apskaičiuota pardavimo kaina“!!) Tie 20 % yra visų neišmatuotų verčių, sujungtų kartu, ir klaidų dėl neteisingų duomenų vertė. Tačiau didžioji dalis to likučio bus skirta atributams, kurie nebuvo įtraukti į regresiją, daugiausia būklei, kokybei ir vaizdui.

   Dabar tai yra kritinis taškas: mums tikrai nereikia vertinti kiekvienos iš šių neįvertintų savybių atskirai, nes, kaip paaiškėja, mums reikia tik bendros jų vertės, kad gautume subjekto vertės išvadą. Tačiau galite padalyti likutį tarp skirtingų neįvertintų atributų, kad paaiškintumėte, kodėl skiriasi tam tikrų pardavimo palyginimų ir objekto bei kitų palyginamų prekių pardavimo kainos. Tai, kaip atliekate padalijimą, neturi įtakos pakoreguotai pardavimo kainai ir pervedant (su vidurkiu) nurodytai dalyko vertei. Kadangi visos pakoreguotos pardavimo kainos bus lygiai tokios pačios, svoriai neduos jokio tikslo. Visas klausimas, susijęs su neišmatuotais atributais naudojant likučius, yra pats dalykas. Jums nereikia per daug susirūpinti – tai neturi įtakos vertei, tik jūsų palaikymui pateiktai vertės išvadai, ty jūsų gebėjimui tiksliai paaiškinti, kodėl tam tikras turtas buvo parduotas brangiau ar pigiau nei kitas. .

   Yra antras kritinis taškas: tarkime, kad atliekate 120 palyginamų pardavimų regresiją. tada apsisuki ir sukuri sąmatas pagal išmatuotus požymius, o iš palyginamų pardavimo kainų ir tų įvertinimų – likučius. Tada reitinguojate palyginamąsias medžiagas pagal jų likučius, nuo didžiausio iki mažiausio. Jei turite tinkamą regresiją, kai R2 yra 70 % ar daugiau, ir vengiate permontuoti, tada beveik neabejotinai pastebėsite, kad palyginamų objektų reitingas sudarys geresnės būklės, kokybės ir peržiūros lyginamąsias medžiagas sąrašo viršuje, nes jos parduota brangiau nei tikėtasi. Taigi galite naudoti tą reitingą, kad įvertintumėte palyginamuosius pagal tuos neįvertintus požymius. Galite susieti balus su likučiais, kad gautumėte „likutinį modelį“. Naudodami likutinį modelį galite įvesti bet kokį tokį balą, tada jis pateiks apskaičiuotą likutį. Taigi, paimkite dalyko ypatybę ir suraskite, kur ji geriausiai tinka reitinge. Jo rezultatas yra dviejų geriausių savybių, tarp kurių jis tinka, vidurkis. Iš balo gaukite likutį. Pridėkite subjekto apskaičiuotą likutį prie regresijos įvertinimo, kad gautumėte numatomą pardavimo kainą. ... Arba stenkitės atimti kiekvieną palyginamą likutį iš tiriamojo likučio, kad gautumėte likutinį koregavimą, apskaičiuokite visas pakoreguotas pardavimo kainas – jos visos bus vienodos – ir jos bus tiksliai lygios minėtai subjekto numatomai pardavimo kainai.

   Pastaba: jei palyginamieji yra surikiuoti pagal likutį, bet nematote, kad didesni likučiai labai gerai susiję su neišmatuotais atributais, galite būti tikri, kad jūsų regresijos R2 yra žemas arba ji per daug pritaikyta. Dėl to būtina naudoti aukštos kokybės regresijos metodą, pvz., MARS, ir žinoti, ką darote.

   Galiausiai: trumpas atsakymas į jūsų klausimą yra tas, kad šis metodas suteikia gana tikslų jūsų subjektyvių kintamųjų matą – tik tai yra VISŲ jų reikšmė. – Bet tai yra pakankamai gerai, kad būtų galima padaryti vertingą išvadą.