Pendekatan Kekangan Baki (RCA)

Satu Variasi pada Pendekatan Perbandingan Jualan Tradisional untuk Penilaian

Pengenalan dan Tinjauan

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

Saya memperkenalkan kaedah baharu untuk pendekatan perbandingan jualan pada 2020 dan 2021 yang menjanjikan ketepatan, objektiviti dan kebolehpercayaan yang jauh lebih tinggi daripada kaedah semasa yang biasa digunakan oleh penilai. Harap maklum bahawa saya telah menggunakan kaedah di bawah beberapa nama yang berbeza, seperti Pendekatan Nilai Subjektif atau Nilai Tidak Ketara untuk menilai hartanah di Kawasan Teluk San Francisco untuk tujuan IRS dan Pemberian Pinjaman. Penamaan baru ini bertujuan untuk lebih bermakna. Daripada atribut "tidak ketara" atau "subjektif" untuk keadaan, kualiti, utiliti berfungsi, pandangan, dan seumpamanya, adalah lebih tepat untuk menggunakan istilah atribut "tidak terukur", kerana teknik ini menggabungkan nilai semua atribut yang tidak diukur melalui sisa regresi . Oleh itu, saya mencadangkan bahawa "Pendekatan Kekangan Baki" ialah istilah yang paling ringkas dan betul. Kertas kerja ini bertujuan untuk menjadi pengenalan ringkas, bukan matematik kepada Pendekatan Kekangan Baki.   Kaedah ini boleh digambarkan sebagai aliran kerja yang merangkumi:

1. Memfokuskan pada penentuan sumbangan nilai semua ciri yang menambah nilai harta, dan bukannya penentuan langsung klasik nilai pelarasan melalui pasangan sepadan atau teknik regresi biasa. Nilai pelarasan hanyalah perbezaan antara nilai sumbangan subjek dan sebanding. Namun nilai pelarasan itu sendiri dengan mudah memintas kekangan keselamatan. Nilai sumbangan mesti ditambah dengan harga jualan. Oleh itu, adalah lebih selamat untuk mengira nilai sumbangan sebelum mengira pelarasan.
2. Mengumpul banyak setanding jualan dari kawasan kejiranan atau pasar. Ini mungkin termasuk bandar atau kawasan berbeza di bandar yang lebih besar. Anda harus cuba kekal dalam radius 3 batu, tetapi itu sudah tentu bergantung pada jenis hartanah. Anda harus cuba mendapatkan sekurang-kurangnya 80 atau lebih perbandingan yang mempunyai ciri yang berkemungkinan sekurang-kurangnya sebahagiannya bertindih antara satu sama lain dan subjek. Purata bilangan setanding saya ialah 125-180 tetapi mungkin meningkat kepada 600. Anda juga mungkin perlu kembali 5 hingga 15 tahun atau lebih untuk mendapatkan bilangan jualan yang berguna dan memastikan anda mempunyai pensampelan ciri yang baik yang anda temui dalam harta subjek. Subjek dengan gabungan nilai ciri yang jarang berlaku mungkin memerlukan kembali ke masa sebelum 10 tahun atau lebih. Terdapat juga penilaian retrospektif. Tarikh penjualan untuk hartanah yang sebanding atau subjek sentiasa boleh dilaraskan. Walau bagaimanapun, fahami bahawa semakin jauh ke belakang masa anda pergi, semakin banyak faktor yang terdapat dalam perubahan harga. Jika anda kembali lebih daripada 10 tahun, anda mungkin mendapati bahawa citarasa pembeli telah berubah dalam tempoh itu, yang mewujudkan interaksi antara tarikh jualan dan ciri lain. Anda kemudiannya perlu menggunakan interaksi dua hala, yang meningkatkan kerumitan model regresi akhir.
3. Pengasingan atribut terukur dan tidak terukur. Regresi dijalankan hanya pada nilai atribut yang diukur. Penilaian atribut yang tidak diukur dilakukan melalui sisa.
4. Pembinaan model regresi berdasarkan nilai atribut yang diukur seperti GLA, saiz lot, tarikh jualan, cerita, kiraan bilik, koordinat GIS dan umur (sebenar atau berkesan), menggunakan teknik regresi yang sangat tepat seperti spline regresi adaptif multivariate ( MARS). Untuk ini, pakej sumber terbuka "bumi" R disyorkan bersama-sama dengan pakej "karet". Ini boleh dijalankan dalam R Studio sumber terbuka dengan pemprosesan selari. Pada masa ini saya menjalankan ini pada desktop AMD Ryzen 9 5950 yang biasanya menggunakan kira-kira 28 daripada 32 teras, di mana karet berputar keluar 28 +/- contoh R Studio yang berasingan untuk pemprosesan selari berbilang larian bumi.
5. Penciptaan model baki berdasarkan perbezaan antara anggaran yang disediakan oleh model regresi dan harga jualan sebenar bagi sebanding jualan. Model ini adalah dua perkara:
   • Fungsi yang memetakan skor baki katakan 0.00 hingga 10.00 kepada nilai baki. Anda mendapat fungsi ini dengan meletakkan kedudukan perbandingan jualan mengikut nilai baki daripada terbesar kepada terkecil, kemudian mencipta skor berdasarkan peratusan jualan kurang daripada nilai tertentu. Fungsi ini boleh dibuat dengan menjalankan regresi pada dua set nilai ini atau hanya mencipta tatasusunan carian yang memetakan skor tertentu kepada nilai. Anda perlu menulis program dalam R untuk melakukan ini. Menggunakan fungsi ini, anda kemudiannya boleh memasukkan anggaran skor baki subjek untuk mendapatkan anggaran nilai baki subjek. Itulah kunci untuk menganggarkan harga jualan subjek.   Nota: Langkah ini boleh diautomatikkan sepenuhnya dalam R.
   • Peruntukan nilai baki untuk setiap jualan yang setanding dan harta subjek kepada atribut yang tidak diukur. Sisa memberikan jumlah nilai semua atribut yang tidak diukur. Biasanya, pengguna laporan akan menginginkan sesuatu yang lebih bermakna. Sisa perlu dibahagikan antara pelbagai atribut yang tidak diukur, seperti Kualiti, Keadaan, Utiliti Fungsian, Paparan, dan apa sahaja atribut tidak terukur lain yang anda fikirkan berharga. Penilai hanya perlu melakukan ini untuk setanding yang masuk ke Grid Jualan. Itu adalah perkara yang baik kerana ia memerlukan sedikit usaha dan masa untuk melakukan ini.  Ambil perhatian bahawa ini adalah proses manual yang memerlukan pengetahuan tentang penilaian.    Perlu diingat, bahawa setakat kesimpulan nilai akhir, hanya jumlah nilai yang mempunyai sebarang kesan. Cara anda membahagikan jumlah nilai baki itu hanya memberi kesan kepada komunikasi anda kepada pembaca laporan untuk menjadikan jualan yang setanding dijual lebih atau kurang daripada subjek dan sebanding yang lain. Langkah ini adalah di mana "kekangan" kaedah memasuki gambar. Anda memperuntukkan nilai kepada atribut yang tidak diukur, – di bawah kekangan bahawa semua nilai komponen baki sedemikian untuk sebanding tertentu mesti ditambah sehingga nilai baki yang sepadan. Jika anda ingin menambah nilai tambahan untuk Syarat, maka anda mesti mengambil nilai itu daripada satu atau lebih atribut lain.Nota: Langkah ini tidak boleh diautomatikkan sepenuhnya. Sekurang-kurangnya tidak dalam masa terdekat, - seperti dalam dekad yang akan datang. Walau bagaimanapun, betapa baiknya pekerjaan yang anda lakukan dalam langkah ini tidak akan memberi kesan kepada kesimpulan nilai - hanya kualiti penjelasan anda tentang sebab satu hartanah dijual lebih atau kurang daripada yang lain. Anda boleh memendekkan proses ini dengan menganggarkan nilai tidak terukur berdasarkan peratusan jika anda kekurangan masa. Contohnya, anda mungkin secara automatik memperuntukkan 30% baki kepada Kualiti, 30% kepada Keadaan, 20% kepada Utiliti Fungsian dan 20% kepada Lihat dan kemudian tweak jualan individu (atau subjek) berdasarkan pengecualian. Walau bagaimanapun, kemungkinan besar, anda akan mendapati tugas itu lebih rumit kerana baki boleh terdiri daripada nilai negatif dan positif. Sebagai contoh, jika baki untuk setanding ialah $50K, maka mungkin $75K pergi ke Syarat, dan – $25K pergi ke Lihat. Sekali lagi, anda boleh mengautomasikan peruntukan awal berdasarkan peratusan dan kemudian tweak peruntukan berdasarkan sisihan daripada norma.
6. Pengiktirafan bahawa model regresi dengan nilai R2 yang ketara tinggi akan memberikan nilai baki yang berkorelasi dengan nilai atribut yang tidak diukur. Maksudnya, hartanah yang menjual lebih daripada jangkaan atau ditunjukkan oleh model berdasarkan atribut yang diukur, tetapi mempunyai atribut yang tidak diukur yang lebih bernilai daripada harta purata.
7. Kedudukan yang boleh dibandingkan dengan nilai baki dari besar ke kecil, kemudian sepadan dengan nilai atribut yang tidak diukur. Kedudukan boleh memberikan skor peratusan, contohnya, 0.00 hingga 10.00, di mana contohnya skor 6.25 akan menunjukkan bahawa 62.5% daripada setanding jualan mempunyai skor baki yang lebih rendah. Anda boleh menggunakan skor yang pergi dari 0.0 hingga 100.0, tetapi saya mendapati bahawa 0.00 hingga 10.00 adalah lebih mudah.
8. Kedudukan harta subjek terhadap senarai kedudukan baki sebanding, untuk mencari dua sifat yang paling sesuai antara berdasarkan atribut yang tidak diukur. Ini kemudiannya akan menunjukkan skor di antara sifat yang lebih baik dan lebih rendah (dari segi baki). Anggaran kasar boleh digunakan. Skor ini kemudiannya boleh dipetakan terbalik kepada nilai baki dan nilai itu kemudiannya digunakan sebagai nilai baki subjek.
9. Anggaran nilai baki untuk sifat subjek kemudiannya ditambahkan pada anggaran daripada model regresi berdasarkan atribut yang diukur untuk mencapai nilai yang ditunjukkan.

Sebagai contoh, subjek mungkin sesuai antara yang setanding dengan skor 6.2 dan satu dengan skor 6.3, jadi anda memberikan skor 6.25 kepada subjek. Daripada skor ini, anda mendapati nilai baki yang sepadan untuk subjek ialah $120K. Sebanding 1 mempunyai nilai baki $80K, jadi perbezaannya ialah +$40K yang merupakan jumlah pelarasan anda untuk semua ciri yang tidak diukur dalam Sebanding 1. Daripada jumlah ini, anda memperuntukkan $20K kepada Keadaan, $10K untuk Lihat dan $10K kepada Fungsian Utiliti. Dan ambil perhatian bahawa dalam kes ini Sebanding 1 adalah lebih rendah daripada Subjek, berkenaan dengan atribut yang tidak diukur. Jika kita mengambil keluaran aliran kerja di atas dan meletakkannya dalam grid jualan, mengira setiap pelarasan atribut sebagai Pelarasan Atribut = Sumbangan Nilai Atribut Subjek – Sumbangan Nilai Sebanding Jualan, kita akan memperoleh semua pelarasan, kecuali jumlah nilai pelarasan untuk semua yang tidak diukur atribut akan berada di bawah pelarasan baki tunggal. Walau bagaimanapun, kita boleh membuat sandaran dan membahagikan nilai sumbangan baki terlebih dahulu antara pelbagai atribut yang tidak diukur sebelum mengira pelarasan. Cara kami membahagikan baki pelarasan tidak akan memberi kesan kepada hasil nilai akhir (atau dengan kata lain purata semua Harga Jualan Dilaraskan), selagi nilai individu masih menambah jumlah baki untuk setiap jualan yang setanding. Sebagai jalan pintas, kami juga boleh membahagikan baki pelarasan antara atribut tidak terukur yang setanding jualan, walaupun ia berisiko pelarasan yang mungkin agak di luar asas, walaupun ralat tersebut tidak akan memberi kesan kepada harga jualan yang diselaraskan. Keputusan akhir ialah semua jualan sebanding akan mempunyai harga jualan terlaras yang sama. Dan jika kita purata nilai tersebut, kita akan mempunyai nilai yang sama seperti yang diperolehi oleh langkah 8 di atas. Seseorang mungkin bertanya - Mengapa tidak buang sahaja grid jualan dan gunakan nilai yang diperoleh daripada langkah 8 di atas? Sebab terbaik ialah grid jualan menyediakan sokongan asas untuk kesimpulan nilai yang boleh disemak oleh pengguna. Ia memberikan alasan mengapa jualan setanding individu dijual kurang atau lebih daripada kesimpulan nilai untuk harta subjek.

Soalan jawapan

1. Soalan: Bagaimanakah kita tahu bahawa kedudukan perbandingan jualan mengikut nilai baki akan sepadan dengan sumbangan nilai pelbagai atribut yang tidak diukur?jawapan: Ini bergantung pada seberapa baik model regresi untuk atribut yang diukur. Nilai R2 yang tinggi iaitu 70-80%+ memastikan bahawa 70-80% daripada sisihan nilai antara sebanding diambil kira oleh model regresi atribut yang diukur. 20-30% mestilah disebabkan oleh sifat dan kesilapan yang tidak terukur. Ralat diandaikan rawak ke atas perbandingan dan ciri-cirinya. Memandangkan regresi adalah purata kesan ciri ini, kesan ralat pada model regresi berkemungkinan tidak berat sebelah berkenaan dengan atribut yang diukur. Oleh itu, perlu difahami bahawa keberkesanan kaedah ini bergantung kepada penggunaan teknik regresi yang sangat tepat dan halus seperti splines regresi adaptif multivariate (MARS). R/earth disyorkan sebagai pakej perisian sumber terbuka percuma untuk tujuan ini. Perhatikan juga, bahawa hanya menggunakan kaedah regresi lanjutan dan tepat tidak menjamin kualiti hasilnya. Menggunakan regresi MARS memerlukan banyak pengalaman, pengetahuan dan kemahiran. Malah R2 yang tinggi bukanlah jaminan kualiti, kerana ia boleh menjadi hasil daripada pemasangan berlebihan. Setiap model mesti disemak untuk kesesuaian yang berlebihan dan sama ada ia masuk akal dari segi dunia sebenar.
2. Soalan: Adakah QA di atas bermakna kaedah ini sukar untuk diautomasikan?jawapan: Automasi amat diperlukan kerana aliran kerja di atas melibatkan beberapa langkah yang lebih kecil yang perlu dilakukan dengan cara yang konsisten dan sangat tepat. Walau bagaimanapun, pembinaan model regresi adalah seni, yang memerlukan bukan sahaja pengetahuan tentang alat regresi yang digunakan, tetapi juga pengetahuan dan pengalaman yang baik dalam penilaian. Walau bagaimanapun, automasi hanya berlaku setakat ini. Setiap model atau set persamaan nilai yang ditendang keluar oleh MARS mesti disemak oleh penganalisis/penilai yang tahu apa yang perlu dicari. Banyak model mungkin akan dijana dan disemak dengan mengubah parameter kepada MARS dan kemudian membetulkan atau mengubah suai data untuk mencari model yang sesuai yang akan memberikan hasil penilaian yang tepat. Walaupun mungkin untuk mereka bentuk sistem automatik sepenuhnya pada masa hadapan, itu mungkin satu cara. Akibatnya kaedah ini, sambil menjanjikan lebih ketepatan dan objektiviti dalam penilaian, juga lebih memakan masa dan memerlukan lebih banyak kemahiran.
3. Soalan: Sejauh manakah kaedah ini teguh terhadap bias penilai?jawapan: Kaedah ini benar-benar hanya mempunyai satu tempat di mana berat sebelah boleh diperkenalkan dan itu ialah penempatan harta subjek dalam kedudukan baki jualan yang boleh dibandingkan. Jika model tidak dipasang terlalu banyak, data adalah agak tepat, dan nilai R2 adalah kira-kira 70% atau lebih tinggi, maka berat sebelah dalam peletakan berkemungkinan jelas. Peletakan adalah lebih sukar dalam kawasan kedudukan luas sekitar purata, antara 10% dan 90% – di mana nilai baki lwn keluk skor lazimnya tidak terlalu curam. Ralat peletakan dalam bahagian pemeringkatan baki ini lazimnya tidak banyak memberi kesan kepada nilai. Walau bagaimanapun, lengkung baki cenderung curam pada kedua-dua hujung rendah dan tinggi, sifat nilai baki yang lebih rendah dan lebih tinggi. Dalam bahagian spektrum ini, perbezaan dalam kualiti dan atribut lain yang tidak diukur adalah sangat besar sehingga meletakkan subjek terlalu rendah atau terlalu tinggi dalam senarai kedudukan harus jelas. Walau apa pun, penyemak tahu di mana hendak mencari tanda berat sebelah. Ia tidak akan menjadi persoalan cuba mencari jarum dalam timbunan jerami. Jika persoalan timbul, langkah seterusnya ialah menyemak graf dan persamaan model regresi.
4. Soalan: “Bagaimanakah parameter subjektif, seperti kualiti, keadaan, dan lokasi/pandangan mendapat input ke dalam sistem? Dan jika ia tidak dimasukkan secara manual, adakah data wujud dalam sistem MLS hari ini dengan butiran/kedalaman yang mencukupi untuk mengautomasikan input faktor ini? (Seperti kaunter granit vs Corian vs laminate, atau siling 10′ vs 8′).” (Daripada AppraisersForum.com)jawapan: Ciri yang anda nyatakan ini hanyalah ciri "tidak terukur". Kami tidak mempunyai langkah untuk mereka. Sekurang-kurangnya tidak cukup baik untuk menjadi berguna. Jika kami melakukannya, kami hanya akan memasukkannya ke dalam regresi bersama-sama dengan GLA, Saiz Lot, Kiraan Bilik dan sebagainya. Jadi, apa yang kami lakukan ialah memasukkan semua ciri yang diukur ke dalam regresi dan ia mengeluarkan model yang menganggarkan harga jualan berdasarkan input ini. Sudah tentu, model itu tidak sempurna. Paling baik, ia mungkin menyumbang kira-kira 80% daripada varians harga. Itu meninggalkan kira-kira 20%, dipanggil "sisa". ("baki" dalam konteks ini ialah "harga jualan setanding" - "harga jualan anggaran regresi" !!) 20% itu ialah nilai semua nilai yang tidak diukur digabungkan bersama-sama ditambah ralat daripada data yang salah. Walau bagaimanapun, kebanyakan baki itu adalah untuk atribut yang tidak masuk ke regresi, kebanyakannya keadaan, kualiti dan paparan. Sekarang, ini ialah titik kritikal: Kami benar-benar tidak perlu menilai setiap ciri yang tidak diukur itu secara berasingan, kerana ternyata, kami hanya memerlukan jumlah nilainya untuk mendapatkan kesimpulan nilai untuk subjek. Walau bagaimanapun, anda boleh membahagikan baki antara atribut tidak terukur yang berbeza untuk melengkapkan penjelasan anda tentang sebab harga jualan berbeza antara sebanding jualan tertentu dan subjek dan sebanding lain. Cara anda melakukan pemisahan tidak mempunyai kesan ke atas harga jualan yang diselaraskan dan, melalui pemindahan (melalui purata) nilai yang ditunjukkan untuk subjek. Memandangkan semua harga jualan larasan anda akan sama, wajaran tidak akan memberi sebarang tujuan. Keseluruhan isu menangani atribut tidak terukur menggunakan sisa adalah subjek itu sendiri. Anda tidak perlu terlalu bimbang dengannya – kerana ia tidak mempunyai kesan ke atas nilai, hanya pada sokongan anda untuk kesimpulan nilai yang diberikan, iaitu, keupayaan anda untuk menerangkan dengan tepat mengapa sesetengah hartanah dijual lebih atau kurang daripada yang lain . Terdapat titik kritikal kedua: Katakan anda melakukan regresi pada 120 setanding jualan. kemudian anda berpaling dan membuat anggaran berdasarkan atribut yang diukur, dan daripada harga jualan yang boleh dibandingkan dan anggaran tersebut, baki. Kemudian anda menilai perbandingan berdasarkan sisanya, terbesar hingga terkecil. Jika anda mempunyai regresi yang baik dengan R2 sebanyak 70% atau lebih tinggi, mengelakkan pemasangan berlebihan, maka anda hampir pasti akan mendapati bahawa kedudukan setanding akan meletakkan keadaan, kualiti dan paparan yang lebih baik di bahagian atas senarai —- kerana mereka dijual lebih daripada jangkaan. Jadi, anda boleh menggunakan kedudukan itu untuk menjaringkan perbandingan dari segi atribut yang tidak diukur tersebut. Anda boleh memetakan markah kepada baki untuk mendapatkan "model sisa". Dengan model baki, anda boleh memasukkan mana-mana skor sedemikian dan ia kemudian akan memberi anda anggaran baki. Jadi, anda mengambil harta subjek dan mencari tempat yang paling sesuai dalam kedudukan. Skornya ialah purata dua sifat terbaik yang sesuai antaranya. Daripada skor, dapatkan baki. Tambahkan baki anggaran subjek pada anggaran regresi untuk mendapatkan anggaran harga jualan. … Atau pergi ke masalah untuk menolak setiap baki setanding daripada baki subjek untuk mendapatkan pelarasan baki, kira semua harga jualan yang diselaraskan — semuanya akan sama — dan ia akan sama persis dengan anggaran harga jualan subjek yang disebutkan di atas. Nota: Jika sebanding ditarafkan mengikut baki tetapi anda tidak nampak bahawa baki yang lebih besar berkait rapat dengan atribut yang tidak diukur — maka anda boleh yakin bahawa regresi anda mempunyai R2 yang rendah atau terlampau dipasang. Ini menjadikannya penting untuk menggunakan teknik regresi berkualiti tinggi seperti MARS – dan mengetahui perkara yang anda lakukan. Akhir sekali: Jawapan ringkas kepada soalan anda ialah kaedah ini menyediakan ukuran yang agak tepat untuk pembolehubah subjektif anda — cuma ia adalah nilai untuk SEMUA daripadanya.