Pendekatan Kekangan Baki

Pendekatan Kekangan Baki (RCA)

Pendekatan Perbandingan Jualan: Pendekatan Kekangan Residual atau singkatannya RCA, adalah istilah yang saya berikan kepada kaedah berikut untuk Pendekatan Perbandingan Jualan. Kaedah ini juga boleh dipanggil Pendekatan Nilai Tidak Ketara atau Subjektif. Kaedah ini direka untuk memberi penilai keupayaan untuk menghasilkan pendapat yang bernilai dengan tahap ketepatan yang lebih tinggi daripada kaedah standard, dengan:

  1.  Menggunakan alat regresi berkualiti tinggi seperti Salford Systems MARS atau R-Language Earth.
  2. Mengawal jumlah pelarasan untuk ciri subjektif atau kualitatif melalui regresi berbilang peringkat dan proses pemarkahan.

Umum

RCA ialah cara untuk membendung atau mengehadkan penilaian berlebihan dan kurang bagi ciri subjektif yang memerlukan penugasan subjektif markah kepada ciri sifat subjektif seperti paparan, keadaan dan kualiti.   

Prosedur boleh dibahagikan kepada tiga peringkat:

Tahap I

Peringkat pertama kaedah RCA adalah menggunakan alat regresi berkualiti tinggi seperti MARS dari Salford Systems atau bumi daripada R-Language, untuk memodelkan sebanyak mungkin varians harga, berdasarkan ciri kuantitatif objektif, biasanya disediakan oleh penilai cukai dan data MLS, seperti ruang tamu kasar (GLA), saiz lot, saiz dan kiraan bilik, jenis bumbung , jenis asas dan lokasi. Kaedah ini berfungsi paling baik apabila model regresi awal ini boleh menyumbang sekurang-kurangnya 70-80% daripada varians harga berdasarkan data tersebut. Walau bagaimanapun, nilai yang lebih rendah pastinya boleh digunakan - dengan mengorbankan ketepatan. Penilai hanya melakukan yang terbaik yang mereka boleh dengan data yang mereka ada. Ia boleh dikatakan bahawa regresi adalah sama baik atau lebih baik daripada kaedah lain yang tersedia, walaupun dalam senario terburuk.

Tahap II

Varians harga selebihnya, perbezaan antara harga jualan sebenar dan anggaran yang disediakan oleh model regresi, dipanggil baki, diandaikan sebagai hasil pembolehubah yang sama ada tidak diketahui atau mesti dijaringkan melalui pertimbangan subjektif. Kumpulan pembolehubah yang paling penting adalah yang dirujuk sebagai 'kualitatif'. Pembolehubah kualitatif ini mempunyai nilai yang hanya boleh diwakili melalui pertimbangan subjektif, kerana ia tidak boleh diukur secara objektif menggunakan piawaian pengukuran saintifik yang diterima umum. Sebagai contoh, kita mungkin menilai keadaan rumah berdasarkan peratusan rumah dalam kejiranan subjek yang kita anggap, secara subjektif, berada dalam keadaan yang lebih teruk; dan dengan kaedah pemarkahan ini, kami mungkin memberikan markah 0-100%, dibundarkan kepada peratus keseluruhan yang terdekat. Walau bagaimanapun, ia selalunya berlaku, lebih banyak ketepatan diperlukan, dan saya biasanya menggunakan 0.0-100.0%. Kes terakhir ini berlaku apabila kita berurusan dengan sifat berhampiran bahagian bawah atau atas lengkung nilai, di mana cerunnya curam, dan nilai berubah dengan cepat dengan variasi kecil dalam skor. Sebagai contoh, kawasan kejiranan rumah lama mungkin mempunyai hanya 2% dalam kategori "pembetul". Rumah dengan skor 1.5 mungkin memerlukan kerja pembaikan sederhana pada pesanan $20,000, manakala rumah dengan skor 0.4 mungkin juga dirobohkan dengan kos $250,000. Begitu juga, rumah yang "terbina" dengan ciri mahal selalunya cenderung mempunyai nilai yang meroket dalam 1% markah atas.

Baki ialah kuantiti tunggal dan merupakan nilai bakul untuk semua pembolehubah atau ciri yang tidak dimasukkan ke dalam perisian regresi. Semua jualan yang dianalisis oleh perisian regresi boleh disenaraikan mengikut baki yang diperoleh dengan menolak anggaran yang disediakan oleh model Peringkat I daripada harga jualannya. ( Jika seseorang mahukan tahap ketepatan yang lebih tinggi, dia boleh "mengurut" harga jualan untuk menghapuskan konsesi pembeli, tetapi ini akan menjadi banyak kerja, jika, sebagai contoh, terdapat 300 jualan untuk dianalisis. Walau bagaimanapun, jika terdapat secara relatifnya beberapa jualan dengan konsesi sedemikian di pasaran, ini mungkin boleh dilakukan, bergantung pada sama ada data tersebut dibenderakan dengan pasti oleh MLS. )

Sisa kedudukan boleh dijaringkan mengikut peratusan di atas atau
di bawah dalam ranking. Jadi, jika kita mahu
menggunakan peratusan di bawah, skor dengan baki negatif terbesar akan mendapat a
skor 0 dan yang mendapat markah tertinggi akan mendapat 99, berdasarkan integer
markah dari 0-99. (Seseorang boleh membuat ini
skor lebih tepat dengan menggunakan 0.0-99.9.)

Seterusnya, regresi boleh dijalankan terhadap skor baki sebagai pembolehubah peramal tunggal terhadap baki jualan untuk mendapatkan model bagi baki. Ini sebenarnya hanya fungsi skor vs baki. Jika anda menambah harga yang diramalkan oleh model Peringkat 1, kepada baki yang diramalkan oleh skor baki, anda harus mendekati harga jualan untuk perbandingan jualan. Dan jika anda menggunakan ini pada anggaran skor baki anda untuk subjek – anda harus mempunyai anggaran yang sangat baik untuk harga jualan hipotesis hartanah subjek.

Tahap III

Kedua-dua model di atas boleh digabungkan menjadi satu model dan dikodkan ke dalam program komputer untuk pengiraan. Enam hingga sedozen atau lebih kompom, jika semunasabahnya serupa dengan subjek, boleh dimasukkan ke dalam komputer, bersama-sama dengan nilai ciri subjek, untuk mengira pelarasan dan harga jualan diselaraskan, yang seterusnya dipuratakan untuk memberikan anggaran harga jualan untuk subjek. Harus ada pilihan untuk menimbang jualan sebanding dengan tahap persamaan dengan subjek jika itu masuk akal.

Isu Akhir

Mungkin perlu, kerana keperluan pelaporan, untuk membahagikan sisa kepada nilai komponen. Khususnya, Keadaan, Kualiti dan Paparan mungkin perlu diasingkan. Bagaimana ini dilakukan, sebahagian besarnya adalah budi bicara penilai. Kekangannya ialah untuk setiap jualan yang setanding, pelarasan untuk pembolehubah kualitatif mesti ditambah kepada baki. Rumah dengan skor purata dalam ciri ini mempunyai baki hampir 0. Oleh itu, kami menjangkakan, apabila ciri menyimpang daripada purata, baki menjadi lebih positif (untuk ciri di atas) atau lebih negatif (untuk ciri rendah). Oleh itu, jika jualan yang setanding mempunyai baki -50,000, berada dalam keadaan sederhana dan berkualiti sederhana, dengan pandangan yang buruk, kami mungkin menjangkakan untuk memperuntukkan semua $50,000 itu kepada paparan yang buruk. Tidak kira bagaimana $50,000 itu diagihkan kepada pelbagai ciri kualitatif dalam mengira nilai pelarasan akhir. Matematik memastikan nilai larasan kekal sama. Pengagihan itu, bagaimanapun, memberikan penjelasan kepada pembaca tentang penilaian tentang mengapa harga larasan adalah seperti itu.

Masalah yang menarik ialah cara membahagikan baki anggaran untuk harta subjek. Malah, memandangkan penilai telah memeriksa subjek, dia berada dalam kedudukan yang baik untuk membuat pembahagian yang munasabah bagi anggaran baki merentas "ciri baki" yang tersedia.

 
 
 
Tatal ke