Residuele inperkingsbenadering (RCA)




Residuele inperkingsbenadering (RCA)

Residual Containment Approach (RCA) Protokol

Residuele inperkingsbenadering (RCA)

'n Variasie op die tradisionele verkoopsvergelykingsbenadering vir beoordeling

Inleiding en Oorsig

deur Bert Craytor, Pacific Vista Net, 6 Augustus 2022
Pacifica, Kalifornië


Ek het 'n nuwe metode vir die verkoopsvergelykingsbenadering in 2020 en 2021 bekendgestel wat veel hoër akkuraatheid, objektiwiteit en betroubaarheid belowe as huidige metodes wat algemeen deur keurders gebruik word. Let daarop dat ek die metode onder verskeie verskillende name gebruik het, soos die Subjektiewe Waarde- of Ontasbare Waarde-beperkingsbenadering om eiendomme in die San Francisco Bay Area vir IRS en uitleendoeleindes te beoordeel. Die nuwe benaming is bedoel om meer betekenisvol te wees. In plaas van "ontasbare" of "subjektiewe" kenmerke vir toestand, kwaliteit, funksionele nut, siening, en dies meer, is dit meer presies om die term "ongemeet" eienskappe te gebruik, aangesien hierdie tegniek die waarde van alle ongemeet eienskappe deur regressie-residue insluit. . Ek stel dus voor dat "Residuele Inperkingsbenadering" die mees bondige en korrekte term is.

Hierdie vraestel is bedoel om 'n kort, nie-wiskundige inleiding tot die Residuele Inperkingsbenadering te wees.  

Die metode kan beskryf word as 'n werkvloei wat die volgende insluit:

  1. Fokus op die bepaling van die waardebydrae van alle kenmerke wat bydra tot die waarde van 'n eiendom, eerder as die klassieke direkte bepaling van aanpassingswaardes deur ooreenstemmende pare of normale regressietegnieke. Aanpassingswaardes is bloot die verskil tussen die bydraewaardes van die vak en die vergelykbares. Tog omseil aanpassingswaardes self maklik veiligheidsbeperkings. Bydraewaardes moet by die verkoopprys optel. Daarom is dit beslis veiliger om die bydraewaardes te bereken voordat aanpassings bereken word.
  2. Versamel baie vergelykbare verkope uit die buurt of markgebied. Dit kan 'n dorp of afsonderlike gebied van 'n groter stad insluit. Jy moet probeer om binne 'n radius van 3 myl te bly, maar dit hang natuurlik af van die tipe eiendom. Jy moet probeer om ten minste 80 of meer vergelykbares te kry wat kenmerke het wat waarskynlik ten minste gedeeltelik met mekaar en die onderwerp sal oorvleuel. My gemiddelde aantal vergelykings is 125-180, maar kan tot 600 styg. Jy sal dalk ook 5 tot 15 jaar of meer moet teruggaan om 'n nuttige aantal verkope te kry en te verseker dat jy 'n goeie steekproef van kenmerke het wat jy in die onderwerp eiendom. 'n Vak met 'n seldsame kombinasie van kenmerkwaardes mag dalk 10 jaar of meer in tyd teruggaan. Daar is ook terugwerkende aanslae. Die datum van verkoop vir 'n vergelykbare of die onderwerpeiendom kan altyd aangepas word. Verstaan ​​egter dat hoe verder terug in die tyd jy gaan, hoe meer faktore is daar in prysveranderings. As jy meer as 10 jaar teruggaan, sal jy waarskynlik ontdek dat kopersmaak in daardie tydperk verander het, wat 'n interaksie tussen die datum van verkoop en ander kenmerke skep. Jy sal dan tweerigting-interaksies moet gebruik, wat die kompleksiteit van die finale regressiemodel verhoog.
  3. Skeiding van gemete en ongemeet eienskappe. Regressie word slegs uitgevoer op gemete kenmerkwaardes. Die waardasie van ongemeet eienskappe word deur residue gedoen.
  4. Konstruksie van 'n regressiemodel gebaseer op gemete kenmerkwaardes soos GLA, lotgrootte, datum van verkoop, stories, kamertellings, GIS-koördinate en ouderdom (werklik of effektief), met behulp van 'n hoogs akkurate regressietegniek soos meerveranderlike adaptiewe regressie-splines ( MARS). Hiervoor word die oopbron "aarde" pakket van R saam met die "caret" pakket aanbeveel. Dit kan in die oopbron R Studio met parallelle verwerking uitgevoer word. Ek gebruik dit tans op 'n AMD Ryzen 9 5950-lessenaar wat tipies ongeveer 28 uit 32 kerne gebruik, waar caret 28 +/- afsonderlike gevalle van R Studio afdraai vir parallelle verwerking van veelvuldige lopies. 
  5. Skep van 'n oorblywende model gebaseer op die verskil tussen die ramings wat deur die regressiemodel verskaf word en die werklike verkooppryse van die verkoopsvergelykbares. Hierdie model is twee dinge:

    1. 'n Funksie wat 'n restelling van sê 0.00 tot 10.00 na 'n reswaarde karteer. Jy kry hierdie funksie deur die verkope vergelykbares volgens reswaarde van die grootste na die kleinste te rangskik, en dan 'n telling te skep gebaseer op die persentasie verkope minder as 'n gegewe waarde. Die funksie kan geskep word deur 'n regressie op hierdie twee stelle waardes uit te voer of bloot 'n opsoekskikking te skep wat 'n spesifieke telling na 'n waarde toewys. Jy moet 'n program in R skryf om dit te doen. Deur hierdie funksie te gebruik, kan jy dan die vak se geskatte restelling invoer om 'n skatting van sy reswaarde te kry. Dit is die sleutel om die verkoopprys van die onderwerp te skat.   Let wel: Hierdie stap kan ten volle geoutomatiseer word in R.

    2. Toewysing van die reswaarde vir elke verkoop vergelykbare en die onderwerp eiendom aan die ongemete eienskappe. Die res gee die totale waarde van alle ongemeet eienskappe. Tipies sal die gebruiker van die verslag iets meer betekenisvol wil hê. Die oorblyfsels moet verdeel word tussen die verskillende ongemeet eienskappe, soos Kwaliteit, Toestand, Funksionele Nut, Aansig, en enige ander ongemeet eienskappe wat jy dink waardevol is. Die waardeerder hoef dit net te doen vir die vergelykbares wat in die verkoopsrooster gaan. Dit is 'n goeie ding, want dit neem 'n bietjie werk en tyd om dit te doen.  Let daarop dat dit 'n handmatige proses is wat kennis van beoordeling vereis.    Hou in gedagte dat wat die finale waarde-gevolgtrekking betref, dit slegs die totale waarde is wat enige impak het. Hoe jy daardie totale reswaarde verdeel, beïnvloed net jou kommunikasie aan die verslagleser oor wei die verkope vergelykbare verkoop vir meer of minder as die onderwerp en ander vergelykbares. Hierdie stap is waar die "beperking" van die metode in die prentjie kom. Jy ken waarde toe aan die ongemete eienskappe, – onder die beperking dat al sulke reskomponentwaardes vir 'n spesifieke vergelykbare by die ooreenstemmende reswaarde moet optel. As jy ekstra waarde vir Toestand wil byvoeg, moet jy daardie waarde van een of meer van die ander eienskappe wegneem. 

      Let wel: Hierdie stap kan nie ten volle geoutomatiseer word nie. Ten minste nie binnekort nie, – soos in die volgende dekade. Hoe goeie werk jy in hierdie stap doen, sal egter nie die waarde-gevolgtrekking beïnvloed nie – net die kwaliteit van jou verduideliking van hoekom een ​​eiendom vir meer of minder verkoop is as 'n ander. Jy kan hierdie proses kortpad deur ongemete waardes op grond van persentasies te skat as jy tyd kort. Byvoorbeeld, jy kan outomaties 30% van die oorblyfsel toewys aan Kwaliteit, 30% aan Toestand, 20% aan Functional Utility, en 20% aan View en dan individuele verkope (of die onderwerp) op grond van uitsondering aanpas. Meer waarskynlik sal jy egter die taak meer ingewikkeld vind aangesien die oorblyfsel uit beide negatiewe en positiewe waardes saamgestel kan word. Byvoorbeeld, as die oorblyfsel vir 'n vergelykbare $50K is, gaan miskien $75K na Toestand, en - $25K gaan na View. Weereens, jy kan die aanvanklike toekenning outomatiseer op grond van persentasies en dan die toekenning aanpas op grond van afwykings van die norm.

  6. Erkenning dat 'n regressiemodel met 'n aansienlik hoë R2-waarde reswaardes sal verskaf wat korreleer met die waarde van die ongemeet eienskappe. Dit wil sê, 'n eiendom wat vir meer verkoop as wat verwag is of deur die model aangedui word gebaseer op gemete eienskappe, maar het ongemete eienskappe wat meer werd is as die gemiddelde eiendom.

  7. Rangskik vergelykbares volgens reswaarde van groot na klein, stem dan ooreen met die waarde van die ongemeet eienskappe. Die rangorde kan persentasietellings verskaf, byvoorbeeld 0.00 tot 10.00, waar byvoorbeeld 'n telling van 6.25 sou aandui dat 62.5% van die verkope vergelykbares 'n laer oorblywende telling gehad het. Jy kan tellings gebruik wat van 0.0 tot 100.0 gaan, maar ek vind dat 0.00 tot 10.00 geriefliker is.

  8. Rangskik vakeiendom teenoor die geranglys van vergelykbare residue, om te vind tussen watter twee eienskappe die beste pas, gebaseer op ongemeet eienskappe. Dit sal dan 'n telling tussen die beter en mindere (in terme van oorblywende) eienskappe aandui. 'n Ruwe skatting kan gebruik word. Hierdie telling kan dan omgekeerd na 'n reswaarde gekarteer word en daardie waarde dan as die proefpersoon se reswaarde gebruik word.

  9. Die beraamde reswaarde vir die onderwerpeienskap word dan by die skatting van die regressiemodel gevoeg, gebaseer op sy gemete eienskappe om by 'n aangeduide waarde uit te kom.

Die vak kan byvoorbeeld tussen 'n vergelykbare met 'n telling van 6.2 en een met 'n telling van 6.3 inpas, so jy ken 'n telling van 6.25 aan die vak toe. Uit hierdie telling vind jy die ooreenstemmende reswaarde vir die vak is $120K. Vergelykbare 1 het 'n reswaarde van $80 40, dus die verskil is +$1 20 wat jou totale aanpassing is vir alle ongemete kenmerke in vergelykbare 10. Hiervan ken jy $10 1 toe aan toestand, $XNUMX XNUMX aan besigtiging en $XNUMX XNUMX aan funksioneel Nut. En let daarop dat Vergelykbare XNUMX in hierdie geval minderwaardig is as die Onderwerp, met betrekking tot ongemeet eienskappe.

As ons die uitset van die bogenoemde werkvloei neem en dit in 'n verkoopsrooster plaas, bereken elke kenmerkaanpassing as   

              Eienskapaanpassing = Vakkenmerkwaardebydrae – Verkoopsvergelykbare waardebydrae,

ons sal alle aanpassings verkry, behalwe dat die totale aanpassingswaarde vir alle ongemete eienskappe onder 'n enkele oorblywende aanpassing sal wees. Ons kan egter die oorblywende bydraewaardes rugsteun en eers verdeel tussen die verskillende ongemete eienskappe voordat die aanpassings bereken word. Hoe ons die oorblywende aanpassing verdeel, sal nie die finale waarde-uitkoms (of met ander woorde die gemiddelde van alle Aangepaste Verkooppryse) beïnvloed nie, solank die individuele waardes steeds optel tot die restotaal vir elke verkoop vergelykbaar. As 'n kortpad kan ons ook net die oorblywende aanpassing verdeel tussen die verkope vergelykbare ongemeet eienskappe, alhoewel dit aanpassings in gevaar stel wat waarskynlik ietwat off-basis sal wees, hoewel sulke foute nie die aangepaste verkooppryse sal beïnvloed nie.

Die eindresultaat sal wees dat alle verkoopsvergelykbares presies dieselfde aangepaste verkoopprys sal hê. En as ons daardie waardes gemiddeld het, sal ons dieselfde waarde hê as wat deur stap 8 hierbo verkry is.  

'n Mens kan vra - Hoekom gooi jy nie net die verkoopsrooster weg en gebruik die waarde wat uit stap 8 hierbo verkry is nie? Die beste rede is dat die verkoopsrooster gegronde ondersteuning bied vir die waarde-gevolgtrekking wat die gebruiker kan hersien. Dit verskaf redes waarom die individuele verkope vergelykbares verkoop vir minder of meer as die waarde gevolgtrekking vir die onderwerp eiendom.

Vraag antwoord

  1. Vraag: Hoe weet ons dat die rangorde van die verkope vergelykbares volgens reswaarde sal ooreenstem met die waardebydrae van die verskillende ongemeet eienskappe?

    Beantwoord: Dit hang af van hoe goed die regressiemodel vir die gemete eienskappe is. 'n Hoë R2-waarde van 70-80%+ verseker dat 70-80% van die waardeafwykings tussen die vergelykbares deur die regressiemodel van gemete eienskappe verreken word. 20-30% moet noodwendig te wyte wees aan die ongemete eienskappe en foute. Daar word aanvaar dat die foute ewekansig oor die vergelykbares en hul kenmerke is. Aangesien regressie gemiddeld die impak van hierdie kenmerke is, is die impak van die fout op die regressiemodel waarskynlik onbevooroordeeld met betrekking tot gemete eienskappe.

    Dit moet dus verstaan ​​word dat die doeltreffendheid van hierdie metode afhang van die gebruik van 'n hoogs akkurate en verfynde regressietegniek soos multivariate adaptive regression splines (MARS). R/earth word aanbeveel as 'n gratis oopbronsagtewarepakket vir hierdie doel.

    Let ook daarop dat die gebruik van 'n gevorderde en akkurate regressiemetode nie die kwaliteit van die resultaat waarborg nie. Die gebruik van MARS-regressie verg baie ondervinding, kennis en vaardigheid. Selfs 'n hoë R2 is nie 'n waarborg van gehalte nie, aangesien dit die gevolg kan wees van oorpassing. Elke model moet hersien word vir oorpassing en of dit sin maak in die werklike wêreld terme.
  2. Vraag: Beteken die bogenoemde QA dat hierdie metode moeilik sal wees om te outomatiseer?

    Beantwoord: Outomatisering is absoluut nodig omdat die bogenoemde werkvloei 'n aantal kleiner stappe behels wat op 'n konsekwente en hoogs akkurate manier gedoen moet word. 

    Die konstruksie van 'n regressiemodel is egter 'n kuns wat nie net kennis vereis van die regressie-instrument wat gebruik word nie, maar ook goeie kennis en ervaring in taksering. Outomatisering gaan egter net so ver. Elke model of stel waardevergelykings wat deur MARS uitgeskop word, moet deur die ontleder/waardeerder hersien word wat weet waarna om te kyk. Baie modelle sal waarskynlik gegenereer en hersien word deur die parameters na MARS te verander en dan data reg te stel of andersins te wysig om 'n geskikte model te vind wat akkurate waardasieresultate sal verskaf.

    Alhoewel dit moontlik behoort te wees om 'n ten volle outomatiese stelsel in die toekoms te ontwerp, is dit waarskynlik 'n manier om nie. Gevolglik is hierdie metode, terwyl dit meer akkuraatheid en objektiwiteit in waardasie belowe, ook meer tydrowend en vereis meer vaardigheid.

  3. Vraag: Hoe robuust is hierdie metode teen keurdersvooroordeel?

    Beantwoord: Hierdie metode het eintlik net een plek waar vooroordeel ingestel kan word en dit is die plasing van die onderwerpeiendom in die oorblywende rangorde van die verkoopsvergelykbares. As die model nie te veel toegerus is nie, die data redelik akkuraat is en die R2-waarde ongeveer 70% of hoër is, sal vooroordeel in plasing waarskynlik duidelik wees. Plasing is moeiliker in die breë rangorde rondom die gemiddeld, tussen 10% en 90% – waar die reswaarde vs telling kurwe tipies nie baie steil is nie. Plasingsfoute in hierdie deel van die oorblywende rangorde het gewoonlik nie 'n impak op waarde nie. Die reskurwe is egter geneig om steil te wees aan beide die lae en hoë punte, die laer en hoër reswaarde eienskappe. In hierdie deel van die spektrum is die verskille in kwaliteit en ander ongemeet eienskappe so groot dat die plasing van die onderwerp te laag of te hoog in die ranglys moet wees voor die hand liggend. Die resensent weet in elk geval waar om te soek vir tekens van vooroordeel. Dit gaan nie 'n kwessie wees om 'n naald in 'n hooimied te probeer vind nie. As daar vrae ontstaan, sal die volgende stap wees om die regressiemodelgrafieke en vergelykings te hersien.

  4. Vraag: “Hoe kry subjektiewe parameters, soos kwaliteit, toestand en ligging/aansig insette in die stelsel? En as dit nie met die hand ingevoer word nie, bestaan ​​die data in vandag se MLS-stelsels met genoeg korreligheid/diepte om die invoer van hierdie faktore te outomatiseer? (Soos graniet vs Corian vs gelamineerde toonbanke, of 10′ vs 8′ plafonne). (Van AppraisersForum.com)

    Beantwoord: Hierdie kenmerke wat jy genoem het, is net "ongemeet" kenmerke. Ons het nie maatreëls vir hulle nie. Ten minste nie goed genoeg om nuttig te wees nie. As ons dit gedoen het, sou ons hulle eenvoudig in die regressie invoer saam met GLA, Lotgrootte, Kamertelling, ensovoorts.

    Dus, wat ons doen, is om alle gemete kenmerke in die regressie in te voer en dit skop 'n model uit wat die verkoopprys skat op grond van hierdie insette. Natuurlik is die model nie perfek nie. Op sy beste kan dit ongeveer 80% van die prysafwyking uitmaak. Dit laat ongeveer 20% oor, wat die "residueel" genoem word. (Die “residueel” in hierdie konteks is die “vergelykbare verkoopprys” – “regressie beraamde verkoopprys” !!) Daardie 20% is die waarde van al die ongemeet waardes saamgevoeg plus foute van verkeerde data. Die meeste van daardie oorblyfsel gaan egter wees vir die eienskappe wat nie in die regressie ingegaan het nie, meestal toestand, kwaliteit en uitsig.

    Nou, dit is die kritieke punt: ons hoef regtig nie elkeen van daardie ongemete kenmerke afsonderlik te waardeer nie, want soos dit blyk, het ons net hul totale waarde nodig om 'n waarde-gevolgtrekking vir die onderwerp te kry. Jy kan egter die oorblyfsel tussen die verskillende ongemeet eienskappe verdeel om jou verduideliking te voltooi van hoekom die verkooppryse verskil tussen 'n gegewe verkoopsvergelykbare en die onderwerp en ander vergelykbares. Hoe jy die verdeling doen, het geen impak op die aangepaste verkoopprys en, deur oordrag (deur middel van) die aangeduide waarde vir die onderwerp nie. Aangesien al jou aangepaste verkooppryse presies dieselfde sal wees, sal gewig geen doel dien nie. Die hele kwessie van die hantering van ongemete eienskappe deur gebruik te maak van residue is 'n onderwerp op sigself. Jy hoef nie te veel daaroor bekommerd te wees nie – aangesien dit geen impak op waarde het nie, net op jou ondersteuning vir die gegewe waarde-gevolgtrekking, dit wil sê, jou vermoë om presies te verduidelik hoekom sommige eiendom vir meer of minder verkoop is as 'n ander. .
     
    Daar is 'n tweede kritieke punt: Sê jy doen die regressie op 120 verkope vergelykbares. dan draai jy om en skep skattings gebaseer op die gemete eienskappe, en uit die vergelykbare verkoopspryse en daardie skattings, die residue. Dan rangskik jy die vergelykbares op grond van hul oorblyfsels, grootste tot kleinste. As jy 'n ordentlike regressie het met 'n R2 van 70% of hoër, wat oorpassing vermy, dan sal jy byna seker vind dat die rangorde van die vergelykbares die beter toestand, kwaliteit en uitsig vergelykbares boaan die lys sal plaas —- omdat hulle verkoop vir meer as wat verwag is. So jy kan daardie rangorde gebruik om die vergelykbare punte in terme van daardie ongemete eienskappe te behaal. Jy kan die tellings na die residue karteer om 'n "residuele model" te kry. Met 'n oorblywende model kan jy enige sodanige telling invoer en dit sal dan vir jou die geskatte oorblyfsel gee. Dus, jy neem die onderwerpeiendom en vind waar dit die beste in die rangorde pas. Sy telling is die gemiddelde van die twee beste eiendomme waartussen dit pas. Van die telling, kry die oorblywende. Voeg die vak se geskatte oorblyfsel by die regressieskatting om 'n beraamde verkoopprys te kry. … Of gaan die moeite om elke vergelykbare res van die onderwerpresidu af te trek om 'n residuele aanpassing te kry, bereken al die aangepaste verkooppryse - hulle sal almal dieselfde wees - en hulle sal presies gelyk wees aan die onderwerp se voorgenoemde beraamde verkoopprys.

    Let wel: As die vergelykings volgens residu gerangskik word, maar jy sien nie dat die groter residue baie goed verband hou met die ongemete eienskappe nie - dan kan jy redelik seker wees dat jou regressie 'n lae R2 het of oorgepas is. Dit maak dit noodsaaklik om 'n hoë-gehalte regressietegniek soos MARS te gebruik – en om te weet wat jy doen.

    Ten slotte: 'n Kort antwoord op jou vraag is dat hierdie metode 'n redelike presiese maatstaf vir jou subjektiewe veranderlikes verskaf - net dit is 'n waarde vir ALLE van hulle. – Maar dit is goed genoeg om tot 'n waardevolle gevolgtrekking te kom.

 

Lewer Kommentaar

Vertaal »