Der subjektive Werteindämmungsansatz


Subjektiver Value Containment-Ansatz

Verkaufsvergleichsansatz: Subjective Value Containment, kurz SVC, ist ein Begriff, den ich der folgenden Methode für den Verkaufsvergleichsansatz gebe. Die Methode soll Gutachtern die Möglichkeit geben, Wertgutachten mit viel höherer Genauigkeit als mit Standardmethoden zu erstellen, indem sie:

  1.  Verwenden Sie ein hochwertiges Regressionstool wie Salford Systems MARS oder R-Language Earth.
    
  2.  Kontrolle der Gesamtanpassungen für subjektive oder qualitative Merkmale durch einen mehrstufigen Regressions- und Bewertungsprozess.

Allgemein

SVC ist eine Möglichkeit, die Über- und Unterbewertung subjektiver Merkmale einzudämmen oder zu begrenzen, die die subjektive Zuweisung von Bewertungen zu subjektiven Eigenschaftsmerkmalen wie Aussicht, Zustand und Qualität erfordern.   

Das Verfahren lässt sich in drei Phasen unterteilen:

Stufe I

Die erste Stufe der SVC-Methode ist die Verwendung eines hochwertigen Regressionstools wie MARS von Salford Systems oder Erde von der R-Sprache, um so viel wie möglich von der Preisabweichung zu modellieren, basierend auf objektiven quantitativen Merkmalen, die typischerweise von Steuerberatern und MLS-Daten bereitgestellt werden, wie z. B. Bruttowohnfläche (GLA), Grundstücksgröße, Raumgrößen und -anzahl, Dachart , Fundamenttyp und Standort. Diese Methode funktioniert am besten, wenn dieses anfängliche Regressionsmodell basierend auf diesen Daten mindestens 70-80% der Preisabweichung ausmachen kann. Niedrigere Werte sind jedoch durchaus brauchbar – auf Kosten der Genauigkeit. Gutachter tun einfach das Beste aus den Daten, die sie haben. Es kann argumentiert werden, dass die Regression selbst im schlimmsten Fall genauso gut oder besser ist als jede andere verfügbare Methode.

Stufe II

Es wird angenommen, dass die verbleibende Preisvarianz, die Differenz zwischen dem tatsächlichen Verkaufspreis und der Schätzung des Regressionsmodells, das sogenannte Residuum, das Ergebnis von Variablen ist, die entweder unbekannt sind oder durch eine subjektive Beurteilung bewertet werden müssen. Die wichtigsten Variablen der letztgenannten Gruppe werden als „qualitativ“ bezeichnet. Diese qualitativen Variablen haben Werte, die nur durch subjektives Urteilen repräsentiert werden können, da sie mit allgemein anerkannten wissenschaftlichen Messstandards nicht objektiv gemessen werden können. Zum Beispiel können wir den Zustand einer Wohnung anhand des Prozentsatzes der Wohnungen in der betreffenden Nachbarschaft beurteilen, die wir subjektiv als schlechter einstufen; und mit dieser Bewertungsmethode könnten wir eine Bewertung von 0-100% geben, gerundet auf die nächsten ganzen Prozent. Es ist jedoch oft der Fall, dass mehr Genauigkeit erforderlich ist, und ich verwende normalerweise 0.0-100.0 %. Diese letzteren Fälle treten auf, wenn es sich um Eigenschaften in der Nähe des unteren oder oberen Endes der Wertkurve handelt, wo die Steigung steil ist und sich die Werte schnell mit geringfügigen Schwankungen des Scores ändern. Zum Beispiel könnte eine Nachbarschaft mit älteren Häusern nur 2% in der Kategorie „Reparateure“ haben. Ein Haus mit einer Punktzahl von 1.5 könnte einige moderate Reparaturarbeiten in der Größenordnung von 20,000 USD erfordern, während ein Haus mit einer Punktzahl von 0.4 genauso gut für 250,000 USD abgerissen werden könnte. Ebenso neigen Häuser, die mit teuren Funktionen „überbaut“ sind, oft dazu, Werte zu haben, die in den oberen 1% der Werte in die Höhe schnellen.

Der Rest ist eine einzelne Menge und ein Warenkorbwert für alle Variablen oder Merkmale, die nicht in die Regressionssoftware eingegeben wurden. Alle von der Regressionssoftware analysierten Verkäufe können nach ihren Residuen geordnet werden, die durch Subtrahieren der Schätzungen des Stufe-I-Modells von ihren Verkaufspreisen erhalten werden. ( Wenn man eine höhere Genauigkeit möchte, kann er die Verkaufspreise „massieren“, um die Zugeständnisse der Käufer zu beseitigen, aber das wäre viel Arbeit, wenn es zum Beispiel 300 Verkäufe zu analysieren gibt. Allerdings, wenn es relativ wenige Verkäufe mit solchen Zugeständnissen im Markt, kann dies möglich sein, je nachdem, ob solche Daten von der MLS zuverlässig gekennzeichnet werden.)

Die geordneten Residuen können in der Rangfolge prozentual höher oder niedriger bewertet werden. Wenn wir also unten den Prozentsatz verwenden würden, würde die Punktzahl mit dem größten negativen Rest eine Punktzahl von 0 erhalten und die mit der höchsten Punktzahl würde 99 erhalten, basierend auf einer ganzzahligen Punktzahl von 0-99. (Man kann diesen Score genauer machen, indem man 0.0-99.9 verwendet.)

Als Nächstes kann die Regression gegen den Restwert als einzelne Prädiktorvariable gegen den Verkaufsrest ausgeführt werden, um ein Modell für die Residuen zu erhalten. Dies ist wirklich nur eine Funktion von Punktzahl vs. Rest. Wenn Sie den vom Modell der Stufe 1 vorhergesagten Preis zu dem vom Restwert vorhergesagten Residuum addieren, sollten Sie dem Verkaufspreis für die Verkaufsvergleichswerte sehr nahe kommen. Und wenn Sie dies auf Ihre Schätzung des Restwerts für das Objekt anwenden, sollten Sie eine sehr gute Schätzung für den hypothetischen Verkaufspreis der Objektimmobilie haben.

Stufe III

Die beiden obigen Modelle können zu einem einzigen Modell kombiniert und zur Berechnung in ein Computerprogramm codiert werden. Sechs bis ein Dutzend Comps können, wenn sie dem Thema einigermaßen ähnlich sind, zusammen mit den Merkmalswerten des Subjekts in den Computer eingegeben werden, um die Anpassungen und angepassten Verkaufspreise zu berechnen, die wiederum gemittelt werden, um einen geschätzten Verkaufspreis für das Thema. Es sollte die Möglichkeit bestehen, die Verkaufsvergleiche nach dem Grad der Ähnlichkeit zum Thema zu gewichten, wenn dies sinnvoll ist.

Letzte Probleme

Aufgrund von Berichtspflichten kann es erforderlich sein, die Residuen in Komponentenwerte aufzuteilen. Insbesondere müssen Bedingung, Qualität und Ansicht möglicherweise getrennt werden. Wie dies geschieht, liegt weitgehend im Ermessen des Gutachters. Die Einschränkung besteht darin, dass sich für jeden vergleichbaren Verkauf die Anpassungen für die qualitativen Variablen zum Residuum addieren müssen. Ein Haus mit einer durchschnittlichen Punktzahl in diesen Merkmalen hat ein Residuum nahe 0. Daher erwarten wir, dass das Residuum positiver (für die oben genannten Merkmale) oder negativer (für minderwertige Merkmale) wird, wenn die Merkmale vom Durchschnitt abweichen. Wenn also ein vergleichbarer Umsatz einen Restwert von -50,000 hat, sich in einem durchschnittlichen Zustand und von durchschnittlicher Qualität mit einer schlechten Ansicht befindet, könnten wir erwarten, dass wir alle diese 50,000 USD der schlechten Ansicht zuordnen. Es spielt keine Rolle, wie diese 50,000 US-Dollar auf verschiedene qualitative Merkmale bei der Berechnung des endgültigen bereinigten Werts verteilt werden. Die Mathematik stellt sicher, dass der angepasste Wert gleich bleibt. Die Verteilung liefert dem Bewertungsleser jedoch eine Erklärung dafür, warum der bereinigte Preis so ist, wie er ist.

Ein interessantes Problem ist die Aufteilung des geschätzten Residuums für die betreffende Eigenschaft. Da der Gutachter das Thema inspiziert hat, ist er in der Tat in der Lage, den geschätzten Restwert angemessen auf die verfügbaren „Restmerkmale“ aufzuteilen. Veröffentlichungsfenster öffnen

Übersetzen "