Subjektiivse väärtuse ohjeldamise lähenemisviis


Subjektiivse väärtuse hoidmise lähenemisviis

Müügivõrdluse lähenemisviis: Subjektiivne väärtuse hoidmine või lühidalt SVC on termin, mille ma annan järgmisele müügivõrdlusmeetodi meetodile. Meetodi eesmärk on anda hindajatele võimalus esitada väärtuslikke arvamusi palju suurema täpsusega kui standardmeetodite puhul:

  1.  Kasutades kvaliteetset regressioonivahendit, näiteks Salford Systems MARS või R-Language Earth.
    
  2.  Subjektiivsete või kvalitatiivsete omaduste kogu kohandamise kontrollimine mitmeastmelise regressiooni- ja hindamisprotsessi kaudu.

Üldine

SVC on viis, kuidas piirata või piirata subjektiivsete tunnuste üle- ja alahindamist, mis nõuavad skooride subjektiivset määramist subjektiivsetele omadustele, nagu vaade, seisund ja kvaliteet.   

Protseduuri võib jagada kolme etappi:

I etapp

SVC meetodi esimene etapp on kasutada kvaliteetset regressioonivahendit nagu MARS firmalt Salford Systems või maa alates R-keelest, et modelleerida võimalikult palju hinnaerinevusi, tuginedes objektiivsetele kvantitatiivsetele tunnustele, mis tavaliselt esitatakse maksumaksja ja MLS-i andmetel, nagu eluruumi kogupind (GLA), partii suurus, ruumide suurus ja arv, katusetüüp , vundamendi tüüp ja asukoht. See meetod töötab kõige paremini siis, kui see esialgne regressioonimudel võib selliste andmete põhjal moodustada vähemalt 70–80% hinnavahest. Madalamad väärtused on aga kindlasti kasutatavad - täpsuse arvelt. Hindajad teevad oma andmetega lihtsalt endast parima. Võib väita, et regressioon on sama hea või parem kui mis tahes muu olemasolev meetod, isegi halvimal juhul.

II etapp

Ülejäänud hinnaerinevus, tegeliku müügihinna ja regressioonimudeli esitatud hinnangu vahe, mida nimetatakse jäägiks, on eeldatavasti muutujate tulemus, mis on kas tundmatud või tuleb hinnata subjektiivse hinnangu alusel. Viimase rühma muutujatest on kõige olulisemad need, mida nimetatakse kvalitatiivseteks. Nendel kvalitatiivsetel muutujatel on väärtused, mida saab esitada ainult subjektiivse hinnangu abil, kuna neid ei saa objektiivselt mõõta üldtunnustatud teaduslike mõõtmisstandardite abil. Näiteks võime kodu seisundi üle otsustada nende naabrite kodude protsendi põhjal, mida me subjektiivselt halvemaks peame; ja selle hindamismeetodi puhul võime anda 0–100%skoori, ümardatuna täisprotsendini. Sageli on aga vaja täpsust ja ma kasutan tavaliselt 0.0–100.0%. Need viimased juhtumid esinevad siis, kui tegemist on väärtuskõvera alumise või ülaosa lähedal asuvate omadustega, kus kalle on järsk ja väärtused muutuvad kiiresti, skoori väikeste erinevustega. Näiteks võib vanemate kodude naabruses olla „kinnitajate” kategoorias vaid 2%. Kodu, mille skoor on 1.5, võib vajada mõningaid mõõdukaid remonditöid suurusjärgus 20,000 0.4 dollarit, samas kui 250,000 skooriga kodu võidakse lammutada hinnaga 1 XNUMX dollarit. Samamoodi on kallite omadustega „üleehitatud” kodudes sageli väärtused, mis tõusevad hüppeliselt XNUMX% skoori.

Jääk on üks kogus ja see on kõigi muutujate või funktsioonide, mis ei ole regressioonitarkvarasse sisestatud, korviväärtus. Kõiki regressioonitarkvara analüüsitud müüke saab järjestada nende jääkide järgi, mis saadakse I etapi mudeli hinnangute lahutamisel nende müügihindadest. (Kui keegi soovib suuremat täpsust, võib ta ostjate soodustuste eemaldamiseks müügihindu “masseerida”, kuid see oleks palju tööd, kui analüüsida näiteks 300 müüki. Kui aga turul on selliseid järeleandmisi vähe, see võib olla võimalik, sõltuvalt sellest, kas MLS märgib need andmed usaldusväärselt.)

Järjestatud jääke saab hinnata edetabelis protsendi võrra kõrgemal või madalamal. Niisiis, kui me kasutaksime allpool protsenti, saaks suurima negatiivse jäägiga skoor 0 ja kõrgeima skooriga 99 0, lähtudes täisarvust 99–0.0. (Selle skoori saab täpsemaks muuta, kasutades 99.9-XNUMX.)

Seejärel saab regressiooni võrrelda jääkskoori kui ühe ennustaja muutujaga müügi jäägi vastu, et saada jääkide mudel. See on tegelikult ainult skoori ja jääkfunktsiooni funktsioon. Kui lisada 1. etapi mudeli ennustatud hind jääkskoori prognoositud jäägile, peaksite müügivõrdlejate müügihinnale väga lähedale jõudma. Ja kui te rakendate seda oma hinnangule subjekti jäägiskoori kohta, siis peaks teil olema väga hea hinnang objekti hüpoteetilise müügihinna kohta.

III etapp

Neid kahte ülaltoodud mudelit saab kombineerida üheks mudeliks ja kodeerida arvutamiseks arvutiprogrammiks. Kohanduste ja korrigeeritud müügihindade arvutamiseks saab arvutisse sisestada kuus kuni tosinat arve, mis on teemaga mõistlikult sarnased, koos teema omaduste väärtustega. teema. Kui see on mõistlik, peaks olema võimalus kaaluda müügivõrdlusi teema sarnasuse astme järgi.

Lõplikud probleemid

Aruandlusnõuete tõttu võib osutuda vajalikuks jääkide jagamine komponentide väärtusteks. Eelkõige võib olla vaja eraldada seisund, kvaliteet ja vaade. Kuidas seda teha, on suuresti hindaja otsustada. Piirang on see, et iga võrreldava müügi korral peavad kvalitatiivsete muutujate korrigeerimised jääkidega kokku tulema. Maja, millel on nende omaduste keskmine skoor, jääk on ligikaudu 0. Seega eeldame, et kui omadused erinevad keskmisest, muutub jääk positiivsemaks (ülaltoodud omaduste puhul) või negatiivsemaks (halvemate omaduste puhul). Seega, kui võrreldava müügi jääk on -50,000 50,000, see on keskmises seisukorras ja keskmise kvaliteediga, halva vaatega, võime eeldada, et määrame kogu selle 50,000 XNUMX dollari kehvale vaatele. Pole vahet, kuidas see XNUMX XNUMX dollarit jaotatakse erinevate kvalitatiivsete omaduste jaoks lõpliku korrigeeritud väärtuse arvutamisel. Matemaatika tagab, et kohandatud väärtus jääb samaks. Jaotus annab aga hinnangu lugejale selgituse, miks korrigeeritud hind on see, mis see on.

Huvitav probleem on see, kuidas jagada objekti vara hinnanguline jääk. Tegelikult, kuna hindaja on teema üle vaadanud, on tal hea positsioon jaotada hinnanguline jääk mõistlikult olemasolevate „jääkfunktsioonide” vahel.

Tõlgi »