رویکرد حاوی ارزش ذهنی


رویکرد مهار ارزش ذهنی

رویکرد مقایسه فروش: محتوی ارزش ذهنی یا به اختصار SVC ، اصطلاحی است که من برای روش مقایسه فروش به روش زیر می دهم. این روش به گونه ای طراحی شده است که به ارزیابی کنندگان این امکان را می دهد تا نظرات ارزشمندی را با درجه دقت بسیار بالاتری نسبت به روشهای استاندارد ارائه دهند:

  1.  با استفاده از یک ابزار رگرسیون با کیفیت بالا مانند Salford Systems MARS یا R-Language Earth.
    
  2.  کنترل کل تعدیلات برای ویژگیهای ذهنی یا کیفی از طریق رگرسیون چند مرحله ای و فرآیند نمره دهی.

سوالات عمومی

SVC راهی برای محدود کردن یا محدود کردن ارزش بیش از حد و کم ویژگیهای ذهنی است که مستلزم تخصیص ذهنی نمرات به ویژگیهای ویژگی ذهنی مانند نمای ، وضعیت و کیفیت است.   

این روش را می توان به سه مرحله تقسیم کرد:

مرحله اول

اولین مرحله از روش SVC استفاده از یک ابزار رگرسیون با کیفیت بالا مانند MARS از Salford Systems یا زمین از R-Language ، تا حد امکان واریانس قیمت را بر اساس ویژگیهای کمی کمی ، معمولاً توسط ارزیابی کننده مالیات و داده های MLS ، مانند منطقه نشیمن ناخالص (GLA) ، اندازه لات ، اندازه اتاق و تعداد اتاق ، نوع سقف ارائه می شود. ، نوع فونداسیون و محل. این روش زمانی بهترین کار را می کند که این مدل رگرسیون اولیه بر اساس چنین داده هایی بتواند حداقل 70-80 of از واریانس قیمت را به خود اختصاص دهد. با این حال ، مقادیر کمتر قطعاً قابل استفاده است - به قیمت دقت. ارزیابان به سادگی با داده هایی که در اختیار دارند ، بهترین کار را انجام می دهند. می توان استدلال کرد که رگرسیون حتی در بدترین سناریوها نسبت به سایر روشهای موجود خوب یا بهتر است.

مرحله دوم

واریانس قیمت باقیمانده ، تفاوت بین قیمت فروش واقعی و برآورد ارائه شده توسط مدل رگرسیون ، که پسماند نامیده می شود ، فرض بر این است که متغیرهایی ناشناخته هستند یا باید از طریق قضاوت ذهنی نمره گذاری شوند. مهمترین گروه متغیرهای اخیر ، متغیرهایی هستند که به آنها "کیفی" گفته می شود. این متغیرهای کیفی دارای مقادیری هستند که تنها از طریق قضاوت ذهنی قابل نمایش هستند ، زیرا نمی توان آنها را با استفاده از استانداردهای اندازه گیری علمی متداول پذیرفته شده به طور عینی اندازه گیری کرد. به عنوان مثال ، ما ممکن است وضعیت یک خانه را بر اساس درصد خانه های محله مورد نظر قضاوت کنیم که از نظر ذهنی در وضعیت بدتری قرار داریم. و با این روش نمره گذاری ، ممکن است نمره 0-100 give ، گرد شده به نزدیکترین درصد کل را بدست آوریم. با این حال ، اغلب مورد نیاز است که دقت بیشتری مورد نیاز است ، و من معمولاً از 0.0-100.0 use استفاده می کنم. این موارد اخیر زمانی اتفاق می افتد که ما با خواص نزدیک به پایین یا بالای منحنی ارزش سروکار داریم ، جایی که شیب زیاد است و مقادیر به سرعت با تغییرات جزئی در نمره تغییر می کنند. به عنوان مثال ، محله ای از خانه های قدیمی ممکن است فقط 2 in در گروه "ثابت کننده" داشته باشد. یک خانه با نمره 1.5 ممکن است نیاز به برخی از کارهای تعمیر متوسط ​​به مبلغ 20,000 دلار داشته باشد ، در حالی که خانه ای با امتیاز 0.4 ممکن است با هزینه 250,000 دلار تخریب شود. به همین ترتیب ، خانه هایی که "بیش از حد" ساخته شده اند و دارای ویژگی های گران قیمت هستند ، اغلب دارای ارزش هایی هستند که در 1٪ بالاترین امتیازها افزایش می یابد.

باقیمانده یک مقدار واحد است و یک مقدار سبد برای همه متغیرها یا ویژگی هایی است که در نرم افزار رگرسیون وارد نمی شوند. همه فروشهایی که توسط نرم افزار رگرسیون تجزیه و تحلیل می شوند را می توان باقیمانده آنها با تفریق برآورد ارائه شده توسط مدل مرحله اول از قیمت فروش آنها رتبه بندی کرد. (اگر کسی درجه بالاتری از دقت را می خواهد ، می تواند قیمت های فروش را "ماساژ" دهد تا امتیاز خریدار حذف شود ، اما اگر 300 فروش برای تجزیه و تحلیل انجام شود ، این کار بسیار کارساز خواهد بود. با این حال ، اگر نسبتا وجود داشته باشد فروش کمی با چنین امتیازاتی در بازار ، ممکن است بسته به اینکه آیا چنین داده هایی توسط MLS به طور قابل توجهی پرچم گذاری شده اند ، ممکن باشد.)

باقیمانده های رتبه بندی شده را می توان با درصد بالا یا پایین در رتبه بندی رتبه بندی کرد. بنابراین ، اگر بخواهیم از درصد زیر استفاده کنیم ، نمره با بیشترین باقیمانده منفی نمره 0 و نمره آن با بیشترین نمره 99 ، بر اساس یک عدد صحیح از 0 تا 99 خواهد بود. (می توان با استفاده از 0.0-99.9 این نمره را دقیق تر کرد.)

در مرحله بعد ، رگرسیون می تواند در برابر نمره باقیمانده به عنوان متغیر پیش بینی کننده واحد در برابر باقیمانده فروش اجرا شود تا مدلی برای باقی مانده ها به دست آید. این در واقع فقط یک تابع نمره در مقابل باقی مانده است. اگر قیمت پیش بینی شده توسط مدل مرحله 1 را به باقی مانده پیش بینی شده توسط نمره باقیمانده اضافه کنید ، باید برای قیمت های فروش بسیار نزدیک به قیمت فروش باشید. و اگر این مورد را برای برآورد نمره باقی مانده برای موضوع مورد استفاده قرار دهید - باید برآورد بسیار خوبی برای قیمت فرضی فروش ملک مورد نظر داشته باشید.

مرحله III

دو مدل فوق را می توان در یک مدل واحد ترکیب کرد و برای محاسبه در یک برنامه کامپیوتری کدگذاری کرد. شش تا دوازده دستگاه یا بیشتر ، اگر منطقی شبیه به موضوع باشد ، می توان به همراه مقادیر ویژگی موضوع ، به رایانه وارد کرد تا تعدیلات و قیمت های فروش را محاسبه کند ، که به نوبه خود به طور متوسط ​​برای ارائه برآورد قیمت فروش عنوان. اگر منطقی باشد ، باید گزینه ای برای مقایسه فروش با درجه شباهت به موضوع وجود داشته باشد.

مسائل نهایی

ممکن است به دلیل الزامات گزارش ، لازم باشد که باقی مانده ها به مقادیر جزء تقسیم شوند. به طور خاص ، ممکن است شرایط ، کیفیت و نمای باید جدا شوند. نحوه انجام این کار تا حد زیادی به اختیار ارزیابی کننده است. محدودیت این است که برای هر فروش قابل مقایسه ، تعدیل متغیرهای کیفی باید به باقی مانده اضافه شود. یک خانه با نمره متوسط ​​در این ویژگی ها دارای باقی مانده نزدیک به 0 است. بنابراین ، ما انتظار داریم که با دور شدن ویژگی ها از میانگین ، باقی مانده مثبت تر (برای ویژگی های فوق) یا منفی (برای ویژگی های پایین) مثبت تر می شود. بنابراین اگر فروش قابل مقایسه 50,000،50,000 -باقی مانده باشد ، در وضعیت متوسط ​​و با کیفیت متوسط ​​باشد ، با دید ضعیف ، ممکن است انتظار داشته باشیم که تمام این 50,000،XNUMX دلار را به نمای ضعیف اختصاص دهیم. در واقع مهم نیست که چگونه XNUMX،XNUMX دلار به ویژگیهای کیفی مختلف در محاسبه ارزش تعدیل شده نهایی تقسیم می شود. ریاضیات اطمینان می دهد که مقدار تعدیل شده ثابت می ماند. با این حال ، توزیع توضیحی برای خواننده در مورد این که چرا قیمت تعدیل شده همان است ، ارائه می دهد.

یک مشکل جالب این است که چگونه باقی مانده برآورد شده برای ویژگی موضوع را تقسیم کنید. در واقع ، از آنجا که ارزیاب موضوع را بازرسی کرده است ، او در موقعیت مناسبی قرار دارد تا تقسیم باقی مانده را بر اساس "ویژگی های باقی مانده" موجود تقسیم کند. پانل انتشار را باز کنید

ترجمه کردن "