Subjektionsvärdet Innehållsmetod


Subjektivt värde Innehållsmetod

Sales Comparison Approach: Subjective Value Containment, eller SVC för kort, är en term som jag ger till följande metod för Sales Comparison Approach. Metoden är utformad för att ge värderarna möjlighet att framföra värderingar med mycket högre precision än med standardmetoder, genom att:

  1.  Med hjälp av ett högkvalitativt regressionsverktyg som Salford Systems MARS eller R-Language Earth.
    
  2.  Kontrollera de totala justeringarna för subjektiva eller kvalitativa funktioner genom en regress- och poängprocess i flera steg.

Allmänt

SVC är ett sätt att innehålla eller begränsa över- och undervärdering av subjektiva egenskaper som kräver subjektiv tilldelning av poäng till subjektiva egenskapsfunktioner som utsikt, skick och kvalitet.   

Proceduren kan delas in i tre steg:

Steg I

Det första steget i SVC-metoden är att använda ett högkvalitativt regressionsverktyg som MARS från Salford Systems eller jord från R-Language, för att modellera så mycket av prisvariansen som möjligt, baserat på objektiva kvantitativa egenskaper, som typiskt tillhandahålls av skattetaxor och MLS-data, till exempel bruttolivyta (GLA), lottstorlek, rumsstorlek och antal, takläggningstyp , grundtyp och plats. Denna metod fungerar bäst när denna initiala regressionsmodell kan stå för minst 70-80% av prisvariansen baserat på sådan data. Men lägre värden är verkligen användbara - på bekostnad av noggrannhet. Värderingsmän gör helt enkelt så gott de kan med den data de har. Det kan hävdas att regression är lika bra eller bättre än någon annan tillgänglig metod, även i värsta fall.

Steg II

Den återstående prisvariansen, skillnaden mellan det faktiska försäljningspriset och uppskattningen från regressionsmodellen, kallad residual, antas vara resultatet av variabler som antingen är okända eller måste bedömas genom subjektiv bedömning. Den viktigaste av den senare gruppen av variabler är de som kallas 'kvalitativa'. Dessa kvalitativa variabler har värden som bara kan representeras genom subjektiv bedömning, eftersom de inte kan mätas objektivt med allmänt accepterade vetenskapliga mätstandarder. Till exempel kan vi bedöma tillståndet för ett hem baserat på andelen hem i ämnesområdet som vi subjektivt anser vara i sämre skick; och med denna poängmetod kan vi ge ett poäng på 0-100%, avrundat till närmaste hela procent. Det är dock ofta så att mer noggrannhet krävs, och jag använder vanligtvis 0.0-100.0%. Dessa senare fall uppstår när vi har att göra med egenskaper nära botten eller toppen av värdekurvan, där lutningen är brant, och värdena förändras snabbt med mindre variationer i poängen. Till exempel kan ett grannskap med äldre hem bara ha 2% i kategorin "fixare". Ett hem med en poäng på 1.5 kan behöva måttligt reparationsarbete i storleksordningen $ 20,000 0.4, medan ett hem med en poäng på 250,000 lika gärna kan rivas till en kostnad av $ 1 XNUMX. På samma sätt tenderar bostäder som är "överbyggda" med dyra funktioner ofta att ha värden som skjuter i höjden i de övre XNUMX% av poängen.

Resten är en enda kvantitet och är ett korgvärde för alla variabler eller funktioner som inte matas in i regressionsprogramvaran. Alla försäljningar som analyseras av regressionsprogramvaran kan rangordnas efter deras rester som erhållits genom att subtrahera uppskattningarna från steg I -modellen från deras försäljningspriser. (Om man vill ha en högre grad av noggrannhet kan han ”massera” försäljningspriserna för att ta bort köparrörelser, men detta skulle vara mycket arbete, om det till exempel finns 300 försäljningar att analysera. Om det dock är relativt få försäljningar med sådana eftergifter på marknaden, kan detta vara möjligt, beroende på om sådan information flaggas på ett tillförlitligt sätt av MLS.)

De rankade resterna kan poängsättas med procent över eller under i rankningen. Så, om vi skulle använda procentandel nedan, skulle poängen med den största negativa restvärdet få ett poäng på 0 och det med det högsta poänget skulle få 99, baserat på ett heltal från 0-99. (Man kan göra denna poäng mer exakt med 0.0-99.9.)

Därefter kan regressionen köras mot restpoängen som den enda prediktorvariabeln mot försäljningsresten för att få en modell för resterna. Detta är egentligen bara en funktion av poäng vs rest. Om du lägger till det pris som förutses av Steg 1 -modellen, till det restvärde som förutses av restpoängen, bör du komma mycket nära försäljningspriset för försäljningsjämförelserna. Och om du tillämpar detta på din uppskattning av restpoängen för ämnet - bör du ha en mycket bra uppskattning av det hypotetiska försäljningspriset för ämnesfastigheten.

Steg III

De två ovanstående modellerna kan kombineras till en enda modell och kodas till ett datorprogram för beräkning. Sex till ett dussin kompisar, om de rimligen liknar ämnet, kan matas in i datorn, tillsammans med ämnesfunktionsvärdena, för att beräkna justeringar och justerade försäljningspriser, som i genomsnitt ger ett uppskattat försäljningspris för ämnet. Det bör finnas möjlighet att väga försäljningsjämförelser med graden av likhet med ämnet om det är meningsfullt.

Slutfrågor

På grund av rapporteringskrav kan det vara nödvändigt att dela upp resterna i komponentvärden. I synnerhet kan villkor, kvalitet och vy behöva separeras. Hur detta görs är i stor utsträckning bedömarens bedömning. Begränsningen är att för varje jämförbar försäljning måste justeringarna för de kvalitativa variablerna summeras till restvärdet. Ett hus med en genomsnittlig poäng i dessa funktioner har en residual nära 0. Således förväntar vi oss att, när funktioner avviker från genomsnittet, blir resten mer positivt (för ovanstående egenskaper) eller mer negativt (för sämre egenskaper). Således om en jämförbar försäljning har en rest på -50,000 50,000, är ​​i genomsnittligt skick och är av genomsnittlig kvalitet, med dålig syn, kan vi förvänta oss att tilldela alla dessa $ 50,000 XNUMX till den dåliga utsikten. Det spelar egentligen ingen roll hur de $ XNUMX XNUMX fördelas till olika kvalitativa funktioner för att beräkna det slutliga justerade värdet. Matematiken säkerställer att det justerade värdet förblir detsamma. Fördelningen ger dock en förklaring till läsaren av värderingen om varför det justerade priset är vad det är.

Ett intressant problem är hur man delar upp det uppskattade restvärdet för ämnesegenskapen. Eftersom värderaren har inspekterat ämnet har han i själva verket en bra position att göra en rimlig uppdelning av den uppskattade restvärdet över de tillgängliga "restfunktionerna." Öppna publiceringspanelen

Översätt "