|
земли и здания на основе, например, типичных соотношений “земля здание”. Или же использовать обратную связь, которая не содержит постоянной величины и дает возможность получить модель, состоящую из составных частей. Общая проблема всех этих подходов корреляция между характеристиками земли и недвижимости, что делает ненадежным распределение постоянной величины. За исключением крайних случаев, один из этих подходов может быть приемлемым. Основным преимуществом является то, что показатели стоимости земли и недвижимости рассчитываются одновременно и согласованно. Первым этапом в моделировании массовой оценки стоимости земельной недвижимости может являться сбор и обработка полученной информации о состоянии земельного участка по основным характеристикам и наиболее значимым стоимостным показателям. При этом данные о земельной недвижимости могут быть классифицированы по качественным и количественным показателям. Качественные данные основываются на точных заданных категориях (загрязнение, эрозия деградация, затопление и другие характеристики). Для количественных данных необходимо рассчитать меры центральной тенденции и дисперсии, такие как среднее, коэффициенты вариации (КВ), коэффициент дисперсии (КД) и стандартное отклонение. Качественные данные должны быть проанализированы на основе корреляционного анализа. На следующем этапе данные должны быть “очищены” при использовании множественного регрессионного анализа (МРА). Прежде всего, из анализа исключаются все статистически незначимые сделки, или так называемый статистические “выбросы”. Изучение данных для этого осуществляется при помощи метода робаст-регрессии. Робаст-регрессия это итеративный процесс. Этот метод анализирует дисперсию данных и исключает данные по тем сделкам, где при определенных значениях описывающих факторов цена сделки существенно отклоняется от ее среднего значения . На основе результатов, рассчитанных с помощью робаст |
можно распределить постоянную величину между стоимостями земли и здания на основе, например, типичных соотношений “земля здание”. Или же использовать обратную связь, которая не содержит постоянной величины и дает возможность получить модель, состоящую из составных частей. Общая проблема всех этих подходов корреляция между характеристиками земли и сооружений, что делает ненадежным распределение постоянной величины. За исключением крайних случаев, однако, один из этих подходов может быть приемлемым. Основным преимуществом является то, что показатели стоимости земли и сооружений рассчитываются одновременно и согласованно. Наконец, RCN может быть использована вместо аддитивных переменных здания в декомпозиционной модели (состоящей из составных частей) измерения стоимости (калибровки). Этот подход устраняет количественные переменные здания и уменьшает мультиколлинеарность. Опять таки, постоянная величина должна быть либо ограничена, либо распределена между зданиями и землей. Модель позволяет получить отдельные величины стоимости земли и здания, скорректированные с учетом рынка. Первый шаг в моделировании массовой оценки это сбор данных. Необходимо собрать данные по тем основным характеристикам оцениваемых объектов, которые являются наиболее значимыми для агентов рынка недвижимости при формировании цены. Данные могут быть классифицированы как качественные или количественные. Качественные данные основываются на точных заданных категориях. Для того чтобы моделирование было успешным, данные должны быть тщательно проанализированы. Для количественных данных необходимо рассчитать меры центральной тенденции и дисперсии, такие как среднее, медиана и коэффициент вариации (КВ), коэффициент дисперсии (КД) и стандартное отклонение (девиация). Качественные данные должны быть проанализированы при помощи частоты распределения, гистограмм и корреляционного анализа. 133 На следующем этапе данные должны быть “очищены”, используя множественный регрессионный анализ (МРА).Прежде всего, необходимо исключить из анализа все статистически незначимые сделки, или гак называемый статистические “выбросы”. Просмотр и изучение данных для этого осуществляется при помощи метода робаст-регрессии. Робаст-регрсссия это итеративный процесс. Этот метод анализирует дисперсию данных и исключает данные по тем сделкам, где при данных значениях описывающих факторов цена сделки существенно отклоняется от ее среднего значения . На основе результатов, рассчитанных с помощью робаст-регрессии, каждому наблюдению приписываются веса (робаст-веса). Значения весов могут варьировать в интервале [0;1]. Они показывают, насколько сильно это наблюдение отличается от среднего по выборке (при неизменных параметрах). Экстремальные значения могут быть вызваны, к примеру, некоторыми особыми обстоятельствами данной сделки, такими как несвоевременная оплата, частные договоренности или физическое состояние квартиры. Чем ближе значение веса к нулю, тем больше отклонение от среднего. Выполнение вышеописанной процедуры несложно, поскольку существует специальное программное обеспечение для робаст-регрессии, которое позволяет автоматически рассчитывать робаст-веса. Для дальнейшего анализа данные должны быть пропущены через “фильтры”, в соответствии с полученными значениями весов робастрегрессии, таким образом, исключая те данные, по которым значения робаст-весов не превышают порога, такие как 0.05. Затем для отбора наиболее значимых переменных используются процедуры робаст-регрессии и пошаговой регрессии. Пошаговая регрессия представляет собой итеративный процесс, для которого существуют два варианта в прямом и обратном направлении. При проведении пошаговой регрессии в прямом направлении, переменные вводятся итеративно до тех пор, пока все значимые факторы не будут включены. При пошаговой регрессии в обратном направлении, алгоритм обратный: изначально включив все переменные, ите134 |