تثمين العقارات باستخدام تحليل الانحدار - درس

ملخص تنفيذي

في كثير من الأحيان في العقارات ، يمكن أن تظهر عملية التقييم على أنها تمرين شديد الأهمية لمص الإبهام. سيأتي سمسار العقارات ، ويركل الإطارات التي يضرب بها المثل ، ثم ينتج قيمة تقديرية مع القليل جدًا من البصيرة "الكمية". ربما تتفاقم العملية بسبب الارتباط العاطفي الذي يجلبه امتلاك العقارات بالنظر إلى أن المنزل بالنسبة للكثيرين سيكون أكبر استثمار مالي يتم إجراؤه في العمر.

ومع ذلك ، هناك طريقة لهذا الجنون. حسنًا ، ثلاثة على وجه الدقة.

كيف يتم تقييم العقار؟

يعتبر نهج المبيعات القابل للمقارنة أكثر شيوعًا في العقارات السكنية ويستخدم المبيعات الحديثة للعقارات المماثلة لتحديد قيمة العقار الخاضع للمقارنة. يتم تعديل سعر مبيعات "المركبات" بناءً على الفروق بينها وبين العقار المعني. على سبيل المثال ، إذا كانت خاصية مماثلة بها حمام إضافي ، فسيتم طرح القيمة المقدرة للحمام من سعر البيع الملحوظ.

تعتبر العقارات التجارية غير متجانسة ، لذلك يتم استخدام نهج المبيعات المقارنة بشكل أقل. نهج الدخل ، على أساس المفهوم القائل بأن القيمة الجوهرية للأصل معادلة لمجموع جميع التدفقات النقدية المخصومة ، يتم تطبيقه بشكل أكثر شيوعًا عبر طريقتين:

1. على غرار القيمة الحالية للمعاش السنوي ، تستخدم طريقة الرسملة المباشرة صافي الدخل التشغيلي (NOI) للممتلكات مقسومًا على "معدل الحد الأقصى" لتحديد القيمة. يحتوي معدل الحد الأقصى على معدل خصم ضمني ومعدل نمو مستقبلي لصافي الدخل التشغيلي.
2. توفر طريقة التدفقات النقدية المخصومة القيمة الحالية للتدفقات النقدية المستقبلية خلال فترة زمنية محددة ، مع قيمة نهائية يتم تقديرها باستخدام معدل أقصى نهائي.

الأسلوب النهائي هو نهج التكلفة ، والذي يقدر القيمة بناءً على تكلفة الحصول على قطعة أرض مماثلة وبناء نسخة طبق الأصل من العقار المعني. ثم يتم استهلاك تكلفة المشروع بناءً على الحالة الحالية لتقادم الممتلكات المعنية. على غرار التعديلات في نهج المبيعات القابل للمقارنة ، فإن الهدف هو مطابقة خاصية الموضوع بشكل وثيق. نهج التكلفة أقل استخدامًا من النهجين الآخرين.

جميع طرق تثمين العقارات التقليدية ذاتية ، بسبب اختيار المدخلات المستخدمة للتقييم. على سبيل المثال ، يكون لاختيار معدل الحد الأقصى تأثير كبير على تقييم العقار: عند تقييم عقار برقم NOI بقيمة مليون دولار ، فإن زيادة بنسبة 4٪ في معدل الحد الأقصى (من 6٪ إلى 10٪) ستنخفض قيمة الملكية بنسبة 40٪ (الرسم البياني أدناه).

فوائد استخدام نماذج الانحدار في تثمين العقارات

هناك فوائد عديدة لاستخدام نماذج الانحدار في تقييم العقارات. تبنت صناعة البيع بالتجزئة استخدامها في اختيار الموقع ، لكن صناعة العقارات ، في الغالب ، تغاضت عن مزاياها المحتملة. تحليل الانحدار مناسب بشكل خاص لتحليل كميات كبيرة من البيانات. سيكون من المستحيل عمليا أن يكون لديك معرفة قوية بكل سوق عقارات محلي في الدولة ، لكن نمذجة الانحدار يمكن أن تساعد في تضييق نطاق البحث.

1. المرونة

أكبر فائدة من استخدام نمذجة الانحدار هي مرونتها المتأصلة - يمكنها العمل بشكل مستقل عن النماذج الأخرى أو بالتنسيق معها.

النهج الأكثر مباشرة هو استخدام بيانات المبيعات الحالية للتنبؤ بقيمة خاصية موضوع ، كمخرجات للنموذج. هناك العديد من مصادر البيانات المجانية من الوكالات المحلية والولائية والفدرالية التي يمكن استكمالها بموفري البيانات الخاصين.

خيار آخر هو استخدام نماذج الانحدار للتنبؤ بشكل أكثر دقة بالمدخلات لطرق التقييم التقليدية الأخرى. على سبيل المثال ، عند تحليل مشروع تجاري متعدد الاستخدامات ، يمكن للمطور بناء نموذج واحد للتنبؤ بالمبيعات لكل قدم مربع لمساحة البيع بالتجزئة ، ونموذج آخر للتنبؤ بمعدلات الإيجار للمكون السكني. يمكن بعد ذلك استخدام كلاهما كمدخل في نهج الدخل للتقييم.

2. نهج موضوعي

يؤدي استخدام المبادئ الإحصائية السليمة إلى نهج أكثر موضوعية للتقييم. إنها إحدى أفضل الطرق لتجنب التحيز التأكيدي ، والذي يحدث عندما يبحث الناس عن معلومات تؤكد رأيهم الموجود مسبقًا أو يرفضون معلومات جديدة تتعارض معها. عندما قمت ببناء نماذج لتجار التجزئة للتنبؤ بمبيعات المتاجر الجديدة ، تفاجأوا في كثير من الأحيان عندما علموا أن العديد من تجار التجزئة يستفيدون من قربهم من المنافسين. في الواقع ، كان الموقع المشترك مع Walmart ، الذي كان غالبًا أكبر منافس لهم ، أحد أكثر المتغيرات شيوعًا المستخدمة في نماذجي. يمكن أن يؤدي الاعتماد على التحيزات الحالية إلى ضياع الفرص ، أو الأسوأ من ذلك ، إخفاء الكوارث في مكان قريب.

فيما يلي بعض المزايا الموضوعية للتقييم الإحصائي:

1. يسمح لك التحليل الإحصائي بتحديد الأهمية الإحصائية (الموثوقية) للعوامل الفردية في النموذج.
2. بينما يمكن أن يمنحك تحليل السيناريو أو الحساسية فكرة عامة عن التغييرات التي تطرأ على المدخلات بالطرق التقليدية ، إلا أنه أقرب إلى إجراء تنبؤات متعددة بدلاً من إعطائك فكرة أفضل عن دقة التنبؤ الأصلي. من ناحية أخرى ، عند بناء نموذج الانحدار ، ستعرف نطاق النتائج الذي سيعتمد على مستوى معين من الثقة.

تعد نماذج الانحدار فريدة من نوعها في حقيقة أنها تحتوي على فحص مضمّن للتأكد من دقتها. بعد بناء نموذج على عينة من إجمالي السكان ، يمكنك استخدام النموذج على بيانات خارج العينة لاكتشاف التحيز المحتمل في العينة.

3. التمسك بكفاءتك الأساسية

تنطوي طرق التقييم التقليدية جميعها على مخاطر كبيرة تتمثل في تحيز الاختيار. عند اختيار خصائص قابلة للمقارنة ، من السهل جدًا الوقوع في فخ اختيار أفضل النتائج وافتراض أنها تشبه مشروعك إلى حد كبير. هناك أيضًا تركيز على التنبؤ بالمتغيرات ، مثل معدل العائد في نهج الدخل. قد يكون القضاء على الحاجة إلى هذا التنبؤ أمرًا جذابًا للعديد من المستثمرين العقاريين ، وهذا هو السبب في أن التقييم المستند إلى الانحدار يعد نهجًا مفيدًا.

المشاكل المحتملة مع تحليل الانحدار

إن كمية النكات التي تقتبس نسبًا متفاوتة من الإحصاءات التي يتم تكوينها هي في الواقع مزحة في حد ذاتها. نتلقى كل يوم تقريبًا عناوين وسائل الإعلام حول نتائج دراسة بحثية جديدة ، يبدو أن الكثير منها يتعارض مع دراسة نُشرت العام الماضي. في عالم من المقاطع الصوتية ، لا يوجد وقت لمناقشة صرامة الأساليب التي يستخدمها الباحثون.

هناك العديد من أنواع تحليل الانحدار ، ولكن أكثرها شيوعًا هو الانحدار الخطي. هناك بعض الافتراضات حول الانحدار الخطي التي لا ينبغي انتهاكها لاعتبار النموذج صالحًا. مخالفة هذه الافتراضات تشوه الاختبارات الإحصائية التي تحسب القدرة التنبؤية للمدخلات والنموذج العام.

افتراضات الانحدار الخطي

يجب أن تكون هناك علاقة خطية بين المدخلات (المتغيرات المستقلة) والمخرج (المتغير التابع). على سبيل المثال ، يمكننا أن نفترض أن هناك علاقة خطية بين قدم مربع ساخن في المنزل وقيمته الإجمالية. ومع ذلك ، بسبب تناقص الغلة ، يمكننا اكتشاف أن العلاقة غير خطية ، وتتطلب تحويل البيانات الأولية.

يجب ألا تكون المتغيرات المستقلة عشوائية. وببساطة ، فإن الملاحظات الخاصة بكل متغير مستقل في النموذج ثابتة ويفترض عدم وجود خطأ في قياسها. على سبيل المثال ، إذا كنا نستخدم عدد الوحدات لنمذجة قيمة مبنى سكني ، فسيكون لجميع المباني في بيانات العينة الخاصة بنا عدد ثابت من الوحدات التي لن تتغير ، بغض النظر عن كيفية بناء النموذج.

ستجمع "بقايا" النموذج (أي الفرق بين النتيجة المتوقعة للنموذج والملاحظات الفعلية) إلى 0 ، أو بعبارات أبسط: سيمثل النموذج الذي سنستخدمه الخط الأنسب.

يجب أن يكون النموذج دقيقًا لجميع الملاحظات لكل متغير مستقل. إذا توقعنا قيمة المنزل بناءً على مساحته المربعة ، فلن نرغب في استخدام النموذج إذا كان دقيقًا للغاية في التنبؤ بقيم المنازل التي تقل مساحتها عن 1500 قدم مربع ، ولكن كان هناك قدر كبير من الخطأ للمنازل التي تزيد مساحتها عن 3000 قدم مربع. قدم مكعب. يُعرف هذا باسم عدم التجانس.

من أكثر المشاكل شيوعًا مع الانحدار الخطي عند النظر إلى صناعة العقارات هو ارتباط الأخطاء المتبقية بين الملاحظات. يمكنك التفكير في هذا على أنه ضوضاء بيضاء ليس لها نمط. ومع ذلك ، إذا كان هناك نمط على القيم المتبقية ، فغالبًا ما نحتاج إلى إجراء تعديل. يصعب تصور هذه المشكلة ، ولكن هناك مجالان رئيسيان يمثلان مصدر قلق في صناعة العقارات.

1. الارتباط التلقائي

بناء نموذج قائم على الملاحظات على مدى فترة طويلة من الزمن سيكون غير مناسب للتنبؤ بالقيم الحالية. لنفترض أننا أنشأنا نموذجًا للتنبؤ بقيمة ملكية فندق باستخدام متوسط ​​سعر الغرفة كمتغير مستقل. قد تكون القدرة التنبؤية لهذا المتغير مضللة لأن أسعار الغرف ارتفعت باستمرار بمرور الوقت. من الناحية الإحصائية ، هناك ارتباط تلقائي بين متوسط ​​أسعار الغرف التي تم ملاحظتها والتي تظهر اتجاهًا إيجابيًا بمرور الوقت (أي التضخم) لن يتم احتسابه في النموذج. نهج المبيعات التقليدي القابل للمقارنة الأكثر استخدامًا في العقارات السكنية يلغي هذه المشكلة باستخدام أحدث البيانات فقط. نظرًا لوجود عدد أقل بكثير من المعاملات التجارية ، غالبًا ما يؤدي تقييد الوقت هذا إلى جعل نهج المبيعات القابل للمقارنة غير فعال. ومع ذلك ، هناك تقنيات تستخدم الانحدار الخطي يمكنها التغلب على مشاكل الارتباط التلقائي.

يمثل تأثير الكتلة أيضًا تحديًا كبيرًا في نمذجة تقييم العقارات. يمكن اعتبار هذا ارتباطًا مكانيًا ذاتيًا. إن أبسط طريقة للتفكير في هذه المشكلة هي تخيل بناء نموذج للتنبؤ بقيمة المنازل في حيين (أ و ب) على جانبي الطريق السريع. بشكل عام ، قد يعمل النموذج جيدًا في التنبؤ بالقيم ، ولكن عندما نفحص الأخطاء المتبقية ، نلاحظ وجود نمط. المنازل في الحي "أ" مُبالغ فيها بنحو 10٪ ، والمنازل في الحي "ب" أقل من قيمتها الحقيقية بنسبة 10٪. لتحسين نموذجنا ، نحتاج إلى حساب تأثير الكتلة هذا أو بناء نموذج واحد لكل حي.

2. العلاقة الخطية المتعددة

من الناحية المثالية ، لن تكون المتغيرات داخل النموذج مرتبطة ببعضها البعض. تسمى هذه المشكلة المعروفة الخطية المتعددة. من المحتمل أن يُظهر استخدام كل من الأقدام المربعة وعدد أماكن وقوف السيارات كمدخلات لنموذج تقييم مراكز التسوق الإقليمية وجود علاقة خطية متعددة. هذا أمر بديهي لأن رموز التخطيط غالبًا ما تتطلب عددًا معينًا من أماكن وقوف السيارات بناءً على المساحة التجارية بالقدم المربع. في هذا المثال ، قد تؤدي إزالة أحد المتغيرات إلى تقييم أكثر دقة للنموذج المعدل دون تقليل قدرته التنبؤية بشكل كبير.

اعتبارات أخرى

يعد استخدام البيانات المرصودة جوهر أي نهج تجريبي ، ولكن من المهم أن تتذكر أن النتائج السابقة لا تتنبأ دائمًا بالمستقبل. الأصول غير السائلة مثل العقارات معرضة بشكل خاص للتغييرات في دورة الأعمال. من المرجح أن تتغير القدرة التنبؤية لبعض المتغيرات بناءً على الظروف الاقتصادية الحالية. هذه المشكلة ليست فريدة من نوعها في الانحدار الخطي وتوجد مع الأساليب التقليدية أيضًا.

الارتباط لا يساوي السببية. الغرض من بناء النموذج هو العثور على متغيرات مفيدة من شأنها أن تقدم تنبؤات صحيحة. يجب أن تكون حذرا من الارتباطات الزائفة. قد تتفاجأ عندما تعلم أن هناك علاقة قوية للغاية بين معدل الطلاق في ولاية مين واستهلاك الفرد من المارجرين. ومع ذلك ، فإن استخدام بيانات الطلاق من ولاية ماين لن يكون منطقيًا إذا كنت تحاول توقع مبيعات المارجرين في المستقبل.

مثال واقعي للتثمين العقاري عن طريق الانحدار

دعنا الآن نطبق هذه المعرفة عمليًا ونبني نموذجًا خطيًا من البداية إلى النهاية. على سبيل المثال ، سنحاول بناء نموذج تقييم عقاري يتنبأ بقيمة المنازل المنفصلة لأسرة واحدة في مقاطعة الغاني ، بنسلفانيا. يعد اختيار مقاطعة الغاني تعسفيًا ، وستعمل المبادئ الموضحة في أي مكان. سنستخدم Excel و SPSS ، وهو برنامج إحصائي شائع الاستخدام.

البحث عن البيانات

العثور على بيانات الجودة هو الخطوة الأولى في بناء نموذج دقيق وربما الأكثر أهمية. على الرغم من أننا سمعنا جميعًا عبارة "إدخال قمامة ، قم بإخراج القمامة" ، من المهم أن تتذكر أنه لا توجد مجموعة بيانات مثالية. هذا جيد طالما يمكننا أن نفترض بشكل مريح أن بيانات العينة تمثل المجتمع بأكمله. هناك ثلاثة مصادر رئيسية لبيانات العقارات:

1. يأتي المصدر الأول والأفضل للبيانات من الوكالات الحكومية. الكثير من هذه البيانات إما مجاني أو منخفض التكلفة نسبيًا. ستفرض عليك العديد من الشركات رسومًا مقابل البيانات التي يمكنك الحصول عليها مجانًا بسهولة ، لذلك قم دائمًا بإلقاء نظرة سريعة على الإنترنت قبل شراء البيانات. غالبًا ما ينتج عن بحث الويب نتائج من خلال البحث عن المقاطعة أو المدينة التي تبحث عنها وكلمات مثل "مقيِّم الضرائب" أو "تقديرات الضرائب" أو "سجلات العقارات" أو "البحث عن سند". تعد أقسام نظم المعلومات الجغرافية (GIS) واحدة من أكثر الأجزاء التي يتم تجاهلها في العديد من المجتمعات. غالبًا ما يكون لديهم الكثير من البيانات المجمعة من مختلف الوكالات المحلية الأخرى. بصفتي مطورًا عقاريًا ، غالبًا ما اعتمدت على مساعدتهم في العثور على بيانات عالية الجودة استخدمتها لبناء نماذج للمساعدة في تحديد مواقع خصائص جديدة للتطوير. يمكن أن تكون منظمات التنمية الاقتصادية أيضًا مصدرًا ممتازًا للبيانات.
2. الباعة الهادفون للربح خيار آخر. إنها مفيدة بشكل خاص عندما تبحث عن بيانات عبر مناطق متعددة. تأكد من قيامك بواجبك قبل دفع مبالغ كبيرة مقابل بياناتهم. لا تعتمد فقط على مجموعات البيانات النموذجية الخاصة بهم ، لأنها قد تكون مضللة من حيث الاكتمال. إذا كنت تشك في البيانات المتاحة لديهم ، فتحدث إلى أحد الممثلين مباشرةً أو استفسر عن ضمان استرداد الأموال.
3. أخيرًا ، تعد خدمات القوائم المتعددة المحلية (MLS) موردًا لا يقدر بثمن. يتم تسويق معظم العقارات من خلال وكيل عقارات عضو في MLS. بشكل عام ، يتعين على أعضاء MLS وضع جميع قوائمهم في النظام المحلي. لسوء الحظ ، غالبًا ما توجد العديد من القيود على الانضمام إلى MLS ، ويمكن أن تكون تكلفة الوصول إلى البيانات عالية جدًا. من المهم أيضًا التأكد من أنك لا تنتهك شروط الخدمة عند استخدام بياناتهم وتعرض نفسك للمسؤولية المحتملة.

سنستخدم حصريًا البيانات المجانية لمثالنا ، المأخوذة من مركز البيانات الإقليمي في ولاية بنسلفانيا الغربية ومكتب الإحصاء الأمريكي. ستعطينا بيانات مبيعات الغني للعقارات ملفًا أساسيًا لملاحظاتنا مع سعر البيع كمتغير تابع (متغير Y). سنقوم أيضًا باختبار المتغيرات باستخدام نقاط المشي لكل مسار تعداد ومعلومات تقييم الضرائب.

أحد المتغيرات المفيدة جدًا التي يجب توفرها عند بناء النماذج العقارية هو خطوط الطول والعرض لكل عنوان. يمكنك الحصول على هذه البيانات من خلال مكود جغرافي يستخدم عنوان شارع لتعيين خط عرض وخط طول. سيحدد المشفر الجغرافي لمكتب الإحصاء الأمريكي أيضًا مسار التعداد لكل موقع والذي يستخدم بشكل شائع لتجميع المعلومات الديموغرافية والنفسية.

تحليل المتغيرات وتحويلها وخلقها.

الآن بعد أن اخترنا مصادر البيانات الخاصة بنا ، نحتاج إلى فحص جودة البيانات. أسهل طريقة للتحقق من جودة البيانات هي تشغيل جدول تكراري لعدد قليل من المتغيرات الرئيسية. إذا كان هناك عدد كبير من الإدخالات المفقودة أو التالفة ، فسنحتاج إلى مزيد من فحص البيانات. يوضح الجدول أدناه أن سجلًا واحدًا فقط من بين 216498 سجلًا يحتوي على رمز بريدي مفقود في ملف المبيعات ، ولا توجد رموز بريدية خاطئة مثل 99999 أو 1X # 45. يشير هذا على الأرجح إلى أن هذه مجموعة بيانات عالية الجودة.

يعد قاموس البيانات مصدرًا ممتازًا عند توفره. سيعطي وصفًا لما يقيسه كل متغير ، والخيارات الممكنة للمتغير. تحتوي بياناتنا على تحليل لكل عملية بيع يتم إجراؤها في المقاطعة. هذه معلومات أساسية ، خاصة عند العمل مع سجلات الفعل الخام. يجب تسجيل جميع المعاملات العقارية لتكون قابلة للتنفيذ بموجب القانون ، ولكن لا تعكس جميع التحويلات القيمة السوقية العادلة الحقيقية للعقار. على سبيل المثال ، يمكن أن يكون البيع بين فردين من العائلة بسعر أقل من سعر السوق كشكل من أشكال الهدايا أو لتجنب دفع تكاليف معاملات أعلى مثل طوابع السند. لحسن الحظ بالنسبة لنا ، تحدد الحكومة المحلية بوضوح عمليات النقل التي تعتقد أنها لا تمثل قيم السوق الحالية ، لذلك سنستخدم فقط السجلات التي تعكس "بيعًا صالحًا". تمثل هذه المبيعات حوالي 18٪ فقط من إجمالي عدد المعاملات ، مما يوضح مدى أهمية فهم بياناتك قبل البدء في استخدامها للتحليل. بناءً على تجربتي ، فإن هذه النسبة شائعة جدًا عند تحليل سجلات الفعل. من المحتمل جدًا أنه إذا أنشأنا نموذجًا يشتمل على "المبيعات غير الصالحة" ، فستتشوه نتائجنا النهائية.

بعد ذلك ، سنلحق بيانات التقييم الخاصة بنا والنتائج الأولية في ملف المبيعات. هذا يعطينا جدولًا واحدًا لاستخدامه في نموذجنا. في هذه المرحلة ، نحتاج إلى تحليل المتغيرات لمعرفة ما إذا كانت مناسبة للانحدار الخطي. يوجد أدناه جدول يوضح أنواعًا مختلفة من المتغيرات.

يحتوي ملفنا على العديد من القيم الاسمية مثل الجوار أو الرمز البريدي ، والتي تصنف البيانات دون أي معنى للترتيب. القيم الاسمية غير مناسبة للانحدار الخطي بدون تحويل. هناك أيضًا العديد من المتغيرات الترتيبية التي تُقيِّم جودة البناء ، والحالة الحالية للممتلكات ، وما إلى ذلك. استخدام البيانات الترتيبية مناسب فقط عندما يمكننا أن نفترض بشكل معقول أن كل رتبة متباعدة بشكل متساوٍ. على سبيل المثال ، تحتوي بياناتنا على متغير درجة مع 19 تصنيفًا مختلفًا (A + ، A ، A- ، إلخ) ، لذلك يمكننا أن نفترض بأمان أن هذه الدرجات متباعدة بشكل متساوٍ على الأرجح.

هناك أيضًا العديد من المتغيرات التي يجب تغييرها قبل أن نتمكن من استخدامها في النموذج. القيمة الاسمية التي يمكن تحويلها إلى متغير وهمي للاختبار هي متغير التسخين والتبريد. سنقوم بتعيين المتغير على 0 لجميع العقارات التي لا تحتوي على تكييف وتلك التي تحتوي على تكييف على 1. أيضًا ، يجب تحويل الدرجات الحرفية إلى أرقام (على سبيل المثال ، 0 = أسوأ ، 1 = أفضل ، 2 = أفضل) من أجل رؤية إذا كانت هناك علاقة خطية مع السعر.

أخيرًا ، نحتاج إلى تحديد ما إذا كان من المناسب استخدام جميع الملاحظات. نريد أن نتنبأ بقيم المنازل المنفصلة لعائلة واحدة ، حتى نتمكن من حذف جميع العقارات التجارية والشقق السكنية والمنازل المستقلة من البيانات. نريد أيضًا تجنب المشكلات المحتملة المتعلقة بالارتباط التلقائي ، لذلك نحن نستخدم البيانات فقط للمبيعات في عام 2017 للحد من احتمالية حدوث ذلك. بعد أن قمنا بحذف جميع السجلات الدخيلة ، لدينا مجموعة بياناتنا النهائية ليتم اختبارها.

اختيار العينة والمتغير

قد يكون اختيار حجم العينة الصحيح أمرًا صعبًا. من بين المواد الأكاديمية ، هناك مجموعة واسعة من الحد الأدنى من الأرقام المقترحة وقواعد مختلفة. بالنسبة لدراستنا ، فإن إجمالي عدد السكان كبير جدًا ، لذلك لا داعي للقلق بشأن وجود ما يكفي لعينة. بدلاً من ذلك ، فإننا نخاطر بامتلاك عينة كبيرة جدًا بحيث يكون لكل متغير تقريبًا أهمية إحصائية في النموذج. في النهاية ، تم اختيار حوالي 10٪ من السجلات بشكل عشوائي للنمذجة.

يمكن أن يكون الاختيار المتغير أحد أصعب أجزاء العملية بدون برامج إحصائية. ومع ذلك ، يسمح لنا SPSS ببناء العديد من النماذج بسرعة من مجموعة من المتغيرات التي اعتبرناها مناسبة للانحدار الخطي. سيقوم SPSS تلقائيًا بتصفية المتغيرات بناءً على عتباتنا للدلالة الإحصائية وإرجاع أفضل النماذج فقط.

بناء النموذج ومراجعة النتائج

من بيانات العينة الخاصة بنا ، أنتجت SPSS خمسة نماذج. النموذج الأكثر تنبؤًا تضمن المتغيرات الخمسة التالية.

1. الدرجة بناءً على جودة البناء المرتبة 1-19 (1 = ضعيف جدًا و 19 = ممتاز)
2. منطقة معيشة منتهية
3. تكييف هواء (نعم / لا)
4. حجم كبير
5. المرتبة للحالة المادية أو حالة الإصلاح في المرتبة 1-8 (1 = غير صالح للسكن و 8 = ممتاز)

دعونا نلقي نظرة على نتائج برنامج SPSS. سينصب تركيزنا الرئيسي في البداية على قيمة R التربيعية التي تخبرنا عن النسبة المئوية للتباين في المتغير التابع (السعر) الذي يتوقعه الانحدار. أفضل قيمة ممكنة ستكون 1 ، ونتيجة نموذجنا واعدة جدًا. يبدو أن الخطأ القياسي للتقدير الذي يقيس دقة النموذج مرتفع جدًا عند 73،091 دولارًا. ومع ذلك ، إذا قارنا ذلك بالانحراف المعياري لسعر المبيعات في النموذج (160.429 دولارًا) ، فإن الخطأ يبدو معقولًا.

يحتوي SPSS على وظائف مدمجة لاختبار الارتباط التلقائي باستخدام اختبار Durbin-Watson. من الناحية المثالية ، ستكون القيمة 2.0 على مقياس من 0 إلى 4 ، لكن القيمة 1.652 يجب ألا تسبب إنذارًا.

بعد ذلك ، نقوم باختبار نتائج النموذج لتحديد ما إذا كان هناك أي دليل على عدم التجانس. لا توجد وظائف مضمنة لـ SPSS ، ولكن باستخدام هذا الماكرو الذي كتبه Ahmad Daryanto يمكننا استخدام اختبارات Breusch-Pagan و Koenker. تظهر هذه الاختبارات أن هناك عدم تغاير المرونة موجود في نموذجنا حيث أن مستوى الأهمية (Sig) في الرسم البياني أدناه أقل من .005. لقد خالف نموذجنا أحد الافتراضات الكلاسيكية للانحدار الخطي. على الأرجح أحد المتغيرات في النموذج يحتاج إلى تحويل من أجل القضاء على المشكلة. ومع ذلك ، قبل القيام بذلك ، من الجيد أن نرى تأثير عدم التجانس على القدرة التنبؤية لمتغيراتنا المستقلة. من خلال استخدام الماكرو الذي طوره Andrew F. Hayes ، يمكننا النظر إلى الأخطاء المعيارية المعدلة ومستويات الأهمية لمتغيراتنا المستقلة.

يكشف المزيد من الاختبارات أن المتغيرات المستقلة تظل ذات دلالة إحصائية ، بعد حساب التغايرية في النموذج ، لذلك لا يتعين علينا بالضرورة تغييرها في الوقت الحالي.

اختبار وصقل النموذج

كاختبار نهائي ، سنحرز جميع سجلات المبيعات التي لم تكن جزءًا من العينة الأصلية مع نموذجنا. سيساعدنا هذا في معرفة كيفية أداء النموذج على مجموعة أكبر من البيانات. تظهر نتائج هذا الاختبار أن قيمة R التربيعية والخطأ القياسي للتقدير لم يتغيروا بشكل كبير في مجموعة البيانات الكبيرة ، مما يشير على الأرجح إلى أن نموذجنا سيعمل كما هو متوقع.

إذا أردنا استخدام نموذج المثال الخاص بنا في الحياة الواقعية ، فمن المحتمل أن نقوم بتقسيم البيانات بشكل أكبر للحصول على عدة نماذج أكثر دقة أو البحث عن بيانات إضافية لتعزيز دقة هذا النموذج الفردي. من المحتمل أيضًا أن تزيل هذه الخطوات التغايرية المرونة التي رأيناها موجودة في النموذج. استنادًا إلى حقيقة أننا كنا نحاول استخدام نموذج واحد للتنبؤ بقيمة المنازل في مقاطعة تضم أكثر من مليون شخص ، فلا ينبغي أن يكون مفاجئًا أننا لم نتمكن من بناء النموذج "المثالي" في غضون ساعتين فقط .

الاستنتاجات

كان هدفنا هو بناء نموذج يتنبأ بقيمة المنازل المنفصلة لأسرة واحدة. يُظهر تحليلنا أننا حققنا هذا الهدف بقدر معقول من الدقة ، ولكن هل نموذجنا منطقي؟

إذا وصفنا نموذجنا ، فسنقول إن قيمة المنزل تعتمد على حجم القطعة ، والمساحة المربعة للمنزل ، وجودة البناء ، والحالة الحالية للإصلاح ، وما إذا كان يحتوي على تكيف. هذا يبدو معقولا جدا. في الواقع ، إذا قارنا نموذجنا بأساليب التقييم التقليدية ، فإننا نرى أنه مشابه جدًا لنهج التكلفة ، مما يضيف تكلفة الحصول على الأرض وإنشاء مبنى جديد معدّل لحالة التقادم الحالية. ومع ذلك ، قد يكون هذا التشابه ، لاستخدام عبارة الانحدار ، ارتباطًا زائفًا.

عادةً ما يوصى بنهج التكلفة فقط لتقييم العقارات الأحدث ، بسبب مشاكل في تحديد الطريقة المناسبة لاستهلاك العقارات القديمة. من خلال نموذجنا ، أنشأنا إستراتيجية مماثلة مفيدة للخصائص في أي عمر ، في الواقع ، لقد اختبرنا العمر كمتغير مستقل وخلصنا إلى أنه ليس له أي تأثير ذي دلالة إحصائية على قيمة الخصائص!

استخدام تحليل الانحدار لعملك

نأمل ، الآن ، أن يكون لديك فهم أفضل لأساسيات تحليل الانحدار. السؤال التالي هو: هل يمكن أن يساعد عملك؟ إذا أجبت بنعم على أي من هذه الأسئلة ، فربما يمكنك الاستفادة من استخدام تحليل الانحدار كأداة.

1. هل تريد نهجًا أكثر علمية لتحديد القيمة أو عمل التوقعات أو تحليل سوق معين؟
2. هل تبحث عن طرق أفضل لتحديد الاستثمارات العقارية المحتملة عبر مناطق أو مناطق كبيرة أو حتى على الصعيد الوطني؟
3. هل هدفك جذب كبار تجار التجزئة أو المطاعم أو شركات الضيافة لمشروعك العقاري التجاري؟
4. هل تعتقد أنه يمكنك تحسين عملية اتخاذ القرار من خلال دمج نقاط بيانات جديدة في العملية؟
5. هل أنت قلق بشأن عائد استثمارك في التسويق للمشترين والمستثمرين؟

نموذج المثال أعلاه هو توضيح بسيط لقيمة استخدام نمذجة الانحدار في العقارات. إن الساعات التي تستغرق 2-3 ساعات لجمع البيانات وبناء النموذج بعيدة كل البعد عن إظهار إمكاناته الكاملة. في الممارسة العملية ، هناك مجموعة متنوعة من الاستخدامات لتحليل الانحدار في صناعة العقارات بخلاف تقييم الممتلكات بما في ذلك:

1. تحليل الأسعار لقائمة الأسعار وأسعار الإيجارات
2. التحليل الديموغرافي والنفسي للمشترين والمستأجرين السكنيين.
3. تحديد أهداف التسويق المباشر
4. تحليل عائد الاستثمار للحملات التسويقية

تستخدم النمذجة الجغرافية المكانية مبادئ تحليل الانحدار المقترنة بأهم ثلاثة أشياء في العقارات: الموقع والموقع والموقع. من خلال العمل كمطور سكني لمدة ثماني سنوات يمكنني أن أشهد على قوة النمذجة الجغرافية المكانية. باستخدام ArcGIS ، تمكنت من دمج بيانات المبيعات وخرائط الأجزاء وبيانات الليدار للعثور على الخصائص المثالية للتطوير في جبال ولاية كارولينا الشمالية.

بناءً على تجربتي ، فإن معظم الأموال في العقارات تتم في الاستحواذ وليس تطوير المشروع. يمكن أن تكون القدرة على تحديد الفرص التي يفوتها الآخرون ميزة تنافسية هائلة في مجال العقارات. التحليلات الجغرافية المكانية شيء استفادت منه الشركات الكبيرة لسنوات عديدة ، لكن الشركات الصغيرة غالبًا ما تغفل عنها.

كيفية تحديد شريك التحليلات المناسب لعملك

قلة قليلة من الناس سيصنفون الإحصائيات على أنها موضوعهم المفضل. في الواقع ، فإن الناس ككل سيئون جدًا في فهم حتى الاحتمالات الأساسية. إذا كنت تشك في هذا الرأي ، فقم برحلة إلى لاس فيجاس أو ماكاو. لسوء الحظ ، قد يجعل ذلك من الصعب تحديد من تثق به عندما تبحث عن نصيحة بشأن تنفيذ تحليل الانحدار في عمليتك. فيما يلي بعض الأشياء الأساسية التي يجب البحث عنها عند تقييم المرشحين المحتملين

في حين أن الناس سيئون في الحكم على الاحتمالات ، فإن الحدس في الواقع جيد إلى حد ما في اكتشاف الأكاذيب. يجب أن تكون متشككًا جدًا في أي شخص يدعي أنه قادر على بناء نموذج يجيب على جميع أسئلتك! لا تثق بضمان النتائج. نأمل أن تكون هذه المقالة قد أوضحت حقيقة أن تحليل الانحدار يعتمد على الملاحظة التجريبية والعلوم السليمة. سيكون الحال دائمًا أن بعض الأشياء أسهل في التنبؤ بها من غيرها. سيكون المستشار الموثوق به منفتحًا وصادقًا عندما لا يتمكن من العثور على الإجابات التي تبحث عنها ، ولن يمر بميزانيتك في محاولة للعثور على إجابات غير موجودة.

ابحث عن السيد سبوك بدلاً من الكابتن كيرك. يمكن أن يكون البحث السليم أداة تسويق ممتازة ، ولكن في كثير من الأحيان يدفع الناس مقابل مواد تسويقية مثيرة مع نفحة من البحث الزائف وبدون منطق لدعمها. بعض الناس أكثر تحليلاً بشكل طبيعي ، لكن المهارات التحليلية العظيمة تأتي من الممارسة. من الناحية المثالية ، فإن أي شخص تقوم بتعيينه لتحليل البيانات الخاصة بعملك سيكون لديه خبرة في إيجاد حلول لمجموعة متنوعة من المشاكل. قد يكون الشخص الذي لديه تركيز ضيق أكثر عرضة للتفكير الجماعي ، خاصةً عندما تعكس تجاربه خبراتك عن كثب.

Put potential candidates on the spot with questions that help demonstrate their reasoning abilities. This is not the time to rely on behavioral questions alone. Ideal candidates will have the ability to strategically use known information to reasonably estimate the answer to complex problems. Ask logical reasoning questions, like “How many tennis balls could you fit in the Empire State Building?”

Finally, you should look for someone with whom you can communicate. All of the information in the world won't help if you can't put it to good use. If someone uses so much jargon in an introductory conversation that your eyes start to glaze over, then they probably aren't the right fit for your company.