Wykorzystanie regresji nieparametrycznej do wyceny wartości nieruchomości

• Autorzy: Joanna Trzęsiok
• Języki publikacji: PL

Abstrakty

Analiza regresji jest jedną z najczęściej stosowanych metod statystycznych. Jej celem jest trafna predykcja. Jednakże skuteczne prognozowanie jest umiejętnością która wymaga wiedzy, a obecnie również odpowiednich narzędzi statystycznych. W otaczającym nas świecie analizowane zjawiska, nie tylko ekonomiczne, mają zazwyczaj charakter wielowymiarowy. Oznacza to, że do ich opisu należy uwzględnić wiele czynników. Wobec coraz powszechniejszej informatyzacji życia gospodarczego, ilość informacji gromadzonych i przechowywanych w bazach danych wzrosła gwałtownie, prowadząc do jej nadmiarowości. Wpływa to na konieczność stosowania w analizach coraz lepszych metod statystycznych, które muszą być adekwatne do poziomu złożoności badanych zjawisk. Klasyczne metody statystyczne, kiedyś szeroko stosowane, obecnie coraz częściej ustępują miejsca nowym metodom wielowymiarowej analizy danych. Pojawiła się potrzeba stworzenia nowych narzędzi analizy regresji, które byłyby bardziej elastyczne i nakładałyby mniej założeń na zmienne charakteryzujące analizowane zjawiska. Zaistniała konieczność zaproponowania metod, dla których, w odróżnieniu od klasycznej metody regresji wielorakiej, przynajmniej jeden z poniższych warunków jest spełniony: nie jest wymagana znajomość analitycznych postaci związków między zmiennymi ani też znajomość rozkładu składnika losowego, możliwa jest budowa modelu dla zbiorów, w których brakuje wartości niektórych zmiennych lub w których wartości zmiennych są zakłócone np. błędami pomiaru, możliwe jest wprowadzanie do modelu zmiennych mierzonych zarówno na słabych, jak i mocnych skalach pomiaru. Warunki te spełnia wiele z nieparametrycznych metod regresji, które dzięki temu charakteryzują się znacznie szerszym, potencjalnym obszarem zastosowań. W tym rozdziale przedstawiono wykorzystanie metod nieparametrycznych do wyceny wartości nieruchomości. Modelowano ceny transakcyjne mieszkań sprzedanych na terenie Warszawy od czerwca 2007 roku do września 2009 roku. Analizę przeprowadzono w dwóch etapach. W pierwszym zbudowano wiele różnych modeli, za pomocą wybranych metod nieparametrycznych, dla różnych wartości parametrów tych metod. Następnie wybrano model najlepszy pod względem dokładności predykcji, mierzonej za pomocą błędu średniokwadratowego obliczonego metodą sprawdzania krzyżowego (MSEcv) W drugim etapie zastosowano procedurę eliminacji zmiennych blokiem i do otrzymanego najlepszego modelu wprowadzono tylko te cechy, które miały istotny wpływ na zmienną zależną, czyli cenę transakcyjną mieszkania. Wszystkie obliczenia i analizy wykonano z wykorzystaniem programu statystycznego R. (fragment tekstu)

Słowa kluczowe

PL

Modele matematyczne; Optymalizacja matematyczna; Analiza ilościowa; Ekonomia; Zarządzanie; Analiza regresji; Wycena nieruchomości

EN

Mathematical models; Mathematical optimization; Quantitative analysis; Economics; Management; Regression analysis; Real estate valuation

• Czasopismo: Prace Naukowe / Uniwersytet Ekonomiczny w Katowicach
• Rocznik: 2014
• Tom: Metody i modele analiz ilościowych w ekonomii i zarządzaniu. Cz. 6
• Strony: 50--61

Twórcy

autor

Joanna Trzęsiok

• Uniwersytet Ekonomiczny w Katowicach

Bibliografia

• Bishop C. (1995): Neural Networks for Paltem Recognition. Oxford University Press, Oxford.
• Breiman L., Friedman J.H. (1985): Estimating Optimal Transformations for Multiple Regression and Correlation (with discussion). "Journal of the American Statistical Association", No. 80.
• Friedman J.H. (1991): Multivariate Adaptive Regression Splines. "AnnalsofStatistics",No. 19.
• Friedman J. (1999): Greedy Function Approximation: A Gradient Boosting Machine. Technical Report, Stanford University, Dept, of Statistics.
• Friedman J. (1999): Stochastic Gradient Boosting. Technical Report, Stanford University, Dept, of Statistics.
• Friedman J., Stuetzle W. (1981): Projection Pursuit Regression. "Journal of the American Statistical Association", No. 76.
• Hastie T., Tibshirani R., Friedman J. (2001): The Elements of Statistical Learning: Data Mining, Inference and Prediction. "Springer Series in Statistics", Springer Verlag, New York.
• Kooperberg C., Bose S., Stone C. (1997): Polychotomous Regression. "Journal of the American Statistical Association", No. 92.
• Meyer D., Leisch F., Homik K. (2003): The Support Vector Machine under Test. "Neurocomputing", No. 55(1-2).
• Nagatani T., Abe S. (2007): Backward Variable Selection of Support Vector Regressors by Block Deletion. Proceedings of the International Joint Conference on Neural Networks, IJCNN 2007, IEEE.
• Trzęsiok J. (2009): Analiza wybranych własności metody POLYMARS. W: A.S. Barczak (red.): Zastosowania ekonometrii. Wydawnictwo Akademii Ekonomicznej, Katowice.
• Trzęsiok J. (2010): Dobór zmiennych do modelu regresyjnego zbudowanego za pomocą wybranych nieparametrycznych metod regresji. W: K. Jajuga, M. Walesiak (red.): Klasyfikacja i analiza danych - teoria i zastosowania. Wydawnictwo Uniwersytetu Ekonomicznego, Wrocław.