The Application of Classical and Neural Regression Models for the Valuation of Residential Real Estate

• Autorzy: Łukasz Mach
• Języki publikacji: EN

Abstrakty

EN

The research process aimed at building regression models, which helps to valuate residential real estate, is presented in the following article. Two widely used computational tools i.e. the classical multiple regression and regression models of artificial neural networks were used in order to build models. An attempt to define the utilitarian usefulness of the above-mentioned tools and comparative analysis of them is the aim of the conducted research. Data used for conducting analyses refers to the secondary transactional residential real estate market.(original abstract)

Słowa kluczowe

EN

Real estate housing; Real estate; Multiple regression; Valuation

PL

Nieruchomości mieszkaniowe; Nieruchomości; Regresja wielokrotna; Wycena

• Czasopismo: Folia Oeconomica Stetinensia
• Rocznik: 2017
• Numer: vol. 17, iss. 1
• Strony: 44--56

Twórcy

autor

Łukasz Mach

• Opole University of Technology, Poland

Bibliografia

• Aczel, A.D. (2000). Statystyka w zarządzaniu. Warszawa: Wydawnictwo Naukowe PWN.
• Batóg, B., Foryś, I. (2011). Modele logitowe w analizie transakcji na warszawskim rynku mieszkaniowym. Studia i Materiały Towarzystwa Naukowego Nieruchomości, 3, 34-48.
• Brockett, P.L., Golden, L.L., Jang, J., Yang, Ch. (2006). A Comparison of Neural Network, Statistical Methods, and Variable Choice for Life Insurers' Financial Distress Prediction. The Journal of Risk and Insurance, 73 (3), 397-419. DOI: 10.1111/j.1539-6975.2006.00181.x. [Crossref]
• Chiarazzo, V., Caggiani, L., Marinelli, M., Ottomanelli, M. (2014). A Neural Network based Model for Real Estate Price Estimation Considering Environmental Quality of Property Location. Transportation Research Procedia, 3, 810-817. DOI: 10.1016/j.trpro.2014.10.067. [Crossref]
• Dawid, L. (2014). Wzrost wartości nieruchomości na skutek podziałów nieruchomości i budowy urządzeń infrastruktury technicznej na przykładzie gminy Mielno. MOTROL Motoryzacja i Energetyka Rolnictwa, 16 (1), 19-24.
• Duch, W. (2000). Sieci neuronowe. Polska Akademia Nauk. Warszawa: Wydawnictwo EXIT.
• Dziechciarz, J. (2003). Ekonometria. Metody, przykłady, zadania. Wrocław: Wydawnictwo Akademii Ekonomicznej im. Oskara Langego we Wrocławiu.
• Gdakowicz, A. (2014). Linia oporu a ceny mieszkań na rynku pierwotnym w wybranych miastach Polski. Studia i Prace WNEiZ US, 36 (2), 225-238.
• Gruszczyński, M. (2009). Ekonometria i badania operacyjne. Warszawa: Wydawnictwo Naukowe PWN.
• Hurrion, R.D., Birgil, S. (1999). A Comparison of Factorial and Random Experimental Design Methdos for the Development of Regression and Neural Network Simulation Metamodels. The Journal of the Operational Research Society, 50 (10), 1018-1033.
• Kubus, M. (2016). Locally regularized linear regression in the valuation of real estate. Statistic in Transation - new series, 17 (3), 1-10.
• Limsombunchai, V., Gan, Ch., Lee, M. (2004). House Price Prediction: Hedonic Price Model vs. Artificial Neural Network. American Journal of Applied Sciences, 1 (3), 193-201. DOI: 10.3844/ajassp.2004.193.201. [Crossref]
• Ma, H., Chen, M., Zhang, J. (2015). The Prediction of Real estate Price Index based on Improved Neural Network Algorithm. Advanced Science and Technology Letters, 81, 10-15. DOI: 10.14257/astl.2015.81.03.
• Mach, Ł. (2011). Budowa praktycznego modelu regresji opisującego zależności występujące na rynku nieruchomości mieszkaniowych. Zeszyty Naukowe Wyższej Szkoły Bankowej we Wrocławiu. Metody ilościowe w ekonomii i Zarządzaniu, 20, 291-302.
• Mach, Ł. (2014). Czynniki kształtujące wartość nieruchomości mieszkaniowych w kontekście uwarunkowań makro-, mikro- oraz ultraotoczenia, Ekonometria, 46, 52-61.
• Maddala, G.S. (2008). Ekonometria. Warszawa: Wydawnictwo Naukowe PWN.
• Ossowski, S. (2000). Sieci neuronowe do przetwarzania informacji. Warszawa: Oficyna Wydawnicza Politechniki Warszawskiej.
• Rącka, I. (2016). Characteristics affecting housing process in Kalisz. Construction Entrepreneurship and Real Property, Proceedings of the 31th International Scientific and Practical Conference in November 2016 - Издателство "Наука И Икономика", Икономически Университет, Варна (Varna).
• Ripley, B.D. (1994). Neural Networks and Related Methods for Classification. Journal of the Royal Statistical Society. Series B (Methodological), 56 (3), 409-456.
• Rutkowska, D. (1997). Sieci neuronowe, algorytmy genetyczne i systemy rozmyte. Warszawa: Wydawnictwo Naukowe PWN.
• Sampathkumar, V., Santhi, M.H., Vanjinathan, J. (2015). Forecasting the Land Price Using Statistical and Neural Network Software. Procedia Computer Science, 57, 112-121. DOI: 10.1016/j.procs.2015.07.377. [Crossref]
• Soni, A.K., Sadiq, A.A. (2015). Real Estate Valuation Using Artificial Neural Network (Ann). International Journal of Science, Technology & Management, 4 (5).
• Tadeusiewicz, R. (1997). Sieci neuronowe. Warszawa: Akademicka Oficyna Wydawnicza RM.
• Widłak, M., Nehrebecka, N. (2011). Wykorzystanie regresji kwantylowej w analizie zróżnicowania cen mieszkań. Wiadomości Statystyczne, 5, 17-46.
• Zyga, J. (2012). Model dynamiczny rynku i wartości nieruchomości. Studia i materiały Towarzystwa Naukowego Nieruchomości, 20 (1), 209-220.
• Zygmunt, A., Szewczyk, M. (2011). Możliwości rozwoju branży budowlanej w województwie opolskim. Barometr Regionalny. Analizy i Prognozy, 4 (26), 75-83.
• Zygmunt, J. (2013). Kształtowanie się struktury inwestycji w nieruchomości na przykładzie województwa dolnośląskiego. Zeszyty Naukowe Wyższej Szkoły Bankowej we Wrocławiu, 5 (37).

Identyfikatory

DOI

10.1515/foli-2017-0004