slide1
Download
Skip this Video
Download Presentation
Množično vrednotenje nepremičnin

Loading in 2 Seconds...

play fullscreen
1 / 39

Množično vrednotenje nepremičnin - PowerPoint PPT Presentation


  • 195 Views
  • Uploaded on

Množično vrednotenje nepremičnin. II Množično vrednotenje nepremičnin. II -3 Umerjanje modelov množičnega vrednotenja. Umerjanje modela. Umerjanje modela pri množičnem vrednotenju nepremičnin je postopek določevanja koeficientov modela in posodabljanja le teh.

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about ' Množično vrednotenje nepremičnin' - devin-orr


An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
slide1

Množično vrednotenje nepremičnin

II Množično vrednotenje nepremičnin

II-3 Umerjanje modelov množičnega vrednotenja

slide2

Umerjanje modela

  • Umerjanje modela pri množičnem vrednotenju nepremičnin je postopek določevanja koeficientov modela in posodabljanja le teh.
  • Postopek umerjanja modela je odvisen predvsem od načina vrednotenja:
  • stroškovni način;
  • dohodkovni način;
  • način primerljivih prodaj.
slide3

Umerjanje stroškovnega modela

  • Splošen stroškovni model:
  • TV = Vzem + Vobj
  • TV tržna vrednost
  • Vzem vrednost zemljišča
  • Vobj vrednost objekta
  • je hibridni model:
  • Fkakov – zmnožek splošnih kakovostnih faktorjev
  • Fkakov,obj – zmnožek kakovostnih faktorjev za objekt
  • Fkakov,obj – vsota aditivnih komponent za objekt
  • Fkakov,zem – zmnožek kakovostnih faktorjev za zemljišče
  • Fkakov,zem – vsota aditivnih komponent za zemljišče
  • Fadit – vsota ostalih aditivnih komponent
slide4

Stroškovni model - umerjanje

  • Umerjanje stroškovnega modela - postopek:
  • določitev stroškov novo gradnje nadomestne nepremičnine:
    • primerjalna metoda – stroški izgradnje za enoto površine primerljive nepremičnine;
    • metoda ocene stroškov posameznih enot (temelji, zidovi, streha, ogrevanje …);
    • metoda ocene posameznih stroškov gradnje;
    • prilagoditev stroškov izgradnje nepremičnine.
  • ocena amortizacije (zmanjšana vrednost),
  • določitev vrednosti zemljišča in
  • umerjanje s splošnimi faktorji kakovosti.
slide5

Stroškovni model - umerjanje

  • Ocena amortizacije (zmanjšana vrednost zaradi staranja):
  • razlika med stroški novogradnje in tržno vrednostjo objekta;
  • določi se na osnovi analize trga - za posamezno vrsto objekta in lokacijo se določi:
    • efektivna starost objekta ter
    • stopnjo zmanjšanja vrednosti glede na starost objekta.
slide6

Stroškovni model - umerjanje

  • Prilagoditev ocenjene vrednosti nepremičnine tržni:
  • analiza razmerij (angl. ratiostudy);
  • regresijska analiza več spremenljivk ali multipla regresijska analiza (angl. multiple regressionanalyses).
  • Po stroškovnem modelu je prodajna cena nepremičnine enaka:
  • Cnep = b1Vzem + b2Vobj
  • b1 in b2 – koeficienta
  • Cnep– transakcijska vrednost nepremičnine, cena
slide7

Umerjanje dohodkovnega modela

  • Različni matematični modeli se lahko uporabijo za oceno bruto ali neto dohodka nepremičnine – uporabljajo se predvsem dve metodi:
  • metoda mnogokratnikov bruto donosa in metoda kapitalizacije:
  • razslojevanje (oblikovanje skupin nepremičnin glede na primerljive lastnosti nepremičnine);
  • regresijska analiza več spremenljivk ali multipla regresijska analiza (omogoča boljše upoštevanje podatkov trga kot stratifikacija);
    • Zelo pogosto se uporablja postopna regresijska analiza, ki omogoča izločevanje nepotrebnih ali neznačilnih spremenljivk.
  • (2)metoda regresijske analize več spremenljivk ali multipla regresijska analiza (donos je določen kot funkcija vrste objekta, efektivne starosti, lokacije, drugih lastnosti nepremičnine).
slide8

Umerjanje modela primerljivih prodaj

  • Model za določitev posplošene tržne vrednosti nepremičnin temelji na matematični enačbi, ki ocenjeno tržno vrednost določi na osnovi lastnosti nepremičnine neposredno s podatkov nepremičninskega trga:
  • analiza nepremičninskega trga je pri množičnem vrednotenju “množična”;
  • modeli so lahko aditivni, multiplikativniinhibridni.
  • modeli temeljijo na teoriji ocenjevanja tržne vrednosti in morajo odražati lokalne lastnosti nepremičninskega trga;
  • modeli omogočajo relativno preprosto letno preverjanje in umerjanje!
slide9

Modeli primerljivih prodaj

  • Zanesljivost modelov je odvisna predvsem od:
  • - kakovosti tržnih podatkov in
  • - kakovosti podatkov o lastnostih nepremičnin.
  • Metode umerjanja modelov primerljivih prodaj - najpogostejše:
  • regresijska analiza več spremenljivk ali multipla regresijska analiza MRA (angl. multiple regressionanalyses);
  • postopek prilagojenega ocenjevanja (angl. adaptiveestimation procedure) – primerna za hibridne modele.
slide10

Umerjanje modela primerljivih prodaj - MRA

  • REGRESIJA je metoda, s katero ob znani eni ali več neodvisnih spremenljivk napovemo, koliko bo (neznana) spremenljivka Y.
  • PRIMER ENE NEODVISNE SPREMENLJIVKE:
  • Y je odvisna spremenljivka, X pa neodvisna spremenljivka.
  • Y = f(X) + ε
  • Napoved vedno vsebuje napako oziroma odstopanje ε (razen če gre za funkcijsko zvezo), ki je tem večja, čim manjša (absolutno) je korelacija med X in Y.
  • Če se dve spremenljivki pojavljata skupaj, še ne pomeni, da sta med sabo povezani, odvisni.
  • Da se določi oziroma ugotovi medsebojna odvisnost (odvisne spremenljivke od ene ali več neodvisnih ali odvisnih spremenljivk), se izvaja REGRESIJSKA ANALIZA.
slide11

Regresijska analiza

V splošnem delimo odvisnost spremenljivk na:

-linearno odvisnost,

-nelinearno odvisnost.

Regresijski model je enačba ali več enačb s končnim številom spremenljivk.

slide12

Linearna regresija

Linearen regresijski model je model, kjer imamo eno odvisno in eno neodvisno spremenljivko – uporaben je v primeru, ko sprememba neodvisne spremenljivke povzroči približno linearno spremembo vrednosti odvisne spremenljivke.

Model enostavne linearne regresije:

Y = β0 + β1X +ε

Določiti regresijsko premico, kjer bodo minimalna odstopanja podatkov od premice:

Y ‘= b0 + b1X

To je enačba regresijske premice.

slide13

Linearna regresija

  • Grafična rešitev
  • pri linearni regresiji je to premica z enačbo
  • Y’= b0 + b1X
  • Pri čemer je:
  • -Y’ napovedana vrednost Y
  • - b0 presečišče z Y osjo
  • - b1 (pričakovano) povečanje Y(7,69), če se X poveča za 1 enoto;

Regresijska črta kaže obliko povezanosti in je umeten(!) konstrukt, ki včasih bolje, včasih slabše prilega dejanskim podatkom;

slide14

Linearna regresija

  • Metoda najmanjših kvadratov:
      • Y = Y‘ + ε = b0 + b1X + ε
  • Z regresijo določimo tiste vrednosti b0inb1, da se čim bolje prilagaja podatkom – vsota kvadratov odstopanj mora biti minimalna:
  • Funkcijo S(b0,b1) odvajamo po b0 inb1 ter določimo minimum funkcije:
slide15

Korelacijski koeficient

Smer in jakost linerarne odvisnosti dveh spremenljivk izražamo s korelacijskim koeficientom (Pearsonov koeficient), ki ga v populaciji označujemo z ρ, njegovo vzorčno oceno pa z r.

Po definiciji je enak razmerju med kovarianco in korenom iz produkta varianc obeh spremenljivk:

Kvadrat r2 imenujemo determinacijski koeficient in pove, kolikšen del variance ene spremenljivke lahko pojasnimo z variiranjem druge.

Visoka vrednost korelacijskega koeficienta ne pomeni nujno, da je linearna povezava med spremenljivkama tudi statistično značilna. Značilnost ugotovimo s testom t (glej predhodno poglavje!).

slide16

Korelacija več neodvisnih spremenljivk

  • Hkraten vpliv več neodvisnih spremenljivk na odvisno (Y) imenujemo multipla korelacija:
  • R se nahaja v [0,1] in je večji ali vsaj enak kot je največji Pearsonov r med posamezno neodvisno spremenljivko in Y. Z dodajanjem novih X-ov torej uspemo pojasniti vedno večji delež odvisne spremenljivke Y (vsaj na vzorcu).
  • Podobno kot pri enostavni regresiji/korelaciji velja:
  • -Kvadrat kor. koeficienta, R2 je determinacijski koeficient, kaže kolikšen del variance Y je pojasnjen z variiranjem X-ov. (1- R2) je nepojasnjena varianca.
  • -Koren iz variance napake napovedi (Y-Y’) imenujemo standardna napaka napovedi.
slide17

Parcialna korelacija

  • Parcialna korelacija:
  • Kaže “čisto”zvezo med dvema spremenljivkama, tj. zvezo, iz katere je izločen vpliv ene ali več drugih spremenljivk na prvo (Y) in drugo (Xi) spremenljivko.
  • Izločanje vpliva lahko zveča ali zmanjša parcialno korelacijo glede na Pearsonov r.
slide18

Krivuljna regresija

  • Spremenljivki sta med seboj lahko povezani tudi s kako drugo krivuljo in ne le linearno premico. Prilagajanje takim krivuljam lahko ugotavljamo na dva načina:
  • podatke transformiramo v želeno obliko krivulje (npr. logaritmiranje, kvadriranje ...) in zanje izračunamo linearno regresijo;
  • uporabimo polinomno regresijo –izračunamo prilagajanje izbrani polinomni funkciji.
slide19

Krivuljna regresija

Najpreprostejša polinomna regresija je kvadratna, ki opisuje parabolično ukrivljenje. Linerarni enačbi dodamo člen x2:

Y = b0 + b1X+ b2X2

Dodajanje člena vodi do enačbe kubične regresije:

Y = b0 + b1X+ b2X2 + b3X3

in regresije na četrto potenco:

Y = b0 + b1X+ b2X2 + b3X3 + b4X4

slide20

Krivuljna regresija

  • Opozorila (podobno kot pri linearni)
    • Točke, ki izstopajo (zlasti glede na neodvisno spremenljivko x), lahko prekomerno vplivajo na regresijo. Vpliv takih vrednosti preverimo tako, da jih odstranimo in ponovno izračunamo regresijo.
    • Razlika med točko in regresijsko premico v smeri y je preostanek.
    • Ne glede potrjeno statistično značilnost regresije, moramo paziti, kako uporabimo rezultat za napovedovanje. Ekstrapoliranje izven meja prvotnih podatkov ni priporočljivo, razen če poznamo (geološki) proces in vemo, da je to smiselno.
  • -Linearni in kvadratni členi so lastni številnim fizikalnim procesom, višje stopnje polinomov pa ne, zato je dobro prileganje višjim regresijam pogosto zgolj slučajno.
  • -Visoke stopnje polinomov imajo lahko skrajne naklone, ki pri ekstrapolaciji vodijo do neverjetnih ocen.
slide22

MULTIVARIANTNE METODE

  • MULTIVARIANTNE METODE
  • Multivariatne metode omogočajo sočasno analizo več spremenljivk.
  • Poseben problem predstavlja grafična predstavitev več kot treh spremenljivk hkrati;
  • Ena izmed nalog multivariatnih metod je zato zmanjšanje dimenzionalnosti podatkov, do predstavljive upodobljivosti.
  • Razlogi, da multivariatnih metod ne uporabimo pogosto?
  • logistični –razpoložljivi so le podatki za eno ali dve spremenljivki.
  • Strokovni– omejeno število spremenljivkustrezazastavljenemunamenuštudije.
  • Izkustveni – ugotovili smo, da za določen izid testa (npr. razlikovanje dveh populacij) zadostuje že ena spremenljivka, da zavrnemo H0.
  • Matematični – sočasna analiza več spremenljivk nudi dodatne podatke le, če so spremenljivke med seboj korelirane.
slide25

MULTIPLA REGRESIJSKA ANALIZA

  • Oblike regresijskih modelov so lahko:
slide26

MULTIPLA REGRESIJSKA ANALIZA

  • MULTIPLA LINEARNA REGRESIJA
  • Vsi navedeni modeli so v delnih regresijskih koeficientih β linearni, zato z njimi ne skušajmo obravnavati nelinearnih modelov.
  • Prvi model opisuje točke v 3D prostoru, za katere iščemo ravnino najboljšega prileganja.
  • Drugi in četrti predstavljata točke v hiperprostoru, ki jim skušamo prilagoditi hiperpovršino. Izbiramo jo tako, da čim bolj zmanjšamo vsote kvadriranih odstopanj podatkovnih točk od nje.
  • Tretji model je primer polinomne regresije. Čeprav vključuje kvadriranje je linearen, ker so delni regresijski koeficienti linearni.
slide27

MULTIPLA REGRESIJSKA ANALIZA

  • Kadar potrebujemo vrednosti Y, jih predstavimo v obliki vektorja, kakor tudi delne regresijske koeficiente in člene napake:
slide28

MULTIPLA REGRESIJSKA ANALIZA

  • Uporabimo princip najmanjših kvadratov –izberemo hiper ravnino, ki zmanjša vsoto kvadratov preostankov.
slide29

MULTIPLA REGRESIJSKA ANALIZA

  • Kriteriji izbire regresijskih modelov:
  • Modeli so različni glede na število vključenih spremenljivk in način izračuna regresije;
  • V primeru dveh neodvisnih spremenljivk so možni trije modeli, v primeru treh že sedem in s štirimi 15.
  • Najpomembnejši modeli MRA so:
    • proučitev vse možne regresije,
    • postopna regresija,
    • napredujoča regresija,
    • obrnjeno opuščanje.
slide30

MULTIPLA REGRESIJSKA ANALIZA

  • Nekateri kriteriji izbire modela:
  • Multipli regresijski koeficient:
    • Vrednost narašča z dodajanjem spremenljivk, dokler niso vključene vse spremenljivke, vendar se njihovi doprinosi zmanjšujejo.
  • (2) Napaka povprečja vsote kvadratov naj bo majhna.
  • (3) Prilagojeni R2p je multipli determinacijski koeficient, prilagojen stopnjam prostosti:
    • Metoda je primerljiva zmanjševanju povprečja vsote kvadratov preostanka.
slide31

MULTIPLA REGRESIJSKA ANALIZA

  • II. Postopna regresija
slide33

MULTIPLA REGRESIJSKA ANALIZA

  • III. Napredujoča regresija
  • Sledi enakemu postopku kot postopna regresija, le da predhodno izbranih spremenljivk ne testiramo, da bi ugotovili, kako nanje vplivajo kasneje dodane.
  • IV. Obrnjeno opuščanje
  • Vključimo vse regresijske kandidate in tistega z najnižjim delnim korelacijskim koeficientom z Y izločimo, vse ostale pa upoštevamo, če je delna statistika F nižja od Fout.
  • Postopek nadaljujemo, dokler ni model tak, da nobena od spremenljivk nima delne statistike F nižje od Fout.
slide36

Umerjanje – postopek prilagojenega ocenjevanja

  • Metoda prilagajanja (AEP, angl. AdaptiveEstimationprocedure, “feedback”) je primerna za hibridne modele, matematični model se spreminja (prilagaja) postopoma, na osnovni zaporedne (sekvenčne) analize posamezne transakcije:
  • nova metoda iz 80-ih;
  • zaporedje (sekvenca) analiz posameznih prodaj – model sčasoma konvergira do končne rešitve;
  • Medtem ko MRA minimizira vsoto kvadratov odstopanj, ta metoda minimizira povprečno absolutno napako. Pri obeh metodah pa se mora izključiti ekstremne vrednosti!
slide37

Ocena modela

  • Pristopi statističnega preverjanja modelov:
  • statistično preverjanje;
  • analiza razmerij (angl. ratiostudies);
  • pilotne študije;
  • nadzor, dodatno preverjanje;
  • analiza zanesljivosti modelov v času …
slide38

Posodabljanje modela

  • Ponovno umerjanje modela; ciklično umerjanje modela;
  • Indeksacija.
slide39

Vprašanja za utrjevanje snovi

  • Kaj je umerjanjem modela množičnega vrednotenja?
  • Razloži splošen stroškovni model ter postopek umerjanja!
  • Razloži postopek umerjanja dohodkovnega modela!
  • Navedi in opiši osnovni metodi za umerjanje modelov primerljivih prodaj! Kaj so prednosti takega modela v primerjavi z dohodkovnim in stroškovnim modelom?
  • Kaj je regresija, kaj je regresijska analiza?
  • Na kaj moramo paziti pri polinomni (krivuljni) regresiji?
  • Razloži pojma korelacija več neodvisnih spremenljivk ter parcialna korelacija!
  • Katere multivariantne metode poznaš?
  • Katere modele multiple regresije poznaš – na kratko jih opiši!
  • Na kake načine lahko preverjamo modele množičnega vrednotenja?
  • Kako posodabljamo modele množičnega vrednotenja?
ad