Assessing the explanatory power of dwelling condition in automated valuation models within real estate
Description
Full text not available
Abstract
Bruken av automatiske verdsettelsesmodeller (AVMer) øker i popularitet innenfor eiendomsverdsetting. For å sikre nøyaktige prediksjoner må man benytte en underliggende regresjonsmodell som fanger forholdet mellom boligkarakteristikker og pris. I tillegg må man inkludere variabler med forklaringsevne i forhold til salgsprisen. Denne studien utforsker forklaringsevnen boligtilstandsattributter har i AVMer, et område i forskningen som er blitt lite utforsket. Ved å bruke data som inneholder detaljerte boligtilstandsrapporter og to metoder for å representere lokasjonsinformasjon, trenes og evalueres en hedonisk lineær regresjonsmodell, et gradient boosted beslutningstre og en støttevektormaskin på å predikere salgsprisen til boliger i tre urbane regioner i Norge. For å utforske foklaringsevnen sammelignes prediksjonsevnen med og uten tilstandsinformasjon, og en analyse av modelltolkninger gjennomføres. Inkludering av attributter som beskriver boligens tilstand ble funnet å resultere i en økning i prediksjonsnøyaktighet i alle modeller og i alle regioner. I tillegg rapporterer alle modellene at flere tilstandsattributter påvirker prediksjonen og at bedre tilstand gir høyere pris. Disse funnene fører oss til å konkludere at boligtilstand har forklaringsevne i både lineære og ikke-lineære AVMer, og derfor er verdifull informasjon for verdsettere. Samtidig er forbedringen i prediksjonsevne av å inkludere boligtilstand begrenset. Forskere og brukere av AVMer burde derfor vekte de mulige fordelene av å inkludere slik data mot arbeidet som kreves for å samle den inn. Automated valuation models (AVMs) are gaining prominence within real estate valuation. To get accurate predictions, one must choose an underlying regression model that captures the relationship between dwelling characteristics and price. Additionally, one must include characteristics with explanatory power regarding the price. This study assesses the explanatory power of attributes describing dwelling condition in AVMs, an area that has seen little attention in research. Utilizing data containing detailed dwelling condition assessment reports, and using two methods of representing spatial information, a hedonic linear regression model, a gradient boosted decision tree, and a support vector machine are trained and evaluated on predicting the sale price of dwellings in three urban regions in Norway. To assess the explanatory power, a comparison of predictive performance and an analysis of model interpretations are performed with and without condition attributes. The addition of attributes describing dwelling condition was found to increase the predictive accuracy of all models and in all regions. Further, the models were consistent in which condition attributes ranked high in terms of importance and what the relationship was between these attributes and the price. These findings lead us to conclude that dwelling condition holds explanatory power in both linear and non-linear AVMs and hence is of value to appraisers. However, the increase in predictive accuracy from the inclusion of dwelling condition is limited, and researchers and practitioners should weigh the potential benefits of including such data against the effort required to gather it.