[論文レビュー] Achieving a Hyperlocal Housing Price Index: Overcoming Data Sparsity by Bayesian Dynamical Modeling of Multiple Data Streams

You Ren, Emily B. Fox+1 more|arXiv (Cornell University)|May 5, 2015

Bayesian Methods and Mixture Models参考文献 21被引用数 4

ひとこと要約

本稿では、関連する地域間で情報共有を行うことで、データが乏しい地域における精度と安定性を向上させる、ベイジアン非パラメトリックな動的モデルを提案する。このモデルは、類似した住宅価格動態を示す集計地区（census tracts）をクラスタリングし、地域ごとの住宅価格指数を創出し、従来の繰返し販売法やZIPコードレベルの指数と比較して、月次で、かつより高い精度と安定性を実現する。

ABSTRACT

Understanding how housing values evolve over time is important to policy makers, consumers and real estate professionals. Existing methods for constructing housing indices are computed at a coarse spatial granularity, such as metropolitan regions, which can mask or distort price dynamics apparent in local markets, such as neighborhoods and census tracts. A challenge in moving to estimates at, for example, the census tract level is the sparsity of spatiotemporally localized house sales observations. Our work aims at addressing this challenge by leveraging observations from multiple census tracts discovered to have correlated valuation dynamics. Our proposed Bayesian nonparametric approach builds on the framework of latent factor models to enable a flexible, data-driven method for inferring the clustering of correlated census tracts. We explore methods for scalability and parallelizability of computations, yielding a housing valuation index at the level of census tract rather than zip code, and on a monthly basis rather than quarterly. Our analysis is provided on a large Seattle metropolitan housing dataset.

研究の動機と目的

• 従来のケース＝シャラー指数などと比較して、空間的分解能を高めた集計地区レベルの住宅価格指数を開発すること。
• 空間的・時間的分解能を高めた状況下で、多くの集計地区で月あたり5件未満の取引データしかないという、データが乏しい課題に対処すること。
• 集計地区間の相関する価格動態を活用した柔軟なクラスタリング手法により、推定の安定性と予測精度を向上させること。
• 四半期ごえではなく月次での指数更新を可能にし、地域市場分析における時間的感度を高めること。
• 多くのメトロポリタン地域で90％以上の取引が無視される繰返し販売データに依存するのを減らすこと。

提案手法

• 本手法は、相関する住宅価格動態に基づいて、集計地区の潜在的クラスタを学習するベイジアン非パラメトリックな階層モデルを採用する。
• 各クラスタ内の時間的変動する価格トレンドを表現するために、動的線形モデル（DLM）フレームワークを用いた状態空間モデルを用いる。
• 個々の集計地区の推定値が、それ自身がグローバル平均に向かって収縮するクラスタ固有の平均値に向かって収縮する、多重収縮を適用する。
• クラスタ数を事前に指定せず、データ駆動で柔軟にクラスタリングできるように、ディリクレ過程混合事前分布を用いる。
• モデルはスケーラブルかつ並列処理可能であり、140のシエトル集計地区をカバーする大規模な実世界の住宅取引データセットを用いて、効率的な計算が可能である。
• 個々の取引、地域トレンド、時間的動態といった複数のデータストリームを、統一された確率的枠組みに統合する。

実験結果

リサーチクエスチョン

• RQ1 相関する住宅価格動態に基づいて、集計地区を効果的にクラスタリングできるベイジアン非パラメトリックモデルは、データが乏しい地域における推定精度を向上させることができるか？
• RQ2 提案されたクラスタリングに基づく動的モデルは、従来の繰返し販売法やZIPコードレベルの指数と比較して、集計地区レベルでの精度と安定性において、どのように異なるか？
• RQ3 2007年の住宅市場のバブル期のような高ボラティリティ期において、本モデルはベースライン手法と比較して、推定誤差をどの程度低減するか？
• RQ4 月あたり5件未満の取引数という極めて少ない取引頻度の集計地区においても、本モデルは信頼性ある性能を維持できるか？
• RQ5 クラスタリングによる構造的収縮を組み込むことで、クラスタリングなしの階層的収縮と比較して、予測精度はどの程度向上するか？

主な発見

• 提案されたベイジアン非パラメトリッククラスタリングモデルは、特に2007年のボラティリティの高い時期において、ケース＝シャラー指数よりも顕著に低い誤差率を達成しており、高誤差推定値の数も少ない。
• 非クラスタリング型ベイジアンモデルやケース＝シャラー指数と比較して、高誤差ZIPコードの数を大幅に削減しながら、低誤差推定値の数はほぼ同等を維持している。
• 2007年には、クラスタリングモデルの誤差分布はケース＝シャラー指数よりもはるかに尾が軽く、外れ値に対して優れたロバストネスを示している。
• 本モデルは、特にボラティリティの高い年において、Zillow Home Value Index（ZHVI）をケース＝シャラー指数よりもよく追跡しており、動的適応性に優れている。
• 本手法により、従来の繰返し販売モデルの四半期更新に比べ、月次での集計地区レベルの住宅価格指数の作成が可能になった。
• 非クラスタリング型ベイジアンモデルと比較して、本モデルは、異常な集計地区がグローバル平均ではなく、動的に学習されたより情報量の多いクラスタ構造に向かって収縮できるため、性能が優れている。