Startseite | zfv | Bayesischer Ansatz zur Integration von Expertenwissen in die Immobilienbewertung (Teil 1)

Bayesischer Ansatz zur Integration von Expertenwissen in die Immobilienbewertung (Teil 1)

Dieser Beitrag ist in der zfv 2/2012 erschienen.

Zusammenfassung / Summary / kostenfreier PDF-Download
Zusammenfassung: 

Die Immobilienbewertung steht immer wieder im Fokus. Verstärkt werden zuverlässige und überprüfbare Verkehrswerte gefordert. Dies ist derzeit nur in Lagen mit hinreichenden Fällen möglich, in denen das Vergleichswertverfahren in Form einer Regressionsanalyse verwendet wird. Eine Verbesserung des Ergebnisses und eine belastbarere Aussagekraft erhält das Ergebnis durch die Integration von Expertenwissen – dem gutachterlichen Sachverstand. Dieser ist in der Regressionsanalyse auf die Aufstellung des Modells beschränkt. Ein Bayesischer Ansatz ermöglicht die Integration von Expertenwissen in die Regressionsanalyse. Das Expertenwissen wird als a priori Information modelliert, während die Kauffälle in einer sogenannten Likelihood-Funktion zusammengefasst werden. Über das Bayes-Theorem werden das Expertenwissen und die Daten zusammenführt. Ergebnis ist die a posteriori Information: Regressionskoeffizienten, Konfidenzintervalle u.ä. stehen in verbesserter Form zur Verfügung.
[Siehe auch zfv 2/2012, 137. Jg., S. 103–113]

Summary: 

Currently, subjects dealing with real estate evaluation are in the center of attention. Not least the real estate and finance crisis has shown the importance of correct valuation so that a precise and reliable real estate valuation is increasingly being demand. Normally, in case of sufficient number of purchases, the comparative value method in form of multiple regression analysis will be applied. An improvement of this analysis aswell as a meaningful interpretation of the results can be reached by integration of experts’ knowledge with the data (in our case the purchases). The Bayesian approach enables the integration of expert knowledge within the regression analysis. In a first step the expert knowledge is modeled as prior density function, whereas the purchases are combined in another density function – the so called likelihood function. The both density functions are merged by means of Bayes’s theorem. The resulting density function is the posterior density, which depend on both: the expert knowledge and the purchases. Based on the later density, different results of interest as estimates of the regression coefficients, confidence regions, and hypothesis testing can be derived.
[See also zfv 2/2012, vol. 137, pp. 103–113]