Startseite | zfv | Bayesischer Ansatz zur Integration von Expertenwissen in die Immobilienbewertung (Teil 2)

Bayesischer Ansatz zur Integration von Expertenwissen in die Immobilienbewertung (Teil 2)

Dieser Beitrag ist in der zfv 2/2012 erschienen.

Zusammenfassung / Summary / kostenfreier PDF-Download
Zusammenfassung: 

Zur Integration von aus Interviews gewonnenem Expertenwissen wird eine Bayesische Methode für die Wertermittlung adaptiert. Hintergrund dieses Ansatzes ist die Idee, Sachverstand in datengetriebene Modelle zu integrieren. Das Expertenwissen der Sachverständigen kann als sehr gut eingestuft werden, wird aber in der Regressionsanalyse nur für die Erstellung des Modells – also für die Auswahl der Einflussgrößen, die Selektion der zu verwendenden Fälle und die Definition des funktionalen Zusammenhangs zwischen Daten und Parameter eingesetzt. Der technische Teil der Regressionsanalyse selbst wird in der Regel rein automatisiert durchgerechnet. In diesem Ansatz wird Expertenwissen in einem Experiment gewonnen. Die Sachverständigen schätzen den Verkehrswert von Objekten und den Einfluss von Variationen der Einflussgrößen auf den Verkehrswert ein. Diese Informationen werden als a priori Dichtefunktion modelliert und mit den Daten in Form einer Likelihood-Funktion in eine Posteriori-Dichtefunktion überführt. Hieraus ergeben sich präzisere Regressionskoeffizienten und sicherere Konfidenzintervalle. In einer Evaluation kann dargelegt werden, dass sich größtenteils bessere Schätzungen für die Zielgröße mit dem Bayesischen Ansatz erreichen lassen.
[Siehe auch zfv 2/2012, 137. Jg., S. 93–102]

Summary: 

In this paper, a Bayesian method has been adapted for valuation of real estates to integrate expert knowledge (e.g. by means of interview techniques). The background of this approach is the integration of expert knowledge in data-driven models (generally the purchases of real estates). In Germany, the expert knowledge is generally rated very well. However, this knowledge is used in the classical multiple regression analysis only for building the model, e.g. for the choice of the independent variables, for the selection of the used purchases and for the definition of the functional relationship between the data and the regression coefficients. The technical part of the regression analysis is carried out automatically. The expert knowledge in this approach is derived from an experiment. The experts have to estimate the market value of known selected objects and the influence of variations of the influencing variables on this market value. This information is modeled as prior density function, whereas the purchases are combined in another density function – so called the likelihood function. The combination of both density functions by using Bayes’s theorem leads to the posterior density function. The resulting estimates from the Bayesian approach are more precise regression coefficients and a narrower range of the confidence intervals. It was confirmed in an independent evaluation, that better derived results can be estimated within the Bayesian approach for the most part of dependent variables.
[See also zfv 2/2012, vol. 137, pp. 93–102]