Modelización de la inflación de los precios de la vivienda

Question

Tengo un conjunto de datos de precios de viviendas y sus correspondientes características (habitaciones, metros cuadrados, etc). Una característica adicional es la fecha de venta de la casa. El objetivo es crear un modelo que pueda estimar el precio de una casa como si se vendiera hoy. Por ejemplo, una casa con un conjunto específico de características (5 habitaciones, 100 metros cuadrados) y la fecha de hoy (28-1-2020), ¿a qué precio se vendería? El tiempo es un componente importante, porque los precios aumentan (se inflan con el tiempo). Estoy luchando por encontrar una manera de incorporar la fecha de venta como una característica en el modelo de impulso de gradiente.

Creo que hay varios enfoques:

1. Convertir los datos en un entero, e incluirlos directamente en el modelo como una característica.
2. Crear un modelo separado para modelar la evolución del precio de la vivienda a lo largo del tiempo. Pensemos en esto como una especie de modelo AR(1). I podría ajustar todas las observaciones para la inflación, de modo que obtendríamos obtener un precio ajustado a la inflación para hoy. Estos precios ajustados a la inflación precios ajustados a la inflación se entrenarían en el conjunto de características.

¿Qué opina de estas dos opciones? ¿Existen métodos alternativos?

Answer 1

El enfoque estándar en este caso (como probablemente sepa) sería estimar una regresión hedónica con una variable ficticia de tiempo. Sin embargo, el problema al que te enfrentas (si lo he entendido bien) es estimar el precio de una vivienda con un determinado conjunto de características para momentos que van más allá de las últimas fechas de venta del conjunto de datos.

Un enfoque que se puede adoptar es estimar un índice de precios de la vivienda para una casa de referencia (suponiendo que se disponga de datos suficientes), proyectarlo hacia adelante y, a continuación, utilizar la regresión hedónica para personalizar la estimación de una casa concreta. La proyección a futuro del índice es, por supuesto, bastante difícil. Sin embargo, al menos a nivel local, los precios de la vivienda muestran una correlación serial significativa, por lo que proyectar uno o dos trimestres hacia adelante debería dar resultados razonables.

Creo que lo que he dicho arriba combina efectivamente su (1) y (2). Otro enfoque consistiría en eliminar la variable ficticia del tiempo en su modelo y sustituirla por el valor apropiado de un índice de precios de la vivienda de ventas repetidas (IPV) para esa región geográfica en la fecha de venta. Afortunadamente, existe un IPV de ventas repetidas de alta calidad y gratuito Índice de precios de la vivienda de la FHFA . Los IPH de la FHFA se actualizan con frecuencia, aunque los datos están algo retrasados (1-2 meses). Una vez más, un modelo simple de series temporales que incorpore la correlación serial y los efectos estacionales debería permitirle estimar los valores para momentos cercanos a las fechas actuales de forma razonablemente eficaz.