实现超本地房价指数：通过多数据流的贝叶斯动态建模克服数据稀疏性
应用统计
2015-05-07 v1 统计方法学
机器学习
摘要
理解住房价值如何随时间演变对政策制定者、消费者和房地产专业人士十分重要。现有的房价指数构建方法是在粗空间粒度上计算的，例如大都市区，这可能掩盖或扭曲本地市场（如邻里和人口普查区）中明显的价格动态。移动到例如人口普查区级别的估计所面临的挑战是时空局部化房屋销售观测的稀疏性。我们的工作旨在通过利用被发现具有相关估值动态的多个人口普查区的观测来应对这一挑战。我们提出的贝叶斯非参数方法构建于潜在因子模型框架之上，以实现一种灵活的、数据驱动的推断相关人口普查区聚类的方法。我们探索了计算的可扩展性和并行化方法，从而产出人口普查区级别而非邮政编码级别、月度而非季度的住房估值指数。我们的分析基于一个大型西雅图都会区住房数据集。
引用
@article{arxiv.1505.01164,
title = {Achieving a Hyperlocal Housing Price Index: Overcoming Data Sparsity by Bayesian Dynamical Modeling of Multiple Data Streams},
author = {You Ren and Emily B. Fox and Andrew Bruce},
journal= {arXiv preprint arXiv:1505.01164},
year = {2015}
}