协变量距离加权回归(CWR)：以房价估计为例的研究
机器学习
2023-05-17 v1
摘要
地理加权回归(GWR)是回归模型中刻画空间异质性的常用工具。然而，GWR当前所用的权重函数仅考虑地理距离，而完全忽略了属性相似性。本研究提出一种结合地理距离与属性距离的协变量权重函数。协变量距离加权回归(CWR)是GWR的扩展，纳入了地理距离与属性距离。房价受诸多因素影响，如房龄、建筑面积与土地利用。预测模型用于帮助理解区域房价特征。CWR被用于理解房价与控制因素之间的关系。CWR能够同时考虑地质与属性距离，并给出保留地质与属性距离函数权重矩阵的准确房价估计。结果表明，房屋属性/状况及房屋特征（如建筑面积与房龄）可能影响房价。经因子筛选仅考虑建筑房龄与建筑面积后，相较于GWR，CWR模型对高层建筑的RMSE可改善2.9%–26.3%。CWR能有效降低传统空间回归模型的估计误差，并为空间估计提供新颖可行的模型。
引用
@article{arxiv.2305.08887,
title = {Covariate-distance Weighted Regression (CWR): A Case Study for Estimation of House Prices},
author = {Hone-Jay Chu and Po-Hung Chen and Sheng-Mao Chang and Muhammad Zeeshan Ali and Sumriti Ranjan Patra},
journal= {arXiv preprint arXiv:2305.08887},
year = {2023}
}