Hybrid multilevel STAR models for hedonic house prices

In diesem Aufsatz beschreiben wir einen neuartigen Ansatz, mit dem zwei heterogene Datensätze für räumliche Hauspreisvorhersagen nutzbar gemacht werden. Der erste Datensatz enthält eine große Anzahl von Hauspreisbeobachtungen, allerdings nur wenige Immobilieneigenschaften (ein langer Datensatz). In der Modellschätzung kann dies zu Verzerrungen aufgrund fehlender Variablen (Omitted Variable Bias) führen. Andererseits verfügen wir über einen Datensatz mit wenigen Beobachtungen, der jedoch eine Vielzahl von Immobilieneigenschaften enthält (ein breiter Datensatz). Aufgrund der geringen Beobachtungszahl kann es hier zu volatilen räumlichen Preisschätzungen kommen. Um die geschilderten Nachteile zu umgehen, schlagen wir eine zweistufige Vorgehensweise vor: In der ersten Stufe wenden wir eine hierarchische Version von Strukturiert Additiven Regressionsmodellen (STAR) auf den langen Datensatz an. In der zweiten Stufe wird die (möglicherweise verzerrte) räumliche Preisschätzung als erklärende Variable zur Modellierung des breiten Datensatzes verwendet. Dadurch werden die räumlichen Preisvorhersagen stabilisiert und gleichzeitig mögliche Verzerrungen aus der ersten Stufe modellimplizit korrigiert – wir nennen dies ein hybrides hierarchisches STAR Modell. Es werden detaillierte Vergleiche zwischen den unterschiedlichen Modellen gezogen, welche die erhöhte Vorhersagequalität durch die neue Modellvariante belegen. Copyright Springer-Verlag Berlin Heidelberg 2013