Market heterogeneity and the determinants of Paris apartment prices: A quantile regression approach
Notice bibliographique
Résumé
In this paper, the heterogeneity of the Paris apartment market is addressed. For this purpose, quantile regression is applied – with market segmentation based on price deciles – and the hedonic price of housing attributes is computed for various price segments of the market. The approach is applied to a major data set managed by the Paris region notary office (Chambre des Notaires d’Île de France), which consists of approximately 156,000 transactions over the 2000–2006 period. Although spatial econometric methods could not be applied owing to the unavailability of geocodes, spatial dependence effects are shown to be adequately accounted for through an array of 80 location dummy variables. The findings suggest that the relative hedonic prices of several housing attributes differ significantly among deciles. In particular, the elasticity coefficient of the apartment size variable, which is 1.09 for the cheapest units, is down to 1.03 for the most expensive ones. The unit floor level, the number of indoor parking slots, as well as several neighbourhood attributes and location dummies all exhibit substantial implicit price fluctuations among deciles. Finally, the lower the apartment price, the higher the potential for price appreciation over time. While enhancing our understanding of the complex market dynamics that underlie residential choices in a major metropolis such as Paris, this research provides empirical evidence that the QR approach adequately captures heterogeneity among house price ranges, which simultaneously applies to housing stock, historical construct and social fabric.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».