Notice bibliographique
Résumé
1. CONTENTS (1) RESEARCH OBJECTIVES In this paper, we analyze factors that influences the bid price in the real estate auction market from a macroscopic and a microscopic perspective. (2) RESEARCH METHOD We implement the cross-correlation analysis and the VECM from the year of 2002 to that of 2012. Based on those data and models, we try to find influential factors on the bid price. In addition, employing the data from the first half of the year of 2012 and doing a microscopic analysis, we conduct the Hedonic Price Model. (3) RESEARCH FINDINGS Macroeconomic variables such as GDP, price appraisals, and monetary aggregates make an influence on the bid price. Some demographic variables such as districts, special rights, number of rooms, number of successful bids, number of floors, land shares, number of buildings, duration of years, duration time of auction, and number of households make an effect on the bid price. 2. RESULTS As a result, the cross-correlation relationship shows that the bid price are accompanied by the changes in GDP, appraised value, and monetary aggregates. The selling rate antecedes the second quarter, while exchange rates and housing lease prices antecede the third quarter, and interest rates antecede the fourth quarter. According to the VECM, the above factors were accountable in the following order: exchange rates, interest rates, lease prices, monetary aggregates, and price appraisals. The Hedonic Price Model show that the number of factors that determine the bid prices can be listed in the following order according to their level of influence: 3 Gangnam districts, 3 Gangbuk districts, special rights, number of rooms, number of successful bids, number of floors, land shares, number of buildings, duration of years, duration time of auction, and number of households.
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) | 0,001 | 0,001 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,021 | 0,053 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».