Spatial Heterogeneity in Mortgage Terminations by Refinance, Sale and Default
Notice bibliographique
Résumé
This paper investigates the impact of spatially correlated unobservable variables on the refinancing, selling, and default decisions of mortgage borrowers. Virtually the entire mortgage literature acknowledges that borrower specific characteristics, such as culture, education, or access to information, play an important role in the mortgage termination decisions. While we do not observe these variables directly, we note that borrowers of similar background tend to cluster together in neighborhoods. We propose a method to take advantage of this information and reconcile the theoretical option-based models of mortgage terminations with the empirical experience of mortgage refinancing, sale and default. Specifically, we combine the three-stage maximum likelihood estimation (3SMLE) approach for competing risks hazard model with random effect proposed by Deng and Quigley (2002) with the space-varying coefficient method (SVC) of Pavlov (2000) to modify the covariance structure according to the spatial distribution of the observations. Beyond a significant improvement of the model performance, this yields a number of insightful implications for mortgage termination behavior. For instance, borrowers of the affluent "West Side" of Los Angeles County both refinance and move at a higher rate than predicted by the standard maximum likelihood estimation method. At the same time, borrowers from some lower-valued neighborhoods tend to stay longer than expected with their mortgages and properties. Such findings have direct implications for mortgage pricing and have the potential to ultimately improve the equity and efficiency of the lending markets.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».