The influence of design-related features on houses time-on-market: a statistical analysis
Notice bibliographique
Résumé
Purpose Researchers have not widely explored design-based factors that govern buildings’ physical properties and human–building interactions. This paper aims to understand the influence of design-related factors on the time-on-market (TOM) of listed houses and, consequently, study the effect of design features on the desirability of a given house. Design/methodology/approach This research analyzes a dataset of listed houses, provided by the REALTORS ® Association of Edmonton (RAE) and covers a period extending from January 2009 to August 2019, using Cox proportional-hazards regression model to identify building features that influence people purchasing decisions. Findings The research findings affirm the statistical insignificance of the price on the TOM compared to other design features, such as the construction method, the installed mechanical systems and cladding materials. Research limitations/implications The data used in the analysis comes from a single North American region, i.e. Edmonton, Alberta, Canada. Also, the data provided by the RAE includes only records that involve a realtor. Practical implications The observations of the research presented in this paper influence the housing market players’ decisions about housing designs, mainly those concerned with building new residential dwellings such as speculative builders and designers. Originality/value The research novelty stems from two aspects: the medium used for analysis, i.e. Cox proportional-hazards regression model, which allows considering the listed-but-not-sold units and helps to eliminate the survivorship bias that leads to over-optimistic outcomes; and the assessment of design-related features which allows to understand people’s preferences in design alternatives.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».