Neighborhood profiles and house values : dealing with spatial autocorrelation using kriging techniques
Notice bibliographique
Résumé
The current piece of research focuses on assessing the effect of micro-level, neighborhood profiles on house values and market differentiation in the presence of spatial autocorrelation. While principal component analysis (PCA) is used as a sorting device to identify space-structuring factors, kriging is resorted to in order to deal with spatial dependence among model residuals. The hedonic approach, on which is based this investigation, is applied to the residential market of the Quebec City region. The data bank includes some 2 405 cottages sold on the Quebec Urban Community (QUC) territory from January 1993 to January 1997. Sale prices of sampled cottages range from $50 000 to $250 000, with mean price standing at $123 183. The modeling process is applied to the global sample as well as to two randomly chosen, equal-size sub-samples. Isotropic exponential and spherical variogram functions are used for interpolation of model residuals. Once reinserted in the hedonic equations as independent vectors, kriged variables are shown to substantially improve both explanatory and predictive performances. Thus, the global model adjusted R-Square is raised to 95.8% from 88.8% previously while the standard prediction error drops from 11.3% to 6.9% of mean sale price. In so doing, most spatially structured variations are captured by the model, leaving the remaining spatial autocorrelation statistically non significant while regression coefficients are unbiased. Such a procedure is a pre-requisite for reliable hedonic modeling.
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 | 0,002 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».