Investuotojai, naudodamiesi turto kainų judėjimo modeliais, prognozuoja, kur investavimo kaina bus bet kuriuo metu. Šių prognozių sudarymo metodai yra statistikos, kuri yra žinoma kaip „laukas“, dalis regresijos analizė. Skaičiavimas likutinė dispersija vertybių rinkinys yra regresijos analizės įrankis, kuris matuoja, kaip tiksliai modelio prognozės atitinka faktines vertes.
Regresijos linija
The regresijos linija rodo, kaip pasikeitė turto vertė dėl skirtingų kintamųjų pokyčių. Taip pat žinomas kaip a tendencijos linija, regresijos eilutėje rodoma turto kainos „tendencija“. Regresijos linija vaizduojama tiesine lygtimi:
Y = a + bX
kur "Y" yra turto vertė, "a" yra konstanta, "b" yra daugiklis ir "X" yra kintamasis, susijęs su turto verte.
Pavyzdžiui, jei modelis prognozuoja, kad vieno miegamojo namas parduoda už 300 000 JAV dolerių, dviejų miegamųjų namas parduoda už 400 000 JAV dolerių, o trijų miegamųjų namas parduoda už $ 500,000, regresijos linija atrodytų:
Y = 200 000 + 100 000 X
kur „Y“ yra namų pardavimo kaina, o „X“ - miegamųjų skaičius.
Y = 200 000 + 100 000 (1) = 300 000
Y = 200 000 + 100 000 (2) = 400 000
Y = 200 000 + 100 000 (3) = 500 000
Scatterplot
A sklaida rodo taškus, kurie atspindi faktinę koreliaciją tarp turto vertės ir kintamojo. Terminas "scatterplot" kyla iš to, kad, kai šie taškai yra brėžiami diagramoje, jie atrodo "išsibarstę" aplink, o ne gulėti puikiai regresijos linijoje. Naudojant aukščiau pateiktą pavyzdį, galėtume turėti sklaidos tašką su šiais duomenų taškais:
1 punktas: 1BR parduodamas už 288 000 JAV dolerių
2 punktas: 1BR parduodamas už $ 315,000
3 punktas: 2BR parduodamas už $ 395,000
4 punktas: 2BR parduodamas už 410 000 JAV dolerių
5 punktas: 3BR parduodamas už 492 000 JAV dolerių
6 punktas: 3BR parduodamas už $ 507,000
Likutinės dispersijos apskaičiavimas
Likutinio dispersijos skaičiavimas prasideda nuo kvadratų suma skirtumai tarp turto vertės regresijos eilutėje ir kiekvienos atitinkamos turto vertės sklaida.
Čia rodomi skirtumų kvadratai:
1 punktas: 288 000 JAV dolerių - 300 000 JAV dolerių = (- $ 12,000); (-12 000)2 = 144,000,000
2 punktas: 315 000 JAV dolerių - 300 000 JAV dolerių = (+ $ 15,000); (+15 000)2 = 225,000,000
3 punktas: 395 000 JAV dolerių - 400 000 JAV dolerių = (- $ 5000); (-5 000)2 = 25,000,000
4 punktas: 410 000 JAV dolerių - 400 000 JAV dolerių = (+ $ 10,000); (+10 000)2 = 100,000,000
5 punktas: 492 000 JAV dolerių - 500 000 JAV dolerių = (- $ 8000); (-8 000)2 = 64,000,000
6 punktas: 507 000 JAV dolerių - 500 000 JAV dolerių = (+ 7 000 JAV dolerių); (+7000)2 = 49,000,000
Kvadratų suma = 607,000,000
Likutinė dispersija nustatoma imant kvadratų sumą ir padalijant ją iš (n-2), kur „n“ yra sklaidos taško duomenų taškų skaičius.
RV = 607 000 000 / (6-2) = 607 000 000/4 = 151,750,000.
Liekamosios dispersijos panaudojimas
Nors kiekvienas sklaidos taško taškas nebus visiškai susietas su regresijos linija, stabilus modelis turės sklaidos taškus reguliariame paskirstyme aplink regresijos liniją. Likutinė dispersija taip pat žinoma kaip „klaidų dispersija“. Didelė liekamoji dispersija rodo, kad regresijos linija pradiniame modelyje gali būti klaidinga. Kai kurios skaičiuoklės funkcijos gali parodyti procesą, kuriant regresijos liniją, kuri yra arčiau sklaidos taško duomenų.
