La stima econometrica

1
La stima econometrica

• Stima econometrica del peso o dellimportanza che
  la qualità e le caratteristiche delledificio e
  dellambiente in cui è localizzato hanno nella
  determinazione del prezzo
• Nel caso di un bene immobile ad esempio
• P f (S, N, A, Q)
• P prezzo di scambio
• S superficie, numero di stanze, piano,
  luminosità, caratteristiche storico-architettonich
  e
• N caratteristiche del vicinato
• A caratteristiche dellambiente (rumore,
  inquinamento)
• Q caratteristiche del quartiere (presenza di
  parchi, di servizi di trasporto, di parcheggi, di
  supermercati, di scuole, vicinanza di edifici
  architettonicamente pregevoli)

2
Un esempio numerico di stima per comparazione
diretta

• Fonte dei dati utilizzati
• http//www.wileyeurope.com/go/vebeek2ed
• Software utilizzato
• SPSS
• (in alternativa usare Excel)

3
un esempio numerico di stima per comparazione
diretta

• Variabili analizzate
• price sale price of a house
• lotsize the lot size of a property in square
  feet
• bedrooms number of bedrooms
• bathrms number of full bathrooms
• stories number of stories excluding basement
• driveway dummy, 1 if the house has a driveway
• recroom dummy, 1 if the house has a
  recreational room
• fullbase dummy, 1 if the house has a full
  finished basement
• gashw dummy, 1 if the house uses gas for hot
  water heating
• airco dummy, 1 if there is central air
  conditioning
• garagepl number of garage places
• prefarea dummy, 1 if located in the preferred
  neighbourhood of the city

4
Alcuni utili indicatori

• Tendenza centrale modalità della variabile
  attorno la quale gravitano i casi osservati, una
  sorta di baricentro della distribuzione.
• Moda modalità cui è associata la maggiore
  frequenza
• Mediana modalità che occupa il posto di mezzo
  nella distribuzione ordinata dei casi (essi vanno
  riportati in ordine crescente o decrescente prima
  di procedere alla sua individuazione)
• Media somma dei valori assunti dalla variabile
  divisa per il numero dei casi)

5
alcuni utili indicatori

• Variabilità per capire come i casi si
  distribuiscono attorno al baricentro
• Indice di omogeneità somma dei quadrati della
  proporzione dei casi che assumono la i-esima
  modalità
• Campo di variazione differenza che intercorre
  fra il valore minimo e massimo assunto dalla
  variabile
• Deviazione standard si sommano gli scarti dalla
  media elevati al quadrato, si divide il valore
  per il numero dei casi, si estrae la radice
  quadrata del risultato
• Varianza quadrato della deviazione standard

6
un esempio numerico di stima per comparazione
diretta
7
Prezzo e dimensione
8
Prezzo e n. stanze
9
Prezzo e n. bagni
10
Prezzo e n. ripostigli
11
Prezzo e strada privata
12
Prezzo e scantinato
13
Prezzo e riscaldamento a gas
14
Prezzo e condizionatore daria
15
Prezzo e n. garage
16
Prezzo e localizzazione nel quartire preferito
17
Modello di regressione lineare

• La combinazione di variabili osservate/abili che
  mi consente di prevedere nel modo più accurato
  possibile il valore del prezzo degli edifici
• Yi b1 b2Xi2 b3Bi3 bkXiK ei
• ei errore di predizione o residuo
• Metodo dei minimi quadrati opto per la
  combinazione di valori che minimizza la somma del
  quadrato della differenza fra i valori osservati
  del prezzo e quelli previsti dalla combinazione
• I valori dei parametri bk che soddisfano questo
  criterio sono detti stime dei minimi quadrati

18
Prezzo e dimensione
19
Retta di regressione, intensità delleffetto e
potere predittivo

• Lintensità delleffetto della variabile Xk sul
  prezzo è espressa dal valore del parametro bk
• Il potere predittivo della retta di regressione è
  espresso dallerrore standard della regressione
• radice quadrata della somma degli errori di
  predizione al quadrato divisa per il numero dei
  casi meno il numero di parametri stimati
• può essere interpretato come una misura
  dellerrore di predizione medio (di quanto di
  discosta in media il valore del prezzo predetto
  dalla retta di regressione dal prezzo
  effettivamente osservato)
• limite inferiore del parametro è 0

20
retta di regressione, intensità delleffetto e
potere predittivo

• Il coefficiente di determinazione R2 rappresenta
  la percentuale di variazione del prezzo spiegata
  dalle variabili indipendenti usate nel modello di
  regressione
• quanto più prossimo a zero è il coefficiente
  tanto minore è la capacità predittiva del modello
• quanto più prossimo a uno è il coefficiente tanto
  maggiore è la capacità predittiva del modello
• R2 aggiustato riduce il coefficiente di
  determinazione in modo proporzionale al numero di
  parametri incluso nel modello
• La radice quadrata di R2 nota come coefficiente
  di correlazione lineare di Pearson
• può variare da -1 a 1

21
retta di regressione, intensità delleffetto e
potere predittivo

• A partire dai parametri bk calcolo il t-ratio,
  cioè il rapporto fra bk ed il suo errore
  standard,
• Il t-ratio rappresenta il valore assunto dalla
  distribuzione del parametro nellipotesi che
  abbia media zero,
• se tale valore è maggiore di 1,96 posso scartare
  lipotesi nulla che il parametro bk abbia in
  media valore zero,
• cioè posso affermare con un buon grado di
  confidenza che la variabile in media esercita
  uninfluenza diversa da zero (statisticamente
  significativa) sul prezzo degli immobili

22
(No Transcript)
23
(No Transcript)
24
(No Transcript)
25
(No Transcript)
26
(No Transcript)
27
(No Transcript)
28

• R R2
  R2 Errore std. Variazione di R-quadrato
  della stima
• .536 .287 .286 22567.05135 .287
• .681 .464 .462 19582.09802 .177
• .738 .545 .542 18067.59295 .081
• .763 .582 .579 17333.66964 .037
• .784 .615 .611 16644.71344 .033
• .798 .637 .633 16186.96274 .022
• .807 .652 .647 15855.18273 .015
• .813 .662 .657 15645.06783 .010
• .817 .668 .662 15516.79690 .006
• .819 .671 .665 15452.87479 .003
• a Stimatori (Costante), LOTSIZE
• b Stimatori (Costante), LOTSIZE, BATHRMS
• c Stimatori (Costante), LOTSIZE, BATHRMS, AIRCO
• d Stimatori (Costante), LOTSIZE, BATHRMS,
  AIRCO, STORIES
• e Stimatori (Costante), LOTSIZE, BATHRMS,
  AIRCO, STORIES, PREFAREA

29
Casi di studio

• Deodhar, V. (2004) Does the housing market value
  heritage? Some empirical evidence., Macquarie
  Economic Research Papers n. 3.
• Tyrvainen, L. (1997) The amenity value of the
  urban forest an application of the hedonic
  pricing method, Landscape and urban planning 37
  211-22.

30
Deodhar (2004)

• Obiettivi dello studio
• verificare quali fattori influenzano maggiormente
  il prezzo di mercato degli immobili localizzati
  nellarea nord-occidentale della città di Sydney
  (Ku-ring- gai), con particolare attenzione alle
  caratteristiche storico-architettoniche degli
  immobili

31
Deodhar (2004)

• Risultati derivanti dallanalisi della
  letteratura
• il mercato attribuisce un valore maggiore agli
  immobili localizzati nellambito di aree di
  interesse storico-architettonico (ad esempio nei
  centri storici delle città)
• leffetto prezzo è più incerto nel caso in cui si
  tratti di immobili isolati o localizzati al di
  fuori di tali aree o circondati da altri edifici
  non particolarmente pregevoli

32
Deodhar (2004)

• Selezione del campione
• Individuazione di unarea omogenea in termini di
  caratteristiche dei residenti
• Individuazione degli edifici, del prezzo e della
  data di compravendita
• Composizione del campione (140 edifici)
• 64 edifici tutelati, 76 edifici non tutelati.

33
Deodhar (2004)

• Dati rilevati
• superficie della proprietà (m2)
• n. di stanze
• qualità degli interni (bassa, media, alta)
• anno di costruzione
• strada di accesso privata o pubblica
• piscina
• posizione rispetto la ferrovia e la stazione
• vicinanza al centro città

34
Deodhar (2004)

• dati rilevati
• livelli di traffico (proxy sicurezza e
  inquinamento)
• immobile tutelato oppure no
• data della compravendita
• pregio storico-architettonico valutato su una
  scala a 10 livelli
• valore dellimmobile

35
Deodhar (2004)
36
(No Transcript)
37
(No Transcript)
38
(No Transcript)
39
(No Transcript)
40
(No Transcript)
41

• Il prezzo degli edifici tutelati è
  sistematicamente maggiore di quelli che non lo
  sono, infatti il parametro della variabile
  herlisted è positivo ed è statisticamente
  significativo

42
Tyrvainen (1997)

• Obiettivi dello studio
• verificare se il prezzo di mercato degli immobili
  localizzati nella città di Joensuu (North
  Carelia, Finlandia) è influenzato anche dalla
  vicinanza a parchi ed aree verdi

43
Tyrvainen (1997)

• Risultati derivanti dallanalisi della
  letteratura
• la maggior parte degli studi sono stati condotti
  per misurare la qualità dellaria o il rumore
• raramente è stata considerata limportanza della
  presenza di aree verdi nelle città
• alcuni studi condotti negli Stati Uniti hanno
  cercato di stimare leffetto prezzo derivante
  dalla presenza di alberi nella proprietà
  analizzata
• in un caso è risultato che la presenza di alberi
  aumenta il valore degli immobili di una
  percentuale variabile dal 3 al 5.

44
Tyrvainen (1997)

• Selezione del campione
• Individuazione di un campione omogeneo di
  abitazioni (ville a schiera)
• Individuazione degli edifici, del prezzo e della
  loro caratteristiche
• Composizione del campione
• 1006 appartamenti localizzati in 14 zone

45
Tyrvainen (1997)

• Dati rilevati
• Caratteristiche ambientali
• distanza dalla più vicina area verde attrezzata
• distanza dalla più vicina area verde non
  attrezzata
• percentuale della zona abitativa considerata
  destinata ad aree verdi
• presenza di corsi dacqua
• giardino di proprietà

46
Tyrvainen (1997)

• dati rilevati
• Caratteristiche dellappartamento
• prezzo
• dimensione
• n. di stanze
• anno di costruzione
• qualità degli interni (bassa, media, alta)
• tipo di tetto
• materiale facciata esterna

47
Tyrvainen (1997)

• dati rilevati
• Caratteristiche della localizzazione
• distanza dal centro città
• distanza da scuole
• distanza da negozi
• presenza da servizi pubblici

48
(No Transcript)
49

• Il prezzo degli immobili localizzati in quartieri
  con una percentuale maggiore di aree verdi è
  sistematicamente maggiore di quelli localizzati
  in aree meno verdi
• il parametro della variabile green space,
  infatti, è positivo ed è statisticamente
  significativo
• Il prezzo degli immobili più distanti da parchi o
  boschi non attrezzati, invece, è sistematicamente
  maggiore di quello degli immobili con maggiore
  accessibilità a tali spazi pubblici
• il parametro della variabile distance to forest
  park, infatti, è positivo ed è statisticamente
  significativo

50
Ricerca articoli

• Sito università
• Biblioteche
• Giornali elettronici
• Landscape and urban planning, 2000, vol. 48
• Pag. 161 167 / Luttik, J.
• SOLO DA COMPUTER UNIVERSITA

51

• Per chiarimenti o informazioni
• lucia.rotaris_at_econ.univ.trieste.it
• 040 - 5587024