The main objective of this publication was to present a two-stage algorithm of modelling random phenomena, based on multidimensional function modelling, on the example of modelling the real estate market for the purpose of real estate valuation and estimation of model parameters of foundations vertical displacements. The first stage of the presented algorithm includes a selection of a suitable form of the function model. In the classical algorithms, based on function modelling, prediction of the dependent variable is its value obtained directly from the model. The better the model reflects a relationship between the independent variables and their effect on the dependent variable, the more reliable is the model value. In this paper, an algorithm has been proposed which comprises adjustment of the value obtained from the model with a random correction determined from the residuals of the model for these cases which, in a separate analysis, were considered to be the most similar to the object for which we want to model the dependent variable. The effect of applying the developed quantitative procedures for calculating the corrections and qualitative methods to assess the similarity on the final outcome of the prediction and its accuracy, was examined by statistical methods, mainly using appropriate parametric tests of significance. The idea of the presented algorithm has been designed so as to approximate the value of the dependent variable of the studied phenomenon to its value in reality and, at the same time, to have it “smoothed out” by a well fitted modelling function.
PL
Głównym celem niniejszej publikacji była prezentacja dwuetapowego algorytmu modelowania zjawisk losowych, opartego na wielowymiarowym modelowaniu funkcyjnym, na przykładzie modelowania rynku nieruchomości na potrzeby szacowania wartości nieruchomości oraz estymacji parametrów modelu przemieszczeń pionowych fundamentów. Dobór odpowiedniej postaci modelu funkcyjnego to pierwszy etap prezentowanego algorytmu. W klasycznych algorytmach, bazujących na modelowaniu funkcyjnym, prognozą zmiennej zależnej jest jej wartość uzyskana wprost z modelu. Im model lepiej odzwierciedla relacje między zmiennymi niezależnymi i ich wpływ na zmienną zależną, tym wartość modelowa jest bardziej wiarygodna. W niniejszej pracy zaproponowano algorytm postępowania polegający na skorygowaniu wartości uzyskanej z modelu, poprawką losową, wyznaczoną z odchyłek modelu dla tych przypadków, które w osobnej analizie uznano za najbardziej zbliżone do obiektu, dla którego chcemy zamodelować zmienną zależną. Wpływ zastosowania opracowanych procedur ilościowych obliczania poprawki oraz metod jakościowych oceny podobieństwa na ostateczny wynik prognozy oraz jej dokładność, został zbadany metodami statystycznymi, głównie za pomocą stosownych parametrycznych testów istotności. Idea zaprezentowanego algorytmu została tak opracowana, by zbliżyć wartość zmiennej zależnej badanego zjawiska do jej wartości występującej w rzeczywistości, a jednocześnie uzyskać pewne jej „wygładzenie” poprzez dobrze dopasowaną funkcję modelującą.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.