| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 665.71 KB | Adobe PDF |
Authors
Advisor(s)
Abstract(s)
A quantificação da incerteza associada à avaliação imobiliária tem sido notavelmente negligenciada na literatura. O objetivo deste trabalho é colmatar a lacuna existente, mediante uma análise da incerteza na avaliação de propriedades, através da aplicação de técnicas de aprendizado de máquina e previsão conformal. A previsão conformal quantifica a incerteza associada a previsões individuais e proporciona uma série de resultados possíveis em torno de estimativas pontuais com base em um nível de significância pré-definido. Ao aplicar a regressão de quantis conformal, somos capazes de mitigar as limitações das abordagens iniciais de regressão conformal e construir intervalos que exigem apenas que os dados sejam passíveis de intercâmbio para assegurar a cobertura. Através de um estudo empírico dos preços de imóveis na área da Baía de São Francisco, descobrimos que a regressão de quantis conformal fornece intervalos de previsão adaptativos com cobertura garantida que capturam variações inerentes à incerteza observada entre distintos níveis de preços de propriedades.
Uncertainty quantification associated with real estate appraisal has largely been ignored in the literature. The aim of this dissertation is to fill this gap by analysing uncertainty in property valuation using machine learning complemented by conformal prediction. Conformal prediction quantifies uncertainty associated with individual predictions and provides a range of possible outcomes around point estimates based on a pre-defined significance level. By applying conformal quantile regression, we can mitigate limitations of early conformal regression approaches and we are able to build intervals that only require the data to be exchangeable for the coverage to be guaranteed. Through an empirical study of property prices in the San Francisco Bay Area, we find that the conformal quantile regression provides adaptive prediction intervals with guaranteed coverage that captures uncertainty variations across different property prices.
Uncertainty quantification associated with real estate appraisal has largely been ignored in the literature. The aim of this dissertation is to fill this gap by analysing uncertainty in property valuation using machine learning complemented by conformal prediction. Conformal prediction quantifies uncertainty associated with individual predictions and provides a range of possible outcomes around point estimates based on a pre-defined significance level. By applying conformal quantile regression, we can mitigate limitations of early conformal regression approaches and we are able to build intervals that only require the data to be exchangeable for the coverage to be guaranteed. Through an empirical study of property prices in the San Francisco Bay Area, we find that the conformal quantile regression provides adaptive prediction intervals with guaranteed coverage that captures uncertainty variations across different property prices.
Description
Mestrado Bolonha em Econometria Aplicada e Previsão
Keywords
Avaliação de imóveis Predição conforme Aprendizado de máquina Avaliação quantílica conforme Property valuation Conformal prediction Machine learning Conformal quantile regression
Pedagogical Context
Citation
Paquette, Jeanne (2023). “Conformal prediction of real estate prices with machine learning”. Dissertação de Mestrado. Universidade de Lisboa. Instituto Superior de Economia e Gestão
Publisher
Instituto Superior de Economia e Gestão