統(tǒng)計(jì)學(xué)經(jīng)驗(yàn)法則精選(九篇)

前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的統(tǒng)計(jì)學(xué)經(jīng)驗(yàn)法則主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：統(tǒng)計(jì)學(xué)經(jīng)驗(yàn)法則范文

大數(shù)據(jù)技術(shù)的發(fā)展又離不開(kāi)數(shù)據(jù)挖掘，那。。。

什么是數(shù)據(jù)挖掘？

數(shù)據(jù)挖掘（英語(yǔ)：Data mining），又譯為資料探勘、數(shù)據(jù)采礦。它是數(shù)據(jù)庫(kù)知識(shí)發(fā)現(xiàn)（英語(yǔ)：Knowledge-Discovery in Databases，簡(jiǎn)稱：KDD)中的一個(gè)步驟。數(shù)據(jù)挖掘一般是指從大量的數(shù)據(jù)中通過(guò)算法搜索隱藏于其中信息的過(guò)程。數(shù)據(jù)挖掘通常與計(jì)算機(jī)科學(xué)有關(guān)，并通過(guò)統(tǒng)計(jì)、在線分析處理、情報(bào)檢索、機(jī)器學(xué)習(xí)、專家系統(tǒng)（依靠過(guò)去的經(jīng)驗(yàn)法則）和模式識(shí)別等諸多方法來(lái)實(shí)現(xiàn)上述目標(biāo)。

數(shù)據(jù)挖掘如此重要，如何進(jìn)行數(shù)據(jù)挖掘呢？當(dāng)然是知識(shí)！

知識(shí)將成為比數(shù)據(jù)更重要的資產(chǎn)

復(fù)旦大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院教授肖仰華博士在他近期所作的《知識(shí)圖譜與認(rèn)知智能》報(bào)告中指出：前幾年大數(shù)據(jù)時(shí)代到來(lái)的時(shí)候，大家都說(shuō)“得數(shù)據(jù)者得天下”。去年，微軟研究院的沈向陽(yáng)博士曾經(jīng)說(shuō)過(guò)“懂語(yǔ)言者得天下”。而我曾經(jīng)論述過(guò)，機(jī)器要懂語(yǔ)言，背景知識(shí)不可或缺。因此，在這個(gè)意義下，將是“得知識(shí)者得天下”。如果說(shuō)數(shù)據(jù)是石油，那么知識(shí)就好比是石油的萃取物。

那么問(wèn)題來(lái)了？你需要哪些知識(shí)？

數(shù)據(jù)挖掘是個(gè)復(fù)雜的過(guò)程，它需要統(tǒng)計(jì)學(xué)、數(shù)據(jù)庫(kù)、機(jī)器學(xué)習(xí)、模式識(shí)別等多學(xué)科的交叉融合來(lái)實(shí)現(xiàn)。

數(shù)據(jù)挖掘過(guò)程中用到的算法也很多，下圖是對(duì)這些算法的一個(gè)總體梳理：

接下來(lái)我們就來(lái)說(shuō)說(shuō)這傳說(shuō)中的十大經(jīng)典算法：

決策樹（C4.5算法)

聚類（K-means算法）

關(guān)聯(lián)規(guī)則（Apriori算法）

隨機(jī)森林算法

邏輯回歸

SVM

樸素貝葉斯

K最近鄰算法

Adaboost 算法

神經(jīng)網(wǎng)絡(luò)

篇幅有限，為了保證閱讀質(zhì)量，本文只講解前三個(gè)。其余的算法講解會(huì)不定期更新的呦，想學(xué)習(xí)的小伙伴看過(guò)來(lái)???

十大經(jīng)典算法圖解（一）

01

決策樹（C4.5算法）

決策樹（Decision Tree），又稱為判定樹，是數(shù)據(jù)挖掘技術(shù)中的一種重要的分類方法，它是一種以樹結(jié)構(gòu)（包括二叉樹和多叉樹）形式來(lái)表達(dá)的預(yù)測(cè)分析模型。

根據(jù)一些特征（ feature ）進(jìn)行分類，每個(gè)節(jié)點(diǎn)提一個(gè)問(wèn)題，通過(guò)判斷，將數(shù)據(jù)分為若干類，再繼續(xù)提問(wèn)。這些問(wèn)題是根據(jù)已有數(shù)據(jù)學(xué)習(xí)出來(lái)的，再投入新數(shù)據(jù)的時(shí)候，就可以根據(jù)這棵樹上的問(wèn)題，將數(shù)據(jù)劃分到合適的葉子上。

決策樹生長(zhǎng)算法流程（以C4.5算法為例）：

C4.5算法實(shí)例圖解：

兩周內(nèi)的天氣及網(wǎng)球俱樂(lè)部顧客光顧情況

02

聚類（K-means算法）

什么是聚類？

什么是K-means？

K-means算法流程圖解：

Setp1：確定初始質(zhì)心

Setp2：計(jì)算距離&劃分簇

Setp3：迭代計(jì)算中心點(diǎn)

Setp4：收斂

03

關(guān)聯(lián)規(guī)則（Apriori算法）

關(guān)聯(lián)規(guī)則是形如XY的蘊(yùn)涵式，其中， X和Y分別稱為關(guān)聯(lián)規(guī)則的先導(dǎo)(antecedent或left-hand-side， LHS)和后繼(consequent或right-hand-side， RHS) 。其中，關(guān)聯(lián)規(guī)則XY，存在支持度和信任度。

關(guān)聯(lián)規(guī)則經(jīng)典算法及優(yōu)缺點(diǎn)比較：

Apriori算法是種最有影響的挖掘布爾關(guān)聯(lián)規(guī)則頻繁項(xiàng)集的算法。它的核心是基于兩階段頻集思想的遞推算法，該關(guān)聯(lián)規(guī)則在分類上屬于單維、單層、布爾關(guān)聯(lián)規(guī)則。

在Apriori算法中，尋找最大項(xiàng)目集(頻繁項(xiàng)集)的基本思想是：算法須要對(duì)數(shù)據(jù)集進(jìn)行多步處理。

Apriori算法圖解：

1.產(chǎn)生頻繁項(xiàng)集

第2篇：統(tǒng)計(jì)學(xué)經(jīng)驗(yàn)法則范文

關(guān)鍵詞：logistic回歸 BP神經(jīng)網(wǎng)絡(luò) 上市公司 信用風(fēng)險(xiǎn)

在經(jīng)濟(jì)全球化的趨勢(shì)下，信用將成為主要的交易方式，金融危機(jī)的爆發(fā)更是顯示出信用風(fēng)險(xiǎn)管理和信用風(fēng)險(xiǎn)分類的重要性。從20世紀(jì)60年代至70年代的統(tǒng)計(jì)學(xué)方法，20世紀(jì)80年代的專家系統(tǒng)到90年代的神經(jīng)網(wǎng)絡(luò)，各種信用風(fēng)險(xiǎn)評(píng)級(jí)方法層出不窮。在我國(guó)，信用風(fēng)險(xiǎn)的度量和管理較為落后，金融機(jī)構(gòu)沒(méi)有完善有效的評(píng)級(jí)方法和體系，目前所應(yīng)用的方法主要是粗略的定性方法，如綜合利用宏觀經(jīng)濟(jì)與行業(yè)風(fēng)險(xiǎn)、所有權(quán)及治理結(jié)構(gòu)、信用風(fēng)險(xiǎn)及其管理、市場(chǎng)風(fēng)險(xiǎn)及其管理、資金來(lái)源/流動(dòng)性、盈利能力等進(jìn)行“加權(quán)”加分，信用風(fēng)險(xiǎn)的度量模式顯得比較單一，所以對(duì)于信用風(fēng)險(xiǎn)分類方法是學(xué)術(shù)界和實(shí)務(wù)界必須解決的課題之一。

一、文獻(xiàn)綜述

（一）國(guó)外文獻(xiàn)Logistic模型最早是由Martin （1977）用來(lái)預(yù)測(cè)公司的破產(chǎn)及違約概率。他從1970年至1977年間大約5700家美聯(lián)儲(chǔ)成員銀行中界定出58家困境銀行，并從25個(gè)財(cái)務(wù)指標(biāo)中選取總資產(chǎn)凈利潤(rùn)率等8 個(gè)財(cái)務(wù)比率，用來(lái)預(yù)測(cè)公司的破產(chǎn)及違約概率，建立了Logistic回歸模型，根據(jù)銀行、投資者的風(fēng)險(xiǎn)偏好設(shè)定風(fēng)險(xiǎn)警界線，以此對(duì)分析對(duì)象進(jìn)行風(fēng)險(xiǎn)定位和決策。同時(shí)還將Z-Score模型，ZETA模型和Logistic模型的預(yù)測(cè)能力進(jìn)行了比較，結(jié)果發(fā)現(xiàn)Logistic回歸模型優(yōu)于Z- Score模型和ZETA模型。Madalla （1983） 則采用Logistic模型區(qū)別違約與非違約貸款申請(qǐng)人，其研究結(jié)果表明，當(dāng)違約概率p>0.551時(shí)是風(fēng)險(xiǎn)貸款；當(dāng)p

（二）國(guó)內(nèi)文獻(xiàn) 在國(guó)內(nèi)的研究文獻(xiàn)中，齊治平（2002）從我國(guó)滬、深兩交易所選取164 家上市公司，然后隨機(jī)分成兩組，運(yùn)用線性判別模型、Logistic 回歸模型以及含有二次項(xiàng)和交叉項(xiàng)的Logistic 模型對(duì)數(shù)據(jù)樣本提前兩年進(jìn)行預(yù)測(cè)。結(jié)果發(fā)現(xiàn)，含有二次項(xiàng)和交叉項(xiàng)的Logistic模型對(duì)前一年數(shù)據(jù)的預(yù)測(cè)準(zhǔn)確率最高。吳世農(nóng)（2003）使用剖面分析、單變量分析、線性概率模型（LPM）、Fisher二類線性判定、Logistic模型等統(tǒng)計(jì)方法對(duì)財(cái)務(wù)困境公司進(jìn)行預(yù)測(cè)研究，其中Logistic模型對(duì)前一年數(shù)據(jù)的預(yù)測(cè)準(zhǔn)確率達(dá)到93.53%，F(xiàn)isher判別分析法和LPM的準(zhǔn)確率都為89.93%。龐素琳（2003）利用多層感知器分別對(duì)我國(guó)2000年106家上市公司進(jìn)行信用評(píng)級(jí)，信用評(píng)價(jià)準(zhǔn)確率高達(dá)98.11%。本文即是從上市公司的財(cái)務(wù)指標(biāo)入手，通過(guò)logistic回歸分析和BP神經(jīng)網(wǎng)絡(luò)，構(gòu)建衡量企業(yè)信用狀況的模型，并通過(guò)實(shí)證研究考察模型的適用性，對(duì)比兩者信用風(fēng)險(xiǎn)分類的準(zhǔn)確度。

二、研究設(shè)計(jì)

（一）樣本選取和數(shù)據(jù)來(lái)源本研究選取滬深兩市A股市場(chǎng)上2005年至2007年三年中部分被進(jìn)行特別處理的118家ST公司和126家非ST公司，數(shù)據(jù)主要來(lái)源于CSMAR深圳國(guó)泰安信息技術(shù)有限公司提供的財(cái)務(wù)指標(biāo)數(shù)據(jù)，將118家ST公司的財(cái)務(wù)數(shù)據(jù)和126家非ST公司的財(cái)務(wù)數(shù)據(jù)劃分為訓(xùn)練樣本和測(cè)試樣本。樣本集選取如（表1）所示。

（二）變量選取本文采取的財(cái)務(wù)數(shù)據(jù)在參考了已有文獻(xiàn)以及考慮到實(shí)際數(shù)據(jù)可得性的基礎(chǔ)上，選取了能夠反映短期還款能力，長(zhǎng)期還款能力，盈利能力和營(yíng)運(yùn)能力4方面共12個(gè)財(cái)務(wù)指標(biāo)。指標(biāo)變量名稱及自變量符號(hào)具體見(jiàn)表。因變量為0-1變量，信用級(jí)別高的設(shè)置為1，信用級(jí)別低的設(shè)置為0。在做logistic回歸的時(shí)候會(huì)進(jìn)一步運(yùn)用向后篩選法剔除方差貢獻(xiàn)率不大的指標(biāo)變量。具體如（表2）所示。

（三）模型設(shè)定

（1）Logistic回歸模型：

（2）多層次前向神經(jīng)網(wǎng)絡(luò)。本文所應(yīng)用的是一種稱為前向網(wǎng)絡(luò)的特殊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。本研究應(yīng)用Rumehhart于1986年提出的如下函數(shù)：Ii=wijxj+?準(zhǔn)，xi=fi=其中，Ii為神經(jīng)元i的層輸入，xi為神經(jīng)元的輸出，wij為神經(jīng)元間的連接權(quán)，?準(zhǔn)為神經(jīng)元i的偏置。每一條連接弧都被賦予一定的數(shù)值來(lái)表示連接弧的連接強(qiáng)度，正的權(quán)值表示影響的增加，負(fù)的權(quán)值表示影響的減弱。在前向網(wǎng)絡(luò)中，神經(jīng)元間前向連接，同層神經(jīng)元互不連接，信息只能向著一個(gè)方向傳播。前向網(wǎng)絡(luò)的連接模式是用權(quán)值向量W來(lái)表示的。在網(wǎng)絡(luò)中，權(quán)值向量決定著網(wǎng)絡(luò)如何對(duì)環(huán)境中的任意輸入作出反應(yīng)典型的學(xué)習(xí)算法是搜索權(quán)值以找到最適合給定樣本的權(quán)值。在本研究中應(yīng)用的是多層前向網(wǎng)絡(luò)的BP算法，其主要作用是知識(shí)獲取和推理，采用有導(dǎo)師學(xué)習(xí)的訓(xùn)練形式，提供輸入矢量集的同時(shí)提供輸出矢量集，通過(guò)反向傳播學(xué)習(xí)算法，調(diào)整網(wǎng)絡(luò)的連接權(quán)值，以使網(wǎng)絡(luò)輸出在最小均方差意義下，盡量向期望輸出接近，通過(guò)修改各層神經(jīng)元的連接權(quán)值，使誤差減小，然后轉(zhuǎn)入正向傳播過(guò)程，反復(fù)循環(huán)，直至誤差小于給定的值為止。本文建立的BP神經(jīng)網(wǎng)絡(luò)圖（見(jiàn)圖1）。本文建立財(cái)務(wù)困境神經(jīng)網(wǎng)絡(luò)預(yù)警模型主要考慮以下兩方面的問(wèn)題：一是確定網(wǎng)絡(luò)結(jié)構(gòu)；二是學(xué)習(xí)參數(shù)的調(diào)整。首先考慮網(wǎng)絡(luò)結(jié)構(gòu)的確定。網(wǎng)絡(luò)結(jié)構(gòu)主要包括連接方式、網(wǎng)絡(luò)層次數(shù)和各層結(jié)點(diǎn)數(shù)。網(wǎng)絡(luò)的連接方式代表了網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)，Lippmann（1987）證明在一定條件下，一個(gè)三層的BP神經(jīng)網(wǎng)絡(luò)可以用任意精度去逼近任意映射關(guān)系，而且經(jīng)過(guò)實(shí)驗(yàn)發(fā)現(xiàn)，與一個(gè)隱層相比，用兩個(gè)隱層的網(wǎng)絡(luò)訓(xùn)練并無(wú)助于提高預(yù)測(cè)的準(zhǔn)確。因此在本研究中采用單隱層的BP網(wǎng)絡(luò)。各隱含層節(jié)點(diǎn)數(shù)的選擇并無(wú)確定的法則，只能結(jié)合實(shí)驗(yàn)并根據(jù)一些經(jīng)驗(yàn)法則：隱層節(jié)點(diǎn)數(shù)不能是各層中節(jié)點(diǎn)數(shù)最少的，也不是最多的；較好的隱層節(jié)點(diǎn)數(shù)介于輸入節(jié)點(diǎn)和輸出節(jié)點(diǎn)數(shù)之和的50%~75%之間；隱層節(jié)點(diǎn)數(shù)的理論上限由其訓(xùn)練樣本數(shù)據(jù)所限定。

三、實(shí)證結(jié)果分析

（一）logistic模型的參數(shù)估計(jì)及結(jié)果常規(guī)的線性判別模型計(jì)算得到的Z值只是個(gè)抽象的概念，無(wú)法從經(jīng)濟(jì)學(xué)上進(jìn)行解釋，Logistic回歸分析解決了這個(gè)問(wèn)題，其前提假設(shè)符合經(jīng)濟(jì)現(xiàn)實(shí)和金融數(shù)據(jù)的分布規(guī)律，殘差項(xiàng)小要求服從止態(tài)分布。本文運(yùn)用SPSS自帶的Wald向后逐步選擇法篩選變量，提高模型的判別性能，從全變量模型開(kāi)始，逐步提出對(duì)殘差平方和貢獻(xiàn)最小的變量，具體的回歸結(jié)果見(jiàn)（表2）。以2005年為例，根據(jù)SPSS計(jì)算結(jié)果中的參數(shù)表，估計(jì)Logistics模型的判別方程，（表3）反映了最大似然迭代記錄（顯示最后的迭代過(guò)程），（表4）反映了參數(shù)估計(jì)結(jié)果。步驟9是經(jīng)過(guò)9步變量篩選后最后保留在模型中的變量。從各個(gè)系數(shù)的Wald值及伴隨概率p來(lái)看，最終選定的5個(gè)指標(biāo)變量具有最高的解釋能力。綜上，2005年公司分類的logistic模型為：p=。從（表5）步驟1及步驟9的分類結(jié)果看出，剔除不顯著變量之后，分類準(zhǔn)確率并未大幅下降，可以認(rèn)為最終的模型能通過(guò)檢驗(yàn)。（表6）顯示了最終的Logistic模型參數(shù)估計(jì)結(jié)果。（表7）顯示了模型分類準(zhǔn)確率。

（二）BP神經(jīng)網(wǎng)絡(luò)的參數(shù)估計(jì)及結(jié)果首先對(duì)輸入輸出樣本進(jìn)行數(shù)據(jù)處理，消除影響預(yù)測(cè)結(jié)果的噪聲，神經(jīng)網(wǎng)絡(luò)輸入的變量要求規(guī)范在［-1，1］（若使用tanh函數(shù)）或［0，1］（若使用logistic函數(shù)）之間。本文對(duì)輸入數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，采用以下方法：X=。X為規(guī)范后的變量，x為每個(gè)變量的實(shí)際值，x1為每個(gè)變量的最小值，x2為每個(gè)變量的最大值。Matlab中相應(yīng)的函數(shù)為［output_X，PS］=mapminmax（X，output_min，outpt_max）由于實(shí)際財(cái)務(wù)困境評(píng)價(jià)往往非常復(fù)雜，企業(yè)財(cái)務(wù)狀況的好壞與財(cái)務(wù)比率的關(guān)系常常是非線性的，而神經(jīng)網(wǎng)絡(luò)作為一種非線形建模過(guò)程，并不依賴判別模型的假設(shè)，能找出輸入與輸出的內(nèi)在聯(lián)系，因此本文決定嘗試使用神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行信用狀況的分類研究，分為訓(xùn)練集和測(cè)試集兩組對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，過(guò)程如下：第一，輸入層和輸出層神經(jīng)元數(shù)目的確定。第一層為輸入層，采用判別分析得出的模型變量為輸入變量，共有12個(gè)結(jié)點(diǎn)，每個(gè)結(jié)點(diǎn)代表相應(yīng)的財(cái)務(wù)比率。第三層為輸出層，用一個(gè)結(jié)點(diǎn)表示，訓(xùn)練導(dǎo)師值為0代表信用級(jí)別“差”的公司，1代表信用級(jí)別“好”的公司。第二，隱含層數(shù)和隱結(jié)點(diǎn)個(gè)數(shù)的確定。本文選擇單隱層的前饋BP網(wǎng)絡(luò)；通過(guò)學(xué)習(xí)逐步增加隱神經(jīng)元數(shù)，訓(xùn)練反復(fù)調(diào)整。最后定為10個(gè)隱結(jié)點(diǎn)。第三，用訓(xùn)練集的數(shù)據(jù)訓(xùn)練這個(gè)神經(jīng)網(wǎng)絡(luò)，使不同的輸入向量得到相應(yīng)的輸出值，當(dāng)誤差降到一個(gè)指定的范圍內(nèi)時(shí)，神經(jīng)網(wǎng)絡(luò)所持有的那組權(quán)數(shù)值就是網(wǎng)絡(luò)通過(guò)自學(xué)習(xí)得到的權(quán)數(shù)值，即完成了神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)過(guò)程。第四，輸入待評(píng)價(jià)的樣本（本文直接在輸入矩陣中劃分為訓(xùn)練），讓訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)輸出企業(yè)財(cái)務(wù)狀況的標(biāo)志（0或1），即實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)的模式分類。神經(jīng)網(wǎng)絡(luò)的初始權(quán)重由Matlab隨機(jī)產(chǎn)生的。訓(xùn)練算法采用專用于模式分類的trainscg方法，各種訓(xùn)練參數(shù)見(jiàn)（表8）。由此看出，算法逐步收斂，最終達(dá)到誤差標(biāo)準(zhǔn)見(jiàn)（表9）。

（三）兩種模型比較分析 本文對(duì)Logistic和BP神經(jīng)網(wǎng)絡(luò)分別對(duì)我國(guó)上市公司的信用狀況給予兩類模式的評(píng)級(jí)，最終發(fā)現(xiàn)，Logistic和BP神經(jīng)網(wǎng)絡(luò)在我國(guó)市場(chǎng)上的分類效果相當(dāng)（見(jiàn)表10）。主流觀點(diǎn)認(rèn)為，人工神經(jīng)網(wǎng)絡(luò)具有良好的模式識(shí)別能力，可以克服統(tǒng)計(jì)等方法的限制，因?yàn)樗哂辛己玫娜蒎e(cuò)能力，對(duì)數(shù)據(jù)的分布要求不嚴(yán)格，具備處理資料遺漏或是錯(cuò)誤的能力。最為可貴的一點(diǎn)是人工神經(jīng)網(wǎng)絡(luò)具有學(xué)習(xí)能力，可以隨時(shí)依據(jù)新準(zhǔn)備的數(shù)據(jù)資料進(jìn)行自我學(xué)習(xí)、訓(xùn)練、調(diào)整其內(nèi)部的儲(chǔ)存權(quán)重參數(shù)以應(yīng)對(duì)多變的企業(yè)運(yùn)作環(huán)境。但是本文得出的結(jié)果是：傳統(tǒng)的Logistic方法和神經(jīng)網(wǎng)絡(luò)方法的分類效果相當(dāng)。現(xiàn)代人工智能方法并未表現(xiàn)出理論上的優(yōu)勢(shì)?？赡艿脑蚴牵壕W(wǎng)絡(luò)不穩(wěn)定，訓(xùn)練樣本的仿真準(zhǔn)確率很高，但對(duì)測(cè)試樣本的仿真準(zhǔn)確率會(huì)降低；解釋性差，網(wǎng)絡(luò)最終確定后，每個(gè)神經(jīng)元的權(quán)值和閾值雖然已知，但不能很好地分析各個(gè)指標(biāo)對(duì)結(jié)果的影響程度，對(duì)現(xiàn)實(shí)問(wèn)題中的經(jīng)營(yíng)管理也就不能起到很好的借鑒作用；網(wǎng)絡(luò)的輸入個(gè)數(shù)與隱層節(jié)點(diǎn)個(gè)數(shù)的確定沒(méi)有理論指導(dǎo)，只能通過(guò)經(jīng)驗(yàn)確定。

四、結(jié)論

本文選取2005年至2007年部分被進(jìn)行特別處理的118家ST公司和126家非ST公司，以其財(cái)務(wù)指標(biāo)為樣本，進(jìn)行Logistic回歸和BP神經(jīng)網(wǎng)絡(luò)分類，對(duì)這兩種信用風(fēng)險(xiǎn)評(píng)判模型在中國(guó)市場(chǎng)做了實(shí)證研究。結(jié)果發(fā)現(xiàn)：兩種模型均適用于中國(guó)上市公司兩模式分類（ST和非ST公司），而BP神經(jīng)網(wǎng)絡(luò)在我國(guó)市場(chǎng)上并未體現(xiàn)其分類的優(yōu)勢(shì)，分類準(zhǔn)確度和Logistic相當(dāng)。即使如此，本文證實(shí)了Logistic和BP神經(jīng)網(wǎng)絡(luò)模型對(duì)于我國(guó)上市公司的評(píng)級(jí)還是有效的，能夠?yàn)橥顿Y者的科學(xué)決策提供建設(shè)性的指導(dǎo)意見(jiàn)，使投資者理智地回避風(fēng)險(xiǎn)和獲取收益。同時(shí)，該判別模型也有利于準(zhǔn)確評(píng)價(jià)一個(gè)企業(yè)的信用狀況，從而為銀行等放貸機(jī)構(gòu)提供決策依據(jù)。

參考文獻(xiàn)：

［1］吳世農(nóng)、盧賢義：《我國(guó)上市公司財(cái)務(wù)困境的預(yù)測(cè)模型研究》，《經(jīng)濟(jì)研究》2001年第6期。

［2］齊治平、余妙志：《Logistic模型在上市公司財(cái)務(wù)狀況評(píng)價(jià)中的應(yīng)用》，《東北財(cái)經(jīng)大學(xué)學(xué)報(bào)》2002年第1期。

［3］龐素琳、王燕鳴、羅育中：《多層感知器信用評(píng)價(jià)模型及預(yù)警研究》，《數(shù)學(xué)實(shí)踐與認(rèn)識(shí)》2003年第9期。

第3篇：統(tǒng)計(jì)學(xué)經(jīng)驗(yàn)法則范文

雖然我國(guó)目前還沒(méi)有對(duì)房地產(chǎn)保有環(huán)節(jié)進(jìn)行普遍的稅收征管，但是在房地產(chǎn)存量交易的稅收核價(jià)環(huán)節(jié)以及金融機(jī)構(gòu)的風(fēng)險(xiǎn)控制部門等都已經(jīng)存在了房地產(chǎn)批量評(píng)估的需求。市場(chǎng)上出現(xiàn)了一些批量評(píng)估的系統(tǒng)或產(chǎn)品，在批量評(píng)估技術(shù)方面已經(jīng)具有了一定的社會(huì)實(shí)踐基礎(chǔ)，就目前幾個(gè)主流的房地產(chǎn)批量評(píng)估技術(shù)做一簡(jiǎn)要匯總和分析，希望有助于房地產(chǎn)批量評(píng)估技術(shù)的深入探討和研究。

關(guān)鍵詞：

房地產(chǎn)批量評(píng)估，標(biāo)準(zhǔn)價(jià)調(diào)整法，多元線性回歸模型，數(shù)據(jù)挖掘

根據(jù)房地產(chǎn)批量評(píng)估技術(shù)中人工參與程度的多少，現(xiàn)行批量評(píng)估技術(shù)方法可分為：以人工為主、以計(jì)算機(jī)技術(shù)為主和以人工與計(jì)算機(jī)技術(shù)相結(jié)合三類。本文將對(duì)此進(jìn)行討論，對(duì)如何選用房地產(chǎn)批量評(píng)估技術(shù)方法進(jìn)行研究。

1以人工為主的技術(shù)方法之標(biāo)準(zhǔn)價(jià)調(diào)整法

1.1標(biāo)準(zhǔn)價(jià)調(diào)整法的概念標(biāo)準(zhǔn)價(jià)調(diào)整法，作為市場(chǎng)比較法派生出來(lái)的一種方法，類似于城市動(dòng)拆遷評(píng)估中的基準(zhǔn)價(jià)格修正法和香港的指標(biāo)估價(jià)法，但又有其自身的特點(diǎn)。標(biāo)準(zhǔn)價(jià)調(diào)整法可定義為：一種批量估價(jià)方法，在一定區(qū)域范圍內(nèi)進(jìn)行估價(jià)分區(qū)，在每個(gè)估價(jià)分區(qū)內(nèi)設(shè)定標(biāo)準(zhǔn)房地產(chǎn)并求其價(jià)值，利用房地產(chǎn)價(jià)格調(diào)整系數(shù)將標(biāo)準(zhǔn)房地產(chǎn)價(jià)格調(diào)整為各宗房地產(chǎn)的價(jià)值。標(biāo)準(zhǔn)價(jià)調(diào)整法適用于估價(jià)對(duì)象物業(yè)屬性和估價(jià)特性較為近似的物業(yè)，尤其適用于小范圍且價(jià)格影響因素少的樓棟批量評(píng)估。

1.2標(biāo)準(zhǔn)價(jià)調(diào)整法在不同物業(yè)類型中的應(yīng)用標(biāo)準(zhǔn)價(jià)調(diào)整法的實(shí)施涉及到：估價(jià)分區(qū)的劃分、標(biāo)準(zhǔn)房的設(shè)定、價(jià)格修正系數(shù)的設(shè)定以及標(biāo)準(zhǔn)房?jī)r(jià)格的評(píng)估。無(wú)論應(yīng)用于哪種物業(yè)類型，這四個(gè)步驟必不可少，差異在于各步驟的具體實(shí)施方法不盡相同。在住宅物業(yè)的評(píng)估中，往往以小區(qū)作為估價(jià)分區(qū)的劃分，在一個(gè)小區(qū)內(nèi)根據(jù)一定規(guī)則設(shè)定一個(gè)標(biāo)準(zhǔn)房，再由有經(jīng)驗(yàn)的估價(jià)師根據(jù)實(shí)地調(diào)研情況設(shè)置標(biāo)準(zhǔn)房與其他房屋之間的價(jià)格差異系數(shù)。最后仍由估價(jià)師定期對(duì)標(biāo)準(zhǔn)房進(jìn)行估價(jià)，并通過(guò)已設(shè)定的系數(shù)求得所有物業(yè)的價(jià)格。在辦公物業(yè)的評(píng)估中，差異在于分區(qū)是以樓棟或項(xiàng)目來(lái)劃分，后續(xù)步驟和住宅一致。在集中型商業(yè)物業(yè)或工業(yè)物業(yè)中，都可以借鑒上述方法來(lái)進(jìn)行操作。但在沿街零售型物業(yè)中，由于沿街零售性物業(yè)分布廣泛，沒(méi)有明顯的集中趨勢(shì)，并且價(jià)格影響因素的差異較大，導(dǎo)致標(biāo)準(zhǔn)價(jià)調(diào)整法的應(yīng)用也與其他物業(yè)類型有較大不同，主要表現(xiàn)在估價(jià)分區(qū)的劃分和價(jià)格修正系數(shù)的設(shè)定這兩個(gè)環(huán)節(jié)?，F(xiàn)有的技術(shù)方案一般采集兩級(jí)調(diào)整的方案。按商圈（或類似因素）將城市區(qū)域劃分成諸多估價(jià)分區(qū)，在每個(gè)分區(qū)中設(shè)定一個(gè)標(biāo)準(zhǔn)商鋪，稱為區(qū)域基準(zhǔn)商鋪。之后在分區(qū)內(nèi)再進(jìn)行一次估價(jià)分區(qū)的劃分，這一劃分以路段為分區(qū)，在每個(gè)路段中設(shè)定一個(gè)標(biāo)準(zhǔn)商鋪，稱為路段基準(zhǔn)商鋪。估價(jià)人員經(jīng)過(guò)現(xiàn)場(chǎng)調(diào)研后，需設(shè)置兩級(jí)修正系數(shù)，即區(qū)域基準(zhǔn)商鋪與路段基準(zhǔn)商鋪的價(jià)格調(diào)整系數(shù)，以及路段基準(zhǔn)商鋪與路段內(nèi)其他商鋪的價(jià)格修正系數(shù)。最后經(jīng)估價(jià)師定期對(duì)區(qū)域基準(zhǔn)商鋪進(jìn)行估價(jià)，并通過(guò)兩級(jí)系數(shù)的修正求得所有商鋪的價(jià)格。

1.3標(biāo)準(zhǔn)價(jià)調(diào)整法的優(yōu)點(diǎn)①在規(guī)模較小的城市中，可以實(shí)現(xiàn)絕大部分物業(yè)的批量評(píng)估需求，具有較強(qiáng)的實(shí)用性。②可以達(dá)到較高的批量評(píng)估覆蓋率。③估價(jià)準(zhǔn)確性較好，并具有較好的質(zhì)量可控性。④除建設(shè)初期投入的人員成本和時(shí)間成本較大，后續(xù)維護(hù)的成本適中。

1.4標(biāo)準(zhǔn)價(jià)調(diào)整法的缺點(diǎn)①由于人工作業(yè)的工作量太大，不適用大、中型城市。②對(duì)估價(jià)人員的經(jīng)驗(yàn)要求較高，尤其是系數(shù)設(shè)置與標(biāo)準(zhǔn)房的價(jià)格評(píng)估等環(huán)節(jié)對(duì)質(zhì)量的要求很高。團(tuán)隊(duì)運(yùn)作時(shí)，需要具備較高的質(zhì)量管理能力。③不同物業(yè)間的系數(shù)關(guān)系可能受到市場(chǎng)、規(guī)劃等因素的影響而改變，需要定期進(jìn)行監(jiān)控和維護(hù)，有一定的難度或容易疏忽和遺漏。

2以人工為主的技術(shù)方法之多元線性回歸模型

2.1多元線性回歸模型簡(jiǎn)述多元回歸分析是目前在國(guó)外批量評(píng)估中占主流的校準(zhǔn)技術(shù)，包括線性回歸分析和非線性回歸分析。其基本原理是：在大量樣本的基礎(chǔ)上，通過(guò)對(duì)變量、誤差的假定，依靠最小二乘法來(lái)擬合因變量與自變量關(guān)系，從而建立數(shù)學(xué)模型。多元回歸是統(tǒng)計(jì)學(xué)方法，運(yùn)用時(shí)要和經(jīng)濟(jì)學(xué)理論結(jié)合，實(shí)踐中對(duì)多元回歸模型的應(yīng)用是基于特征價(jià)格理論。國(guó)內(nèi)關(guān)于運(yùn)用特征價(jià)格理論來(lái)進(jìn)行房地產(chǎn)價(jià)格批量評(píng)估也有較多的研究和學(xué)術(shù)論文，但絕大多數(shù)還處于理論研究階段。

2.2多元回歸分析的主要步驟多元回歸既可以用來(lái)預(yù)測(cè)售價(jià)，也可以用來(lái)預(yù)測(cè)租金，甚至可以用來(lái)統(tǒng)計(jì)其他中間參數(shù)。在步驟上不同類型的物業(yè)沒(méi)有明顯區(qū)別，只是在變量的選擇與量化上有所不同。為便于表述，下面以預(yù)測(cè)辦公物業(yè)價(jià)格為例來(lái)進(jìn)行闡述。①選取樣本：為了訓(xùn)練預(yù)測(cè)辦公物業(yè)價(jià)格的模型方程，在目標(biāo)范圍內(nèi)選取一定數(shù)量的樣本，調(diào)研其價(jià)格信息和基礎(chǔ)信息。這里的重點(diǎn)是樣本對(duì)總體的代表性以及樣本數(shù)據(jù)采集的準(zhǔn)確性。②構(gòu)建辦公物業(yè)價(jià)格影響因素體系：通過(guò)調(diào)研分析以及房產(chǎn)專家意見(jiàn)調(diào)查，歸納出可能影響辦公物業(yè)價(jià)格的特征變量，并進(jìn)行賦值量化。③模型擬合：觀察、分析特征變量的變動(dòng)規(guī)律，采用統(tǒng)計(jì)分析軟件進(jìn)行分析，對(duì)模型和特征變量賦值不斷地嘗試和修正，找出合理的價(jià)格和各特征變量之間的定量關(guān)系。④模型檢驗(yàn)：最終得到的模型是否成功，取決于經(jīng)濟(jì)意義檢驗(yàn)、統(tǒng)計(jì)檢驗(yàn)、計(jì)量經(jīng)濟(jì)學(xué)檢驗(yàn)以及模型預(yù)測(cè)檢驗(yàn)。其中統(tǒng)計(jì)檢驗(yàn)包括了擬合優(yōu)度檢驗(yàn)和顯著性檢驗(yàn)；計(jì)量經(jīng)濟(jì)學(xué)檢驗(yàn)包括多重共線性檢驗(yàn)及異方差檢驗(yàn)等。但凡通過(guò)上述所有的檢驗(yàn)，即可認(rèn)為模型已成功建立。⑤模型應(yīng)用：對(duì)辦公物業(yè)的特征變量進(jìn)行賦值，代入最終的模型進(jìn)行自動(dòng)計(jì)算，即可評(píng)估辦公物業(yè)的價(jià)格。

2.3多元線性回歸模型的優(yōu)點(diǎn)①多元回歸方法所涉及的工作量主要在于特征變量的數(shù)量以及特征變量的賦值容易程度，受城市規(guī)模的影響較小，因此可以適用于大中型及以上城市。②多元回歸方法通過(guò)擬合因變量與自變量關(guān)系從而建立數(shù)學(xué)模型，這個(gè)過(guò)程與何種物業(yè)類型無(wú)關(guān)，因此理論上多元回歸方法適合各類型物業(yè)的批量評(píng)估建模。③通過(guò)“調(diào)整R方”和“標(biāo)準(zhǔn)誤差”兩項(xiàng)指標(biāo)，基本可以判斷和掌握模型價(jià)格估計(jì)的準(zhǔn)確度，并且可以對(duì)模型進(jìn)行持續(xù)改進(jìn)，從而保證批量評(píng)估的準(zhǔn)確性。④在市場(chǎng)穩(wěn)定時(shí)期，由于自變量與因變量的關(guān)系也較為穩(wěn)定，因此模型更新維護(hù)的成本較低，從而價(jià)格更新的成本也較低。

2.4多元線性回歸模型的缺點(diǎn)①在不同區(qū)域或不同市場(chǎng)，價(jià)格的影響因素不盡相同，建立的回歸模型也不相同。因此對(duì)每個(gè)城市每個(gè)物業(yè)類型的市場(chǎng)需要分別建立回歸模型。②多元回歸的建模研究過(guò)程中，在理論假設(shè)、建模方法、數(shù)據(jù)采集等各環(huán)節(jié)中，需要綜合的知識(shí)、經(jīng)驗(yàn)和技能要求。除了房地產(chǎn)估價(jià)師所需具備的估價(jià)理論知識(shí)、實(shí)務(wù)經(jīng)驗(yàn)、調(diào)研及價(jià)格判斷能力外，還需要統(tǒng)計(jì)學(xué)、經(jīng)濟(jì)學(xué)等多學(xué)科知識(shí)。對(duì)人員和團(tuán)隊(duì)的綜合能力要求很高，而這往往是傳統(tǒng)估價(jià)機(jī)構(gòu)所欠缺的。③對(duì)樣本數(shù)據(jù)的準(zhǔn)確性要求較高。如果沒(méi)有準(zhǔn)確的樣本數(shù)據(jù)，建立科學(xué)的經(jīng)濟(jì)學(xué)模型則為空中樓閣。而要獲得準(zhǔn)確的樣本數(shù)據(jù)，長(zhǎng)久以來(lái)一直是一個(gè)難題，其中有人為的因素（如交易避稅），也有客觀的因素（如商業(yè)物業(yè)的交易活躍度低）。④在市場(chǎng)波動(dòng)大的時(shí)候，原有模型可能失效或者預(yù)測(cè)能力大幅下降，而模型的迭代或維護(hù)周期較長(zhǎng)，可能無(wú)法及時(shí)調(diào)整。

3以計(jì)算機(jī)技術(shù)為主的技術(shù)方法

房地產(chǎn)批量評(píng)估領(lǐng)域中以計(jì)算機(jī)技術(shù)為主的技術(shù)方法主要是基于大數(shù)據(jù)的數(shù)據(jù)挖掘。這一技術(shù)的應(yīng)用最早開(kāi)始于房地產(chǎn)互聯(lián)網(wǎng)企業(yè)，如搜房、安居客等房地產(chǎn)房源網(wǎng)站，后來(lái)逐步被引入到房地產(chǎn)批量評(píng)估的技術(shù)或產(chǎn)品研發(fā)中來(lái)。

3.1數(shù)據(jù)挖掘的方法和原理首先，數(shù)據(jù)挖掘的前提需要有大量的數(shù)據(jù)可供挖掘。隨著互聯(lián)網(wǎng)在各行各業(yè)的不斷滲透，房地產(chǎn)中介行業(yè)中出現(xiàn)了大量房源網(wǎng)站，并逐步成為了房地產(chǎn)經(jīng)紀(jì)人房源招攬客戶的主要渠道。一個(gè)房源網(wǎng)站中可以搜索的房源數(shù)量多達(dá)數(shù)十萬(wàn)甚至上百萬(wàn)條，并且每天都有數(shù)萬(wàn)條以上的數(shù)據(jù)更新。這樣的網(wǎng)站有好幾家，為房地產(chǎn)的數(shù)據(jù)挖掘提供了可行的前提。其次，結(jié)構(gòu)化的數(shù)據(jù)為數(shù)據(jù)的采集提供了便利。在房源網(wǎng)站中，房源已經(jīng)按小區(qū)進(jìn)行了分類，經(jīng)紀(jì)人哪個(gè)小區(qū)的房源，則該房源將展現(xiàn)在該小區(qū)的搜索項(xiàng)下。至于面積、房型、價(jià)格、樓層以及裝修等參數(shù)，也都以格式化的方式來(lái)展現(xiàn)。因此，利用互聯(lián)網(wǎng)爬蟲等抓取技術(shù)，可以方便的將這些網(wǎng)站的房源抓取下來(lái)，并建立房源案例數(shù)據(jù)庫(kù)。最后，是數(shù)據(jù)挖掘工作。數(shù)據(jù)挖掘一般是指從大量的數(shù)據(jù)中通過(guò)算法搜索隱藏于其中信息的過(guò)程。數(shù)據(jù)挖掘通常與計(jì)算機(jī)科學(xué)有關(guān)，并通過(guò)統(tǒng)計(jì)、在線分析處理、情報(bào)檢索、機(jī)器學(xué)習(xí)、專家系統(tǒng)（依靠過(guò)去的經(jīng)驗(yàn)法則）和模式識(shí)別等諸多方法來(lái)實(shí)現(xiàn)上述目標(biāo)。根據(jù)上述定義和描述可以發(fā)現(xiàn)，數(shù)據(jù)挖掘的核心是算法，而這個(gè)算法在不同的批量評(píng)估系數(shù)或產(chǎn)品中都不相同，算法的優(yōu)劣也決定了不同系統(tǒng)或產(chǎn)品的優(yōu)劣。

3.2數(shù)據(jù)挖掘方法的優(yōu)點(diǎn)①高效無(wú)疑是數(shù)據(jù)挖掘方法的最大優(yōu)點(diǎn)。一旦完成對(duì)算法的研究，價(jià)格估算的工作都可以交由計(jì)算機(jī)來(lái)完成。②對(duì)整體市場(chǎng)價(jià)格運(yùn)行的反映具有較高的準(zhǔn)確度。

3.3數(shù)據(jù)挖掘方法的缺點(diǎn)①對(duì)微觀市場(chǎng)價(jià)格運(yùn)行的反映可能存在較大偏差。微觀市場(chǎng)中，例如一個(gè)住宅小區(qū)，其掛牌房源的數(shù)量就很有限了，即使規(guī)模最大的小區(qū)，也就是幾百的數(shù)量級(jí)。這樣大數(shù)據(jù)挖掘的數(shù)據(jù)數(shù)量前提已不滿足，從而影響了對(duì)微觀市場(chǎng)的價(jià)格估計(jì)。②批量評(píng)估的覆蓋面不完整?；ヂ?lián)網(wǎng)數(shù)據(jù)雖然總量巨大，但并非面面俱到。以住宅小區(qū)為例，一些體量較小的小區(qū)，或者一些遠(yuǎn)郊區(qū)域，可能無(wú)法在互聯(lián)網(wǎng)上被搜索到。因此，基于互聯(lián)網(wǎng)數(shù)據(jù)挖掘的批量評(píng)估勢(shì)必在覆蓋面上存在缺陷。

4以人工與計(jì)算機(jī)技術(shù)相結(jié)合的技術(shù)方法

房地產(chǎn)批量評(píng)估，尤其是涉稅的批量評(píng)估對(duì)評(píng)估系統(tǒng)的要求主要有：全面覆蓋所有物業(yè)、估價(jià)結(jié)果準(zhǔn)確以及系統(tǒng)維護(hù)成本適中。根據(jù)前文對(duì)各方法的論述，單一方法很難實(shí)現(xiàn)上述要求。如標(biāo)準(zhǔn)價(jià)調(diào)整法若在大型或超大型城市中應(yīng)用，將面臨很高的運(yùn)營(yíng)成本；多元回歸建模的更新維護(hù)周期較長(zhǎng)，當(dāng)市場(chǎng)出現(xiàn)快速波動(dòng)時(shí)可能無(wú)法及時(shí)調(diào)整；基于大數(shù)據(jù)的數(shù)據(jù)挖掘在估價(jià)精度與覆蓋面上都有所欠缺?？傊?，無(wú)論從技術(shù)上論證還是從實(shí)施效果來(lái)看，多種方法的有效結(jié)合是較為理想的，也是房地產(chǎn)批量評(píng)估技術(shù)的發(fā)展趨勢(shì)。實(shí)踐中各方法的結(jié)合已有普遍應(yīng)用，并且各有巧妙，方法不盡相同。下面就幾種簡(jiǎn)單的組合方式進(jìn)行討論。

4.1標(biāo)準(zhǔn)價(jià)調(diào)整法與大數(shù)據(jù)挖掘技術(shù)的組合大數(shù)據(jù)挖掘可以滿足一些活躍小區(qū)的價(jià)格估算，因?yàn)榛钴S小區(qū)的掛牌房源較多，能滿足算法所要求的數(shù)據(jù)量前提，而不活躍的小區(qū)則無(wú)法為算法提供足夠的“原材料”，因此不適用數(shù)據(jù)挖掘的方法。這時(shí)就可以運(yùn)用標(biāo)準(zhǔn)價(jià)調(diào)整法來(lái)彌補(bǔ)。按照標(biāo)準(zhǔn)價(jià)調(diào)整法的原理，在不活躍小區(qū)的臨近或相似區(qū)域內(nèi)設(shè)置一個(gè)標(biāo)準(zhǔn)房，經(jīng)人工調(diào)研后設(shè)置標(biāo)準(zhǔn)房與不活躍小區(qū)價(jià)格的調(diào)整系數(shù)。這樣在算法得出活躍小區(qū)價(jià)格的同時(shí)，可以利用預(yù)先設(shè)置好的系數(shù)一并計(jì)算不活躍小區(qū)的價(jià)格。此外，在算法可以計(jì)算的活躍小區(qū)的價(jià)格中，也有可能存在價(jià)格偏差。這時(shí)也可以應(yīng)用標(biāo)準(zhǔn)價(jià)調(diào)整法的思路，設(shè)置活躍小區(qū)間的價(jià)格調(diào)整系數(shù)，來(lái)檢驗(yàn)算法所得結(jié)果的合理性。這一組合的應(yīng)用前提主要是看大數(shù)據(jù)挖掘的應(yīng)用前提是否存在，即是否存在大量數(shù)據(jù)可供挖掘，因此適合房地產(chǎn)市場(chǎng)規(guī)模較大，“互聯(lián)網(wǎng)+”比較發(fā)達(dá)的城市和地區(qū)。此外，在結(jié)合了大數(shù)據(jù)挖掘技術(shù)后，標(biāo)準(zhǔn)價(jià)調(diào)整法可以應(yīng)用到大中型及以上城市，克服了其原有的一大弊端。

4.2多元回歸模型與大數(shù)據(jù)挖掘技術(shù)的組合除了對(duì)人員的能力要求以及對(duì)樣本數(shù)據(jù)的質(zhì)量要求較高以外，多元回歸模型最大的弱點(diǎn)在于迭代問(wèn)題。市場(chǎng)不斷變化，模型不可能一成不變，當(dāng)市場(chǎng)發(fā)生變化并導(dǎo)致變量之間的關(guān)系也發(fā)生改變時(shí)，原有模型的價(jià)格預(yù)計(jì)精度必然下降，此時(shí)必須對(duì)模型進(jìn)行重新構(gòu)建。問(wèn)題在于市場(chǎng)價(jià)格變化未必會(huì)導(dǎo)致變量間的關(guān)系也發(fā)生變化（或變化很?。?，或者當(dāng)變量間關(guān)系發(fā)生變化時(shí)，人員主觀上可能無(wú)法及時(shí)發(fā)現(xiàn)。當(dāng)主觀能夠感受到變量間的關(guān)系出現(xiàn)變化時(shí)，往往已經(jīng)有了很大的變化。此時(shí)再進(jìn)行模型的迭代就已近晚了，之前的價(jià)格估算可能已經(jīng)出現(xiàn)了錯(cuò)誤。大數(shù)據(jù)挖掘技術(shù)可以很好地彌補(bǔ)上述的缺陷。大數(shù)據(jù)挖掘不僅可以直接計(jì)算某些具體變量，任何數(shù)據(jù)內(nèi)在的規(guī)律和關(guān)聯(lián)都可能應(yīng)用大數(shù)據(jù)挖掘的方式進(jìn)行探索和發(fā)現(xiàn)，并且能對(duì)極為細(xì)小的數(shù)值波動(dòng)進(jìn)行反應(yīng)。利用數(shù)據(jù)挖掘的這一特性，可以建立對(duì)變量的波動(dòng)監(jiān)控，當(dāng)波動(dòng)超過(guò)一定的預(yù)設(shè)閥值即可啟動(dòng)模型的迭代更新。這一組合的應(yīng)用前提同樣取決于大數(shù)據(jù)挖掘的應(yīng)用前提，除了城市規(guī)模等情況限制外，如商業(yè)物業(yè)、工業(yè)廠房等物業(yè)市場(chǎng)也不適用。

4.3標(biāo)準(zhǔn)價(jià)調(diào)整法與多元回歸模型的組合標(biāo)準(zhǔn)價(jià)調(diào)整法往往適用于特性相近的物業(yè)，如在一個(gè)小區(qū)中設(shè)定一個(gè)標(biāo)準(zhǔn)房，再設(shè)定標(biāo)準(zhǔn)房與其他房屋的價(jià)格修正系數(shù)。在價(jià)格更新時(shí)，求取標(biāo)準(zhǔn)房?jī)r(jià)格后，即可得到小區(qū)內(nèi)所有房屋的價(jià)格。但當(dāng)城市規(guī)模很大時(shí)，也就是有很多小區(qū)時(shí)，必須要求取所有小區(qū)的標(biāo)準(zhǔn)房?jī)r(jià)格，如僅以人工來(lái)評(píng)估得出的話，成本非常高。此時(shí)在求取小區(qū)標(biāo)準(zhǔn)房?jī)r(jià)格方面，采用多元回歸模型的方法可以極大地減少人工和時(shí)間成本。由于標(biāo)準(zhǔn)價(jià)調(diào)整法和多元回歸模型都屬于以人工為主的技術(shù)方法，因此理論上的應(yīng)用幾乎不受限制。在結(jié)合多元回歸模型后，標(biāo)準(zhǔn)價(jià)調(diào)整法也可擴(kuò)展應(yīng)用到大中及以上城市。從上述三個(gè)組合中可以看到，原單一技術(shù)的某些弊端可以被克服，整體技術(shù)方案的適用范圍和效果可獲得較大提升和改進(jìn)。實(shí)際研究和應(yīng)用中可能有更多種的技術(shù)組合，且并不限于本文論述的主流技術(shù)方法。多種技術(shù)組合應(yīng)用是房地產(chǎn)批量評(píng)估技術(shù)探索和創(chuàng)新的主要方向。

5房地產(chǎn)批量評(píng)估技術(shù)的選用

無(wú)論是單一技術(shù)還是多種技術(shù)方法的結(jié)合應(yīng)用，房地產(chǎn)批量評(píng)估技術(shù)的選用依據(jù)主要是數(shù)據(jù)狀況、結(jié)果的質(zhì)量狀況以及運(yùn)行成本。數(shù)據(jù)狀況主要指數(shù)據(jù)的數(shù)量和質(zhì)量。就技術(shù)方案來(lái)說(shuō)，側(cè)重點(diǎn)有所不同。例如在多元回歸模型中，對(duì)于樣本案例的參數(shù)質(zhì)量要求是所有技術(shù)方案中最高的；而大數(shù)據(jù)挖掘技術(shù)則對(duì)數(shù)據(jù)的數(shù)量要求最高?，F(xiàn)實(shí)中不太會(huì)碰到數(shù)量又多質(zhì)量又好的數(shù)據(jù)狀況，因此在技術(shù)選用時(shí)首先需要考慮是否可以穩(wěn)定獲得所需要的數(shù)據(jù)。至于結(jié)果的質(zhì)量狀況和運(yùn)行成本，很難設(shè)定一個(gè)標(biāo)準(zhǔn)線。只能根據(jù)不同的需求目的來(lái)設(shè)定質(zhì)量目標(biāo)，以及根據(jù)組織的投入產(chǎn)出效益來(lái)選擇可行的技術(shù)方案。以上海城市房地產(chǎn)估價(jià)有限公司開(kāi)發(fā)的VISS系統(tǒng)的運(yùn)行情況來(lái)看，其在住宅物業(yè)批量評(píng)估方案中采用了標(biāo)準(zhǔn)價(jià)調(diào)整法與大數(shù)據(jù)挖掘相結(jié)合的方法，使其系統(tǒng)的評(píng)估精度基本控制在正負(fù)6%的誤差范圍，極端誤差范圍為正負(fù)10%。對(duì)于上海12000多個(gè)住宅小區(qū)，其價(jià)格更新周期為每月，其數(shù)據(jù)維護(hù)人員僅8-10人，每次價(jià)格更新的工作周期僅為兩周。在其新研發(fā)的辦公物業(yè)批量評(píng)估方案中，更是結(jié)合了標(biāo)準(zhǔn)價(jià)調(diào)整法、多元回歸模型以及大數(shù)據(jù)挖掘三種方法，使其系統(tǒng)的評(píng)估精度可以控制在正負(fù)10%的誤差范圍，極端誤差范圍為正負(fù)15%。對(duì)于上海3000多棟寫字樓物業(yè)，可以實(shí)現(xiàn)3個(gè)月的價(jià)格更新周期，而數(shù)據(jù)維護(hù)人員僅3人。因此，在選用何種技術(shù)方案時(shí)，主要有四個(gè)評(píng)價(jià)因素。一是技術(shù)方案所需的數(shù)據(jù)是否可以穩(wěn)定獲得；二是批量評(píng)估的價(jià)格精度是否滿足目標(biāo)需求；三是批量評(píng)估的物業(yè)覆蓋面是否完整；四是批量評(píng)估的運(yùn)行維護(hù)成本企業(yè)（或組織）是否可以承受。以此為標(biāo)準(zhǔn)，運(yùn)用多方法結(jié)合的思路進(jìn)行技術(shù)的研發(fā)和創(chuàng)新才是房地產(chǎn)批量評(píng)估技術(shù)發(fā)展的正確道路。

6結(jié)語(yǔ)