Video Clase 1.1 - Importancia de la Valoración
Video Clase 1.2 - Métodos de Valoración
Video Clase 1.3 - Variables Explicativas
Variables Explicativas del Precio o
Atributos Relevantes
Uno
de las cuestiones más importantes a la hora de encontrar el modelo de ajuste
más adecuado para explicar la variabilidad de una característica cuantitativa
es la correcta especificación del llamado modelo teórico. En otras palabras,
debemos seleccionar de entre todas las variables candidatas a ser explicativas
de la variable dependiente un subconjunto que resulte suficientemente explicativo
-lo que podemos medir, por ejemplo, mediante el coeficiente de determinación- y
también no demasiado complejo -es decir, con muchas variables explicativas-.
En
la práctica, no obstante, la selección del subconjunto de variables
explicativas de los modelos de regresión se deja en manos de procedimientos más
o menos automáticos. Los procedimientos más usuales son los siguientes:
Método Backward: se
comienza por considerar incluidas en el modelo teórico a todas las variables
disponibles y se van eliminando del modelo de una en una según su capacidad
explicativa. En concreto, la primera variable que se elimina es aquella que
presenta un menor coeficiente de correlación parcial con la variable
dependiente-o lo que es equivalente, un menor valor del estadístico t- y así
sucesivamente hasta llegar a una situación en la que la eliminación de una
variable más suponga un descenso demasiado acusado en el coeficiente de
determinación.
Método Forward: se
comienza por un modelo que no contiene ninguna variable explicativa y se añade
como primera de ellas a la que presente un mayor coeficiente de correlación -en
valor absoluto- con la variable dependiente. En los pasos sucesivos se va
incorporando al modelo aquella variable que presenta un mayor coeficiente de correlación
parcial con la variable dependiente dadas las independientes ya incluidas en el
modelo. El procedimiento se detiene cuando el incremento en el coeficiente de
determinación debido a la inclusión de una nueva variable explicativa en el
modelo ya no es importante.
Método Stepwise: es uno de los más empleados y consiste en una
combinación de los dos anteriores. En el primer paso se procede como en el
método forward pero a diferencia de éste en el que cuando una variable entra en
el modelo ya no vuelve a salir, en el procedimiento stepwise es posible que la
inclusión de una nueva variable haga que otra que ya estaba en el modelo
resulte redundante y sea “expulsada” de él.
Video Clase 1.4 - Índice de Calidad
Video Clase 1.5 - Distancia de Manhattan
La Distancia Manhattan y el Índice de
Adecuación
La Distancia
Manhattan, mide la distancia (valor absoluto) entre el valor pronosticado por
el Modelo construido (valor arrojado de un inmueble mediante ese modelo) para
un punto determinado “A” y el valor
realmente “Observado” o “Real” en los
datos para ese mismo punto “A”
La Distancia Manhattan y el Índice de
Adecuación
La Distancia
Manhattan, mide la distancia (valor absoluto) entre el valor pronosticado por
el Modelo construido (valor arrojado de un inmueble mediante ese modelo) para
un punto determinado “A” y el valor
realmente “Observado” o “Real” en los
datos para ese mismo punto “A”
