Professional Documents
Culture Documents
Metodología de precios
hedónicos vs. Redes Neuronales
Artificiales como alternativas
a la valoración de inmuebles.
Un caso real
José Mª Caridad y Ocerín
Catedrático de la Universidad de Córdoba
Julia M. Núñez Tabales
Profesora de la Universidad de Córdoba
Nuria Ceular Villamandos
Profesora de la Universidad de Córdoba
27
JOSÉ Mª CARIDAD Y OCERÍN, JULIA M. NÚÑEZ TABALES Y NURIA CEULAR VILLAMANDOS
28
METODOLOGÍA DE PRECIOS HEDÓNICOS VS. REDES NEURONALES ARTIFICIALES COMO ALTERNATIVAS A LA VALORACIÓN...
vivienda pueden agruparse al menos en dos tado como el paradigma del enfoque
categorías bien diferenciadas: por un lado, hedónico.
las características estructurales de la Asimismo, Freeman (1979) facilitó la
vivienda y, por otro, las características rela- primera justificación teórica para la aplica-
cionadas con la localización y el entorno ción de esta metodología al mercado de la
físico. vivienda.
En 1971 destaca la aportación a esta A partir de Rosen las aplicaciones de la
teoría realizada por Griliches. Pero es MPH se han sucedido, especialmente en los
Shervin Rosen en 1974 el primero en pro- países anglosajones. Siguiendo un orden
porcionar un tratamiento unificado del cronológico en el cuadro 1 se relacionan
modelo teórico de los mercados implícitos los autores más destacables que han aplica-
subyacentes en la MPH. A partir de este do esta metodología, ya sea con el objetivo
momento, el modelo desarrollado por de obtener el precio de la vivienda o con el
Rosen ha llegado a ser generalmente acep- de obtener índices de precios.
Cuadro 1
Utilización de la MPH en valoración inmobiliaria
A. Objetivo: Obtener el precio de la vivienda
Ridker y Henning (1967); Wilkinson (1973); Kain y Quiley (1975, 1979); Tang (1975); Freeman (1979);
Wheaton (1979); Witte y otros (1979); Li y Brown (1980, 1985); Palmquist (1992); Caridad y Brañas (1996);
So y otros (1996); Clapp y Giacotto (1998); Chesire y Sheppard (1998); Adair y otros (1996,2000); Chatto-
padhyay (1999); Bilbao Terol (2000); Caridad y Ceular (2000); Bateman y otros (2001); Boyle y Kiel (2001);
Hidano (2002); Aguiló (2002); Bengochea (2003); Malpezzi (2003); Goodman y Theriault (2003); Thibodeau
(2003); Harding y otros (2003); Cervero y Duncan (2004); Fletcher y otros (2004); McMillen (2004); Bond y
otros (2005).
29
JOSÉ Mª CARIDAD Y OCERÍN, JULIA M. NÚÑEZ TABALES Y NURIA CEULAR VILLAMANDOS
Cuadro 2
Utilización de sistemas de Inteligencia Artificial (IA) en valoración inmobiliaria
Autor Año Área de Estudio
Borst 1991 Nueva Inglaterra
Tay y Ho 1992 Singapur
Quang Do y Grudnitski 1992 California (EE.UU.)
Collins y Evans 1994 Reino Unido
Worzala, Lenk y Silva 1995 Colorado (EE.UU.)
Mc Cluskey 1996
Rossini 1997 Sur de Australia
Haynes y Tan 1998 Gold Coast en Australia
Bonissone 1998
Cechin 2000 Porto Alegre (Brasil)
Karakozova 2000 Helsinki (Finlandia)
Nguyen y Cripps 2001 Tennessee (EE.UU.)
Kauko 2003
Limsombunchai y otros 2004 Nueva Zelanda
Fuente: Gallego (2004) y elaboración propia.
30
METODOLOGÍA DE PRECIOS HEDÓNICOS VS. REDES NEURONALES ARTIFICIALES COMO ALTERNATIVAS A LA VALORACIÓN...
A nivel nacional, dentro del ámbito cia a fallos. Por otra parte, el número de
de valoración de inmuebles destacan las neuronas ocultas interviene en la eficacia
aportaciones de Ceular y Caridad (2000), del aprendizaje y generalización de la red
Mohamed (2002), Fuentes Jiménez (2003), (Hilera, 1995). Así, en general, pocas neu-
García Rubio (2004), Gallego (2004) y Lara ronas ocultas provocan que la red no dis-
(2005), aplicaciones relativas al mercado tinga bien las características del problema
inmobiliario de la ciudad de Córdoba, provocando que en la fase de entrenamien-
Cádiz, Melilla, Albacete, Madrid y Jaén, res- to no se alcancen los límites especificados,
pectivamente. mientras que la definición de demasiadas
McClelland y Rumelhart (1985) definen neuronas ocultas, sin embargo, aunque no
la Red Neuronal Artificial (RNA) como una lleve a resultados erróneos, genera proce-
red compuesta de varios operadores simples sos tediosos de entrenamiento, además de
–también denominados elementos de proce- producir la pérdida de capacidad de genera-
so, nodos o neuronas–, dotados de pequeña lización de la red. En definitiva, determinar
cantidad de memoria. Dichos nodos están el tamaño de las capas no es una tarea senci-
conectados mediante canales de comunica- lla y suele estar basado en la experiencia, se
ción unidireccionales –axones–, que trans- efectuará en función del problema en estu-
portan datos numéricos –no simbólicos–. dio y de la precisión esperada de la red.
Los nodos únicamente operan sobre sus Otras consideraciones a tener en cuenta
datos locales y sobre las entradas que reci- serán la determinación de la regla o función
ben a través de los axones. Entre los nodos de activación y del algoritmo o regla de
existe un patrón de conexión representado aprendizaje. La función de activación de las
por una matriz de pesos o ponderaciones neuronas de las capas ocultas es una fun-
sinápticas (W), en la que WIJ representa la ción (lineal, sigmoide o logística, hiperbóli-
intensidad y el sentido con el que la salida de ca…) que, a partir del estado actual de acti-
la neurona i-ésima afecta a la activación de la vación de una neurona y de su entrada neta
neurona j-ésima. En todo modelo neuronal (determinada por el patrón de conexión y la
es preciso disponer de una regla de propaga- regla de propagación), evalúa el estado de
ción que combine las salidas de cada neuro- activación siguiente. Por su parte,el algo-
na con las correspondientes ponderaciones ritmo de entrenamiento o regla de aprendi-
establecidas por el patrón de conexión para zaje (BP estándar y sus variantes como tér-
especificar como se valoran las entradas que mino de momento, gradientes conjugados,
reciba de cada neurona. Quickprop, regla Delta-var-Delta…) (4) es
El modelo básico de red está estructura- el procedimiento por el cual se procede a la
do jerárquicamente en tres partes: la capa modificación del patrón de conexión.
de entrada –input–, la capa o capas ocultas Otro aspecto es la división del conjunto
–comúnmente referenciadas como “caja de datos muestrales disponibles en dos
negra”– y la capa de salida –output–. Una subconjuntos: el primero de ellos se toma-
cuestión importante es la selección del rá como patrón ejemplo para entrenar la
número de capas ocultas de la red y el red y ajustar los pesos, y el segundo se utiliza-
número de neuronas por capa. A este res- rá para comprobar la eficiencia de la misma.
pecto no se establecen reglas concretas que
permitan la determinación del número de
neuronas o el número de capas ocultas de (4) Sobre los algoritmos de entrenamiento hay
una red para resolver problemas concretos. que tener presente que constantemente aparecen nue-
vas propuestas en la literatura y que, a menudo, un
Hay que tener en cuenta que un número método ideal para acelerar un entrenamiento puede
excesivo de capas puede generar ruido, producir un pobre rendimiento en una aplicación
pero se puede conseguir una mejor toleran- diferente (FREEMAN y SKAPURA, 1993).
31
JOSÉ Mª CARIDAD Y OCERÍN, JULIA M. NÚÑEZ TABALES Y NURIA CEULAR VILLAMANDOS
32
METODOLOGÍA DE PRECIOS HEDÓNICOS VS. REDES NEURONALES ARTIFICIALES COMO ALTERNATIVAS A LA VALORACIÓN...
33
JOSÉ Mª CARIDAD Y OCERÍN, JULIA M. NÚÑEZ TABALES Y NURIA CEULAR VILLAMANDOS
34
METODOLOGÍA DE PRECIOS HEDÓNICOS VS. REDES NEURONALES ARTIFICIALES COMO ALTERNATIVAS A LA VALORACIÓN...
situación óptima de las variables que com- Una primera decisión a tomar es la elec-
ponen dicho índice, por el contrario un ción de la forma funcional adecuada para
valor cercano a cero pondría de manifiesto estimar la ecuación hedónica, que puede ser
una situación desfavorable entre las varia- lineal o no. Dicha elección se reduce a una
bles que lo componen. cuestión empírica, ya que las distintas apor-
Teniendo presente lo anterior, se reco- taciones existentes sobre este tema no han
gen en el Cuadro 4 los índices construidos. establecido un criterio para seleccionar aque-
lla forma funcional que ofrezca mejores
resultados. Por ello se ensaya con diferentes
formas funcionales y se elige aquélla que pro-
Resultados porciona un mejor ajuste. Pueden destacarse
entre las formas funcionales más utilizadas
Metodología de precios hedónicos (MPH) tradicionalmente la forma lineal, la semiloga-
rítmica y la doblemente logarítmica. En este
La variable dependiente del modelo que caso se ha seleccionado la forma lineal.
se pretende construir es el precio final (11) En lo que respecta a las variables explica-
estimado de transacción del inmueble cor- tivas a incluir en la ecuación hedónica, a
dobés expresado en euros. priori es deseable incluir un número no
demasiado elevado de este tipo de variables
(9) Córdoba no es una ciudad monocéntrica, pues- fundamentalmente por dos razones. En
to que en ella aparecen zonas distantes cuyas viviendas primer lugar, porque las variables indepen-
poseen altos precios, por ello puede dividirse a la ciu- dientes suelen estar relacionadas entre sí apa-
dad en diferentes centros que podrían ser apreciados reciendo en ese caso problemas de multicoli-
por el comprador potencial de este tipo de bien.
(10) Fue posible ampliar la información referente nealidad. En segundo lugar, porque la
al barrio donde la vivienda está ubicada incorporando inclusión de un número elevado de variables
datos de los estudios realizados por el Ayuntamiento de no origina importantes mejoras en el poder
la ciudad y la Gerencia de Urbanismo referentes a la explicativo del modelo, de manera que si no
renta media de los vecinos de cada uno de los barrios
que componen la ciudad. Finalmente se obtuvieron se incluyen aquellas variables que poco pue-
cinco distritos claramente diferenciados que se consi- dan aportar esto tiene un reducido efecto en
deran con niveles de renta y riqueza análogos. los coeficientes de las variables clave y en la
(11) Este precio incluye las comisiones y gastos de significación global del modelo. De modo
gestión de la empresa inmobiliaria que actúa de inter-
mediaria en la transacción. No obstante, no están inclui-
que ante varios modelos con un poder expli-
dos impuestos tales como el IVA de los gastos de gestión cativo similar se elegirá el más simple en vir-
o el Impuesto sobre Transmisiones Patrimoniales. tud del principio de parsimonia.
35
JOSÉ Mª CARIDAD Y OCERÍN, JULIA M. NÚÑEZ TABALES Y NURIA CEULAR VILLAMANDOS
(12) En relación a las variables independientes o precio de la vivienda –presencia de terraza en la vivien-
explicativas indicar que se estimaron otros modelos da, climatización, armarios empotrados, azotea transi-
alternativos que incluían otras variables que en princi- table, ascensor…–, pero finalmente fueron rechazadas
pio podrían resultar relevantes a la hora determinar el debido a que se conseguía un menor grado de ajuste.
36
METODOLOGÍA DE PRECIOS HEDÓNICOS VS. REDES NEURONALES ARTIFICIALES COMO ALTERNATIVAS A LA VALORACIÓN...
Gráfico 1
Precio de venta real (en euros) vs. Precio de venta estimado por MPH
700000
600000
Precio de venta estimado (en euros)
500000
400000
300000
200000
100000
El contraste de los test usuales, inclu- igual a 41.645,43 y el error medio relativo
yendo el test de estabilidad de Chow para es 14,45%. Con objeto de determinar la
los coeficientes es correcta. Con respecto a capacidad predictiva del modelo se calcula
la multicolinealidad se calcula el valor del el índice de desigualdad de Theil que toma
índice de condición k, que toma un valor un valor de 0,09. Su proximidad a cero
de 16.6, lo cual denota la inexistencia de muestra una elevada capacidad predictiva.
multicolinealidad si tenemos en cuenta En el gráfico 1 se comparan los precios
que ésta se presenta para un valor de k estimados a través del modelo hedónico
superior a 20 (13). El coeficiente de deter- seleccionado con los precios reales obteni-
minación R2 toma un valor de 77,38%. La dos en la muestra. La mayoría de los pun-
raíz del error cuadrático medio (RECM) es tos del gráfico se posicionan muy próximos
a la bisectriz del primer cuadrante. No obs-
tante, puede apreciarse la existencia de un
(13) Para la detección de multicolinealidad tam- grupo de viviendas con precios altos –supe-
bién se estimaron por Mínimos Cuadrados Ordinarios riores a 400.000 euros– que quedan infra-
las regresiones de cada una de las variables explicati-
vas con las restantes obteniéndose un R2 máximo del
valoradas por el modelo, es decir, el modelo
40% lo que corrobora la ausencia de multicolinealidad proporciona valores estimados inferiores al
en el modelo planteado. valor de mercado.
37
JOSÉ Mª CARIDAD Y OCERÍN, JULIA M. NÚÑEZ TABALES Y NURIA CEULAR VILLAMANDOS
Figura 1
Estructura de la red perceptrón multicapa 6:6-6-1:1
Redes Neuronales Artificiales (RNA) (véase figura 1). Esto significa que el núme-
ro de inputs es de seis (14), que existen seis
En el proceso de elaboración de una red neuronas o nodos en la capa oculta y que el
con óptima capacidad de predicción del número de unidades en la capa de salida se
precio total del inmueble cordobés se selec- reduce a una, puesto que se tiene una única
ciona una red tipo Perceptrón Multicapa, variable dependiente –el precio total de la
pues siguiendo investigaciones previas en vivienda–.
este campo es la que mejores resultados Para la estimación de la red neuronal se
proporciona con diferencia en este tipo de ha utilizado el programa Trajan Neural
análisis (véase p.ej. Haykin, 1999; Freeman Networks.
y Skapura, 1993; García Rubio, 2004). La Se ha seleccionado una función de acti-
aproximación al precio de la vivienda a tra- vación lineal para la capa de entrada, sin
vés de una red neuronal se realiza tomando embargo a la capa oculta y la capa de salida
como inputs las mismas variables internas y se les asigna una función logística o sig-
externas que fueron utilizadas en la estima- moidea (15). Como función de error se eli-
ción del modelo hedónico. Se pretende con gió la Suma de Cuadrados de los Errores.
ello efectuar comparaciones entre los resul-
tados obtenidos con sendas estimaciones.
En lo que se refiere a la arquitectura, se (14) 6:6 significa que el número de neuronas de
entrada es de 6 y que tras el preprocesamiento de los
diseñan numerosas redes combinando dife- datos esta cifra se mantiene ya que no se han utiliza-
rente número de capas ocultas, distinto do codificaciones especiales –como el esquema 1 de
número de nodos en éstas, funciones de N– vinculadas a las variables cualitativas ante la
activación y algoritmos de aprendizaje varia- ausencia de éstas.
(15) La función logística o sigmoidea presenta un
dos. Finalmente, se selecciona un Percep- rango de salida en el intervalo [0,1] y su expresión es:
trón Multicapa (MLP) con una única capa f(x) = 1/(1+ e-x), donde x es la entrada neta de cada neu-
oculta que presenta la estructura 6:6-6-1:1 rona.
38
METODOLOGÍA DE PRECIOS HEDÓNICOS VS. REDES NEURONALES ARTIFICIALES COMO ALTERNATIVAS A LA VALORACIÓN...
600000
500000
400000
MHH
RNA
300000
200000
100000
39
JOSÉ Mª CARIDAD Y OCERÍN, JULIA M. NÚÑEZ TABALES Y NURIA CEULAR VILLAMANDOS
Gráfico 3
Errores cometidos por el Modelo de Precios Hedónico vs. Red Neuronal Artificial
200000
150000
100000
50000
MHH
0
RNA
-50000
-100000
-150000
-200000
40
METODOLOGÍA DE PRECIOS HEDÓNICOS VS. REDES NEURONALES ARTIFICIALES COMO ALTERNATIVAS A LA VALORACIÓN...
41
JOSÉ Mª CARIDAD Y OCERÍN, JULIA M. NÚÑEZ TABALES Y NURIA CEULAR VILLAMANDOS
FREEMAN, J. and SKAPURA, D. M. (1993): NÚÑEZ TABALES, J. et. al. (2007): Aproxima-
Redes neuronales, algoritmos, aplicaciones y ción a la valoración inmobiliaria mediante la
técnicas de programación. Ed.Wilmington metodología de precios hedónicos (MPH). Actas
Addison-Wesley Diaz de Santos, 26-241. de las XVII Jornadas Hispano-Lusas de Gestión
GALLEGO MORA-ESPERANZA, J. (2004): La científica celebradas en La Rioja.
inteligencia artificial aplicada a la valoración de NGUYEN, N. y CRIPPS, A. (2001): Predicting
inmuebles. Un ejemplo para valorar Madrid. CT: housing value: a comparison of multiple regres-
Catastro nº 50, 51-67. sion analysis and artificial neural networks.
GARCÍA RUBIO, N. (2004): Desarrollo y aplica- Journal of Real Estate Research, 22(3): 314-336.
ción de redes neuronales artificiales al mercado PÉREZ DELGADO, M. L. y MARTÍN MARTÍN, Q.
inmobiliario: aplicación a la ciudad de Albacete. (2003): Aplicación de las redes neuronales arti-
Tesis Doctoral. Universidad de Castilla-La Mancha. ficiales a la estadística. Editorial La Muralla.
GRILICHES, Z. (1971): Introduction: Hedonic Madrid. 140 págs.
Price Indexes Revisited. In Price Indexes and QUANG DO, A. and GRUDNITSKI, G. (1992):
Quality Changes: Studies in New Methods of A neural network approach to residential pro-
Measurement. Griliches. Cambridge. Harvard perty appraisal. Real Estate Appraiser, Vol.58
University Press, 3-15. (3): 38-45.
HAYKIN, S. (1999): Neural networks: A compre- RIDKER, R. and HENNING, A (1967): The
hensive foundation. Ed. Prentice-H all. 696 págs. determinants housing prices and the demand
HILERA, J. R. y MARTÍNEZ, V. J. (1995): Redes for clean air. Journal Environmental Economy
neuronales artificiales: Fundamentos, modelos Management, 5: 81-102.
y aplicaciones. Ed. Ra-Ma. Madrid. 390 págs. ROSEN, S. (1974): Hedonic Prices and Impli-
JAÉN, M. y MOLINA, A. (1995): Modelos eco- cit Markets: Product Differentiaton in Pure
nométricos de tenencia y demanda de vivienda. competition. Journal of Polical Economy, n.
Servicio de publicaciones de la Universidad de 82: 34-55.
Almería. 111 págs. SAURA, P. (1995): Demanda de características
KAUKO, T. (2003): On current neural net- de la vivienda en Murcia. Secretariado de Publi-
work applications involving spatial modelling caciones de la Universidad de Murcia. 157 págs.
of property prices. Journal of Housing and the SIRMANS, G.S. et. Al. (2005): The composi-
Built Environment. Vol.18 (2): 159-181. tion of Hedonic Pricing Models.Journal of
LANCASTER, K. J. (1966): A New Approach to Real Estate Literature. Cleveland. Vol. 13 (1): 3-
Consumer Theory. Journal of Political Economy, 43.
74: 132-157. WALLACE, N. (1996): Hedonic –based price
LARA CABEZA, J. (2005): Aplicación de las indexes for housing: Theory, estimation and
redes neuronales artificiales al campo de la valo- index construction. Economic Review– Federal
ración inmobiliaria. Mapping, 104: 64-71. Reserve Bank of San Francisco, 34-48.
LIMSOMBUNCHAI, V., Gan, C. and Lee, M. WAUGHT, F. V. (1929): Quality as a Determi-
(2004): House price prediction: Hedonic Price nant of Vegetable Prices. Columbia University
Model vs. Artificial Neural Network. American Press. New York. 156 págs.
Journal of Applied Sciencies, vol. 1(3): 193-201. WORZALA, E.; LENK, M. and SILVA, A. (1995):
Mc CLELLAND Y RUMELHART, D. (1985): An exploration of neural networks and its appli-
Explorations in Parallel Distributed Processing, cation to real estate valuation. Journal of REAL
1 y 2. MIT Press, Cambridge. 344 págs. ESTATE RESEARCH, 10(2): 185-202.
42