Huurprijzen en richthuurprijzen. Deel III ... - Steunpunt wonen

absolute waarden. Dus hoewel we de RMSE statistiek meegeven, kan men als
vuistregel gebruiken dat de gemiddelde absolute fout in het geval van normaal
verdeelde fouten hiervan ongeveer 80% bedraagt.
Model (2) geeft aan dat 67% van de variantie verklaard kan worden met
woningkenmerken en statistische sectorinformatie. De RMSE is 73, wat neerkomt
op een gemiddelde absolute fout (MAE) van 60 €. Dit is zeer behoorlijk aangezien
de geobserveerde waarden ook slechts schattingen zijn. In het geval we
vooropstellen dat de notarisschattingen een even grote voorspelfout maken als het
hedonische prijsmodel, dan kunnen we de gemiddelde voorspelfout ten opzichte
van de werkelijke maar niet-geobserveerde markthuurwaarde benaderen door de
MAE van het model te delen door 2 (zie bijlage 7.1.2). In dit geval betekent dit
dat de schatting van zowel de notarissen als ons model gemiddeld 40 € verschilt
van de werkelijke markthuurwaarde. Dit lijkt zeer acceptabel.
Model (1) geeft aan dat 80% van de variantie verklaard kan worden indien we ook
gemeentedummies toevoegen. De RMSE is 60, wat neerkomt op een gemiddelde
absolute fout van 50 €. In het geval we weer vooropstellen dat de
notarisschattingen een even grote voorspelfout maken als het hedonische
prijsmodel, dan bekomen we een gemiddelde voorspelfout ten opzicht van de
werkelijke markthuurwaarde van 35 €. Bemerk echter dat we hier zeer veel
gemeente-dummies hebben toegevoegd, en het dus ook logisch dat de R² stijgt.
Dit kan leiden tot overfitting van het model. Overfitting vindt plaats wanneer er
teveel verklarende variabelen in het model opgenomen worden ten opzichte van
het aantal observaties waardoor de geschatte coëfficiënten minder betrouwbaar
worden. We hebben dit echter toch gedaan omdat de resultaten met model (2),
dus zonder de gemeente-dummies, redelijk robust en consistent leken. Bovendien
zijn de geschatte waarden van de gemeente-dummies ook zeer logisch. We
komen hier later op terug.
De R² van modellen waarbij enkel de VMSW data als onafhankelijke variabele in
het model opgenomen waren, lagen in het interval [0.50-0.53]. Dit is laag om voor
predicties te gebruiken, maar geeft tegelijkertijd wel goed weer dat de
woningkenmerken op zich belangrijk zijn. We bespreken daarom eerst de
resultaten van de woningkenmerken.
5.1 Woningkenmerken
In onderstaande tabel bevinden zich de resultaten van het hedonisch prijsmodel.
Deze regressieresultaten zijn reeds gebaseerd op het finale model (1= met
gemeente dummies, 2 zonder gemeente-dummies, enkel statistische sector
informatie) . We geven hier de subset van woningkenmerken weer. Voor de
woningkenmerken met betrekking tot woningstaat, bouwfysische kwaliteit en
uitrustingsniveau worden de schattingen van de eerste regressiestap
weergegeven. (zie 4.2 2-stapsmodel met interactievariabelen). Wanneer we de
woningkenmerken afzonderlijk zouden regresseren op de verhuurprijs zou reeds
ongeveer 50% van alle variantie verklaard kunnen worden.
Onderstaande tabel dient als volgt gelezen te worden. De eerste kolom geeft aan
over welk kenmerk het gaat. De tweede kolom geeft aan welke variabelen er in het
model zitten voor elk kenmerk. Voor de leeftijd zien we bvb. dat er naast de lineaire
variabele ook een kwadratische variabele in het model is gebracht. Hierdoor kan
het model het effect van leeftijd fijner modelleren: een toename van de leeftijd van
30