房價預測由於影響房價高低的原因非單一因子所造成，政府政策、經濟增長以及土地使用等因子都可能影響地區房價波動，其議題始終具挑戰性。考量其空間異質性，本研究將使用地理加權回歸(GWR)了解房價與因素間之相關性。地理加權回歸能透過允?迴歸係數在空間上的變化掌握空間異質性的影響與探索數據生成過程中的空間不穩定性。此外，本研究提出了CWR(Covariate Weighted Regression) 模型，延伸了原始GWR 權重計算方式，並結合最近鄰法(KNN)，利用其運算迴歸成果之係數進行房價推估。在假設房價除了受到外部因子影響之外，房屋本身的屬性為影響價格的主要因素之下，迴歸權重參數調整之依據可利用房屋之間相似程度提供，透過資料的空間屬性計算其歐幾里得與高斯衰減函數獲得對應之權重矩陣。量化分析實驗中，採用了CWR 模型、原始GWR 模型並配合兩種不同的估算策略及機器學習模型種驗證模型表現，如：迴歸樹，除了透過視覺化差值分布圖及預測成果的相關係數圖了解樣本於各模型的預測成果之外，亦透過均方根誤差進行結果比較。結果顯示，本研究所發展之CWR 及CWR-KNN 模型在多數情況下優於迴歸樹之表現，在僅運用雙主要變數屋齡及面積的情況，於北屯區大樓房價預測案例中較迴歸樹模型改善7 9% 及8 2% 的均方根誤差。再者，考慮到房屋屬性的相似性並給予權重調整，結合本研究方法之CWR 模型亦能有效改善原始GWR模型之預測精度，為房價估價領域增添了一有效估計的方式。
Integrated covariate correlative and geographically weighted model for house price prediction
柏宏, 陳. (Author). 2019
學生論文: Doctoral Thesis