Aplicación del método ARIMA para el pronóstico del avalúo de bienes raíces
DOI:
https://doi.org/10.61347/psa.v1i1.56Palabras clave:
ARIMA, bienes raíces, minería de datos, pronóstico, series temporalesResumen
El análisis de los datos es uno de los principales aspectos a considerar para la toma de decisiones en el ámbito social y empresarial. El mercado de bienes raíces es un componente decisivo y de soporte para las economías de los países a nivel mundial. Un análisis de la variación de los precios inmobiliarios a través de series temporales puede facilitar la identificación de mejores oportunidades a los inversores. Esta investigación tiene por objetivo aplicar el método ARIMA para el pronóstico del avalúo de bienes raíces. Se utiliza un enfoque cuantitativo con un diseño de investigación no experimental. Para la minería de datos se aplica el proceso KDD conjuntamente con el proceso de ARIMA para el pronóstico. Entre sus principales resultados se obtiene una base de datos limpia, la cual posteriormente es transformada a una serie estacionaria, para de esta manera ajustar el modelo y aplicar al pronóstico al caso de estudio en la ciudad de Riobamba, Ecuador. Se muestran datos con rangos de confiabilidad al 80% y 95%. El procedimiento detallado en este estudio puede aplicarse a cualquier contexto de predicción de series temporales en el sector de bienes raíces.
Descargas
Citas
Afeef, M., Ihsan, A., & Zada, H. (2018). Forecasting Stock Prices through Univariate ARIMA Modeling. 13, 130-142.
Al-Marwani, H. A. (2014). An approach to modeling and forecasting real estate residential property market [Doctoral thesis]. http://bura.brunel.ac.uk/handle/2438/10005
Ariyo, A. A., Adewumi, A. O., & Ayo, C. K. (2014). Stock Price Prediction Using the ARIMA Model. 2014 UKSim-AMSS 16th International Conference on Computer Modelling and Simulation, 106-112. https://doi.org/10.1109/UKSim.2014.67 DOI: https://doi.org/10.1109/UKSim.2014.67
Awe, O., Okeyinka, A., & Fatokun, J. O. (2020). An Alternative Algorithm for ARIMA Model Selection. 2020 International Conference in Mathematics, Computer Engineering and Computer Science (ICMCECS), 1-4. https://doi.org/10.1109/ICMCECS47690.2020.246979 DOI: https://doi.org/10.1109/ICMCECS47690.2020.246979
Bartlett, M. (2022). Modelización de Series Univariantes: (S)ARIMA | Series de Tiempo. https://bookdown.org/victor_morales/SeriesdeTiempo/modelizaci%C3%B3n-de-series-univariantes-sarima.html
Bodero-Poveda, E., Morales-Alarcón, C., Congacha-Aushay, A. E., & Ramos-Araujo, C. E. (2022). Técnicas de minería de datos para el análisis de la plusvalía inmobiliaria. Dominio de las Ciencias, 8(1), Article 1. https://dominiodelasciencias.com/ojs/index.php/es/article/view/2531
Box, G. E. P., & Jenkins, G. M. (1976). Time Series Analysis: Forecasting and Control. Holden-Day.
Castán-Lascorz, M. A., Jiménez-Herrera, P., Troncoso, A., & Asencio-Cortés, G. (2022). A new hybrid method for predicting univariate and multivariate time series based on pattern forecasting. Information Sciences, 586, 611-627. https://doi.org/10.1016/j.ins.2021.12.001 DOI: https://doi.org/10.1016/j.ins.2021.12.001
Cejas, M., & Romero, M. (2020). Negociación e inversión: Binomio clave en el sector comercial de Riobamba—Ecuador. Editorial CIDE. https://repositorio.cidecuador.org/bitstream/123456789/230/1/negociacion-e-inversion-binomio-clave-en-el-sector-comercial-de-riobamba-ecuador.pdf
Del Giudice, V., De Paola, P., & Forte, F. (2017). Using Genetic Algorithms for Real Estate Appraisals. Buildings, 7(2), Article 2. https://doi.org/10.3390/buildings7020031 DOI: https://doi.org/10.3390/buildings7020031
Durán, A. (2019). Time series data mining: Preprocessing, analysis, segmentation and prediction. Applications [Universidad de Córdoba, UCOPress]. http://helvia.uco.es/xmlui/handle/10396/18590
Ghysels, E., Plazzi, A., Valkanov, R., & Torous, W. (2013). Chapter 9—Forecasting Real Estate Prices. En G. Elliott & A. Timmermann (Eds.), Handbook of Economic Forecasting (Vol. 2, pp. 509-580). Elsevier. https://doi.org/10.1016/B978-0-444-53683-9.00009-8 DOI: https://doi.org/10.1016/B978-0-444-53683-9.00009-8
González, M. (2016). Clasificación semi-supervisada de series temporales [Tesis Doctoral, Universidad de Granada]. https://digibug.ugr.es/handle/10481/44303
Han, S., Ko, Y., Kim, J., & Hong, T. (2018). Housing Market Trend Forecasts through Statistical Comparisons based on Big Data Analytic Methods. Journal of Management in Engineering, 34(2), 04017054. https://doi.org/10.1061/(ASCE)ME.1943-5479.0000583 DOI: https://doi.org/10.1061/(ASCE)ME.1943-5479.0000583
Kabaivanov, S., & Markovska, V. (2021). Artificial intelligence in real estate market analysis. AIP Conference Proceedings, 2333, 030001. https://doi.org/10.1063/5.0041806 DOI: https://doi.org/10.1063/5.0041806
Kang, J., Lee, H. J., Jeong, S. H., Lee, H. S., & Oh, K. J. (2020). Developing a Forecasting Model for Real Estate Auction Prices Using Artificial Intelligence. Sustainability, 12(7), Article 7. https://doi.org/10.3390/su12072899 DOI: https://doi.org/10.3390/su12072899
Knoll, K., Schularick, M., & Steger, T. (2017). No Price Like Home: Global House Prices, 1870-2012. American Economic Review, 107(2), 331-353. https://doi.org/10.1257/aer.20150501 DOI: https://doi.org/10.1257/aer.20150501
Kok, N., Koponen, E.-L., & Martínez-Barbosa, C. A. (2017). Big Data in Real Estate? From Manual Appraisal to Automated Valuation. The Journal of Portfolio Management, 43(6), 202-211. https://doi.org/10.3905/jpm.2017.43.6.202 DOI: https://doi.org/10.3905/jpm.2017.43.6.202
Lizarazu-Alanez, E., Villaseñor-Alva, J. A., Lizarazu-Alanez, E., & Villaseñor-Alva, J. A. (2007). Efectos de rompimientos bajo la hipótesis nula de la prueba dickey-fuller para raíz unitaria. Agrociencia, 41(2), 193-203.
Mira, S. (2019). Digitalización y tendencias del sector inmobiliario [Master thesis, Universitat Politècnica de Catalunya]. https://upcommons.upc.edu/handle/2117/172286
Mittal, R., Kumar, P., Mittal, A., & Malik, V. (2021). Developing an Evaluation Model for Forecasting of Real Estate Prices. En A. Choudhary, A. P. Agrawal, R. Logeswaran, & B. Unhelkar (Eds.), Applications of Artificial Intelligence and Machine Learning (pp. 619-627). Springer. https://doi.org/10.1007/978-981-16-3067-5_46 DOI: https://doi.org/10.1007/978-981-16-3067-5_46
Moffat, I. U., & Akpan, E. A. (2019). White Noise Analysis: A Measure of Time Series Model Adequacy. Applied Mathematics, 10(11), Article 11. https://doi.org/10.4236/am.2019.1011069 DOI: https://doi.org/10.4236/am.2019.1011069
Muhammad, A. P., Wibowo, W., & Prastuti, M. (2022). Forecasting of analytic residential price index using ARIMA Box-Jenkins. AIP Conference Proceedings, 2668(1), 070019. https://doi.org/10.1063/5.0116915 DOI: https://doi.org/10.1063/5.0116915
Pai, P.-F., & Wang, W.-C. (2020). Using Machine Learning Models and Actual Transaction Data for Predicting Real Estate Prices. Applied Sciences, 10(17), Article 17. https://doi.org/10.3390/app10175832 DOI: https://doi.org/10.3390/app10175832
Papastamos, D., Matysiak, G., & Stevenson, S. (2015). Assessing the accuracy and dispersion of real estate investment forecasts. International Review of Financial Analysis, 42, 141-152. https://doi.org/10.1016/j.irfa.2015.01.014 DOI: https://doi.org/10.1016/j.irfa.2015.01.014
Pohl, M., Staegemann, D. G., & Turowski, K. (2022). The Performance Benefit of Data Analytics Applications. Procedia Computer Science, 201, 679-683. https://doi.org/10.1016/j.procs.2022.03.090 DOI: https://doi.org/10.1016/j.procs.2022.03.090
Racine, J. S. (2019). Reproducible Econometrics Using R. Oxford University Press. https://doi.org/10.1093/oso/9780190900663.001.0001 DOI: https://doi.org/10.1093/oso/9780190900663.001.0001
Rahmer, B. de J., Garzón Saénz, H., & Solana Garzón, J. (2022). Aplicación de modelos de difusión y de series temporales para pronóstico de demanda agregada. Revista de ciencias sociales, 28(3), 142-159.
Rojas, F. M., & Gomez, C. (2014). Funcionalidades de la minería de datos. Ingeniería y Región, 12, 31-40. https://doi.org/10.25054/22161325.728 DOI: https://doi.org/10.25054/22161325.728
Shinde, N., & Gawande, K. (2018). Survey on predicting property price. 2018 International Conference on Automation and Computational Engineering (ICACE), 1-7. https://doi.org/10.1109/ICACE.2018.8687080 DOI: https://doi.org/10.1109/ICACE.2018.8687080
Sofía, F., & Adrián, J. (s. f.). La analítica de datos como ventaja competitiva en las organizaciones.
Stellwagen, E., & Tashman, L. (2013). ARIMA: The Models of Box and Jenkins. Foresight: The International Journal of Applied Forecasting, 30, 28-33.
Stevenson, S. (2007). A comparison of the forecasting ability of ARIMA models. Journal of Property Investment & Finance, 25(3), 223-240. https://doi.org/10.1108/14635780710746902 DOI: https://doi.org/10.1108/14635780710746902
Verma, P., Reddy, S. V., Ragha, L., & Datta, D. (2021). Comparison of Time-Series Forecasting Models. 2021 International Conference on Intelligent Technologies (CONIT), 1-7. https://doi.org/10.1109/CONIT51480.2021.9498451 DOI: https://doi.org/10.1109/CONIT51480.2021.9498451
Wang, D., & Li, V. J. (2019). Mass Appraisal Models of Real Estate in the 21st Century: A Systematic Literature Review. Sustainability, 11(24), Article 24. https://doi.org/10.3390/su11247006 DOI: https://doi.org/10.3390/su11247006
Wang, F., Zou, Y., Zhang, H., & Shi, H. (2019). House Price Prediction Approach based on Deep Learning and ARIMA Model. 2019 IEEE 7th International Conference on Computer Science and Network Technology (ICCSNT), 303-307. https://doi.org/10.1109/ICCSNT47585.2019.8962443 DOI: https://doi.org/10.1109/ICCSNT47585.2019.8962443
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2023 Elba María Bodero Poveda, Katherine Alexandra Guerrero Morejón
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
