W środowisku rzeczoznawców majątkowych od lat funkcjonuje przekonanie, że zastosowanie regresji liniowej wymaga bardzo dużych zbiorów danych – „dziesiątek”, a najlepiej „setek” transakcji. W praktyce prowadzi to do sytuacji, w której regresja jest z góry odrzucana jako narzędzie „zbyt naukowe” albo „niepraktyczne”.
Tymczasem jest to w dużej mierze mit.
- Minimalna liczba obserwacji – punkt wyjścia
Z matematycznego punktu widzenia, aby oszacować model regresji liniowej, potrzebna jest minimalna liczba obserwacji równa:
n + 1
gdzie:
n – liczba zmiennych objaśniających (cech)
Przykład:
Jeżeli analizujemy wpływ:
- lokalizacji,
- powierzchni,
- standardu,
czyli mamy 3 cechy, to minimalna liczba obserwacji wynosi:
3 + 1 = 4 transakcje
Dlaczego?
Bo tyle potrzeba, aby układ równań był oznaczony i dawał rozwiązanie.
To jest matematyczne minimum.
Ale uwaga – i to jest kluczowe:
minimum matematyczne to nie to samo co minimum sensowne analitycznie.
- Dlaczego mit „dziesiątek danych” jest uproszczeniem
Stwierdzenie, że „trzeba mieć dziesiątki transakcji”, nie wynika z matematyki, tylko z praktyki statystycznej i jakości modeli.
Duża liczba danych:
- stabilizuje wyniki,
- zmniejsza wpływ obserwacji odstających,
- poprawia wiarygodność modelu.
Ale to nie oznacza, że przy mniejszej liczbie danych regresja:
- „nie działa”,
- „nie ma sensu”,
- albo „jest niedopuszczalna”.
To oznacza tylko tyle, że:
trzeba ją stosować świadomie i ostrożnie.
- Co daje regresja nawet przy małej próbie?
Nawet przy niewielkiej liczbie transakcji regresja daje coś, czego nie daje klasyczne podejście „na oko”:
- Porządek analityczny
Zmusza do jasnego zdefiniowania:
- jakie cechy analizujemy,
- jak je mierzymy,
- jak wpływają na cenę.
- Oddzielenie wpływów
Pozwala (choć w ograniczonym zakresie) oddzielić wpływ:
- lokalizacji od powierzchni,
- standardu od stanu technicznego,
- czasu od innych cech.
- Spójność modelu
Zamiast:
- wielu uznaniowych korekt,
mamy:
- jeden model opisujący zależności.
- Możliwość weryfikacji
Nawet przy małej próbie można sprawdzić:
- czy model „trzyma się danych”,
- czy błędy są duże,
- czy wyniki są logiczne.
- Co jest ważniejsze niż liczba danych?
Z punktu widzenia wyceny często ważniejsze niż liczba obserwacji jest:
jednorodność próby
czy analizujemy naprawdę nieruchomości podobne
jakość danych
czy dane są wiarygodne, porównywalne i poprawnie opisane
dobór cech
czy analizujemy cechy rzeczywiście wpływające na ceny
rozumienie modelu
czy rzeczoznawca rozumie wynik, a nie tylko go „liczy”
W praktyce:
10 dobrze dobranych transakcji może dać lepszy model niż
50 przypadkowych i niejednorodnych.
- Gdzie jest realna granica stosowania regresji?
Nie ma jednej uniwersalnej liczby, ale można przyjąć praktyczne podejście:
- n + 1 – minimum matematyczne
- kilka razy więcej niż liczba cech – minimum praktyczne
- im więcej danych, tym większa stabilność modelu
Ale najważniejsze:
to nie liczba danych decyduje, tylko jakość analizy.
- Największy błąd w myśleniu o regresji
Największym błędem nie jest użycie regresji przy małej próbie.
Największym błędem jest:
- stosowanie uznaniowych wag bez analizy,
- korekty „na wyczucie”,
- brak kontroli spójności wniosków,
- brak weryfikacji, czy model w ogóle ma sens.
Czyli paradoksalnie:
rezygnacja z regresji „bo za mało danych” często prowadzi do jeszcze słabszej analizy.
- Regresja jako narzędzie – nie dogmat
Regresja liniowa nie jest obowiązkiem.
Nie jest też rozwiązaniem wszystkich problemów.
Ale jest narzędziem, które:
- porządkuje analizę,
- ogranicza uznaniowość,
- pozwala lepiej zrozumieć rynek,
- i daje możliwość weryfikacji własnych założeń.
I co najważniejsze:
można ją stosować także przy mniejszych zbiorach danych – pod warunkiem, że robi się to świadomie.
- Wniosek
Mit, że regresja wymaga dziesiątek transakcji, jest uproszczeniem.
Matematycznie wystarczy n + 1 obserwacji.
Praktycznie – potrzeba więcej, ale nie zawsze „bardzo dużo”.
Kluczowe jest nie to, ile mamy danych,
tylko:
czy potrafimy z nich zbudować sensowny, logiczny i weryfikowalny model rynku.
Najkrócej
Regresja nie zaczyna się od „dużej liczby danych”.
Regresja zaczyna się od poprawnego myślenia o danych.

