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.

  1. 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.

  1. 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.

  1. Co daje regresja nawet przy małej próbie?

Nawet przy niewielkiej liczbie transakcji regresja daje coś, czego nie daje klasyczne podejście „na oko”:

  1. Porządek analityczny

Zmusza do jasnego zdefiniowania:

  • jakie cechy analizujemy,
  • jak je mierzymy,
  • jak wpływają na cenę.
  1. Oddzielenie wpływów

Pozwala (choć w ograniczonym zakresie) oddzielić wpływ:

  • lokalizacji od powierzchni,
  • standardu od stanu technicznego,
  • czasu od innych cech.
  1. Spójność modelu

Zamiast:

  • wielu uznaniowych korekt,

mamy:

  • jeden model opisujący zależności.
  1. Możliwość weryfikacji

Nawet przy małej próbie można sprawdzić:

  • czy model „trzyma się danych”,
  • czy błędy są duże,
  • czy wyniki są logiczne.
  1. 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.

  1. 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.

  1. 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.

  1. 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.

  1. 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.