本研究提出逐步分解迴歸分析法、計量比較法及前兩者混合法用於房地產估價。考慮的影響因子包括距最近捷運站距離、徒步生活圈內的超商數、屋齡、成交年月、二度空間座標、面臨路寬，研究區域為台北市十二個行政區。結論如下：(1) 距離最近捷運站距離是所有因子中影響最大的因子，影響的方向為距最近捷運站距離為反比、徒步生活圈內的超商數為正比、屋齡為反比、成交年月為正比、二度空間座標的分析結果顯示越靠近台北市市中心，房價越高。但路寬的影響不顯著。(2) 計量比較法20%誤差平均命中率高出逐步分解迴歸分析法5%以上。(3) 混合法優於計量比較法，但不顯著。

The purpose of this study is to propose the stepwise decomposition regression analysis, quantitative comparative approach, and their mixed method to build real estate valuation models. The valuation target is the price per unit area. The factors considered in this study include distance to the nearest MRT station, amount of convenience stores in the living circle, age of the house, transaction date, geographic coordinates and width of the road. The study areas are all the twelve administrative areas of Taipei City. The results showed that (1) the distance to the nearest MRT station is the most important factor among all the factors. (2) Distance to the nearest MRT station and age of house are inversely proportional factors; amount of convenience stores in the living circle and transaction date are proportional factors. The analysis of geographic coordinates showed that the closer to the center of Taipei, the higher the real estate price. But the effect of width of road is not significant. (2) The 20% error hit rates of real estate valuation of quantitative comparative approach were 5% greater than the stepwise decomposition regression analysis. (3) The mixed methods are more accurate than the quantitative comparative approach but not significantly.

第一章  導論1
1-1 研究動機1
1-2 研究方法2
1-3 研究流程3
第二章  文獻回顧4
2-1 前言4
2-2 房地產估價方法之原理：價值、成本、價格5
2-3 比較法的原理7
2-4 特徵價格法的原理10
2-5 特徵價格法的應用13
2-6 影響房地產價格的特徵之研究17
第三章  研究方法19
3-1前言19
3-2傳統多變數迴歸分析法19
3-3以逐步分解法建構多因子迴歸模型19
3-4 計量比較法32
3-5逐步分解迴歸分析法、計量比較法的混合法36
第四章  研究結果38
4-1前言38
4-2資料的收集38
4-3傳統多變數迴歸分析45
4-4 逐步分解迴歸分析法47
4-5 計量比較法56
4-6 混合法一：門檻擇一法59
4-7 混合法二：加權平均法	60
4-8 五種方法之模型準確性評估比較61
4-9路寬資料的蒐集與評估62
第五章  結論與建議71
5-1 結論71
5-2 建議73
參考文獻75

圖目錄
圖2-1房地產估價之方法6
圖2-2 特徵價格法原理11
圖3-1 距離最近捷運站距離對房地產每坪單價的影響21
圖3-2 徒步生活圈內的超商數對房地產每坪單價的影響21
圖3-3 屋齡對房地產每坪單價的影響22
圖3-4 成交年月對房地產每坪單價的影響22
圖3-5第一個因子排序前，十等分分組的自變數平均值與因變數(修正因子)平均值的散佈圖28
圖3-6第一個因子排序後，十等分分組的自變數平均值與因變數(修正因子)平均值的散佈圖28
圖3-7第一個因子排序後，線性預測模型30
圖3-8第一個因子排序後，二次預測模型30
圖3-9第一個因子排序後，對數預測模型31
圖3-10第一個因子排序後，指數預測模型31
圖3-11第一個因子排序後，乘冪預測模型32
圖3-12直接以樣本迴歸，對數預測模型32
圖4-1資料蒐集的流程40
圖4-2信義成交行情網頁40
圖4-3輸入要搜尋的市區41
圖4-4 設定查詢條件(日期) 41
圖4-5 列印資料42
圖4-6將資料放入Excel42
圖4-7距離最近捷運站距離對房地產每坪單價的影響：台北市士林區	48
圖4-8徒步生活圈內的超商數對房地產每坪單價的影響：台北市士林區48
圖4-9屋齡對房地產每坪單價的影響：台北市士林區48
圖4-10成交年月對房地產每坪單價的影響：台北市士林區49
圖4-11距離最近捷運站距離與因子k1的廻歸線：台北市士林區51
圖4-12徒步生活圈內的超商數與因子k2的廻歸線：台北市士林區51
圖4-13屋齡與因子k3的廻歸線：台北市士林區52
圖4-14成交年月與因子k4的廻歸線：台北市士林區52
圖4-15 Google地圖63
圖4-16輸入要搜尋的地址63
圖4-17將黃色小人放入該地64
圖4-18目測估計道路寬度64
圖4-19台北市政府都市發展局的都市測量65
圖4-20土地使用分區查詢66
圖4-21地籍套繪查詢66
圖4-22輸入要搜尋的地址66
圖4-23輸入要搜尋的地址(局部放大)67
表目錄
表3-1 變異之均方根22
表4-1信義房屋成交行情內容38
表4-2十二區樣本數目43
表4-3十二區樣本的變數統計43
表4-4 傳統的多變數迴歸分析的迴歸公式46
表4-5傳統多變數迴歸分析模型準確度比較47
表4-6以各變數排序的房價變異之均方根49
表4-7 各變數的迴歸係數53
表4-8 地理座標的迴歸係數54
表4-9 逐步分解迴歸分析法模型準確評估(同一順序) 54
表4-10變異之均方根55
表4-11逐步分解迴歸分析法模型準確評估(不同順序) 56
表4-12 計量比較法57
表4-13計量比較法模型準確評估59
表4-14門檻擇一法模型準確評估60
表4-15加權平均法模型準確評估61
表4-16五種方法之估價20%誤差命中率準確性評估62
表4-17五種方法之模型準確性評估62
表4-18 Google實際道路與台北市計畫道路以逐步分解迴歸分析法之比較 (未使用地理位置因子之前) 68
表4-19有無道路路寬的模型之比較69
表4-20有無道路路寬的模型之比較70

參考文獻
[1]詹巧葳，2014，逐步分解迴歸分析法在房地產估價模型的應用，淡江大學，土木工程學系，碩士論文。 
[2]劉玉婷，2009，應用迴歸分析及類神經網路建構不動產估價模式-以台中市住宅為例，雲林科技大學，營建工程系碩士班，碩士論文。
[3]賴碧瑩，2009，現代不動產估價理論與實務，台北，智勝文化。
[4]林伯宜，本土化不動產估價，台北，文笙。
[5]卓輝華，不動產估價，台北，五南圖書出版股份有限公司
[6]柴強，房地產估價，北京，首都經濟貿易大學出版社。
[7]不動產估價技術規則【公布機關】內政部http://www.6law.idv.tw/6law/law3/%E4%B8%8D%E5%8B%95%E7%94%A2%E4%BC%B0%E5%83%B9%E6%8A%80%E8%A1%93%E8%A6%8F%E5%89%87.htm
[8]特征價格法，MBA智庫百科http://wiki.mbalib.com/zh-tw/%E7%89%B9%E5%BE%81%E4%BB%B7%E6%A0%BC%E6%B3%95
[9]林祖嘉、馬毓駿，2007，特徵方程式大量估價法在台灣不動產市場之應用，住宅學報，第十六卷，第二期，1-22頁。
[10]劉時旭，2012，類神經網路應用於法拍不動產估價，中興大學，土木工程學系所，碩士論文。
[11]梁郅興，2011，應用類神經網路建構不動產估價模式 －以臺北市為例，輔仁大學，資訊管理學系，碩士論文。
[12]李宣佑，2014，顧客需求導向對都會區不動產特徵價格影響之研究，國立中央大學，營建管理研究所，碩士倫文。
[13]王子豪，2014，運用特徵價格法與實質選擇權在都市更新事業概要審議期間之投資可行性評估，國立成功大學，都市計劃學系，碩士論文。
[14]吳丁進，2014，都會新開發地區地價評估模型之建構-特徵價格法之應用，國立高雄大學，創意設計與建築學系碩士班，碩士論文。
[15]Zurada, J., Levitan, A., & Guan, J. (2011). A comparison of regression and artificial intelligence methods in a mass appraisal context. Journal of Real Estate Research, 33(3), 349-387.
[16]Musa, A. G., Daramola, O., Owoloko, E. A., & Olugbara, O. O. (2013). A Neural-CBR System for Real Property Valuation. Journal of Emerging Trends in Computing and Information Sciences, 4(8), 611-622.
[17]	Guo, J., Xu, S., & Bi, Z. (2014). An integrated cost-based approach for real estate appraisals. Information Technology and Management, 15(2), 131-139.
[18]Chun Lin, C., & Mohan, S. B. (2011). Effectiveness comparison of the residential property mass appraisal methodologies in the USA. International Journal of Housing Markets and Analysis, 4(3), 224-243.
[19]Zurada, J. M., Levitan, A. S., & Guan, J. (2011). Non-conventional approaches to property value assessment. Journal of Applied Business Research (JABR), 22(3).
[20]McCluskey, W., Davis, P., Haran, M., McCord, M., & McIlhatton, D. (2012). The potential of artificial neural networks in mass appraisal: the case revisited. Journal of Financial Management of Property and Construction, 17(3), 274-292.
[21]黃韋憲，2010，都會區住宅用地價格評估模式之建構，國立中央大學，營建管理研究所，碩士論文。
[22]楊宗憲、蘇幸慧，2011，迎毗設施與鄰避設施對住宅價格影響之研究，住宅學報，第20卷，第2期，61-80頁。
[23]洪雪杏，2013，影響房地產價格因素之研究：以台北市士林區、北投區為例，大葉大學，管理學院碩士在職專班，碩士論文。
[24]洪得洋，1998，捷運系統與道路寬度對房屋價格之影響，國立政治大學，經濟學研究所，碩士論文。
[25]黃紫溶，2014，影響房地產價格因素之研究:以臺中市北屯區為例，朝陽科技大學，財務金融系，碩士論文。
[26]陳惠珍，2014，影響臺中市法拍房地產拍定價格因素之研究，朝陽科技大學，財務金融系，碩士論文。
[27]杨晓冬,&武永祥. (2013). 基于结构方程模型的城市住宅效用价值评价研究. 中国软科学, (5), 158-166.