Trong nhiều quyết định BĐS, dữ liệu ít nhưng tri thức trước đó không bằng không. Một dự án mới có 12 tháng bán hàng nhưng doanh nghiệp đã có kinh nghiệm từ 20 dự án cũ; một thị trường cấp quận có ít giao dịch nhưng thành phố có nhiều dữ liệu. Bayesian modeling cho phép kết hợp thông tin trước với dữ liệu mới và cập nhật uncertainty một cách nhất quán.
Hierarchical Bayesian đặc biệt phù hợp với BĐS vì dữ liệu lồng theo căn–dự án–quận–thành phố và nhiều nhóm có mẫu nhỏ.
Chuyên đề: Mô hình định lượng, không gian & mô phỏng trong BĐS · Bài 18 · Kinh tế lượng, giá và dự báo thị trường
Biên soạn: ThS. Nguyễn Mạnh Hùng
Đơn vị: GV. Khoa QLĐĐ&BĐS – ĐH Nông Lâm TP.HCM
Email: nguyenmanhhung@hcmuaf.edu.vn
1. Bayes’ theorem trong tư duy mô hình
Posterior ∝ Likelihood × Prior. Prior mô tả niềm tin trước dữ liệu; likelihood mô tả dữ liệu dưới tham số; posterior là niềm tin sau khi cập nhật.
Bayesian không có nghĩa subjective tùy ý: prior có thể weakly informative và được kiểm sensitivity.
2. Prior là gì?
| Loại prior | Khi dùng |
|---|---|
| Weakly informative | Giới hạn tham số trong vùng hợp lý |
| Informative | Có evidence lịch sử đáng tin |
| Regularizing | Giảm overfit ở mô hình nhiều tham số |
| Hierarchical prior | Chia sẻ thông tin giữa nhóm |
Flat prior không luôn 'khách quan' và đôi khi gây posterior không hợp lý.
3. Posterior distribution thay vì point estimate
Thay vì β=0,08 và SE, ta có phân phối posterior của β. Có thể nói P(β>0|data)=0,96 hoặc credible interval 95%.
Credible interval có diễn giải xác suất trực tiếp theo mô hình, khác frequentist confidence interval.
4. Posterior predictive distribution
Để dự báo giá/absorption, tích hợp uncertainty tham số và noise để tạo posterior predictive. Đây là đầu vào tự nhiên cho quyết định rủi ro và Monte Carlo.
5. Hierarchical partial pooling
Nếu 30 dự án mỗi dự án có ít giao dịch, estimate riêng sẽ rất nhiễu; pool toàn bộ bỏ khác biệt. Hierarchical model cho project parameters rút về population mean theo mức dữ liệu – partial pooling.
Dự án ít dữ liệu được shrink mạnh hơn; dự án nhiều dữ liệu giữ đặc trưng riêng.
6. Ví dụ mô hình giá phân cấp
logPriceᵢⱼ = αⱼ + βArea·Areaᵢⱼ + ε; αⱼ ~ Normal(μₐ + γ·Locationⱼ, σₐ). Project intercepts vừa học từ dữ liệu riêng vừa chia sẻ thông tin.
7. Spatial hierarchy
Có thể thêm district-level random effects hoặc spatial CAR priors để các khu lân cận chia sẻ thông tin. Đây là cầu nối Bayesian–spatial modeling.
8. Bayesian updating trong development sales
Prior absorption 20–30 căn/tháng từ dự án tương tự. Sau 3 tháng bán, posterior cập nhật theo dữ liệu thực. Business plan có thể cập nhật liên tục thay vì cố giữ forecast ban đầu.
Nếu campaign/price thay đổi, model phải phản ánh covariates chứ không chỉ update một rate cố định.
9. Conjugate vs MCMC/HMC
Một số mô hình đơn giản có closed-form posterior; mô hình thực tế dùng Markov Chain Monte Carlo hoặc Hamiltonian Monte Carlo. Công cụ như Stan/PyMC giúp lấy mẫu posterior.
Người dùng cần diagnostics, không chỉ bấm sampling.
10. Convergence diagnostics
- R-hat gần 1.
- Effective sample size đủ.
- Trace plots trộn tốt.
- Không có divergent transitions đáng kể.
- Energy/BFMI nếu dùng HMC.
Posterior đẹp mà sampler chưa hội tụ không đáng tin.
11. Posterior predictive checks
Mô phỏng dữ liệu từ posterior và so với dữ liệu thật: distribution, tails, seasonality, group variance. Nếu model không tái tạo feature quan trọng, cần sửa specification.
12. Prior predictive checks
Trước xem dữ liệu, mô phỏng từ prior để phát hiện prior tạo giá vô lý: căn hộ 10⁹ tỷ hoặc absorption âm. Đây là bước rất mạnh để kiểm prior.
13. Decision-making
Bayesian phù hợp khi quyết định dựa expected utility/loss. Ví dụ xác suất IRR < hurdle, xác suất absorption dưới covenant. Không cần biến mọi posterior thành p-value.
14. Case: cap rate theo thành phố
Thành phố nhỏ có 8 transactions, thành phố lớn có 500. Hierarchical model shrink city-small cap rate về regional distribution thay vì dùng sample mean cực đoan. Uncertainty của city-small vẫn rộng.
15. Khi Bayesian không cần thiết?
Nếu bài toán đơn giản, dữ liệu lớn và frequentist model trả lời đủ, Bayesian có thể tăng chi phí mô hình hóa không cần thiết. Giá trị lớn nhất khi uncertainty, prior knowledge, hierarchy hoặc sequential updating quan trọng.
16. Sai lầm
- Prior tùy ý không sensitivity.
- Chỉ báo posterior mean.
- Không kiểm convergence.
- Không posterior predictive check.
- Hierarchical nhưng quá ít groups.
- Dùng Bayesian để che dữ liệu kém.
17. Bài tập thực hành
Thiết kế hierarchical Bayesian model dự báo absorption 20 dự án. Chọn project-level intercept, prior cho population mean/variance, một covariate price discount, posterior predictive metric và cách cập nhật sau mỗi tháng.
18. Prior sensitivity là bắt buộc khi dữ liệu yếu
Khi sample nhỏ, posterior có thể phụ thuộc prior đáng kể. Nên chạy ít nhất vài prior hợp lý: weakly informative, skeptical và optimistic nếu có lý do. Nếu quyết định đổi mạnh theo prior, phải báo rằng dữ liệu chưa đủ mạnh.
Đây không phải nhược điểm riêng Bayesian; nó làm lộ rõ mức thông tin thực sự mà dữ liệu cung cấp.
19. Hierarchical Bayesian cho AVM và thị trường nhỏ
Một AVM toàn thành phố có thể dùng partial pooling theo district/project. Khu có ít transactions học từ toàn thị trường nhưng vẫn giữ local intercept/slope. Điều này thường ổn định hơn fit model riêng từng khu.
Có thể kết hợp spatial random effects để các khu lân cận chia sẻ thông tin, nhưng phải tránh double counting nếu đã có rich spatial features.
20. Decision thresholds từ posterior
Thay vì hỏi “β có khác 0 không?”, có thể hỏi xác suất NPV dương, xác suất cap rate vượt 8%, xác suất absorption dưới covenant. Đây là dạng câu hỏi gần quyết định BĐS hơn.
Posterior decision rule nên gắn loss/utility: false-positive mua đất có thể tốn hơn false-negative bỏ cơ hội, nên threshold không nhất thiết 50%.
Ghi nhớ trong 30 giây
- Posterior kết hợp prior và dữ liệu.
- Bayesian biểu diễn uncertainty trực tiếp.
- Hierarchical model cho partial pooling giữa nhóm.
- Prior/posterior predictive checks rất quan trọng.
- Bayesian mạnh khi dữ liệu ít, phân cấp hoặc cần cập nhật tuần tự.
Nguồn tham khảo
- Gelman và cộng sự – Bayesian Data Analysis.
- McElreath – Statistical Rethinking.
- Stan/PyMC documentation về Bayesian workflow.
Bài tiếp theo: Stock–Flow Model: tồn kho, xây mới, hấp thụ và cân bằng thị trường