房地產市場具有高度異質性，不同價格房屋的價格變數可能對價格的影響效果不同。因此，近年來有一些文獻將分量迴歸應用於住宅大量估價，以得到更好的預測結果。然而，根據過往文獻比較，本文進一步觀察解釋變數對單價的影響，發現有些變數可能因為錯置或自身條件而影響估計的精準度。為了解決這個影響大量估價的問題，本文歸納出了兩個特性：（1）該變數在各分量係數中都是統計顯著的；（2）該變數與地段價值無關，因為這些變數可能隱藏著自身價值或是干擾其原始分量的價值而導致估計誤差。根據這兩個特性，本文認為重要的解釋變數應包括屋齡以及公寓一樓的虛擬變數。因此，本論文以高雄市高單價五區自民國一百八年一月到一百一十一年六月之實價登錄房價資訊為基礎，以單價取對數為應變數，進行分量迴歸。為提高估價精準度，本研究提出極大化全效果分量迴歸方法，步驟如下：首先，對單價取對數進行分量迴歸；其次，以單價對數扣除全效果後，對全效果以外的變數進行分量迴歸；最後，加入全效果預測值，以達到最大的估計精準度。經實證結果顯示，經過高雄市高價五區極大化全效果的估測，除了鼓山區0.5分量、左營區0.5分量、新興區0.25分量和苓雅區中分量外，其餘各區各分量皆比原本的MAPE值更低。且五區不論是MAPE或是容許正負5%誤差的命中率，都有大幅提升。其中以鼓山區、左營區和苓雅區表現最佳，命中率皆高於65%。

The real estate market exhibits a high degree of heterogeneity, where the effect of variable prices on housing prices may vary depending on the price range. Therefore, in recent years, some studies have applied quantile regression to residential mass appraisal to obtain better prediction results. However, based on the comparison of past literature, this study further observes the impact of explanatory variables on unit prices and finds that some variables may affect estimation accuracy due to misplacement or their own conditions. To address this issue that significantly affects mass appraisal, this study identifies two characteristics: (1) the variable is statistically significant in all quantile coefficients; (2) the variable is unrelated to location value, as these variables may hide their own value or interfere with the original value of the quantile, resulting in estimation errors. Based on these two characteristics, this study suggests that important explanatory variables should include age of the building and a dummy variable for the ground floor of the apartment. Therefore, this paper uses actual price registration housing price information from January 2019 to June 2022 in the five high-priced areas of Kaohsiung City as the basis and uses the logarithm of unit price as the dependent variable to conduct quantile regression. To improve estimation accuracy, this study proposes a maximum effect quantile regression method, which includes the following steps: first, conduct quantile regression on the logarithm of unit price; second, subtract the overall effect of the logarithm of unit price and conduct quantile regression on the variables outside the overall effect; finally, add the predicted value of the overall effect to achieve the maximum estimation accuracy. Empirical results show that after the maximum effect estimation of the five high-priced areas in Kaohsiung City, except for the 0.5 quantile of Gushan District, 0.5 quantile of Zuoying District, 0.25 quantile of Xinxing District, and the median quantile of Lingya District, all other quantiles in each district have lower MAPE values than the original. Furthermore, both the MAPE and the hit rate within a tolerance of ±5% have significantly improved in all five districts. Among them, Gushan District, Zuoying District, and Lingya District perform the best, with hit rates all above 65%.

論文審定書 ………………………………………………… i
中文摘要 ……………………………………………………… ii
英文摘要 ……………………………………………………… iii
目 錄 ……………………………………………………… iv
表目錄 ……………………………………………………… v
第 一 章 前言…….…………………………………………….. 1
第 二 章 文獻回顧與比較…………………………………….. 4
第一節 大量估價文獻結果之比較……………………..……. 4
第二節 本文變數與文獻變數比較…………………………... 7
第 三 章 迴歸模型與方法……………………………………. 15
第一節 迴歸模型……………………………………………… 15
第二節 估價精準度…………………………………………... 16
第 四 章 資料與實證結果…..………………………..……… 17
第一節 資料來源與變數……………………………………... 17
第二節 敘述統計…………………………………………........ 17
第三節 以單價取對數為應變數……………………………… 18
第四節 單價取對數之普通最小平方法與分量迴歸............. 19
第五節 以單價分量迴歸估測的問題………………………… 26
第六節 極大化全效果之分量迴歸模型……………………… 29
第七節 交互驗證……………………………………………….. 37
第 五 章 結論與建議…………………………………………… 39
參考文獻……………………………………………………….… 42
中文文獻………………………………………………………… 42
英文文獻………………………………………………………… 44
附 表……………………………………………………….…..... 45

1. 李泓見、張金鶚與花敬群(2006)，台北都會區不同住宅類型價差之研究，「台灣土地研究」，第9卷，第1期，第63-87頁。
2. 江穎慧、莊喻婷與張金鶚(2017)，臺北市公共自行車場站對鄰近住宅價格之影響，「運輸計劃季刊」，第46卷，第4期，第399-428頁。
3. 江穎慧、朱智揚與張金鶚(2019)，預售屋大量估價模型之建立，「住宅學報」，第28卷，第2期，第17-36頁。
4. 呂哲源、江穎慧與張金鶚(2018)，土壤液化潛勢區公布對房價之影響，「都市與計劃」，第46卷，第1期，第33-59頁。
5. 林忠樑與林佳慧(2014)，學校特徵與空間距離對周邊房價之影響分析-以台北市為例，「經濟論文叢刊」，第42卷，第2期，第215-271頁。
6. 林祖嘉與馬毓駿(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16卷，第2期，第1-22頁。
7. 林祖嘉與黃麗蓉(2014)，嫌惡性風水對商用不動產價格影響之研究，「住宅學報」，第23卷，第1期，第51-72頁。
8. 吳珮瑛、陳懿與劉哲良(2017)，台北市與新北市各行政區之淹水損失地圖－空間分量特徵價格迴歸之評估，「農業與經濟」，第58期，第51-102頁。
9. 張怡文、江穎慧與張金鶚(2009)，分量迴歸在大量估價模型之應用－非典型住宅估價之改進，「都市與計劃」，第36卷，第 3 期，第281-304頁。
10. 張傳章、趙慶祥與葉錦徽(2018)，購屋決策之定錨偏誤-分量觀點，「經濟論文叢刊」，第46卷，第3期，第451-500頁。
11. 彭建文、楊宗憲與楊詩韻(2009)，捷運系統對不同區位房價影響分析－以營運階段為例，「運輸計畫季刊」，第38卷，第3 期，第275-296頁。
12. 黃怡潔、江穎慧與張金鶚(2017)，臺北市公共住宅對周圍住宅價格之影響，「都市與計劃」，第44卷，第3期，第277-302頁。
13. 楊宗憲與蘇倖慧(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，第61-80頁。
14. 廖仲仁與張金鶚(2006)，不對稱的仲介服務價格效果：分量迴歸法之檢驗，「都市與計劃」，第33卷，第 1 期，第1-16頁。
15. 劉富容、游璿達、黃孝雲與劉正夫(2019)，利用政府開放資料探討影響台北市房價之主要房屋特性及周邊設施影響因子，「數據分析」，第14卷，第5期，第1-26頁。
16. 龔永香、江穎慧與張金鶚(2007)，客觀標準化不動產估價之可行性分析 ─市場比較法應用於大量估價，「住宅學報」，第16卷，第2期，第23-42頁。
17. 陳建良與王緯華(2023)，應用分量迴歸於大量估價之增進—以新北市高價七區為例，「都市與計劃」，第50卷，第 2 期。(於110年7月30日接受刊登)

1. Anselin, L., Bera, A.K., Florax, R., Yoon, M.J.(1996).Simple diagnostic tests for spatial dependence, Regional Science and Urban Economics,26:77-104.
2. Brunsdon,C., Fotheringham,A.S., Charlton,M.E.(1996).Geographically Weighted Regression: A Method for Exploring Spatial Nonstationarity, Geographical Analysis, 28(4):281-298.
3. Chen, Y. J., Deng, W.S., Yang T.C., Matthews, S.A.(2012). Geographically Weighted Quantile Regression (GWQR): An Application to US Mortality Data, Geographical Analysis, 44:134–50.
4. Kelejian, H.H. and Robinson, D.P.(1993). A Suggested Method of Estimation for Spatial Interdependent Models with Autocorrelated Errors, and an Application to a County Expenditure Model, Papers in Regional Science ,72: 297-312.
5. Koenker, R. and Bassett, G.W. (1978) . Regression Quantiles, Econometrica , 46(1): 33-50.
6. Liao,H Wen-Chi and Wang, Xizhu (2012). Hedonic house prices and spatial quantile regression, Journal of Housing Economics, 21: 16-27.
7. Rosen,S.(1974). Hedonic Price and Implicit Markets: Product Differentiation in Pure Competition, Journal of Political Economics. 82: 34-55
8. Zietz, J., Zietz, E.N., Sirmans, G.S.( 2008). Determinants of house prices: a quantile regression approach. Journal of Real Estate Finance and Economics, 37: 317–333.