Econometrisch Onderzoek Naar Huizenprijzen in de Vlaamse Ardennen
description
Transcript of Econometrisch Onderzoek Naar Huizenprijzen in de Vlaamse Ardennen
De doorslaggevende
factor bij woningprijzen:
ligging of kenmerken? Een econometrische studie in de Vlaamse
Ardennen
Lien Bockstael & Gert Woumans
Onder begeleiding van prof. Dr. Edward Omey
3e bachelor Handelsingenieur
Academiejaar 2009-2010
Hogeschool-Universiteit Brussel
Inhoudsopgave
1 Motivatie .............................................................................................. 1
2 Cijfermateriaal ...................................................................................... 1
2.1 Outliers en spreiding ....................................................................... 1
2.1.1 De te verklaren variabele: .......................................................... 1
2.1.2 De verklarende variabelen: ........................................................ 2
3 De te verklaren variabele ........................................................................ 2
4 Interne Variabelen ................................................................................. 2
4.1 X1: Terreinoppervlakte (m²) ............................................................. 2
4.2 X2: Bewoonbare oppervlakte (m²) ..................................................... 3
4.3 X3: Type bebouwing ........................................................................ 3
4.4 X4: Aantal verdiepingen ................................................................... 3
4.5 X5: Leeftijd ..................................................................................... 4
5 Externe Variabelen ................................................................................ 4
5.1 Algemeen kader .............................................................................. 4
5.2 X6: APS/VRIND-classificatie van de gemeente of stad .......................... 5
5.3 X7: Afstand tot dichtstbijzijnde grootstad ........................................... 5
5.4 X8: Afstand tot dichtstbijzijnde centrumstad ....................................... 6
5.5 X9: Afstand tot kerngemeente .......................................................... 6
5.6 X10: Afstand tot de dichtstbijzijnde oprit tot autosnelweg ..................... 6
5.7 X11,X12,X13: Criminaliteit................................................................... 7
5.8 X14: Mediaan inkomen ..................................................................... 7
5.9 X15: Bevolkingsdichtheid .................................................................. 7
6 Selectie van de variabelen ...................................................................... 7
6.1 Correlatietabel van de variabelen met vraagprijs (Y) ........................... 7
6.2 Selectie van de eerste verklarende variabele ...................................... 9
6.2.1 Kandidaat 1: Terreinoppervlakte (X1) .......................................... 9
6.3 Selectie van de tweede verklarende variabele ..................................... 9
6.3.1 Kandidaat 1: Bewoonbare oppervlakte (X2) .................................. 9
6.4 Selectie van de derde verklarende variabele ..................................... 10
6.4.1 Kandidaat 1: open bebouwing (X3a) ........................................... 10
6.5 Selectie van de vierde verklarende variabele .................................... 11
6.5.1 Kandidaat 1: leeftijd (X5) ......................................................... 11
6.6 Selectie van de vijfde verklarende variabele ..................................... 12
6.6.1 Kandidaat 1: Afstand tot kerngemeente (X9) .............................. 12
6.7 Definitief model ............................................................................ 13
6.7.1 Statistische kwaliteit ............................................................... 13
7 Controle van de basisveronderstellingen ................................................. 14
7.1 Eerste basisveronderstelling ........................................................... 14
7.2 Tweede basisveronderstelling ......................................................... 15
7.2.1 Grafisch ................................................................................. 15
7.2.2 Correlaties ............................................................................. 16
7.2.3 Bartlett .................................................................................. 16
7.2.4 Besluit ................................................................................... 17
7.3 Derde basisveronderstelling ........................................................... 17
7.4 Vierde basisveronderstelling ........................................................... 17
Histogram (Bijlage 1.5.1) ..................................................................... 17
Test van Kolmogorov-Smirnov (Bijlage 1.5.2 en Bijlage 1.5.3) .................. 17
8 Voorspellingskracht .............................................................................. 18
8.1 Gemiddelde kwadratische en absolute afwijkingen ............................ 18
8.2 Relatieve afwijkingen ..................................................................... 18
8.3 Correlatie/grafisch ........................................................................ 18
8.4 Theil’s coëfficiënt .......................................................................... 19
8.5 Mincer & Zarnowitz ....................................................................... 19
8.6 Besluit ......................................................................................... 19
9 Algemeen besluit ................................................................................. 19
10 Bibliografie ...................................................................................... 21
11 Bijlagen .......................................................................................... 23
11.1 Bijlagen bij cijfermateriaal.............................................................. 23
11.2 Bijlagen bij selectie van de variabelen ............................................. 45
11.3 Bijlagen bij controle van de basisveronderstelling 1 ........................... 54
11.4 Bijlagen bij controle van de basisveronderstelling 2 ........................... 60
11.5 Bijlagen bij controle van de basisveronderstelling 4 ........................... 66
11.6 Bijlagen bij voorspellingskracht ....................................................... 70
Lijst van tabellen Tabel 4:1 Dummytabel: type bebouwing 3 Tabel 5:1 Dummy-sleutel:APS/VRIND-classificatie van de gemeente of stad 5 Tabel 6:1 Correlatietabel van de variabelen met Y 8 Tabel 6:2 Regressiestatistieken met 1 VV, kandidaat 1 9 Tabel 6:3 Coëfficiënten uit de regressie met 1 VV 9 Tabel 6:4 QMC eerste orde 2e VV, kandidaat 1 9 Tabel 6:5 Regressiestatistieken met 2 VV, kandidaat 1 10 Tabel 6:6 Coëfficiënten uit de regressie met 2 VV 10 Tabel 6:7 Marginale bijdrage bij 2 VV, kandidaat 1 10 Tabel 6:8 QMC eerste orde 3e VV, kandidaat 1 10 Tabel 6:9 Regressiestatistieken met 3 VV, kandidaat 1 11 Tabel 6:10 Coëfficiënten uit de regressie met 3 VV 11 Tabel 6:11 Marginale bijdrage bij 3 VV, kandidaat 1 11 Tabel 6:12 QMC eerste orde 4e VV, kandidaat 1 11 Tabel 6:13 Regressiestatistieken met 4 VV, kandidaat 1 12 Tabel 6:14 Coëfficiënten uit de regressie met 4 VV, kandidaat 1 12 Tabel 6:15 Marginale bijdrage bij 4 VV, kandidaat 1 12 Tabel 6:16 QMC eerste orde 5e VV, kandidaat 1 12 Tabel 6:17 Regressiestatistieken met 5 VV, kandidaat 1 12 Tabel 6:18 Coëfficiënten uit de regressie met 5 VV, kandidaat 1 12 Tabel 6:19 Marginale bijdrage bij 5 VV, kandidaat 1 13 Tabel 6:20 Coëfficiënten en P-waardes van het definitieve model 13 Tabel 6:21 Gegevens voor de regressie van het definitieve model 13 Tabel 7:1 De correlaties tussen storingen² en de variabelen 16 Tabel 7:2 Bartlett-toets van Y 16 Tabel 7:3 Bartlett-toets van X1 16 Tabel 7:4 Bartlett-toets van X2 16 Tabel 7:5 Bartlett-toets van X3A 17 Tabel 7:6 Bartlett-toets van X5 17 Tabel 8:1 Actuele en voorspelde waarden 18
1
1 Motivatie Het artikel ‘Jong en oud willen in dorpscentrum wonen’ (Galle, 2009) trok onze aandacht. Volgens dit artikel zijn mensen zelfs bereid om een meerprijs van 5 procent te betalen voor de ligging bij de aankoop van een woning. Door de grotere vraag naar woningen met een goede ligging zouden de prijzen ervan hoger zijn dan een vergelijkbaar huis op een andere plaats. We vroegen ons af of ligging zo’n belangrijke factor is bij de prijsberekening van vastgoed in de Vlaamse Ardennen en of er andere situeringfactoren, zoals de afstand tot een grootstad, van belang zijn. Daarnaast willen we dit vergelijken met de impact van de kenmerken van het huis (de grondoppervlakte, aantal verdiepingen, enzovoort…). Dit wilden we statistisch onderbouwen door middel van een econometrische studie. Hierbij hebben we gekozen voor een cross-sectie, een momentopname, omdat we geen evolutie in prijzen willen meten.
Met dit model pogen we ook de huizenprijzen transparanter te maken. Dit kan bijdragen tot een meer symmetrische informatie en bijgevolg tot een betere marktwerking. Dit model kan handig zijn voor makelaars en particulieren die willen schatten of het huis in de Vlaamse Ardennen eerlijk is geprijsd. Het betreft immers een grote, vaak eenmalige aankoop in een mensenleven. Op deze manier hopen we ook de impact van elke eigenschap van het huis op de prijs te schatten. Hierdoor kunnen mensen nadenken over welke eigenschappen ze willen/kunnen betalen.
Meer bepaald proberen we dus de impact van eigenschappen en liggingkenmerken te schatten op de prijs. Dit doen we door een voldoende aantal observaties te verzamelen. Hierbij stellen we een model op en onderzoeken we of dit model kwaliteitsvol is. Zijn de basisveronderstellingen voldaan? Wat is de statistische kwaliteit van het model? Zijn de voorspellingen waardevol?
2 Cijfermateriaal Alle observaties werden gezocht in de Vlaamse Ardennen. Deze streek bestaat uit de volgende gemeenten: Anzegem, Brakel, Gavere, Geraardsbergen, Horebeke, Herzele, Kluisbergen, Kruishoutem, Lierde, Maarkedal, Oudenaarde, Oosterzele, Ronse, Sint-Lievens-Houtem, Wortegem-Petegem, Zingem, Zottegem en Zwalm. In Bijlage 11.1.2 vindt u een kaartje met een weergave van de geografische spreiding. De cijfergegevens vindt u in Bijlage 11.1.1. Niet opgenomen observaties in de lijst, zijn het gevolg van het ontbreken van het volledige adres. Toch hebben we de originele nummering behouden om de verwijzingen naar observaties consistent te houden.
Twaalf willekeurige observaties van de 126 gegevens (10%) worden bij de aanvang van deze studie apart gehouden zodat we deze later kunnen gebruiken bij de voorspellingen.
De volgende immosites werden gebruikt om de observaties te vinden: www.immoweb.be, www.vlan.be, www.era.be, www.zoek-immo.be, en www.nobels.be
2.1 Outliers en spreiding De grafieken vindt u in Bijlage 11.1.3.
2.1.1 De te verklaren variabele:
Uit de lijngrafiek van de te verklaren variabele Y blijkt dat er twee outliers bestaan. De hoge prijs bij observatie 21 (850 000 euro) is waarschijnlijk het
2
gevolg van de grote terreinoppervlakte. Daarom verwerpen we deze observatie. Observatie 71 heeft dan weer een te lage prijs (62 000 euro) in vergelijking met de andere observaties.
2.1.2 De verklarende variabelen:
X1: Uit deze spreidingsgrafiek blijkt dat de gegevens voldoende gevarieerd zijn. Wel zijn er enkele outliers. Observatie 21 was reeds verworpen bij het onderzoek van Y. Er is echter ook een andere observatie die opvalt: observatie 89 heeft een terreinoppervlakte van 17000m². In vergelijking met andere gegevens is dit uitzonderlijk groot. Daarom wordt ook deze observatie als outlier beschouwd en aldus verworpen.
X2: Ook deze variabele blijkt voldoende gevarieerd. De 119e observatie (=600) blijkt hoger te liggen dan andere gegevens, maar we beschouwen dit niet als een outlier aangezien er ook meerdere andere gegevens in de buurt (=ongeveer 520) liggen.
X3a & X3b: Dit zijn dummy-variabelen. Daarom maken we geen spreidingsgrafiek. Er zijn geen outliers, aangezien de mogelijke waarden slechts (0,1) zijn en de gegevens voldoende variatie bevatten.
X4: Uit de spreidingsgrafiek blijkt dat er geen outliers bestaan en de observaties voldoende gevarieerd zijn.
X5: Deze grafiek blijkt 2 outliers te bevatten. Observatie 68 heeft een ouderdom van 193 jaar. Daaruit blijkt dat het bouwjaar 1816 was en dit is inderdaad zeer uitzonderlijk. Er is voldoende variatie. Ook observatie 53 blijkt te oud met bouwjaar 1870 (leeftijd 139 jaar).
X6a&b: Dit zijn dummy-variabelen. Een spreidingsgrafiek heeft daarom weinig nut. Uit de observaties blijkt al dat er geen outliers zijn en dat de gegevens voldoende gevarieerd zijn.
X7 tot en met X15: Uit elke scatterplot blijkt dat er geen outliers bestaan en dat de gegevens variatie bevatten.
3 De te verklaren variabele De te verklaren variabele is de vraagprijs van een residentiële woning in euro.
We beseffen dat de vraagprijs niet altijd de uiteindelijke verkoopprijs is. Ook zitten er in deze vraagprijs reeds makelaarskosten vervat. Deze kosten kunnen we er echter niet uit filteren. Toch is de vraagprijs een goede maatstaf omdat de makelaarskost evenredig is met de verkoopprijs. Hierdoor blijven de uiteindelijke verbanden met de variabelen behouden.
4 Interne Variabelen
4.1 X1: Terreinoppervlakte (m²) De terreinoppervlakte is de oppervlakte van een perceel, wanneer het bestemd of
gebruikt is voor het plaatsen van één of meer gebouwen (Tekhnikos, 2009). Met de precieze perceelkarakteristieken (zoals breedte, diepte,…) houden we geen rekening.
3
Dit is relevant voor de prijs aangezien er veel waarde wordt gehecht aan de grootte van de totale oppervlakte. Een groot terrein is bijzonder gegeerd voor allerlei redenen: Het impliceert dat men kan bijbouwen, een tuin inrichten…. Daarom verwachten wij een positieve correlatie: hoe groter de terreinoppervlakte, hoe hoger de prijs.
4.2 X2: Bewoonbare oppervlakte (m²) Voor een objectieve en correcte weergave van de oppervlakte van een woning meet je het best de bewoonbare oppervlakte: dat is het geheel van de
vloeroppervlakte per verdieping, inclusief de ruimte die wanden en binnenmuren innemen (Immoweb, 2009).
De definitie van bewoonbare oppervlakte sluit meteen alle woonplaatsen uit die geen dienst doen als leefruimte zoals trappenhuizen, gangen, bergkamers garages en tuinhuizen. Ook kelders en zolders zijn normaal gezien geen woonruimtes, behalve indien ze ingericht zijn als slaapkamer, badkamer, keuken of woonkamer.
De bewoonbare oppervlakte is een indicatie van de werkelijke grootte van het huis. Voor een groter huis zijn mensen bereid meer te betalen. Dus verwachten wij een positieve correlatie.
4.3 X3: Type bebouwing Een open bebouwing betekent een alleenstaand huis, zonder een gemeenschappelijke muur met de buren.
Een halfopen bebouwing betekent dat huis aan 1 kant een gemeenschappelijke muur heeft met een buur.
Een gesloten bebouwing betekent een rijhuis. Beide zijden van het huis hebben een gemeenschappelijke muur met de buren. Het huis is ingesloten.
Dit zijn de dummy-variabelen:
X3a: 1 = open bebouwing ; 0 = iets anders. X3b: 1 = halfopen bebouwing ; 0 = iets anders
X3a X3b
Open bebouwing 1 0 Halfopen bebouwing 0 1 Gesloten bebouwing 0 0 Tabel 4:1 Dummytabel: type bebouwing
Bij een open bebouwing verwachten mensen rustiger te wonen. Hiervoor willen ze een hogere prijs betalen. Daarom denken we dat er een positieve correlatie bestaat.
Een gesloten bebouwing is dan weer een minpunt: de kans op lawaaioverlast van de buren is reëel. Hier verwachten we een negatief verband.
Halfopen bebouwing is dan eerder een twijfelgeval: er is één gemeenschappelijke zijde. We veronderstellen een (weliswaar kleine) negatieve correlatie.
4.4 X4: Aantal verdiepingen Hieronder verstaan wij het aantal etages die bewoond of bewoonbaar zijn. Het gelijkvloers hoort hierbij. Wanneer expliciet vermeld wordt dat de zolder
4
inrichtbaar (bewoonbaar) is, behoort deze etage tevens bij het aantal verdiepingen.
Voor mensen die minder mobiel zijn, is het handiger dat er zo weinig mogelijk verdiepingen zijn. Maar we veronderstellen dat de meeste mensen meerdere verdiepingen op prijs stellen aangezien dit meer ruimte impliceert. Hieruit volgt een positieve correlatie.
4.5 X5: Leeftijd Dit is het huidige jaar (2009) verminderd met het bouwjaar. Dit bouwjaar wordt gedefinieerd als het jaar van de beëindiging van de constructie (Leurs, Bracke, & Van der Haegen, 2008).
Hoe ouder het huis, hoe groter de kans dat er nog renovatiewerken moeten gebeuren om het comfort van het huis te verhogen. Daarom verwachten we een negatieve correlatie: hoe ouder het huis, hoe lager de prijs.
NB: een andere interessante variabele is de mate van reeds gebeurde renovatie. Jammer genoeg is het niet mogelijk dit éénduidig te definiëren op basis van de beschikbare informatie. Bijvoorbeeld de gebeurde vernieuwingen bij ‘grondige renovatie’ is verschillend van huis tot huis.
5 Externe Variabelen
5.1 Algemeen kader Naast de tastbare eigenschappen van een woning zoals de bewoonbare oppervlakte, zijn er ook minder tastbare eigenschappen. Vele van deze betreffen vooral de locatie van het goed. Het is echter moeilijk om de locatie in één enkele variabele te definiëren.
De plaats van inplanting zou nochtans één van de belangrijkste kenmerken van een woning zijn en dus een belangrijke impact hebben (Leurs, Bracke, & Van der Haegen, 2008). De reden hiervoor is de immobiliteit van vastgoed, zoals ook ‘onroerend goed’ en het Belgisch-Nederlandse woord ‘immobiliën’ impliceert. Hendrik Leurs stelt immers dat de locatie niet kan worden veranderd na aankoop, in tegenstelling tot de tastbare eigenschappen: een huis kan immers verbouwd worden.
De reden voor deze belangrijkheid is de bereikbaarheid ten gevolge van de locatie. Volgens de centrale-plaatstheorie van Christaller trekken mensen uit een zelfde omgeving immers naar de centrale plaats van die omgeving. Deze voorziet hen in hun noden (Neyt, 2006). Deze noden zijn bv voedsel, recreatie, medische verzorging en zo meer. De functies van een plaats komen aan deze noden tegemoet met behulp van winkels, ziekenhuizen, een stedelijk zwembad, etc.
De centrale plaatsen bevatten centrale functies voor hun verzorgingsgebied, of m.a.w. het gebied waaruit inwoners ervan naar die stad trekken voor de centrale functies die hun noden tegemoetkomen. De theorie van Christaller stelt dat deze steden ook een onderlinge hiërarchie hebben, waarbij er wordt vanuit gegaan dat hogere steden automatische de functies van lagere steden hebben, wat belangrijk is voor de variabelen later in dit werk.
Om onderscheid te kunnen maken in deze econometrische studie hanteren wij de indeling volgens Administratie Planning en Statistiek (APS)(heet nu Studiedienst Vlaamse Regering (SVR)). Deze indeling is gebaseerd op het Ruimtelijk
5
Structuurplan Vlaanderen (RSV) en Strategisch Plan Ruimtelijke Economie (SPRE). De classificatie is bijgevolg gebaseerd op de uitrusting die de steden hebben voor hun verzorgingsgebied (Vandekerckhove, Le Roy, & Myncke, 2005). We verwijzen verder in dit werk naar deze onderverdeling als de APS/VRIND-classificatie. Met behulp van deze classificatie wordt in dit werk verschillende locatievariabelen bepaald.
Bijkomende factoren ten gevolge van de locatie zullen eerder gericht zijn op de sociale situatie die heerst in de stad of gemeente van het onroerend goed. Zo is volgens Prof. Dr. Robert van Straelen (Verhetsel & Adriaensen, 2004) de aard van de sociale omgeving een bepalende factor. Volgens hem is men bereid meer te betalen voor een woning in een veilige omgeving. Om dit te analyseren bepaalt hij de relatie tussen woningprijzen en criminaliteit in Antwerpen. Uit een onderzoek naar verhuismotieven in gemeenten van Antwerpen blijkt dat criminaliteit een rol speelt, meer bepaald het vandalisme. Hij concludeert dat er een verband bestaat tussen woningprijzen en criminaliteit. Wij willen onderzoeken of dit voor de Vlaamse Ardennen tevens het geval is.
5.2 X6: APS/VRIND-classificatie van de gemeente of stad Dit is de classificatie volgens APS/VRIND van de stad of gemeente van de woning. In de Vlaamse Ardennen zijn(van hoger naar lager niveau) (Lokale Statistieken):
• Structuurondersteunende stad
• Kleinstedelijk Proviciaal
• Platteland
Deze keuzes vereisen twee dummy-variabelen:
X6a: 1 = Kleinstedelijk Proviciaal ; 0 = iets anders. X6b: 1 = Structuurondersteunende stad ; 0 = iets anders
X6a X6b
Kleinstedelijk Proviciaal 1 0 Structuurondersteunende stad 0 1 Platteland 0 0 Tabel 5:1 Dummy-sleutel:APS/VRIND-classificatie van de gemeente of stad
(APS Vlaanderen, 2006)
We verwachten dat bij een hoger niveau van de gemeente of stad de prijs zal stijgen. Deze classificatie neemt zowel de uitrusting van de woonplaats alsook de verstedelijkingsgraad op in één variabele. We verwachten vooral een positieve correlatie wanneer het gaat om een structuurondersteunende stad, of m.a.w. de tweede dummy-variabele. Ook wanneer het gaat om een kleinstedelijke provinciale stad verwachten we een positieve correlatie en dus voor de eerste dummy-variabele. De plattelandgemeentes hebben bijgevolg een negatieve correlatie.
5.3 X7: Afstand tot dichtstbijzijnde grootstad Deze variabele geeft de afstand in vogelvlucht weer tussen het onroerend goed en de dichtstbijzijnde grootstad in kilometer.
De grootstad is gedefinieerd in de APS-classificatie en zijn mogelijk Antwerpen en Gent. De waarnemingen bevinden zich allen in Zuid-Oost-Vlaanderen en Zuid-West-Vlaanderen en hebben bijgevolg allen Gent als dichtstbijzijnde grootstad. Wij verwachten een positieve correlatie tussen deze waarden en de vraagprijs
6
van woningen omdat dichterbij een grootstad wonen een betere bereikbaarheid biedt ten opzichte van de steden die de centrale functies aanbieden. Deze verhogen de vraag en zullen de prijs op deze manier beïnvloeden: Hoe kleiner de afstand, hoe hoger de prijs (Zie theorie van Christaller)
Berekeningswijze: met behulp van de site www.batchgeocode.com berekenen we de afstand in km ten opzichte van het centrum van de grootstad Gent.
(APS Vlaanderen, 2006)
5.4 X8: Afstand tot dichtstbijzijnde centrumstad Zoals de vorige variabele geeft deze variabele de afstand in vogelvlucht weer tussen het onroerend goed en de dichtstbijzijnde centrum in kilometer. Omdat een grootstad alle faciliteiten aanbiedt als een hiërarchisch lagere stad, zullen we de afstand tot de grootstad nemen wanneer deze kleiner blijkt te zijn dan de afstand tot een officieel geclassificeerde centrumstad. Ook hier zijn de classificaties volgens de VRIND/APS-normen (APS Vlaanderen, 2006).
Cf. de afstand tot dichtstbijzijnde centrumstad, verwachten we een negatieve correlatie tussen deze afstand en de vraagprijs van een woning. Hoe kleiner de afstand, hoe hoger de vraagprijs.
Berekeningswijze: met behulp van de site www.batchgeocode.com berekenen we de afstand in km ten opzichte van het centrum van de centrumsteden Aalst, Kortrijk, Roeselare en het centrum van de grootstad Gent. Daarna wordt de laagste waarde gebruikt als observatie.
(APS Vlaanderen, 2006)
5.5 X9: Afstand tot kerngemeente Deze variabele geeft in kilometer de afstand in vogelvlucht weer tussen de woning en de fusiekern van de gemeente of stad van de woning. We verwachten een negatieve correlatie omdat deze de bereikbaarheid weergeeft ten opzichte van de fusiekern die de basisnoden vervult van haar inwoners. Hieronder vinden we de supermarkten, scholen, belangrijke aanknopingspunten tot het openbaar vervoer, enz. Deze zorgen ervoor dat de vraag naar de woning stijgt en bijgevolg ook de prijs. Hoe kleiner de afstand, hoe hoger de vraagprijs.
Berekeningswijze: met behulp van de site www.batchgeocode.com berekenen we de afstand in km ten opzichte van het kerncentrum van de fusiegemeente of stad.
5.6 X10: Afstand tot de dichtstbijzijnde oprit tot autosnelweg Deze variabele geeft de afstand weer tot de dichtstbijzijnde oprit tot de autosnelweg. Zoals Leurs (Leurs, Bracke, & Van der Haegen, 2008) zegt, is een goede locatie afhankelijk van de bereikbaarheid. Een goede verbinding met grote verkeersassen is hierbij ook cruciaal. Daarom kan deze variabele ook daarvan een goede proxy zijn van de bereikbaarheid van een goed. We verwachten een negatieve correlatie. Hoe dichter bij een oprit, hoe hoger de vraagprijs.
Berekeningswijze: met behulp van de site www.batchgeocode.com berekenen we de afstand in km ten opzichte van de op- en afritcomplexen en wordt de laagste waarde geselecteerd.
7
5.7 X11,X12,X13: Criminaliteit De recentste volledige cijfers dateren van 2006. De definities van 2008 (De
Federale Politie, 2008) zijn echter ook toepasbaar op de cijfers van 2006.
• X11: Aantal geregistreerde misdrijven tegen lichamelijke integriteit per duizend
inwoners: “aanranding van de eerbaarheid, doodslag, internationaal
humanitair recht, marteling en mishandeling, moord, onopzettelijke
misdrijven tegen de lichamelijke integriteit, opzettelijke slagen
binnen/buiten de familie, schuldig verzuim en verkrachting.”
• X12: Aantal geregistreerde diefstallen en afpersingen per duizend inwoners:
“afpersingen en diefstal met/zonder verzwarende omstandigheden.” Onder
diefstal worden zowel diefstal van een vervoermiddel, als inbraken en
andere diefstallen verstaan (De Federale Politie, 2008).
• X13: Aantal geregistreerde gewelddadige misdrijven tegen eigendom per duizend
inwoners: “brandstichting en vernieling door ontploffing, vandalisme en
vernieling, onbruikbaarmaking, beschadiging.”
We verwachten voor elk cijfer een negatief verband: Hoe groter het aantal misdrijven, hoe lager de prijs, aangezien mensen niet graag wonen in een onveilige omgeving.
5.8 X14: Mediaan inkomen De FOD economie die deze cijfers heeft gepubliceerd, hanteert de volgende definitie:
“Het mediaan inkomen per aangifte is het inkomen verbonden aan de aangifte die zich bevindt in het midden van de reeks wanneer de aangiften geklasseerd worden naar inkomen. Het wordt niet beïnvloed door sterk afwijkende waarden (outliers).” (Belgian Federal Government, 2009)
We veronderstellen een positief verband. Als de gemeente rijker blijkt te zijn, worden er ook vaak hogere prijzen betaald voor een woning in een gegoede gemeente.
(Belgian Federal Government, 2009)
5.9 X15: Bevolkingsdichtheid Deze variabele geeft het aantal inwoners per vierkante kilometer weer van een gemeente in 2008 (FOD Economie - Algemene Directie Statistiek en Economische Informatie, 2008).
De verwachte correlatie is positief omdat bij een hogere bevolkingsdichtheid een grotere schaarste heerst aan beschikbare percelen. Een aanbodsschaarste zorgt volgens klassieke economische theorieën voor een hogere prijs.
6 Selectie van de variabelen
6.1 Correlatietabel van de variabelen met vraagprijs (Y) We bekijken eerst de correlaties met Y en bekijken of dit overeenkomt met onze theoretische verwachtingen. De volledige correlatietabel en alle onderlinge correlaties vindt U terug in Bijlage 11.2.1.
8
Variabele Xi Verwacht
teken
Correlatie
met Y t-waarde P-waarde
Significant
verschillend
van 0 (5%)
Terreinoppervlakte X1 + 0,6877 9,799 1,4524E-16 Ja Bewoonbare
oppervlakte X2 + 0,6245 8,271 3,9751E-13 Ja
Open bebouwing X3A + 0,5448 6,720 9,0854E-10 Ja
Halfopen bebouwing X3B - -0,1401 -1,464 0,1460 Nee
Aantal verdiepen X4 + -0,1778 -1,869 0,0642 Nee
Leeftijd X5 - -0,3743 -4,176 6,0651E-05 Ja Kleinstedelijk
provinciaal X6A + 0,0148 0,153 0,8780 Nee
Structuuronder-
steunende stad X6B + -0,1565 -1,639 0,1039 Nee
Afstand tot
dichtstbijzijnde
grootstad
X7 - -0,0896 -0,931 0,3537 Nee
Afstand tot
dichtstbijzijnde
centrumstad
X8 - -0,1126 -1,172 0,2435 Nee
Afstand tot
kerngemeente X9 - 0,1932 2,037 0,0440 Ja
Afstand tot
dichtstbijzijnde
autosnelweg
X10 - -0,1342 -1,400 0,1641 Nee
Geregistreerde
misdrijven tegen
lichamelijke
integriteit
X11 - -0,0705 -0,731 0,4658 Nee
Geregistreerde
diefstallen en
afpersingen
X12 - -0,1211 -1,262 0,2096 Nee
Geregistreerde
gewelddadige
misdrijven tegen
eigendom
X13 - -0,0940 -0,977 0,3306 Nee
Mediaan inkomen X14 + 0,0443 0,459 0,6471 Nee
Bevolkingsdichtheid X15 + -0,1529 -1,600 0,1124 Nee
Tabel 6:1 Correlatietabel van de variabelen met Y
De variabelen: het aantal verdiepen (X4), structuurondersteunende stad (X6b), afstand tot fusiekern (X9) en bevolkingsdichtheid (X15) hebben als correlatie met de vraagprijs (Y) een ander teken dan wij hadden verwacht.
Voor het aantal verdiepen (dat wel significant verschillend van 0 is op het 10% niveau) zou een mogelijke verklaring kunnen zijn dat duurdere huizen zoals villa’s eerder een lager aantal verdiepen hebben, maar groter zijn in afmetingen. Zo hebben kleinere rijhuizen vaak minimum 2 verdiepen, omdat anders de bewoonbare oppervlakte te klein zou zijn.
Voor de variabelen structuurondersteunende stad, afstand tot fusiekern en bevolkingsdichtheid hebben we geen eenduidige mogelijke verklaring. Het kan zijn dat steden met een hogere bevolkingsdichtheid juist minder aantrekkelijk zijn door de drukte of doordat er meer (ongemeten) criminaliteit is, want wij zagen hoge statistisch significante (op het 5%-niveau) correlaties tussen de drie criminaliteitsvariabelen en bevolkingsdichtheid (resp. 0,8126 , 0,8289 en
9
0,71783; zie Bijlage 11.2.1). Deze variabelen zijn echter niet statistisch significant ten opzichte van Y.
Na te hebben nagegaan welke correlaties statistisch (95% betrouwbaar) verschillen van nul door te kijken of de P-waarde kleiner is dan 5%, behouden we terreinoppervlakte, bewoonbare oppervlakte, open bebouwing, leeftijd en afstand tot kerngemeente.
6.2 Selectie van de eerste verklarende variabele
6.2.1 Kandidaat 1: Terreinoppervlakte (X1)
We regresseren de te verklaren variable Y op X1.
Model: �� = � + ���
De resultaten van deze regressie zijn (zie Bijlage 11.2.2 voor volledige resultaten):
R-kwadraat F Significantie F
0,472983 96,02948 1,45244E-16
Tabel 6:2 Regressiestatistieken met 1 VV, kandidaat 1
a b
Waarde 191615,3 88,0791
P-waarde 1,82E-27 1,45E-16
Tabel 6:3 Coëfficiënten uit de regressie met 1 VV
Het model heeft een verklarend vermogen van 47,3%, met bijbehorende F waarde en significantie die we evalueren op het 5% niveau. De determinatiecoëfficiënt R2 is dus statistisch significant op het 5% niveau.
Volgens dit model merken we dat de basisvraagprijs voor een woning ongeveer 191 615,30€ bedraagt en dat per vierkante meter terreinoppervlakte 88€ extra moet worden betaald. De tekens van de coëfficiënten komen overeen met de verwachtingen en de correlaties. Daarnaast kunnen we zeggen dat de coëfficiënten statistisch significant verschillend zijn van nul, aangezien nul niet in het betrouwbaarheidsinterval ligt. Een analoge interpretatie kan worden gemaakt voor de hieronder volgende modellen.
6.3 Selectie van de tweede verklarende variabele
6.3.1 Kandidaat 1: Bewoonbare oppervlakte (X2)
Eerst onderzoeken we de quasi multicollineairiteit (QMC). Dit slechts voor de QMC eerste orde, omdat het nog maar om de tweede verklarende variabele (VV) gaat. Dit doen we aan de hand van de correlatiecoëfficiënten van de kandidaat met de reeds geselecteerde VV.
Variabele i X1
R(X2,Xi) 0,56826 Tabel 6:4 QMC eerste orde 2e VV, kandidaat 1
De onderlinge correlatie van de variabelen ligt onder de afgesproken grens van 0,60. We kunnen daarom QMC uitsluiten en deze variabele gebruiken in een volgende regressie.
10
Model: �� = � + ��� + ���
De regressie geeft volgende uitkomsten (zie Bijlage 11.2.3 voor volledige resultaten):
R-kwadraat F Significantie F
0,553644 65,7392 2,71E-19
Tabel 6:5 Regressiestatistieken met 2 VV, kandidaat 1
a b c
Waarde 118918 62,9597 461,684
P-waarde 7,04E-08 9,43E-09 2,83E-05
Tabel 6:6 Coëfficiënten uit de regressie met 2 VV
Alle coëfficiënten geven een statistisch significante (5%) waarde. De R2 is gestegen en is nog steeds statistisch betekenisvol. Dit model is echter wel alleen de moeite om aan te nemen wanneer de extra variabele een statistisch significante marginale bijdrage levert aan het verklaringsvermogen van het model. Hiervoor kijken we naar het verschil in R2, een daarbij behorende F-waarde en de overschrijdingskans. We beoordelen de bijdrage met behulp van de overschrijdingskans en dit terug op het 5% niveau.
We berekenen de getallen als volgt:
���ℎ�� � �� = ������� − ���� en � −����� =��� ��� �� ��
�����������
�
De overschrijdingskans is de kans dat er een F-waarde gevonden wordt die groter is dan de gevonden waarde, met behulp van de F-verdeling: �(1, − �).
Verschil in R2 F-waarde Overschrijdingskans
0,0807 19,15516989 2,83331E-05 Tabel 6:7 Marginale bijdrage bij 2 VV, kandidaat 1
De nieuwe verklarende variabele heeft dus een statistisch significante bijdrage. Het dus loont de moeite om dit nieuw model aan te nemen.
6.4 Selectie van de derde verklarende variabele
6.4.1 Kandidaat 1: open bebouwing (X3a)
Eerst moeten we kijken naar QMC. Deze keer ook naar QMC van hogere orde waarbij we kijken of een combinatie aan variabelen een sterk verband heeft met de nieuwe variabele.
QMC eerste orde:
Variabele i X1 X2
R(X3a,Xi) 0,558011 0,381496 Tabel 6:8 QMC eerste orde 3e VV, kandidaat 1
De onderlinge correlaties liggen onder de afgesproken grens van 0,60, waardoor we QMC van de eerste orde kunnen uitsluiten.
Om QMC van hogere orde te onderzoeken regresseren we de reeds aangenomen verklarende variabelen op die nieuwe kandidaat. We kijken dan enkel naar de R2,
11
die volgens de afspraak een waarde moet hebben van minder als 0,36. In Bijlage 11.2.4 vindt U de regressie van de reeds aangenomen variabelen op X3a. In de uitvoer staat een R2 waarde van 0,3175, welke dus kleiner is dan de afgesproken grens. We kunnen dus ook QMC van hogere orde uitsluiten.
We kunnen dus de nieuwe kandidaat opnemen in een regressie.
Model: �� = � + ��� + ��� + ����
Deze geeft volgende uitvoer (Bijlage 11.2.5 bevat de volledige uitvoer):
R-kwadraat F Significantie F
0,581887 48,70943 8,3E-20 Tabel 6:9 Regressiestatistieken met 3 VV, kandidaat 1
a b c d
Waarde 111433,6 49,83009 435,8024 52148,53
P-waarde 2,35E-07 1,54E-05 5,02E-05 0,008959 Tabel 6:10 Coëfficiënten uit de regressie met 3 VV
Het model heeft nu een verklarend vermogen van 58,19% en is nog steeds statistische significant (5%).
Ook alle coëfficiënten zijn volgens de verwachtingen en zijn significant op het 5% niveau.
Echter willen we weten of deze nieuwe variabele de moeite loont om op te nemen in een definitief model. Daarvoor kijken we terug naar volgende tabel:
Verschil in R2 F-waarde Overschrijdingskans
0,028243 7,092719 0,008959 Tabel 6:11 Marginale bijdrage bij 3 VV, kandidaat 1
Met een overschrijdingskans van 0,008959 is het verschil in R2 statistisch significant en loont het de ‘moeite’ om over te schakelen op dit nieuwe model.
6.5 Selectie van de vierde verklarende variabele
6.5.1 Kandidaat 1: leeftijd (X5)
Terug kijken we eerst naar mogelijke problemen met QMC.
Variabele i X1 X2 X3a
R(X5,Xi) -0,13082 -0,06577 -0,21748 Tabel 6:12 QMC eerste orde 4e VV, kandidaat 1
Alle correlaties zijn kleiner dan de waarde 0,60, waardoor QMC van eerste orde uitgesloten is. Voor QMC van tweede orde regresseren we X1, X2 en X3a op X5(volledige uitvoer is beschikbaar in Bijlage 11.2.6). Met een R2 van 4,8154% is ook QMC van hogere orde uitgesloten, omdat deze onder de drempel van 0,36 ligt. We kunnen dus X5 opnemen in onze regressie (de volledige uitvoer hiervan vindt U in Bijlage 11.2.7).
Model: �� = � + ��� + ��� + ���� + ���
12
R-kwadraat F Significantie F
0,651709 48,65021 5,29E-23 Tabel 6:13 Regressiestatistieken met 4 VV, kandidaat 1
a b c d e
Waarde 164818,8 48,76429 447,7256733 37367,64 -1230,76
P-waarde 1,85E-11 4,58E-06 6,9132E-06 0,043087 1,37E-05 Tabel 6:14 Coëfficiënten uit de regressie met 4 VV, kandidaat 1
Dit model heeft een verklarend vermogen 65,17% (significant op 5%). Ook alle coëfficiënten zijn significant verschillend van 0 (5% niveau).
Verschil in R2 F-waarde Overschrijdingskans
0,069822 20,84889 1,36858E-05 Tabel 6:15 Marginale bijdrage bij 4 VV, kandidaat 1
Met een overschrijdingskans van minder dan 5% mogen we besluiten met 95% zekerheid dat de nieuwe variabele toevoegen een significant verschil betekent in het verklarend vermogen van het model. Het loont dus om verder dit model aan te nemen.
6.6 Selectie van de vijfde verklarende variabele
6.6.1 Kandidaat 1: Afstand tot kerngemeente (X9)
Allereerst controleren we wederom QMC van eerste orde:
Variabele i X1 X2 X3a X5
R(X9,Xi) 0,221634 0,122549 0,264807 -0,23519 Tabel 6:16 QMC eerste orde 5e VV, kandidaat 1
We kunnen QMC van eerste orde uitsluiten omdat alle correlaties onder de afgesproken grens van 0,60 liggen. Voor QMC van tweede orde regresseren we X1, X2, X3a en X5 op X9(volledige uitvoer is beschikbaar in Bijlage 11.2.8). De R2
van 11,10% stelt dat we volgens de afgesproken bovengrens van 0,36 QMC van hogere orde mogen uitsluiten. We nemen dus X9 op in de volgende regressie (de volledige uitvoer hiervan vindt U in Bijlage 11.2.9).
Model: �� = � + ��� + ��� + ���� + ��� + ���
R-kwadraat F Significantie F
0,651709 48,65021 5,29E-23 Tabel 6:17 Regressiestatistieken met 5 VV, kandidaat 1
a b c d e f
Waarde 171990,3 49,33183 446,7593 39035,51 -1263,33 -3715,87
P-waarde 3,25E-10 4,21E-06 7,71E-06 0,037184 1,26E-05 0,530379 Tabel 6:18 Coëfficiënten uit de regressie met 5 VV, kandidaat 1
Dit model heeft een verklarend vermogen 65,17% (significant op 5%). Alle coëfficiënten zijn significant verschillend van 0 (5% niveau), behalve de coëfficiënt van de laatst toegevoegde variabele.
13
Verschil in R2 F-waarde Overschrijdingskans
0,001335 0,396341 0,530379 Tabel 6:19 Marginale bijdrage bij 5 VV, kandidaat 1
Een overschrijdingskans van 53% wil zeggen dat de nieuwe variabele geen significante bijdrage levert aan het model. We moeten dit model dus verwerpen en teruggaan naar het vorige.
6.7 Definitief model Het definitief model is dus:
�� = 164 818,8 + 48,76�� + 447,73�� + 37 367,64��� − 1 230,76��
intercept X1 X2 X3a X5
Waarde 164818,8 48,76429 447,7256733 37367,64 -1230,76
P-waarde 1,85E-11 4,58E-06 6,9132E-06 0,043087 1,37E-05 Tabel 6:20 Coëfficiënten en P-waardes van het definitieve model
De intuïtieve interpretatie van het model gaat als volgt:de basisvraagprijs van een huis bedraagt 164 818,80 euro. Per vierkante meter perceeloppervlakte wordt er 48,76 euro gevraagd. Voor elke vierkante meter bewoonbare oppervlakte is dit 447,73 euro. Als het gebouw een open bebouwing is wordt er nog eens 37 367,64 euro gevraagd en voor de leeftijd wordt het huis per jaar 1 230,76 euro minder waard voor de vraagprijs. We zien dat deze coëfficiënten in lijn liggen met onze theoretische verwachtingen en dus een positief teken hebben wanneer we een positieve invloed verwachtten en negatief wanneer we een negatief teken verwachtten.
6.7.1 Statistische kwaliteit
We zien ook dat all P-waardes onder de 5% liggen, waardoor we met 95% zekerheid kunnen zeggen dat de coëfficiënten significant verschillen van 0. Dit merken we tevens in de betrouwbaarheidsintervallen.
Met volgende statistische kengetallen:
Gegevens voor de regressie
Meervoudige correlatiecoëfficiënt R 0,807285 R-kwadraat 0,651709 Aangepaste kleinste kwadraat 0,638313 Standaardfout 77411,87
Waarnemingen 109
Tabel 6:21 Gegevens voor de regressie van het definitieve model
Tabel 6:21 is rechtstreeks geplukt uit de uitvoer van het laatste aangenomen model, welke U terugvindt in Bijlage 11.2.9. Het model heeft een verklarend vermogen van 65,17% met 4 verklarende variabelen. De bijbehorende F-waarde (uit Tabel 6:13 Regressiestatistieken met 4 VV, kandidaat 1) van 48,65021 en de significantie van 5,29E-23 vertellen dat de R2 statistisch significant is.
De standaardfout van 77 411,87 € komt overeen met 27% t.o.v. de gemiddelde vraagprijs in de dataset, die 283 901,23 € bedraagt. Wij zijn ons ervan bewust dat dit een heel hoog getal is.
14
7 Controle van de basisveronderstellingen
7.1 Eerste basisveronderstelling De eerste basisveronderstelling zegt dat de verwachte fout ����� = 0, ∀�. De fout in het model moet gemiddeld dus gelijk zijn aan nul. Bijkomend moeten de fouten gelijkmatig verdeeld zijn. Er mogen met andere woorden geen systematische fouten gemaakt worden, die erop kunnen wijzen dat er belangrijke variabelen vergeten zijn alsook of de databank homogeen is. Er mogen dus geen clusters of outliers te zien zijn in de grafische voorstelling die wij gebruiken om basisveronderstelling 1 (BO1) te controleren.
In de grafiek (zie Bijlage 11.3.1) zien we echter zowel een cluster als outliers. De cluster ligt rechtsboven in de grafiek en de outliers zowel rechtsboven als rechtsonder.
De cluster bevat datalijnen 13, 17, 34, 91 en 106. De outliers zijn datalijnen 10, 82, 90, 91, 116 en 117. Bij het heropzoeken van deze panden en deze grondig te onderzoeken, bemerken we een paar eigenaardigheden die niet zijn opgenomen door het model.
Pand 82 moeten we weglaten omwille van de grote perceeloppervlakte van 5600 m2. Dit is niet opgemerkt in het begin omdat er toen nog andere observaties waren die een gelijkaardige oppervlakte hadden.
Pand 90 is een eigenaardig geval. De rare combinatie dat een halfopen bebouwing toch op een hele grote perceeloppervlakte (2057 m2) staat is zeer uitzonderlijk. Dit geval is zo speciaal dat we dit moeten weglaten uit de dataset.
Pand 91 heeft de speciale eigenschap dat het achter de woning nog een polyvalent bedrijfsgebouw met parkeerterrein heeft. Ook dit uitzonderlijk geval moeten we weglaten.
Pand 116 betreft een te renoveren hoeve met 2 bouweenheden. Omdat de staat van het gebouw dat moet gerenoveerd worden niet eenduidig kwantificeerbaar is in een variabele moeten we ook deze lijn weglaten. Daarbovenop moet dit onroerend goed een onteigening ondergaan binnen afzienbare tijd. Van het perceel wordt namelijk 5 m van aan de straat opgeëist door de gemeente. Dit is een extreem uitzonderlijk geval dat buiten beschouwing moet worden gelaten.
Pand 1 en 117 laten we weg omdat deze een uitzonderlijke afwerking hebben zoals dure natuursteen en andere gebruikte materialen. Ook dit is niet eenduidig te kwantificeren waardoor we ook deze lijnen moeten weglaten.
Pand 10 moeten we voor onbekende reden weglaten. De foto geeft echter een sterk verouderde indruk weer van de bouwstijl. We kunnen enkel maar gissen dat dit de reden zou zijn van de lager dan voorspelde vraagprijs. Ook deze laten we uit de dataset.
We houden 102 observaties over waarop we een nieuwe regressie toepassen (zie Bijlage 11.3.2). We krijgen dan het volgende model:
�� = 151 490 + 62,80�� + 461,63�� + 33 708,59��� − 1 269,40��
De determinatiecoëfficiënt is nu 80,11% en heeft als F-waarde 97,65 en bijbehorende significantie van 3,87E-33. De R2 is dus statistisch significant (5%). Zoals uit de P-waarden in de bijlage blijkt zijn ook alle coëfficiënten nog steeds
15
statistisch significant op het 5% niveau. De standaardfout (52 636,50 €) is nu 19,42% van de gemiddelde vraagprijs in de databank (271 002,30 €).
In de grafiek (zie Bijlage 11.3.3) zien we echter nog steeds de cluster (obs 13, 17, 34 en 106) opduiken. We vinden geen echte verklaring in ons cijfermateriaal. Er zijn geen duidelijke overeenkomstige elementen. Enkel zien we dat het telkens gaat om onroerende goederen met een grote perceeloppervlakte en grote bewoonbare oppervlakte. Ook gaan we extra liggingvariabelen bekijken alsook socio-economische variabelen. We proberen daarom volgende transformaties en extra variabelen; en plaatsen in bijlagen telkens de grafiek van het resultaat, waarbij we de fouten uitzetten op Y:
• Om de heteroscedasticiteit uit te vlakken hebben we geprobeerd om van alle variabelen een ln(Xi) transformatie te nemen (Bijlage 11.3.4)
• Om dezelfde redenen hebben we dit ook gedaan met een model waar we de logaritme hebben genomen van Y (zie Bijlage 11.3.5)
• Ook hebben we geprobeerd om de wortel te nemen van de variabele die een gelijkaardige grote waardes had bij de cluster, nl. X1 (zie Bijlage 11.3.6) alsook de wortel van Y (zie Bijlage 11.3.7)
• We hebben geprobeerd om een dummy in te voeren die 1 werd wanneer de perceeloppervlakte (X1) in het derde kwartiel lag (gerangschikt op X1) (zie Bijlage 11.3.8)
• Ook socio-economische variabelen hebben we ingevoerd. We probeerden vooral de leeftijdsstructuur van de gemeente of stad te vatten. Deze nieuwe variabelen X18a, X18b en X18c geven resp. heet aandeel weer van de bevolking dat jonger is dan 18 jaar, tussen de 18 en 65 jaar is en ouder is dan 65 jaar. (resp. Bijlage 11.3.9, Bijlage 11.3.10 en Bijlage 11.3.11) (FOD Economie, 2009)
• Ook hebben we de gemeentelijke belasting op onroerend goed in rekening proberen te brengen, de zogenaamde ‘opcentiemen’ (X19) (zie Bijlage 11.3.12) (Vlaamse Overheid, 2009)
• En ook hebben we geprobeerd om Brussel op te nemen, omdat we bij de steden ervan uitgingen dat Brussel een even grote invloed had als Gent. We deden dit omdat we ons baseerden op de APS/VRIND-classificatie van de Vlaamse Overheid. (X20a) (zie Bijlage 11.3.13) (Gegevens berekend via www.batchgeocode.com)
Uit al deze figuren waarop we zien dat de cluster aanwezig blijft, kunnen we concluderen dat geen van deze pogingen een succes waren om de cluster te verklaren. We kunnen alleen maar verder werken met deze cluster. Er is dus niet voldaan aan basisveronderstelling 1.
7.2 Tweede basisveronderstelling We werken voort met het model uit BO1, waar de outliers weggelaten zijn.
7.2.1 Grafisch
We hebben opnieuw een regressie uitgevoerd, waarbij we de storingen ook vragen. We zetten de storingen² uit in functie van de respectievelijke variabelen y, X1, X2 en X5. Een grafiek in functie van X3A is niet zinvol, aangezien dit een dummy-variabele is. De grafische voorstellingen vindt u terug in Bijlage 11.4.1. Bij homoscedasticiteit zouden deze voorstellingen de vorm moeten hebben van een balk, aangezien de fouten onafhankelijk moeten zijn van de variabelen. Dit lijkt echter niet het geval. Bij zowel Y, X1 en X2 zijn er duidelijk observaties terug te vinden waarbij de fouten afhankelijk blijken van de variabele. Deze observaties zijn afkomstig van de cluster waarvoor we geen oplossing vonden in BO1. Bij de voorstelling van de gekwadrateerde fouten met X5 zien we echter wel dat de
16
fouten eerder onafhankelijk zijn van de variabele, ondanks de aanwezigheid van de cluster.
7.2.2 Correlaties
Als er geen verband is tussen de fouten en de variabelen, moeten de bijhorende correlaties gelijk zijn aan 0.
Y X1 X2 X3A X5
e² 0,225125 0,279602 0,215189 0,143328 -0,05089
Tabel 7:1 De correlaties tussen storingen² en de variabelen
Dit is echter niet het geval bij de correlatie met Y, X1, X2 en X3A. De correlatie r(e², X5) nadert echter wel naar 0. We vermoeden dus heteroscedasticiteit, maar om dit te testen gebruiken we de Bartlett-toets.
7.2.3 Bartlett
Bij elke toets delen we onze resterende 102 observaties op in 2 gelijke stukken van 51 observaties. Eerst sorteren we volgens elke variabele. De regressies vindt u terug in Bijlage 11.4.2, Bijlage 11.4.3, Bijlage 11.4.4, Bijlage 11.4.5 en Bijlage 11.4.6.
Sorteren volgens Y:
Se² (deel 1) Se² (deel2) λ OK
1,01E+09 2,615E+09 2,587407 0,000819
Tabel 7:2 Bartlett-toets van Y
Nadat we een regressie-analyse maken van elk deel, krijgen we 2 standaardfouten. De grootste Se² is afkomstig van het tweede deel en bedraagt 2.615*10^9. De kleinste Se² (uit het eerste deel) is 1.011*10^9. Het quotiënt van de grootste standaardfout² op de kleinste standaardfout² (λ)=2.58. Bij homoscedasticiteit zou deze waarde 1 moeten zijn. De bijhorende F-verdeling is F(51-5,51-5). De overschrijdingskans van de λ-waarde is 0.0008. Deze overschrijdingskans is kleiner dan 5%, er is dus heteroscedasticiteit.
Sorteren volgens X1:
Se² (deel 1) Se² (deel2) λ OK
1,48E+09 3,55E+09 2,399177 0,001826
Tabel 7:3 Bartlett-toets van X1
De regressie op de 2 gelijke delen vertelt ons dat de grootste standaardfout terug voortkomt uit het 2e deel. Als we deze waarde kwadrateren bekomen we Se²=3.55*10^9. De kleinste standaardfout² bedraagt 1.48*10^9. De λ-waarde is nu 2.399. De F-verdeling is terug F(51-5,51-5). De overschrijdingskans van λ is 0.0018. Aangezien dit kleiner is dan 0.05, wijst dit op heteroscedasticiteit.
Sorteren volgens X2:
Se² (deel 1) Se² (deel2) λ OK
1,45E+09 3,73E+09 2,562921 0,000908
Tabel 7:4 Bartlett-toets van X2
17
De bijhorende F-verdeling is wederom F(51-5,51-5). De te kleine overschrijdingskans toont heteroscedasticiteit aan.
Sorteren volgens X3A:
Se² (deel 1) Se² (deel2) λ OK
2,10E+09 3,37E+09 1,604122 0,055066
Tabel 7:5 Bartlett-toets van X3A
Hier is de F-verdeling F(51-5,51-4) omdat in het 1e deel X3A enkel nullen bevat. Daarom verminderen we voor dit deel het aantal parameters van 5 naar 4. De overschrijdingskans is groter dan 5%, wat wijst op homoscedasticiteit.
Sorteren volgens X5:
Se² (deel 1) Se² (deel2) λ OK
2,66E+09 2,132E+09 1,247268 0,228292
Tabel 7:6 Bartlett-toets van X5
Deze keer hebben we de λ-waarde berekend door de standaardfout² van het 1e deel te delen door de standaardfout² van het 2e deel aangezien de Se² van deel 1 de grootste is. De F-verdeling is F(51-5,51-5). Om λ te beoordelen, berekenen we de overschrijdingskans. Deze bedraagt meer dan 5%, dit toont homoscedasticiteit aan.
7.2.4 Besluit
Basisveronderstelling 2 is niet vervuld, aangezien er heteroscedasticiteit is omwille van Y, X1 en X2.
7.3 Derde basisveronderstelling Deze basisveronderstelling stelt dat de storingstermen ongecorreleerd zijn. Ze zijn dus onafhankelijk van elkaar.
Basisveronderstelling drie wordt verondersteld voldaan te zijn en moet enkel gecontroleerd worden voor een tijdreeksanalyse.
7.4 Vierde basisveronderstelling Histogram (Bijlage 11.5.1)
We onderzoeken of de fouten normaal verdeeld zijn. Hiervoor delen we de storingen op in 11 gelijke klassen en plaatsen we de relatieve frequentie in een histogram. Uit deze histogram kunnen we besluiten dat de fouten toch wel een normale verdeling lijken te hebben.
Test van Kolmogorov-Smirnov (Bijlage 11.5.2 en Bijlage 11.5.3)
Hierbij vergelijken we de empirische met de theoretische verdelingsfunctie van de fouten. Basisveronderstelling 4 is vervuld als deze functies samenvallen. Uit de tekening blijkt dat dit grotendeels het geval is. Bij de negatieve fouten ligt de empirische verdelingsfunctie EVF meestal onder de theoretische verdelingsfunctie TVF. Bij de positieve fouten is eerder het omgekeerde het geval. De TVF is de normaalverdeling met als gemiddelde 0 en standaarddeviatie 52636,5. Deze standaardfout werd bepaald door de laatste regressie van de observaties (exclusief outliers).
18
Vervolgens berekenen we het maximum van het absolute verschil tussen de EVF en TVF: KS=0.06. Dit cijfer is kleiner dan de kritische waarde volgens de tabel
van Kolmogorov-Smirnov. Deze is namelijk 1.36/√102 = 0.13, met 102=het aantal waarnemingen en op 5%-significantieniveau.
Hiermee besluiten we dat basisveronderstelling 4 vervuld is: de fouten volgen een normaalverdeling.
8 Voorspellingskracht Bij de aanvang van deze studie hadden we 10% van onze observaties weggelaten, namelijk 12 observaties. Deze actuele waarden worden verzameld onder de naam A(i). De voorspelde prijzen werden berekend aan de hand van de laatste regressieanalyse zonder outliers. Deze vergelijking is de volgende: ����, �� = 151490 + 62.8�� + 461.6�� + 33709��� − 1269.4�� Een uitgebreide versie van volgende tabel vindt u in Bijlage 11.6.1:
A(i) P(i)
€ 165.000 € 165.384,89 € 240.000 € 241.811,25
€ 299.000 € 246.602,12 € 175.000 € 194.183,35 € 375.000 € 304.204,71 € 148.000 € 185.681,54
€ 185.000 € 260.098,59 € 248.000 € 258.116,00 € 390.000 € 368.410,03 € 280.000 € 312.597,11
€ 195.000 € 174.051,77 € 245.000 € 230.311,05
Tabel 8:1 Actuele en voorspelde waarden
Om de kwaliteit van de voorspellingen te bepalen, bekijken we volgende punten.
8.1 Gemiddelde kwadratische en absolute afwijkingen De gemiddelde absolute afwijking GAA is het gemiddelde van de absolute afwijkingen tussen A(i) en P(i). De GAA bedraagt 29744 euro. De voorspelde prijs wijkt dus gemiddeld 29744 euro af van de actuele waarde. De gemiddelde kwadratische afwijking GKA bedraagt 1.456.188.561,49 euro². Ideaal gezien zouden de GAA en de GKA 0 moeten zijn, maar we kunnen nog geen besluiten trekken aangezien deze waarden afhankelijk zijn van de eenheden. Alle berekeningen zijn te vinden in Bijlage 11.6.1.
8.2 Relatieve afwijkingen De GRAA is het gemiddelde van ıA-Pı/A, namelijk 0.13. Daarnaast bedraagt de GRKA, het gemiddelde van (ıP(i)-A(i)ı /A(i))² 0.03. Deze waarden zijn wel onafhankelijk van de eenheden. Ook deze barometers zijn idealiter gelijk aan 0. Hierbij merken we op dat onze waarden redelijk dicht liggen bij 0. Volgens de GRAA zou kan de actuele waarde 13% verschillen van de voorspelde prijs. Op een bedrag van 200000 is dit €20000, wat toch wel betrekkelijk veel is.
8.3 Correlatie/grafisch De correlatie tussen P(i) en A(i) is 0.87, een hoge waarde. Dit betekent dat er een verband is, maar dit is niet voldoende. De punten (P,A) moeten idealiter op
19
de 1e bissectrice liggen. Dan zou de voorspelde waarde gelijk zijn aan de actuele waarde. In Bijlage 11.6.2 vindt u deze grafiek. Hieruit blijkt dat deze punten rond de 45°-lijn schommelen, wat goed is.
8.4 Theil’s coëfficiënt Dit wordt berekend door de volgende formule (zie ook Bijlage 11.6.3):
�� =�∑(!� − ��)�
�∑!�� + �∑���= 0,07498379
De waarde ligt volgens ons redelijk dicht bij 0, dit wil zeggen dat de voorspellingen matig goed zijn. Maar het is moeilijk om besluiten te trekken uit de Theil-coëfficiënt.
8.5 Mincer & Zarnowitz We voeren een regressie-analyse(zie Bijlage 11.6.4) uit op de actuele waarde en de voorspelde waarde: A=u+vP. Hierbij blijkt dat u=0 een 95%-betrouwbare waarde is. Ook kan men met 95%-zekerheid zeggen dat v=1. Deze waardes zijn namelijk telkens vervat in het betreffende betrouwbaarheidsinterval. Dus met 95% zekerheid kunnen we besluiten dat de voorspellingen behoorlijk zijn (A=P).
8.6 Besluit Uit de berekeningen blijkt de voorspellingen voldoende kwaliteitsvol zijn. De correlatie en grafiek gaven reeds aan dat de actuele waarden ongeveer gelijk zijn aan de voorspelde waarden. Dit werd bevestigd door de Mincer&Zarnowitz-werkwijze.
9 Algemeen besluit Dit is het definitief model zoals gevonden in basisveronderstelling één:
�� = 151 490 + 62,80�� + 461,63�� + 33 708,59��� − 1 269,40��
Een residentiële woning heeft dus als basisvraagprijs 151 490 euro. Per vierkante meter grondoppervlakte (X1) komt hier 62,8 euro bij. Elke vierkante meter bewoonbare oppervlakte zorgt voor een surplus van 461,63 euro. Wanneer het een open bebouwing betreft, wordt er 33 708,59 euro meer gevraagd. Wanneer een huis een jaartje ouder wordt, daalt de vraagprijs met 1 269,40 euro.
Het verklarend vermogen van dit model bedraagt 80,11%. Y wordt voor 80% bepaald door ��. Daarnaast blijkt de standaardfout 52 636,50 euro.
Basisveronderstelling 1 is niet voldaan, aangezien er een cluster aanwezig blijft die we niet kunnen verklaren. We hebben gepoogd andere beduidende variabelen op te nemen in het model, maar we zijn er niet in geslaagd om de juiste variabelen op te nemen. De fouten zijn niet symmetrisch verspreid rond 0.
Wat basisveronderstelling 2 betreft, kampen we met heteroscedasticiteit. De fouten zijn dus afhankelijk van Y, X1 en X2.
De fouten zouden volgens basisveronderstelling 4 een normale verdeling moeten volgen. De Kolmogorov-Smirnovtest en de –grafiek tonen dit aan.
De voorspellingskracht van ons model toont aan dat ons model een beeld geeft dat de werkelijkheid goed benadert.
20
Alhoewel de voorspellingskracht niet gering blijkt, blijven er beperkingen aan het model. Doordat basisveronderstelling 1 niet voldaan is, zijn de schatters niet zuiver. De heteroscedasticiteit impliceert dat de statistische analyse van de schatters gebreken vertoont. De berekende t-waarden zijn namelijk niet meer correct.
We beoogden een richtprijs samen te stellen die afhankelijk was van zowel ligging als kenmerken van het huis. Bij het opstellen van het model bleek dat de liggingvariabelen niet significant waren. De doorslaggevende factoren zijn dus zonder twijfel de kenmerken van het huis. We zijn er ons van bewust dat er niet opgenomen variabelen zijn, zoals de staat van het huis. Uitzonderlijke eigenschappen van het huis, bv. toekomstige onteigening, zijn tevens niet opgenomen in het model. Dit zorgt voor afwijkingen van de richtprijs. Dit moet men in het achterhoofd houden bij gebruik van dit model.
21
10 Bibliografie APS Vlaanderen. (2006 December). VRIND-classificatie. Retrieved 2009 27-
Oktober from Lokale Statistieken: http://aps.vlaanderen.be/lokaal/kaarten/info_VRIND.pdf
Belgian Federal Government. (2009). Fiscale inkomens - aanslagjaar 2007,
inkomens 2006 (XLS, 171 Kb). Retrieved 2009 26-Oktober from FOD Economie, K.M.O., Middenstand en Energie: http://statbel.fgov.be/nl/binaries/fisc2006_nl_tcm325-33413.xls
Belgian Federal Government. (2009). Fiscale inkomens. Retrieved 2009 30-Oktober from FOD Economie, K.M.O., middenstand en energie: http://statbel.fgov.be/nl/statistieken/cijfers/arbeid_leven/fisc/index.jsp
De Federale Politie. (2008 November). Criminele figuren: Definities. Retrieved 2009 2-November from De Federale Politie: http://www.polfed-fedpol.be/crim/crim_statistieken/2008_sem01/notas/definities_crim_fig_nov_2008.pdf
De Federale Politie. (2008 September). Outputnomenclatuur. Retrieved 2009 2-November from De Federale Politie: http://www.polfed-fedpol.be/crim/crim_statistieken/2008_sem01/notas/beschrijving_nomenclatuur_sept_2008.pdf
FOD Economie - Algemene Directie Statistiek en Economische Informatie. (2008 25-Augustus). Excel-tabellen. Retrieved 2009 16-Oktober from Studiedienst van de Vlaamse Regering: http://www4.vlaanderen.be/dar/svr/cijfers/Exceltabellen/demografie/1_Bevolking/4_Gemeenten/1_Bevolking_en_bevolkingsdichtheid_gemeente.xls
FOD Economie. (2009). Bevolking naar leeftijdsgroepen per gemeente. Opgehaald van Website federale overheid (STATBEL): http://statbel.fgov.be/nl/statistieken/cijfers/index.jsp
Galle, M. (2009, oktober 27). Jong en oud willen in dorpscentrum wonen. Het
Laatste Nieuws .
Immoweb. (2009). Bezoeken voor je koopt. Opgeroepen op November 2009, van Immoweb: http://www.immoweb.be/nl/pages/page.cfm?page=Buying_renting_visiting.htm
Leurs, H., Bracke, R., & Van der Haegen, R. (2008). Waardebepaling van
onroerende goederen voor de vastgoedsector. Gent: VIVO vzw.
Lokale Statistieken. (n.d.). Info bij de gebiedsindeling. Retrieved 2009 28-Oktober from Lokale Statistieken — Vlaanderen: http://aps.vlaanderen.be/lokaal/lokale_kaarten.htm
Neyt, R. (2006). Stadsgeografie. In R. Neyt, Vakstudie Aardrijkskune - 2OSO - (p. 74). Gent: Arteveldehogeschool.
Tekhnikos. (2009). Terreinoppervlakte. Opgeroepen op November 2009, van Tekhnikos: http://www.tekhnikos.nl/w/index.php/Terreinoppervlakte
22
Vandekerckhove, B., Le Roy, M., & Myncke, R. (2005 December). Publicatie:
Ruimte voor woonbeleid. Retrieved 2009 27-Oktober from Kenniscentrum Woonbeleid: http://www.kenniscentrum-woonbeleid.be/Pdf/Ruimtelijke%20indelingen%20voor%20woonbeleid_website.pdf
Verhetsel, A., & Adriaensen, P. (2004). Woningprijzen, criminaliteit en groen in Antwerpen. In R. van Straelen, S. Kesenne, & C. Reyns, Kwantitatief
bekeken: liber amicorum Prof. dr. Robert Van Straelen. Garant.
Vlaamse Overheid. (2009). Tarieven van de aanvullende belasting op de
onroerende voorheffing. Opgehaald van APS Vlaanderen - Lokale Statistieken: http://aps.vlaanderen.be/
23
11 Bijlagen
11.1 Bijlagen bij cijfermateriaal Bijlage 11.1.1 Observaties
De observaties bevinden zich in de tabel op de hierna volgende bladzijden.
32
Obs n°
Vraagprijs
adres(straat +n°)
postcode
gemeente
Grootgemeente
terreinoppervlakte in m
2
bewoonbare oppervlakte in m
2
open beb.
haflopen beb.
aantal verdiepingen
ouderdom
soort stad
kleinstedelijk provinciaal
structuurondersteunende steden
Afstand tot aan Grootstad (Gent) in km
Afstand tot ditchstb. Centrumstd in km
Afstand tot dorpskern in km
Afstand tot autosnelwegoprit in km
Aantal geregistreerde diefstallen en
afpersingen
Aantal geregistreerde misdrijven tegen de
lichamelijke integriteit
Aantal geregistreerde gewelddadige
misdrijven tegen eigendom
mediaan inkomen gemeente in 2006 (Fiscale
inkomens) (euro)
bevolkingsdictheid (2008) (inw/km
2)
site link
Y
X1 X2
X
3A
X
3B
X
4 X5
X
6A
X
6B X7 X8 X9 X10 X11 X12 X13 X14 X15
1 640.000 Smissenhoek
122 9620 Erwetegem Zottegem 2.500 350 1 0 2 33
kleinstedelijk
provinciaal 1 0 21,34 17,8 3,25 15,11 19,2 7,5 11,8 €21.326 435
http://www.vitrine.be/servlet/be.x
m.korfina.vitrine.servlet.publicsite.
property.PropertyDetails?action=di
splaySpecial&code=APC-294
3 176.844 Mouterijstraat 9620 Zottegem Zottegem 314 169 0 0 2 0 kleinstedelijk
provinciaal 1 0 21,34 17,8 0,92 12,87 19,2 7,5 11,8 €21.326 435
http://www.immoweb.be/nl/Buy.es
tate.cfm?xgallery=&idbien=222174
6&startrow=1&page=1
4 195.000 Sportstraat 9620 Zottegem Zottegem 120 180 0 1 3 0 kleinstedelijk
provinciaal 1 0 21,34 17,8 1,06 12,57 19,2 7,5 11,8 €21.326 435
http://www.immoweb.be/nl/Buy.es
tate.cfm?xgallery=&idbien=224088
4&startrow=1&page=1
5 200.000 Pendelstraat 2 9620 Sint-Maria-
Oudenhove Zottegem 647 168 1 0 2 49
kleinstedelijk
provinciaal 1 0 26,15 19,86 4,87 16,4 19,2 7,5 11,8 €21.326 435
http://www.immoweb.be/nl/Buy.es
tate.cfm?xgallery=&idbien=235314
6&startrow=1&page=1
6 207.000 Sint-
Hubertusplein 1 9620
Sint-Maria-
Oudenhove Zottegem 340 172 0 0 3 0
kleinstedelijk
provinciaal 1 0 24,99 20,72 4,18 16,07 19,2 7,5 11,8 €21.326 435
http://www.immoweb.be/nl/Buy.es
tate.cfm?xgallery=&idbien=228887
2&startrow=1&page=1
7 249.000 Tennisstraat 9620 Zottegem Zottegem 541 130 1 0 2 46 kleinstedelijk
provinciaal 1 0 21,34 17,8 0,39 11,97 19,2 7,5 11,8 €21.326 435
http://www.immoweb.be/nl/Buy.es
tate.cfm?xgallery=&idbien=210912
3&startrow=51&page=2
8 259.000 Molenkouter 84 9620 Zottegem Zottegem 325 150 0 1 2 44 kleinstedelijk
provinciaal 1 0 21,42 18,32 0,52 12,21 19,2 7,5 11,8 €21.326 435
http://www.immoweb.be/nl/Buy.es
tate.cfm?xgallery=&idbien=233542
6&startrow=51&page=2
9 295.000 Ovenstraat 20 9620 Zottegem Zottegem 523 220 1 0 2 16 kleinstedelijk
provinciaal 1 0 19,61 19,25 2,26 10,59 19,2 7,5 11,8 €21.326 435
http://www.immoweb.be/nl/Buy.es
tate.cfm?xgallery=&idbien=232837
0&startrow=51&page=2
10 347.000 Slijpstraat 13 9620 Zottegem Zottegem 3093 395 1 0 1 33 kleinstedelijk
provinciaal 1 0 19,61 19,25 3,08 13,56 19,2 7,5 11,8 €21.326 435
http://www.immoweb.be/nl/Buy.es
tate.cfm?xgallery=&idbien=229857
2&startrow=51&page=2
11 348.000 Schoofland 18 9620 Elene Zottegem 395 264 0 1 3 1 kleinstedelijk
provinciaal 1 0 19,61 19,25 1,55 10,4 19,2 7,5 11,8 €21.326 435
http://www.immoweb.be/nl/Buy.es
tate.cfm?xgallery=&idbien=237037
5&startrow=51&page=2
12 470.000 Rijkbos 3 9620 Elene Zottegem 1636 350 1 0 2 16 kleinstedelijk
provinciaal 1 0 19,59 17,2 1,8 10,16 19,2 7,5 11,8 €21.326 435
http://www.immoweb.be/nl/Buy.es
tate.cfm?xgallery=&idbien=203104
1&startrow=51&page=2
33
13 575.000 Acacialaan 1 9620 Zottegem Zottegem 2800 250 1 0 2 30 kleinstedelijk
provinciaal 1 0 19,61 19,25 0,53 12,04 19,2 7,5 11,8 €21.326 435
http://www.immoweb.be/nl/Buy.es
tate.cfm?xgallery=&idbien=219496
5&startrow=51&page=2
14 269.000 Katveld 7 9520 Vlierzele Sint-Lievens-
Houtem 1254 200 1 0 2 33 platteland 0 0 17,63 13,01 4,03 5,62 10,8 5,1 5,8 €20.442 357
http://www.immoweb.be/nl/Buy.es
tate.cfm?xgallery=&idbien=231836
4&startrow=1&page=1
15 299.000 Keiberg 9520 St-Lievens-
Houtem
Sint-Lievens-
Houtem 774 215 1 0 1 32 platteland 0 0 17,63 13,01 0,57 7,12 10,8 5,1 5,8 €20.442 357
http://www.immoweb.be/nl/Buy.Es
tate.cfm?IdBien=2363571&xgallery
=&xpage=1
16 233.000 Groenestraat 55 9521 Letterhoutem Sint-Lievens-
Houtem 1260 150 0 1 2 29 platteland 0 0 17,18 11,19 2,44 6,15 10,8 5,1 5,8 €20.442 357
http://www.immoweb.be/nl/Buy.es
tate.cfm?xgallery=&idbien=226663
7&startrow=1&page=1
17 525.000 Diepestraat 91 9520 St-Lievens-
Houtem
Sint-Lievens-
Houtem 1.658 300 1 0 2 18 platteland 0 0 18,77 12,75 1,15 7,98 10,8 5,1 5,8 €20.442 357
http://www.vlan.be/nl/immo/add_d
etail.do?ID=13861324&tab=SUMM
ARY
18 293.000 Leenstraat 2 9521 St-Lievens-
Houtem
Sint-Lievens-
Houtem 807 200 1 0 1 32 platteland 0 0 17,97 11,35 2,54 4,48 10,8 5,1 5,8 €20.442 357
http://www.vlan.be/vlan-
immo/roll_add_detail.do?ID=14511
701&direction=suiv&CURRID=1424
0416
19 240.000 Waregemseweg
58 9790
Wortegem-
Petegem
Wortegem-
Petegem 832 155 0 0 2 70 platteland 0 0 27,4 16,89 0,57 4,64 7,2 3,2 3,3 €21.455 146
http://www.vlan.be/nl/immo/add_d
etail.do?ID=13967427&tab=SUMM
ARY
20 251.855 Lindestraat 9791 Wortegem-
Petegem
Wortegem-
Petegem 639 156 0 1 2 0 platteland 0 0 27,52 18,06 3,44 8,26 7,2 3,2 3,3 €21.455 146
http://www.vlan.be/vlan-
immo/roll_add_detail.do?ID=14372
996&direction=suiv&CURRID=1430
5388
21 850.000 Stuivenbergstraa
t 5 9790
Wortegem-
Petegem
Wortegem-
Petegem 9960 255 1 0 2 19 platteland 0 0 26,97 15,87 2,76 2,88 7,2 3,2 3,3 €21.455 146
http://www.immoweb.be/nl/Buy.es
tate.cfm?xgallery=&idbien=173111
4&startrow=1&page=1
22 410.000 Maalderijstraat 2 9750 Huise Zingem 1.378 326 1 0 2 30 platteland 0 0 17,97 17,97 2,19 6,58 10 2,9 3,8 €21.177 290
http://www.vlan.be/nl/immo/add_d
etail.do?ID=13971625&tab=SUMM
ARY
24 250.000 broekstraat 25 9750 Zingem Zingem 356 158 0 1 2 0 platteland 0 0 18,03 18,03 0,54 8,42 10 2,9 3,8 €21.177 290
http://www.vlan.be/vlan-
immo/roll_add_detail.do?ID=14410
486&direction=suiv&CURRID=1449
8380
25 235.000 Melegemstraat 9750 Zingem Zingem 345 142 0 1 2 0 platteland 0 0 17,49 17,49 0,4 8,42 10 2,9 3,8 €21.177 290
http://www.vlan.be/vlan-
immo/roll_add_detail.do?ID=14530
265&direction=suiv&CURRID=1441
0486
27 190.000 speelstraat52 9751 Zingem Zingem 480 110 0 0 1 61 platteland 0 0 17,49 17,49 1,31 9,42 10 2,9 3,8 €21.177 290
http://www.immoweb.be/nl/Buy.es
tate.cfm?idbien=2251937&ongletac
tif=2&jpgnameinp=2251937_1.jpg
&xincludedetail=2&mycurrent_secti
on=Buy&xbg=N - onglet
28 197.500 Kruishoutemsest
eenweg 119 9752 Zingem Zingem 70 115 0 1 3 0 platteland 0 0 17,49 17,49 1,07 7,29 10 2,9 3,8 €21.177 290
http://www.immoweb.be/nl/Buy.es
tate.cfm?idbien=2215751&ongletac
tif=2&jpgnameinp=2215751_1.jpg
&xincludedetail=2&mycurrent_secti
on=Buy&xbg=N - onglet
29 225.000 Krekelstraat 98 9630 Munkzwalm Zwalm 715 150 1 0 2 54 platteland 0 0 19,79 19,79 1,63 11,8 6,4 3,5 4,4 €21.233 234
http://www.immoweb.be/nl/Buy.es
tate.cfm?xgallery=&idbien=226712
0&startrow=1&page=1
34
30 230.000 Boekelbaan 54 9630 St-Blasius-Boekel Zwalm 1545 125 1 0 1 3 platteland 0 0 22,67 22,67 2,9 15,28 6,4 3,5 4,4 €21.233 234
http://www.immoweb.be/nl/Buy.es
tate.cfm?xgallery=&idbien=225843
4&startrow=1&page=1
31 275.000 Knokstraat 25 9630 Sint-Denijs-
Boekel Zwalm 1300 200 1 0 2 55 platteland 0 0 20,67 20,67 2,61 12,59 6,4 3,5 4,4 €21.233 234
http://www.immoweb.be/nl/Buy.es
tate.cfm?xgallery=&idbien=232114
6&startrow=1&page=1
32 305.000 Astridstraat 4 9630 Zwalm Zwalm 725 200 0 1 2 2 platteland 0 0 20,33 20,33 0,69 13,09 6,4 3,5 4,4 €21.233 234
http://www.immoweb.be/nl/Buy.es
tate.cfm?idbien=2354773&ongletac
tif=2&jpgnameinp=2354773_1.jpg
&xincludedetail=2&mycurrent_secti
on=Buy&xbg=N - onglet
33 325.000 Wafelstraat 7 9630 Zwalm Zwalm 3000 240 1 0 2 31 platteland 0 0 19,95 19,95 0,56 12,7 6,4 3,5 4,4 €21.233 234
http://www.immoweb.be/nl/Buy.es
tate.cfm?xgallery=&idbien=233546
7&startrow=1&page=1
34 540.000 Fonteinstraat 42 9630 Zwalm Zwalm 1868 310 1 0 2 10 platteland 0 0 21,12 21,12 1,73 13,55 6,4 3,5 4,4 €21.233 234
http://www.immoweb.be/nl/Buy.es
tate.cfm?xgallery=&idbien=221975
4&startrow=1&page=1
35 195.000 Kerkstraat 107 8570 Anzegem Anzegem 650 210 0 1 3 57 platteland 0 0 30,05 14,78 0,69 4,32 13,2 2,4 4,7 €22.207 337
http://www.immoweb.be/nl/Buy.es
tate.cfm?xgallery=&idbien=227948
0&startrow=1&page=1
36 195.000 Cardijnstraat 20 8570 Vichte Anzegem 327 190 0 1 2 36 platteland 0 0 33,01 9,85 5,38 1,76 13,2 2,4 4,7 €22.207 337
http://www.immoweb.be/nl/Buy.es
tate.cfm?xgallery=&idbien=227554
2&startrow=1&page=1
37 449.000 Harelbekestraat
33 8570 Vichte Anzegem 1078 265 1 0 2 0 platteland 0 0 33,38 9,45 5,72 1,66 13,2 2,4 4,7 €22.207 337
http://www.immoweb.be/nl/Buy.es
tate.cfm?xgallery=&idbien=130690
8&startrow=1&page=1
39 249.000 Bassegemstraat
2 8572 Kaster Anzegem 2455 143 1 0 2 47 platteland 0 0 32,01 15,72 2,41 7,32 13,2 2,4 4,7 €22.207 337
http://www.immoweb.be/nl/Buy.es
tate.cfm?xgallery=&idbien=203030
5&startrow=1&page=1
41 239.000 Stientjesstraat
37 8570 Anzegem Anzegem 1.870 100 1 0 1 109 platteland 0 0 31,19 13,17 1,93 3,86 13,2 2,4 4,7 €22.207 337
http://www.vlan.be/nl/immo/add_d
etail.do?ID=14343398&tab=SUMM
ARY
42 223.000 Valkenstraat 42 9660 Brakel Brakel 1200 173 0 1 2 48 platteland 0 0 28,22 24,54 1,38 18,06 7,4 3,8 4,9 €20.397 245
http://www.zoek-
immo.be/brakel.asp?action=info&id
numero=14599
43 135.000 Veldstraat 16 9660 Brakel Brakel 333 150 0 0 2 59 platteland 0 0 28,22 24,54 0,62 18,06 7,4 3,8 4,9 €20.397 245 http://www.nobels.be/nobels.html
44 65.000 Wielendaalstraat
26 9660 Brakel Brakel 55 87 0 0 3 91 platteland 0 0 28,22 24,54 0,17 18,06 7,4 3,8 4,9 €20.397 245
http://www.immoweb.be/nl/Buy.Es
tate.cfm?IdBien=2348690&xgallery
=&xpage=1
45 225.000 Kruisstraat 18 9660 Brakel Brakel 479 150 1 0 2 21 platteland 0 0 28,9 24,46 0,85 18,06 7,4 3,8 4,9 €20.397 245
http://www.vitrine.be/servlet/be.x
m.korfina.vitrine.servlet.publicsite.
property.PropertyDetails?action=di
splaySpecial&code=AQA-
102&&selectedTab=general
46 306.000 Ommegangstraat 9660 Elst Brakel 785 203 1 0 3 1 platteland 0 0 25,05 24,64 3,44 17,64 7,4 3,8 4,9 €20.397 245
http://www.immoweb.be/nl/Buy.Es
tate.cfm?IdBien=1607764&xgallery
=&xpage=2
47 495.000 fayte 62 9660 Everbeek Brakel 3000 330 1 0 2 16 platteland 0 0 28,22 24,54 2,77 16,82 7,4 3,8 4,9 €20.397 245
http://www.immoweb.be/nl/Buy.es
tate.cfm?idbien=2148015&ongletac
tif=5&xincludedetail=5&mycurrent_
section=Buy&xmetri=adr&xsmall=Y
&xbg=N#onglet
35
48 167.000 Scheldestraat 20 9890 Gavere Gavere 95 160 0 0 3 51 platteland 0 0 14,84 14,84 0,2 5,59 11,2 4,2 7,3 €21.734 390
http://www.immoweb.be/nl/Buy.Es
tate.cfm?IdBien=2318713&xgallery
=&xpage=1
49 260.000 Tempelstraat 12 9890 Asper Gavere 295 174 0 1 3 0 platteland 0 0 14,98 14,98 1,45 6,88 11,2 4,2 7,3 €21.734 390
http://www.immoweb.be/nl/Buy.Es
tate.cfm?IdBien=1919111&xgallery
=&xpage=1
50 325.000 Trapstraat 13 9890 Semmerzake Gavere 466 278 0 1 3 0 platteland 0 0 14,98 14,98 0,75 5,04 11,2 4,2 7,3 €21.734 390
http://www.immoweb.be/nl/Buy.Es
tate.cfm?IdBien=2348841&xgallery
=&xpage=1
51 346.885 hofkouterstraat
49 9890 Dikkelvenne Gavere 1500 140 1 0 2 1 platteland 0 0 14,98 14,98 1,66 6,69 11,2 4,2 7,3 €21.734 390
http://www.era.be/nl/aanbod/pand
detail.aspx?objectid=183846
52 205.000 Nieuwstraat 10 9890 Gavere Gavere 271 140 0 0 3 45 platteland 0 0 14,92 14,92 0,09 5,7 11,2 4,2 7,3 €21.734 390
http://www.vlan.be/nl/immo/add_d
etail.do?tab=SUMMARY&ID=13877
293
53 370.000 Markt 32 9500 Geraardsbergen Geraardsbergen 300 450 0 0 3 139 kleinstedelijk
provinciaal 1 0 33,8 22,83 0,06 18,99 19,2 9,7 11,6 €19.754 397
http://www.zoek-
immo.be/geraardsbergen.asp?actio
n=info&idnumero=14951
54 179.000 Vuilstraat 34 9500 Geraardsbergen Geraardsbergen 891 172 0 1 3 15 kleinstedelijk
provinciaal 1 0 33,8 22,83 5,31 13,63 19,2 9,7 11,6 €19.754 397
http://www.immoweb.be/nl/buy.es
tate.cfm?idbien=2396127
55 150.000 Pachtersstraat
115 9500 Geraardsbergen Geraardsbergen 177 350 0 1 2 53
kleinstedelijk
provinciaal 1 0 33,78 21,72 0,49 19,29 19,2 9,7 11,6 €19.754 397
http://www.immoweb.be/nl/Buy.Es
tate.cfm?IdBien=2273488&xgallery
=&xpage=2
56 76.000 Kleine
Gaffelstraat 24 9500 Geraardsbergen Geraardsbergen 80 80 0 0 2 89
kleinstedelijk
provinciaal 1 0 33,06 21,48 0,56 18,91 19,2 9,7 11,6 €19.754 397
http://www.immoweb.be/nl/Buy.es
tate.cfm?idbien=X_2355070
57 160.000 Gaverstraat 26 9500 Overboelare Geraardsbergen 130 130 0 0 3 49 kleinstedelijk
provinciaal 1 0 34,46 22,92 1,5 19,53 19,2 9,7 11,6 €19.754 397
http://www.immoweb.be/nl/Buy.Es
tate.cfm?IdBien=2365155&xgallery
=&xpage=2
58 195.000 Zikastraat 12 9500 Moerbeke Geraardsbergen 645 120 0 1 3 54 kleinstedelijk
provinciaal 1 0 33,45 21,42 3,09 20,21 19,2 9,7 11,6 €19.754 397
http://www.immoweb.be/nl/Buy.Es
tate.cfm?IdBien=2247271&xgallery
=&xpage=3#onglet
59 198.000 Guilleminlaan 96 9500 Geraardsbergen Geraardsbergen 350 250 1 0 3 49 kleinstedelijk
provinciaal 1 0 33,29 21,18 0,57 18,77 19,2 9,7 11,6 €19.754 397
http://www.immoweb.be/nl/Buy.Es
tate.cfm?IdBien=2309998&xgallery
=&xpage=3#onglet
60 260.000 Kleine
Kloosterstraat 2 9500 Overboelare Geraardsbergen 2030 214 1 0 2 29
kleinstedelijk
provinciaal 1 0 33,45 21,42 1,95 18,95 19,2 9,7 11,6 €19.754 397
http://www.immoweb.be/nl/Buy.Es
tate.cfm?IdBien=2298467&xgallery
=&xpage=4#ongletphoto
61 275.000 Rekestraat 2 9500 Zarlardinge Geraardsbergen 506 104 0 1 2 5 kleinstedelijk
provinciaal 1 0 33,45 21,42 4,12 17,16 19,2 9,7 11,6 €19.754 397
http://www.immoweb.be/nl/Buy.Es
tate.cfm?IdBien=2155870&xgallery
=&xpage=4#onglet
62 290.000 Guilleminlaan 98 9500 Geraardsbergen Geraardsbergen 537 200 1 0 3 44 kleinstedelijk
provinciaal 1 0 33,28 21,16 0,57 18,75 19,2 9,7 11,6 €19.754 397
http://www.immoweb.be/nl/Buy.Es
tate.cfm?IdBien=2346372&xgallery
=&xpage=4
63 307.000 Kortelakestraat 2 9500 Overboelare Geraardsbergen 700 180 1 0 3 20 kleinstedelijk
provinciaal 1 0 33,45 21,42 2,48 18,42 19,2 9,7 11,6 €19.754 397
http://www.immoweb.be/nl/Buy.Es
tate.cfm?IdBien=2055394&xgallery
=&xpage=4#onglet
64 308.000 Majoor Van
Lierdelaan 22 9500 Overboelare Geraardsbergen 1100 200 1 0 2 15
kleinstedelijk
provinciaal 1 0 33,45 21,42 1,84 19,11 19,2 9,7 11,6 €19.754 397
http://www.immoweb.be/nl/Buy.es
tate.cfm?idbien=2338383&ongletac
tif=5&xincludedetail=5&mycurrent_
section=Buy&xmetri=adr&xsmall=Y
&xbg=N#onglet
36
65 350.000 Leliestraat 38 9500 Overboelare Geraardsbergen 844 200 1 0 3 32 kleinstedelijk
provinciaal 1 0 33,45 21,42 1,93 19,13 19,2 9,7 11,6 €19.754 397
http://www.immoweb.be/nl/Buy.Es
tate.cfm?IdBien=2261344&xgallery
=&xpage=4#ongletphoto
66 475.000 Rapidelaan 15 9500 Ophasselt Geraardsbergen 2236 290 1 0 2 7 kleinstedelijk
provinciaal 1 0 33,45 21,42 5,04 14,2 19,2 9,7 11,6 €19.754 397
http://www.immoweb.be/nl/Buy.Es
tate.cfm?IdBien=2343762&xgallery
=&xpage=5
67 225.000 Broekestraat 37 9667 Horebeke Horebeke 1600 200 0 0 3 54 platteland 0 0 23,47 23,47 1,25 15,34 5 2 3 €21.496 185
http://www.immoweb.be/nl/Buy.Es
tate.cfm?IdBien=2370662&xgallery
=&xpage=1#onglet
68 349.000 Hoogkouter 6 9667 Horebeke Horebeke 1300 85 1 0 3 193 platteland 0 0 25,49 25,49 1,19 16,97 5 2 3 €21.496 185
http://www.immoweb.be/nl/Buy.Es
tate.cfm?IdBien=2330913&xgallery
=&xpage=1
69 375.000 Leugenstraat 2 9667 Horebeke Horebeke 1740 140 1 0 3 11 platteland 0 0 23,53 23,53 0,96 15,1 5 2 3 €21.496 185
http://www.immoweb.be/nl/Buy.Es
tate.cfm?IdBien=1348047&xgallery
=&xpage=1
70 285.000 Molenstraat 33 9550 Herzele Herzele 900 190 1 0 3 89 platteland 0 0 23,03 11,69 0,82 8,12 13,1 5,9 7,2 €21.042 358
http://www.zoek-
immo.be/haaltert.asp?action=info&
idnumero=15090
71 62.000 wolvenstraat 12 9550 Herzele Herzele 180 115 0 1 2 69 platteland 0 0 24,25 13,21 0,5 8,82 13,1 5,9 7,2 €21.042 358
http://www.immoweb.be/nl/Buy.es
tate.cfm?idbien=2358779&ongletac
tif=5&xincludedetail=5&mycurrent_
section=Buy&xmetri=adr&xsmall=Y
&xbg=N#onglet
72 145.000 Mergellaan 45 9550 Herzele Herzele 248 210 0 1 2 48 platteland 0 0 20,61 12,43 1,67 8,57 13,1 5,9 7,2 €21.042 358
http://www.immoweb.be/nl/Buy.Es
tate.cfm?IdBien=2321066&xgallery
=&xpage=1#onglet
73 154.000 Spoorwegstraat
15 9550 Herzele Herzele 400 165 0 0 2 54 platteland 0 0 20,6 12,02 1,67 8,16 13,1 5,9 7,2 €21.042 358
http://www.immoweb.be/nl/Buy.Es
tate.cfm?IdBien=2177047&xgallery
=&xpage=1
74 155.000 Peperstraat 36 9550 Herzele Herzele 750 140 0 0 2 69 platteland 0 0 22,33 11,84 0,18 8,16 13,1 5,9 7,2 €21.042 358
http://www.immoweb.be/nl/Buy.Es
tate.cfm?IdBien=2138385&xgallery
=&xpage=1
75 175.000 Hoogstraat 27 9550 Herzele Herzele 277 160 0 0 3 55 platteland 0 0 22,11 12,59 0,6 8,88 13,1 5,9 7,2 €21.042 358
http://www.immoweb.be/nl/Buy.Es
tate.cfm?IdBien=2310011&xgallery
=&xpage=1#ongletphoto
76 233.150 Schonenberg 28 9550 Sint-Lievens-
Esse Herzele 980 180 1 0 2 44 platteland 0 0 24,11 14,51 3,01 11,03 13,1 5,9 7,2 €21.042 358
http://www.immoweb.be/nl/Buy.Es
tate.cfm?IdBien=2241200&xgallery
=&xpage=1
77 285.000 Provincieweg 94 9550 Hillegem Herzele 830 153 1 0 1 33 platteland 0 0 22,26 12,01 2,16 8,82 13,1 5,9 7,2 €21.042 358
http://www.immoweb.be/nl/Buy.Es
tate.cfm?IdBien=2314361&xgallery
=&xpage=1#onglet
78 298.000 Rosalie
Daamstraat 20 9550 Herzele Herzele 400 168 0 1 2 4 platteland 0 0 24,25 13,21 1,03 8,63 13,1 5,9 7,2 €21.042 358
http://www.immoweb.be/nl/Buy.Es
tate.cfm?IdBien=2344677&xgallery
=&xpage=1
79 310.000 Provincieweg
405 9550 Hillegem Herzele 581 282 1 0 2 36 platteland 0 0 22,26 12,01 2,6 9,35 13,1 5,9 7,2 €21.042 358
http://www.immoweb.be/nl/Buy.Es
tate.cfm?IdBien=2076533&xgallery
=&xpage=1#onglet
80 318.000 Bergestraat 26 9550 Steenhuize-
Wijnhuize Herzele 1273 157 1 0 2 26 platteland 0 0 26,74 14,63 4,88 11,59 13,1 5,9 7,2 €21.042 358
http://www.immoweb.be/nl/Buy.Es
tate.cfm?IdBien=2248897&xgallery
=&xpage=1
81 398.000 Terbiest 6 9550 Sint-Lievens-
Esse Herzele 2242 210 1 0 2 11 platteland 0 0 24,45 14,17 2,96 10,75 13,1 5,9 7,2 €21.042 358
http://www.immoweb.be/nl/Buy.Es
tate.cfm?IdBien=1550206&xgallery
=&xpage=1#ongletphoto
37
82 440.000 Neerwegstraat
15 9550 Woubrechtegem Herzele 5600 400 1 0 1 33 platteland 0 0 22,26 12,01 2,61 7,88 13,1 5,9 7,2 €21.042 358
http://www.immoweb.be/nl/Buy.es
tate.cfm?idbien=2213351&ongletac
tif=2&jpgnameinp=2213351_3.jpg
&xincludedetail=2&mycurrent_secti
on=Buy&xbg=N#onglet
83 215.000 Bloemenlaan 47 9690 Kluisbergen Kluisbergen 468 230 1 0 2 54 platteland 0 0 33,24 17,95 0,27 10,32 19,2 6,3 4,7 €20.068 210
http://www.immoweb.be/nl/Buy.es
tate.cfm?idbien=2389804&ongletac
tif=2&jpgnameinp=2389804_2.jpg
&xincludedetail=2&mycurrent_secti
on=Buy&xbg=N#onglet
84 309.000 Opperijsaevel 5 9690 Kluisbergen Kluisbergen 823 147 1 0 2 3 platteland 0 0 33,63 17,63 0,35 10,34 19,2 6,3 4,7 €20.068 210
http://www.immoweb.be/nl/Buy.Es
tate.cfm?IdBien=2381210&xgallery
=&xpage=1#ongletphoto
85 314.000 Doreken 9690 Kluisbergen Kluisbergen 600 225 1 0 2 6 platteland 0 0 33,28 17,69 2,3 11,42 19,2 6,3 4,7 €20.068 210
http://www.immoweb.be/nl/Buy.Es
tate.cfm?IdBien=2345174&xgallery
=&xpage=1
86 450.000 Ommegangstraat
24 9690 Kluisbergen Kluisbergen 1091 285 1 0 2 33 platteland 0 0 33,97 19,12 1,74 11,83 19,2 6,3 4,7 €20.068 210
http://www.immoweb.be/nl/Buy.Es
tate.cfm?IdBien=1648266&xgallery
=&xpage=1
87 695.000 Buissestraat 77 9690 Kluisbergen Kluisbergen 5037 450 1 0 2 18 platteland 0 0 36,66 17,09 3,38 12,11 19,2 6,3 4,7 €20.068 210
http://www.immoweb.be/nl/Buy.Es
tate.cfm?IdBien=2159666&xgallery
=&xpage=1
88 395.000 Gaversstraat 15 9770 Kruishoutem Kruishoutem 1970 214 1 0 2 5 platteland 0 0 21,37 20 2,94 3,73 13,3 2,5 3,8 €20.161 174
http://www.immoweb.be/nl/Buy.Es
tate.cfm?IdBien=2379221&xgallery
=&xpage=1#onglet
89 515.000 Ouwegemsestee
nweg 254 9770 Kruishoutem Kruishoutem 17000 340 1 0 3 34 platteland 0 0 18,82 18,82 3,42 4,37 13,3 2,5 3,8 €20.161 174
http://www.immoweb.be/nl/Buy.Es
tate.cfm?IdBien=2244790&xgallery
=&xpage=1
91 670.000 Deinsesteenweg
202 9770 Kruishoutem Kruishoutem 1799 338 1 0 2 24 platteland 0 0 19,11 19,11 3,2 3,41 13,3 2,5 3,8 €20.161 174
http://www.immoweb.be/nl/Buy.Es
tate.cfm?IdBien=2394878&xgallery
=&xpage=1
92 268.000 Nieuwe wijk 20 9570 Lierde Lierde 800 220 1 0 3 39 platteland 0 0 27,75 20,37 1,71 17,06 5,6 5,5 2,5 €21.387 247
http://www.immoweb.be/nl/Buy.Es
tate.cfm?IdBien=2216980&xgallery
=&xpage=1
93 279.500 Watermolenstraa
t 59 9570 Deftinge Lierde 907 278 1 0 3 79 platteland 0 0 27,52 18,75 3,04 17,99 5,6 5,5 2,5 €21.387 247
http://www.immoweb.be/nl/Buy.Es
tate.cfm?IdBien=2282983&xgallery
=&xpage=1#ongletphoto
94 295.000 Strichtstraat 16 9570 Deftinge Lierde 1607 200 1 0 2 32 platteland 0 0 30,63 20,19 3,11 17,33 5,6 5,5 2,5 €21.387 247
http://www.immoweb.be/nl/Buy.Es
tate.cfm?IdBien=2227000&xgallery
=&xpage=1#ongletphoto
95 189.000 Hofveldstraat 37 9680 Maarkedal Maarkedal 1154 200 1 0 2 45 platteland 0 0 29,3 27,22 3,71 16,24 7,3 2,6 4,3 €20.156 141
http://www.immoweb.be/nl/Buy.Es
tate.cfm?IdBien=2366116&xgallery
=&xpage=1
96 198.000 Louise-
Mariestraat 13 9680 Maarkedal Maarkedal 366 240 0 1 2 72 platteland 0 0 29,3 27,22 4,62 12,59 7,3 2,6 4,3 €20.156 141
http://www.immoweb.be/nl/Buy.Es
tate.cfm?IdBien=2243544&xgallery
=&xpage=1
97 106.000 Baarstraat 64 9700 Oudenaarde Oudenaarde 75 145 0 0 2 59
structuuronde
rsteunende
steden
0 1 25,56 24,12 0,4 11,27 28,1 8 8,1 €20.608 426
http://www.immoweb.be/nl/Buy.Es
tate.cfm?IdBien=2146346&xgallery
=&xpage=1
98 107.000 Graaf van
Landastraat 64 9700 Oudenaarde Oudenaarde 87 150 0 0 3 109
structuuronde
rsteunende
steden
0 1 21,7 21,7 3,5 10 28,1 8 8,1 €20.608 426
http://www.immoweb.be/nl/Buy.Es
tate.cfm?IdBien=2327694&xgallery
=&xpage=1
38
99 135.000 Gevaertsdreef 79 9700 Oudenaarde Oudenaarde 180 188 0 0 3 112
structuuronde
rsteunende
steden
0 1 24,66 24,08 0,63 10,62 28,1 8 8,1 €20.608 426
http://www.immoweb.be/nl/Buy.Es
tate.cfm?IdBien=2326656&xgallery
=&xpage=1#ongletphoto
100 165.000 Diependale 44 9700 Oudenaarde Oudenaarde 200 112 0 0 2 109
structuuronde
rsteunende
steden
0 1 25,86 24,07 0,71 11,41 28,1 8 8,1 €20.608 426
http://www.immoweb.be/nl/Buy.Es
tate.cfm?IdBien=1770962&xgallery
=&xpage=1
101 175.000 Fabriekstraat 16 9700 Oudenaarde Oudenaarde 224 100 0 0 2 71
structuuronde
rsteunende
steden
0 1 22,08 22,08 3,08 10,57 28,1 8 8,1 €20.608 426
http://www.immoweb.be/nl/Buy.Es
tate.cfm?IdBien=2175964&xgallery
=&xpage=1
102 179.000 Ronseweg 110 9700 Oudenaarde Oudenaarde 645 135 0 1 3 56
structuuronde
rsteunende
steden
0 1 27,09 23,84 1,95 12,02 28,1 8 8,1 €20.608 426
http://www.immoweb.be/nl/Buy.Es
tate.cfm?IdBien=2279481&xgallery
=&xpage=1
103 199.000 Doornikse
Heerweg 88 9700 Bevere Oudenaarde 360 116 0 0 2 49
structuuronde
rsteunende
steden
0 1 24,74 22,89 1,73 9,37 28,1 8 8,1 €20.608 426
http://www.immoweb.be/nl/Buy.Es
tate.cfm?IdBien=2010296&xgallery
=&xpage=2
104 300.000 Oudstrijdersstraa
t 66 9700 Oudenaarde Oudenaarde 417 241 0 1 3 36
structuuronde
rsteunende
steden
0 1 22,08 22,08 3,23 11,21 28,1 8 8,1 €20.608 426
http://www.immoweb.be/nl/Buy.Es
tate.cfm?IdBien=2279482&xgallery
=&xpage=3
105 325.000 Georges
Lobertstraat 6 9700 Oudenaarde Oudenaarde 482 287 0 0 2 51
structuuronde
rsteunende
steden
0 1 26,41 23,68 1,25 11,39 28,1 8 8,1 €20.608 426
http://www.immoweb.be/nl/Buy.Es
tate.cfm?IdBien=2378423&xgallery
=&xpage=3
106 600.000 Berchemweg 29 9700 Oudenaarde Oudenaarde 3767 400 1 0 2 49
structuuronde
rsteunende
steden
0 1 26,49 23,49 1,35 11,26 28,1 8 8,1 €20.608 426
http://www.immoweb.be/nl/Buy.Es
tate.cfm?IdBien=770687&xgallery=
&xpage=3
107 125.000 Geraardsbergse
steenweg 104 9860 Oosterzele Oosterzele 937 190 0 1 2 59 platteland 0 0 12,92 12,92 0,72 3,13 9,9 3,7 6,8 €21.965 307
http://www.immoweb.be/nl/Buy.Es
tate.cfm?IdBien=2389892&xgallery
=&xpage=1
108 320.000 Poststraat 5 9860 Balegem Oosterzele 1107 400 1 0 2 42 platteland 0 0 13,45 13,45 2,67 6,48 9,9 3,7 6,8 €21.965 307
http://www.immoweb.be/nl/Buy.Es
tate.cfm?IdBien=2316311&xgallery
=&xpage=1#onglet
109 320.000 Stekelbaarsstraa
t 9 9860 Moortsele Oosterzele 525 202 0 1 2 17 platteland 0 0 13,45 13,45 2,69 3,89 9,9 3,7 6,8 €21.965 307
http://www.immoweb.be/nl/Buy.Es
tate.cfm?IdBien=2323814&xgallery
=&xpage=1#onglet
110 359.000 Voordries 78 9860 Oosterzele Oosterzele 585 230 0 1 3 8 platteland 0 0 12,76 12,76 0,78 3,11 9,9 3,7 6,8 €21.965 307
http://www.immoweb.be/nl/Buy.Es
tate.cfm?IdBien=2390463&xgallery
=&xpage=1
111 95.000 Ernest
Solvaystraat 6 9600 Ronse Ronse 100 96 0 0 3 71
structuuronde
rsteunende
steden
0 1 36,72 25,98 1,34 9,09 31,7 12,2 10,3 €17.528 714
http://www.immoweb.be/nl/Buy.Es
tate.cfm?IdBien=2388780&xgallery
=&xpage=1
112 162.500 Georges
Dumontstraat 5 9600 Ronse Ronse 186 131 0 0 3 56
structuuronde
rsteunende
steden
0 1 36,91 25,91 1,48 8,99 31,7 12,2 10,3 €17.528 714
http://www.immoweb.be/nl/Buy.Es
tate.cfm?IdBien=1368915&xgallery
=&xpage=3#onglet
113 165.000 Langehaag 60 9600 Ronse Ronse 140 130 0 0 3 54
structuuronde
rsteunende
steden
0 1 35,16 24,67 0,61 11,01 31,7 12,2 10,3 €17.528 714
http://www.immoweb.be/nl/Buy.Es
tate.cfm?IdBien=2280491&xgallery
=&xpage=3
114 209.000 Elzeelsesteenweg
125 9600 Ronse Ronse 1276 180 0 0 3 86
structuuronde
rsteunende
steden
0 1 36,05 27,01 1,83 9,12 31,7 12,2 10,3 €17.528 714
http://www.immoweb.be/nl/Buy.Es
tate.cfm?IdBien=2364472&xgallery
=&xpage=4
115 249.000 Ninovestraat 97 9600 Ronse Ronse 279 513 0 0 3 61
structuuronde
rsteunende
steden
0 1 34,79 26,02 1,18 10,61 31,7 12,2 10,3 €17.528 714
http://www.immoweb.be/nl/Buy.Es
tate.cfm?IdBien=2180831&xgallery
=&xpage=5
39
116 270.000 Steenveldstraat
14 9600 Ronse Ronse 3500 400 1 0 2 53
structuuronde
rsteunende
steden
0 1 35,81 23,23 2,01 11,49 31,7 12,2 10,3 €17.528 714
http://www.immoweb.be/nl/Buy.Es
tate.cfm?IdBien=2276205&xgallery
=&xpage=5
117 311.000 Ninoofsesteenwe
g 338 9600 Ronse Ronse 2230 500 1 0 3 49
structuuronde
rsteunende
steden
0 1 34,27 27,42 2,71 10,58 31,7 12,2 10,3 €17.528 714
http://www.immoweb.be/nl/Buy.Es
tate.cfm?IdBien=2326654&xgallery
=&xpage=5
118 362.000 Savooistraat 175 9600 Ronse Ronse 1251 208 1 0 2 10
structuuronde
rsteunende
steden
0 1 33,39 26,39 2,55 11,71 31,7 12,2 10,3 €17.528 714
http://www.immoweb.be/nl/Buy.Es
tate.cfm?IdBien=2267895&xgallery
=&xpage=5#onglet
119 450.000 Ovide
Decrolylaan 29 9600 Ronse Ronse 1828 600 1 0 3 79
structuuronde
rsteunende
steden
0 1 35,77 26,16 0,98 9,73 31,7 12,2 10,3 €17.528 714
http://www.immoweb.be/nl/Buy.Es
tate.cfm?IdBien=2048823&xgallery
=&xpage=5
Extra data voor voorspellingen
1 165.000 Jules
Lootenslaan 60 9620 Zottegem Zottegem 201 132 0 0 2 47
kleinstedelijk
provinciaal 1 0 21,99 17,32 0,88 12,36 19,2 7,5 11,8 €21.326 435
2 240.000 Olekenbosstraat
13A 8570 Vichte Anzegem 558 150 0 1 2 11 platteland 0 0 34,39 8,47 6,6 1,93 13,2 2,4 4,7 €22.207 337
3 299.000 Burgscheldestraa
t 60 9700 Oudenaarde Oudenaarde 116 325 0 0 3 49
structuuronde
rsteunende
steden
0 1 25,06 24,08 0,22 10,89 28,1 8 8,1 €20.608 426
4 175.000 Galgestraat 94 9700 Oudenaarde Oudenaarde 338 140 0 1 2 34
structuuronde
rsteunende
steden
0 1 23,5 23,5 1,67 10,77 28,1 8 8,1 €20.608 426
5 375.000 Deurnestraat 48 9600 Ronse Ronse 1035 150 1 0 2 12
structuuronde
rsteunende
steden
0 1 36,6 26,77 1,79 8,78 31,7 12,2 10,3 €17.528 714
6 148.000 Monseigneur
Beylstraat 78 9600 Ronse Ronse 300 168 0 0 3 49
structuuronde
rsteunende
steden
0 1 35,64 26,83 1,65 9,54 31,7 12,2 10,3 €17.528 714
7 185.000 Langestraat 40 9790 Wortegem-
Petegem
Wortegem-
Petegem 1325 103 1 0 1 44 platteland 0 0 30,19 16,68 3,14 6,68 7,2 3,2 3,3 €21.455 146
8 248.000 Zuidlaan 120 9630 Zwalm Zwalm 766 150 1 0 2 35 platteland 0 0 20,43 20,43 0,65 13,4 6,4 3,5 4,4 €21.233 234
9 390.000 Oude
blekerijstraat 34 9660 Brakel Brakel 1122 280 1 0 2 13 platteland 0 0 28,22 24,54 0,04 18,06 7,4 3,8 4,9 €20.397 245
10 280.000 Holenbroek 50 9660 Opbrakel Brakel 1108 150 1 0 2 9 platteland 0 0 29,4 26,08 1,61 16,51 7,4 3,8 4,9 €20.397 245
11 195.000 Blekerij 12 9620 Zottegem Zottegem 486 200 0 1 3 79 kleinstedelijk
provinciaal 1 0 21,33 19,62 1,85 12,65 19,2 7,5 11,8 €21.326 435
12 245.000 Penningenstraat
3 9620 Velzeke Zottegem 362 160 0 1 3 14
kleinstedelijk
provinciaal 1 0 21,34 17,8 2,36 10,6 19,2 7,5 11,8 €21.326 435
Bijlage 11.1.2 Geografische spreiding
40
41
Bijlage 11.1.3 Spreidingsgrafieken
0
100.000
200.000
300.000
400.000
500.000
600.000
700.000
800.000
0 20 40 60 80 100 120
Vraagprijs Y
0
1.000
2.000
3.000
4.000
5.000
6.000
0 20 40 60 80 100 120
oppervlakte in m2 X1
0
100
200
300
400
500
600
700
0 20 40 60 80 100 120
bewoonbare oppervlakte in
m2 X2
0
0,5
1
1,5
2
2,5
3
3,5
0 20 40 60 80 100 120
aantal verdiepingen X4
42
0
20
40
60
80
100
120
0 20 40 60 80 100 120
ouderdom X5
0
5
10
15
20
25
30
35
40
0 20 40 60 80 100 120
Afstand tot aan Grootstad
(Gent) in km X7
0
5
10
15
20
25
30
0 20 40 60 80 100 120
Afstand tot ditchstb.
Centrumstd in km X8
0
1
2
3
4
5
6
7
0 20 40 60 80 100 120
Afstand tot dorpskern in km
X9
43
0
5
10
15
20
25
0 20 40 60 80 100 120
Afstand tot autosnelwegoprit
in km X10
0
10
20
30
40
0 20 40 60 80 100 120
Aantal geregistreerde
diefstallen en afpersingen
X11
0
5
10
15
0 20 40 60 80 100 120
Aantal geregistreerde
misdrijven tegen de
lichamelijke integriteit X12
0
5
10
15
0 20 40 60 80 100 120
Aantal geregistreerde
gewelddadige misdrijven
tegen eigendom X13
44
€-
€5.000
€10.000
€15.000
€20.000
€25.000
0 20 40 60 80 100 120
mediaan inkomen gemeente
in 2006 (Fiscale inkomens)
(euro) X14
0
100
200
300
400
500
600
700
800
0 20 40 60 80 100 120
bevolkingsdictheid (2008)
(inw/km2) X15
45
11.2 Bijlagen bij selectie van de variabelen
Bijlage 11.2.1 Correlatietabel
Y X1 X2 X3A X3B X4 X5 X6A X6B X7 X8 X9 X10 X11
Y 1,0000
X1 0,6877 1,0000
X2 0,6245 0,5683 1,0000
X3A 0,5448 0,5580 0,3815 1,0000
X3B -0,1402 -0,2702 -0,1288 -0,5898 1,0000
X4 -0,1778 -0,3373 -0,0152 -0,3421 0,1750 1,0000
X5 -0,3744 -0,1308 -0,0658 -0,2175 -0,2285 0,1408 1,0000
X6A 0,0149 -0,0596 -0,0168 0,0505 0,0408 0,0876 -0,1783 1,0000
X6B -0,1566 -0,0648 0,1406 -0,2304 -0,1516 0,2458 0,4210 -0,2507 1,0000
X7 -0,0897 0,0678 0,0945 0,1137 -0,2078 0,1912 0,2154 0,1864 0,3012 1,0000
X8 -0,1126 -0,0297 0,0800 -0,0785 -0,1498 0,3250 0,2231 0,1350 0,5373 0,5144 1,0000
X9 0,1933 0,2216 0,1225 0,2648 -0,0111 -0,1645 -0,2352 0,0923 -0,0746 0,1860 -0,0313 1,0000
X10 -0,1342 -0,0158 -0,0620 0,1501 -0,1871 0,1563 0,0095 0,5205 -0,0540 0,4665 0,6003 0,0363 1,0000
X11 -0,0706 -0,0474 0,1909 -0,1429 -0,1480 0,2403 0,2892 0,2246 0,8153 0,4667 0,4322 -0,0251 0,0586 1,0000
X12 -0,1211 -0,0536 0,1850 -0,0358 -0,1870 0,2786 0,1927 0,4540 0,5958 0,5606 0,4511 -0,0124 0,3753 0,8555
X13 -0,0941 -0,0940 0,0922 -0,0814 -0,0369 0,2040 0,0235 0,7774 0,2651 0,2487 0,2203 0,0146 0,3265 0,6706
X14 0,0443 -0,0316 -0,2480 -0,0174 0,2085 -0,2467 -0,2112 -0,0451 -0,5863 -0,6504 -0,6254 0,0286 -0,2756 -0,6567
X15 -0,1529 -0,0639 0,1912 -0,1272 -0,1269 0,2638 0,1974 0,2107 0,6797 0,3036 0,2681 -0,0590 -0,0038 0,8127
X12 X13 X14 X15
X12 1,0000
X13 0,8134 1,0000
X14 -0,7576 -0,3846 1
X15 0,8290 0,7178 -0,62779 1
46
Bijlage 11.2.2 Tabel Regressie model 1, kandidaat 1
SAMENVATTING UITVOER
Gegevens voor de regressie
Meervoudige correlatiecoëfficiënt R 0,687738
R-kwadraat 0,472983
Aangepaste kleinste kwadraat 0,468058
Standaardfout 93880,09
Waarnemingen 109
Variantie-analyse
Vrijheidsgraden Kwadratensom Gemiddelde kwadraten F Significantie F
Regressie 1 8,46E+11 8,46E+11 96,02948 1,45244E-16
Storing 107 9,43E+11 8,81E+09
Totaal 108 1,79E+12
Coëfficiënten Standaardfout T- statistische gegevens P-waarde Laagste 95% Hoogste 95%
Snijpunt 191615,3 13020,97 14,7159 1,82E-27 165802,7848 217427,9
X1 88,0791 8,988155 9,799463 1,45E-16 70,26112729 105,8971
47
Bijlage 11.2.3 Tabel Regressie model 2, kandidaat 1
SAMENVATTING UITVOER
Gegevens voor de regressie
Meervoudige correlatiecoëfficiënt R 0,744072
R-kwadraat 0,553644 ok
Aangepaste kleinste kwadraat 0,545222
Standaardfout 86804,25
Waarnemingen 109
Variantie-analyse
Vrijheidsgraden Kwadratensom Gemiddelde kwadraten F Significantie F
Regressie 2 9,91E+11 4,95343E+11 65,7392 2,71E-19
Storing 106 7,99E+11 7534978404
Totaal 108 1,79E+12
Coëfficiënten Standaardfout T- statistische gegevens P-waarde Laagste 95% Hoogste 95%
Snijpunt 118918 20514,65 5,796735322 7,04E-08 78245,71 159590,3
X1 62,95979 10,09992 6,233694436 9,43E-09 42,93573 82,98386
X2 461,684 105,4877 4,376661957 2,83E-05 252,5444 670,8236
marginale bijdrage delta R2: 0,0807
F-waarde 19,15516989
OK 2,83331E-05 ok
48
Bijlage 11.2.4 QMC hogere orde X3a
SAMENVATTING UITVOER
Gegevens voor de regressie
Meervoudige correlatiecoëfficiënt R 0,563473
R-kwadraat 0,317502
Aangepaste kleinste kwadraat 0,304624
Standaardfout 0,418713
Waarnemingen 109
Variantie-analyse
Vrijheidsgraden Kwadratensom
Gemiddelde
kwadraten F
Significantie
F
Regressie 2 8,645367 4,322683 24,65587 1,61E-09
Storing 106 18,58399 0,175321
Totaal 108 27,22936
Coëfficiënten Standaardfout
T- statistische
gegevens P-waarde
Laagste
95%
Hoogste
95%
Snijpunt 0,14352 0,098955 1,450348 0,149914 -0,05267 0,339709
X1 0,000252 4,87E-05 5,167962 1,12E-06 0,000155 0,000348
X2 0,000496 0,000509 0,975374 0,331595 -0,00051 0,001505
49
Bijlage 11.2.5 Tabel Regressie model 3, kandidaat 1
SAMENVATTING UITVOER
Gegevens voor de regressie
Meervoudige correlatiecoëfficiënt R 0,762815
R-kwadraat 0,581887 ok
Aangepaste kleinste kwadraat 0,569941
Standaardfout 84412,2
Waarnemingen 109
Variantie-analyse
Vrijheidsgraden Kwadratensom
Gemiddelde
kwadraten F
Significantie
F
Regressie 3 1,04E+12 3,47E+11 48,70943 8,3E-20
Storing 105 7,48E+11 7,13E+09
Totaal 108 1,79E+12
Coëfficiënten Standaardfout
T- statistische
gegevens P-waarde Laagste 95%
Hoogste
95%
Snijpunt 111433,6 20146,3 5,531221 2,35E-07 71487,26 151380
X1 49,83009 10,98948 4,534343 1,54E-05 28,03998 71,62021
X2 435,8024 103,0401 4,229445 5,02E-05 231,4929 640,1119
X3A 52148,53 19581,04 2,663216 0,008959 13322,95 90974,12
marginale bijdrage delta R2 0,028243
F-waarde 7,092719
OK 0,008959 ok
50
Bijlage 11.2.6 QMC hogere orde X5
SAMENVATTING UITVOER
Gegevens voor de regressie
Meervoudige correlatiecoëfficiënt R 0,219441
R-kwadraat 0,048154
Aangepaste kleinste kwadraat 0,020959
Standaardfout 28,02734
Waarnemingen 109
Variantie-analyse
Vrijheidsgraden Kwadratensom
Gemiddelde
kwadraten F
Significantie
F
Regressie 3 4172,731 1390,91 1,770661 0,157289
Storing 105 82480,85 785,5319
Totaal 108 86653,58
Coëfficiënten Standaardfout
T- statistische
gegevens P-waarde
Laagste
95%
Hoogste
95%
Snijpunt 43,37583 6,689166 6,48449 2,97E-09 30,11245 56,63921
X1 -0,00087 0,003649 -0,23733 0,812865 -0,0081 0,006369
X2 0,009688 0,034212 0,283165 0,777608 -0,05815 0,077525
X3A -12,0096 6,501483 -1,84721 0,067533 -24,9008 0,881646
51
Bijlage 11.2.7 Tabel Regressie model 4, kandidaat 1
SAMENVATTING UITVOER
Gegevens voor de regressie
Meervoudige correlatiecoëfficiënt R 0,807285 Gemiddelde Y 283901,2
R-kwadraat 0,651709 ok Se/Gem(Y) 27%
Aangepaste kleinste kwadraat 0,638313
Standaardfout 77411,87
Waarnemingen 109
Variantie-analyse
Vrijheidsgraden Kwadratensom
Gemiddelde
kwadraten F
Significantie
F
Regressie 4 1,17E+12 2,91541E+11 48,65021 5,29E-23
Storing 104 6,23E+11 5992597222
Totaal 108 1,79E+12
Coëfficiënten Standaardfout
T- statistische
gegevens P-waarde
Laagste
95%
Hoogste
95%
Snijpunt 164818,8 21864,19 7,53829708 1,85E-11 121461,3 208176,3
X1 48,76429 10,08083 4,837331314 4,58E-06 28,77364 68,75495
X2 447,7257 94,53101 4,736283465 6,91E-06 260,2671 635,1842
X3A 37367,64 18246,62 2,047921131 0,043087 1183,908 73551,37
X5 -1230,76 269,5448 -4,56605848 1,37E-05 -1765,27 -696,24
marginale bijdrage delta R2 0,069821937
20,84889001
1,36858E-05 ok
52
Bijlage 11.2.8 QMC hogere orde X9
SAMENVATTING UITVOER
Gegevens voor de regressie
Meervoudige correlatiecoëfficiënt R 0,333191
R-kwadraat 0,111016
Aangepaste kleinste kwadraat 0,076824
Standaardfout 1,289818
Waarnemingen 109
Variantie-analyse
Vrijheidsgraden Kwadratensom
Gemiddelde
kwadraten F
Significantie
F
Regressie 4 21,60637 5,401592 3,246868 0,014902
Storing 104 173,0177 1,663631
Totaal 108 194,624
Coëfficiënten Standaardfout
T- statistische
gegevens P-waarde
Laagste
95%
Hoogste
95%
Snijpunt 1,929959 0,364296 5,297776 6,59E-07 1,207546 2,652372
X1 0,000153 0,000168 0,909312 0,365288 -0,00018 0,000486
X2 -0,00026 0,001575 -0,16512 0,869168 -0,00338 0,002863
X3A 0,448851 0,304021 1,476381 0,142863 -0,15403 1,051735
X5 -0,00877 0,004491 -1,95165 0,053669 -0,01767 0,000141
53
Bijlage 11.2.9 Tabel Regressie model 5, kandidaat 1
SAMENVATTING UITVOER
Gegevens voor de regressie
Meervoudige correlatiecoëfficiënt R 0,808111
R-kwadraat 0,653044 ok
Aangepaste kleinste kwadraat 0,636202
Standaardfout 77637,52
Waarnemingen 109
Variantie-analyse
Vrijheidsgraden Kwadratensom
Gemiddelde
kwadraten F
Significantie
F
Regressie 5 1,17E+12 2,34E+11 38,77353 3,26E-22
Storing 103 6,21E+11 6,03E+09
Totaal 108 1,79E+12
Coëfficiënten Standaardfout
T- statistische
gegevens P-waarde Laagste 95%
Hoogste
95%
Snijpunt 171990,3 24710,25 6,960281 3,25E-10 122983,3 220997,2
X1 49,33183 10,15032 4,860125 4,21E-06 29,20106 69,46259
X2 446,7593 94,81899 4,711707 7,71E-06 258,7082 634,8104
X3A 39035,51 18490,58 2,111102 0,037184 2363,802 75707,22
X5 -1263,33 275,2364 -4,58997 1,26E-05 -1809,19 -717,461
X9 -3715,87 5902,37 -0,62956 0,530379 -15421,8 7990,086
marginale bijdrage delta R2 0,001335
F 0,396341
OK 0,530379 niet ok
11.3 Bijlagen bij controle van de basisveronderstelling 1
Bijlage 11.3.1 Grafiek: fouten uitgezet op Y (BO1)
Bijlagen bij controle van de basisveronderstelling 1
54
55
Bijlage 11.3.2 Output van de regressie na het weglaten van de outliers bij BO1
SUMMARY OUTPUT
Regression Statistics
Multiple R 0,895021 Gemiddelde 271002,3
R Square 0,801063 Se/gem(Y) 0,194229
Adjusted R Square 0,792859
Standard Error 52636,5
Observations 102
ANOVA
df SS MS F
Significance
F
Regression 4 1,08E+12 2,71E+11 97,64781 3,87E-33
Residual 97 2,69E+11 2,77E+09
Total 101 1,35E+12
Coefficients
Standard
Error t Stat P-value Lower 95%
Upper
95%
Intercept 151490 15856,54 9,553781 1,23E-15 120019,1 182960,8
X1 62,7972 8,151784 7,703492 1,14E-11 46,61817 78,97624
X2 461,6259 68,28577 6,760207 1,03E-09 326,0976 597,1543
X3A 33708,59 12921,72 2,608678 0,010527 8062,563 59354,62
X5 -1269,4 186,9955 -6,78841 9,06E-10 -1640,54 -898,268
Bijlage 11.3.3 Grafiek: fouten uitgezet op Y na het weglaten van extra outliers (BO1)Grafiek: fouten uitgezet op Y na het weglaten van extra outliers (BO1)
56
Bijlage 11.3.4 Ln-transformatie van de variabelen
Bijlage 11.3.5 Ln-transformatie op Y
Bijlage 11.3.6 Wortel(X1)-transformatie
Bijlage 11.3.7 Wortel(Y)-transformatie
57
transformatie
transformatie
Bijlage 11.3.8 Variabele X16: perceelopp. Groter als derde kwartiel
Bijlage 11.3.9 Variabele X18a:percentage -18j in de gemeente
: perceelopp. Groter als derde kwartiel
18j in de gemeente
Bijlage 11.3.10 Variabele X18b:percentage
Bijlage 11.3.11 Variabele X18c:percentage +65j in de gemeente
58
:percentage -18j-65j in de gemeente
:percentage +65j in de gemeente
Bijlage 11.3.12 Variabele X19: Opcentiemen in de gemeente of stad
Bijlage 11.3.13 Variabele X20a: Afstand tot Brussel in km
: Opcentiemen in de gemeente of stad
: Afstand tot Brussel in km
59
11.4 Bijlagen bij controle van de basisveronderstelling
Bijlage 11.4.1 Grafieken bij BO2
Bijlagen bij controle van de basisveronderstelling 2
60
61
Bijlage 11.4.2 Bartlett: sorteren op Y
62
Bijlage 11.4.3 Bartlett: sorteren op X1
63
Bijlage 11.4.4 Bartlett: sorteren op X2
64
Bijlage 11.4.5 Bartlett: sorteren op X3A
65
Bijlage 11.4.6 Bartlett: sorteren op X5
66
11.5 Bijlagen bij controle van de basisveronderstelling 4
Bijlage 11.5.1 Histogram
bins abs freq rel freq
-125000 0 0
-99330 5 0,04902
-73660 4 0,039216
-47990 5 0,04902
-22320 14 0,137255
3350 24 0,235294
29020 26 0,254902
54690 10 0,098039
80360 9 0,088235
106030 1 0,009804
131700 3 0,029412
157370 1 0,009804
totaal 102 1
0
0,05
0,1
0,15
0,2
0,25
0,3
histogram
rel freq
fouten
minimumfout -120029
maximumfout 136644,9
range 256673,8
klassengrootte 25667,38 25670±
aantal klassen 11
67
Bijlage 11.5.2 Kolmogorov-Smirnov
Storingen EVF TVF abs(EVF-TVF)
1 -120029 0,009804 0,011294 0,001489969
2 -114652 0,019608 0,014696 0,004911784
3 -106896 0,029412 0,021136 0,008275651
4 -106115 0,039216 0,0219 0,017315772
5 -103869 0,04902 0,02423 0,024789969
6 -98145,1 0,058824 0,03112 0,02770356
7 -96716,3 0,068627 0,033073 0,035554757
8 -88800,9 0,078431 0,045796 0,032635368
9 -79390,9 0,088235 0,065741 0,022494655
10 -72379,1 0,098039 0,084554 0,013484889
11 -66050,5 0,107843 0,104768 0,003075135
12 -62383,3 0,117647 0,117975 0,00032762
13 -58073,8 0,127451 0,134949 0,007497783
14 -50742,9 0,137255 0,167517 0,030261721
15 -47118,3 0,147059 0,18535 0,038290966
16 -45381,1 0,156863 0,194299 0,03743673
17 -45240,7 0,166667 0,195035 0,02836784
18 -42817,9 0,176471 0,207976 0,031505165
19 -42240,7 0,186275 0,211132 0,024857643
20 -41180,8 0,196078 0,217001 0,020922703
21 -40828,8 0,205882 0,218971 0,013088455
22 -37213,9 0,215686 0,239784 0,02409785
23 -32864,8 0,22549 0,266191 0,040700943
24 -31750,6 0,235294 0,273186 0,037892348
25 -30229,4 0,245098 0,282881 0,037782921
26 -30045,6 0,254902 0,284063 0,029160982
27 -26684,6 0,264706 0,306092 0,041385721
28 -22776,6 0,27451 0,332611 0,058101464
29 -21893,6 0,284314 0,338727 0,054413229
30 -20935 0,294118 0,345415 0,051297691
31 -20626,7 0,303922 0,347577 0,043655332
32 -19559,6 0,313725 0,355096 0,041370626
33 -19487,3 0,323529 0,355608 0,032078302
34 -19035,1 0,333333 0,358813 0,025480015
35 -16958,2 0,343137 0,37366 0,030522759
36 -14589,6 0,352941 0,390822 0,037881051
37 -14342,9 0,362745 0,392622 0,029877344
38 -11776 0,372549 0,411486 0,038937298
39 -11472,7 0,382353 0,413729 0,03137655
40 -10967,9 0,392157 0,41747 0,025313015
41 -10616,3 0,401961 0,420079 0,018118677
42 -6349,97 0,411765 0,451989 0,040224118
43 -5794,69 0,421569 0,456169 0,034600843
44 -5126,29 0,431373 0,461208 0,029835667
45 -4466,96 0,441176 0,466185 0,025008138
46 -4288,74 0,45098 0,467531 0,01655031
47 -4227,1 0,460784 0,467996 0,007212094
48 -3705,87 0,470588 0,471936 0,001347445
49 423,702 0,480392 0,503211 0,022819128
50 2072,222 0,490196 0,515702 0,025505639
51 2535,772 0,5 0,519212 0,019211681
52 3217,346 0,509804 0,52437 0,014565798
53 3456,782 0,519608 0,526181 0,00657296
54 3836,264 0,529412 0,52905 0,000361689
55 4132,423 0,539216 0,531288 0,007927393
56 4133,043 0,54902 0,531293 0,017726632
68
57 5419,812 0,558824 0,541005 0,017818189
58 6567,731 0,568627 0,549649 0,018978204
59 8068,553 0,578431 0,560914 0,017516887
60 8609,527 0,588235 0,564963 0,02327181
61 9295,196 0,598039 0,570086 0,027953569
62 9661,961 0,607843 0,572821 0,035022421
63 9943,322 0,617647 0,574917 0,042730517
64 13254,81 0,627451 0,599409 0,028041883
65 13389,81 0,637255 0,6004 0,036854862
66 14917,99 0,647059 0,611571 0,035488087
67 15914,54 0,656863 0,618807 0,038056121
68 16158,49 0,666667 0,620572 0,046095
69 18195,7 0,676471 0,635211 0,041259981
70 18941,3 0,686275 0,640521 0,045753786
71 19167,7 0,696078 0,642128 0,053950623
72 20138,8 0,705882 0,648992 0,056890015
73 24401,21 0,715686 0,678526 0,037160748
74 25858,94 0,72549 0,688384 0,037106571
75 27593,98 0,735294 0,699943 0,035351119
76 28209,32 0,745098 0,703995 0,041102545
77 28572,99 0,754902 0,706379 0,048523325
78 28987,5 0,764706 0,709084 0,0556218
79 29870,12 0,77451 0,714806 0,059704113
80 33555,18 0,784314 0,738097 0,046216977
81 34607,89 0,794118 0,744567 0,049551103
82 35022,1 0,803922 0,747089 0,056832421
83 40806,6 0,813725 0,780905 0,032820605
84 48915,62 0,823529 0,823636 0,000106341
85 50072,58 0,833333 0,829271 0,004061904
86 51105,31 0,843137 0,834203 0,008933773
87 53408,47 0,852941 0,844867 0,008073681
88 53568,94 0,862745 0,845593 0,017151852
89 55794,75 0,872549 0,855428 0,01712104
90 56770,26 0,882353 0,859602 0,022750665
91 60096,32 0,892157 0,873215 0,018941397
92 63872,92 0,901961 0,887525 0,014435468
93 68551,89 0,911765 0,903604 0,008160686
94 73710,79 0,921569 0,919299 0,002269301
95 73775,2 0,931373 0,919482 0,011890249
96 74754,94 0,941176 0,922227 0,018949583
97 75494,69 0,95098 0,924252 0,02672871
98 87613,4 0,960784 0,951994 0,008790696
99 106616,6 0,970588 0,978593 0,008005081
100 107086,3 0,980392 0,979047 0,001345334
101 120045,2 0,990196 0,988715 0,001480813
102 136644,9 1 0,995284 0,004715664
max abs(EVF-TVF) 0,059704113
kritische waarde 0,134660066
69
Bijlage 11.5.3 Grafiek Kolmogorov-Smirnov
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1
-150000 -100000 -50000 0 50000 100000 150000
EVF
TVF
Grafiek Kolmogorov-Smirnov
fouten
70
11.6 Bijlagen bij voorspellingskracht
Bijlage 11.6.1 Voorspellingen (gemiddelde absolute & relatieve afwijkingen)
Coefficients Intercept 151489,953 X1 62,79720227 X2 461,6259271 X3A 33708,59362
X5 -1269,4027
A(i) X1 X2 X3a X5 P(i) ıP(i) - A(i)ı (P(i) - A(i))^2 ıA-Pı/A
(ıP(i) - A(i)ı / A(i))^2
€ 165.000 201 132 0 47 € 165.384,89 € 384,89 € 148.137,48 0,0023 5,44E-06 € 240.000 558 150 0 11 € 241.811,25 € 1.811,25 € 3.280.631,26 0,0075 5,7E-05 € 299.000 116 325 0 49 € 246.602,12 € 52.397,88 € 2.745.537.550,74 0,1752 0,03071 € 175.000 338 140 0 34 € 194.183,35 € 19.183,35 € 368.000.744,60 0,1096 0,012016 € 375.000 1035 150 1 12 € 304.204,71 € 70.795,29 € 5.011.973.412,43 0,1888 0,035641 € 148.000 300 168 0 49 € 185.681,54 € 37.681,54 € 1.419.898.254,85 0,2546 0,064824 € 185.000 1325 103 1 44 € 260.098,59 € 75.098,59 € 5.639.798.443,14 0,4059 0,164786 € 248.000 766 150 1 35 € 258.116,00 € 10.116,00 € 102.333.420,81 0,0408 0,001664 € 390.000 1122 280 1 13 € 368.410,03 € 21.589,97 € 466.126.713,37 0,0554 0,003065 € 280.000 1108 150 1 9 € 312.597,11 € 32.597,11 € 1.062.571.681,51 0,1164 0,013553 € 195.000 486 200 0 79 € 174.051,77 € 20.948,23 € 438.828.520,07 0,1074 0,011541 € 245.000 362 160 0 14 € 230.311,05 € 14.688,95 € 215.765.227,68 0,06 0,003595
GAA GKA GRAA GRKA € 29.774 1.456.188.561,49 0,13 0,03
71
Bijlage 11.6.2 Voorspellingen (grafisch)
P = Y
0
50000
100000
150000
200000
250000
300000
350000
400000
450000
-50000 50000 150000 250000 350000 450000
P(i)
A(i)
Voorspelllingen
72
Bijlage 11.6.3 Voorspellingen (Theil)
i A(i) P(i) (P(i)- A(i))^2 A^2 P^2 1 165000 165384,8863 148137,4762 2,7225E+10 27352160622 2 240000 241811,2513 3280631,255 5,76E+10 58472681253 3 299000 246602,1227 2745537551 8,9401E+10 60812606896 4 175000 194183,3455 368000744,6 3,0625E+10 37707171670 5 375000 304204,7077 5011973412 1,4063E+11 92540504184 6 148000 185681,5373 1419898255 2,1904E+10 34477633302 7 185000 260098,5915 5639798443 3,4225E+10 67651277293 8 248000 258115,9983 102333420,8 6,1504E+10 66623868558 9 390000 368410,0321 466126713,4 1,521E+11 1,35726E+11 10 280000 312597,1116 1062571682 7,84E+10 97716954150 11 195000 174051,7657 438828520,1 3,8025E+10 30294017145 12 245000 230311,0508 215765227,7 6,0025E+10 53043180135 Som 1,7474E+10 7,917E+11 7,6242E+11 √som 132190,252 889752,21 873165,509
√(∑ (A(i)-p(i))^2 )
TH= ------------------------------ =0,07498379
√(ΣA^2(i) + √(Σp^2(i))
73
Bijlage 11.6.4 Voorspellingen (Mincer&Zarnowitz)
SUMMARY OUTPUT
Regression Statistics Multiple R 0,86904169 R Square 0,75523346 Adjusted R Square 0,7307568 Standard Error 41068,3672
Observations 12
ANOVA
df SS MS F Significance F
Regression 1 5,2041E+10 5,2041E+10 30,8552568 0,00024249 Residual 10 1,6866E+10 1686610785
Total 11 6,8907E+10
Coefficients Standard Error t Stat P-value Lower 95% Upper 95%
Intercept -29385,496 50872,2487 -0,5776331 0,57628593 -142735,93 83964,9369
P(i) 1,12108765 0,20182501 5,55475083 0,00024249 0,6713935 1,5707818