Abstract:
We introduce a novel, non-parametric approach for estimating house price indices that capture heterogeneous price developments independently of strict functional form assumptions. Utilizing the potential outcomes framework, our approach employs causal forests to effectively address changes in the composition of available housing units while mitigating the curse of dimensionality inherent in traditional matching estimators. By directly incorporating geographical coordinates into the model, the algorithm autonomously determines the adaptive spatial neighborhood for each observation, thus avoiding the imposition of fixed spatial boundaries. This flexibility makes the method particularly well-suited for densely populated areas and enables the investigation of complex heterogeneity in house price developments. We demonstrate the utility of this approach through an application to apartment rental prices in six major German cities before and during the COVID-19 pandemic, illustrating how it uncovers nuanced trends in rental price dynamics during a period of significant market change.
Abstract (Translated):
Wir stellen einen neuartigen, nichtparametrischen Ansatz zur Schätzung von Immobilienpreisindizes vor, der heterogene Preisentwicklungen ohne restriktive Annahmen über funktionale Zusammenhänge erfasst. Aufbauend auf dem Potential-Outcome-Framework nutzt unser Ansatz Causal Forests, um Veränderungen in der Zusammensetzung des verfügbaren Wohnungsangebots zu berücksichtigen und gleichzeitig das bei herkömmlichen Matching-Verfahren auftretende Problem des Curse of Dimensionality zu vermeiden. Durch das direkte Einbinden geografischer Koordinaten in das Modell bestimmt der Algorithmus adaptiv die räumliche Nachbarschaft jeder Beobachtung und verzichtet somit auf das Festlegen starrer räumlicher Grenzen. Diese Flexibilität macht die Methode besonders geeignet für dicht besiedelte urbane Räume und erlaubt das Untersuchen komplexer Heterogenität in der Preisentwicklung. Wir demonstrieren die Anwendbarkeit des Ansatzes anhand von Mietpreisdaten für Wohnungen in sechs der größten deutschen Städte vor und während der COVID-19-Pandemie und zeigen, wie sich mit dem Verfahren detaillierte Trends in der Mietpreisdynamik in einer Phase tiefgreifender Marktveränderungen aufdecken lassen.