Valorización de inmuebles en Buenos Aires, a partir de información en línea. Un enfoque de precios hedónicos

Abstract

Este estudio realiza una contribución al mercado inmobiliario de Argentina, utilizando información en línea y aplicando modelos estadísticos basados en el enfoque hedónico. A partir de más de 63,000 anuncios de departamentos en venta, se aplican tres métodos estadísticos: Mínimos Cuadrados Ordinarios (MCO), regresión LASSO (Least Absolute Shrinkage and Selection Operator) y arboles de decisión CART (Classification and Regression Trees). Las variables explicativas utilizadas se agrupan en cuatro categorías: características del inmueble, atributos del barrio, proximidad geográfica y movilidad. Los resultados obtenidos revelan que atributos como la superficie, el número de habitaciones y la presencia de amenidades tienen un efecto positivo y significativo en los precios. La ubicación en barrios de alto valor, como Puerto Madero, también es un factor determinante. La cercanía a universidades se asocia con precios más altos, mientras que la proximidad al transporte público tiene un impacto negativo. En términos de movilidad, se observa que una mayor circulación en zonas residenciales está relacionada con precios más elevados, mientras que la movilidad en áreas comerciales y de entretenimiento tiene un efecto contrario. Entre los métodos utilizados. LASSO fue el que mejor perfomance predictiva presentó para aquellas observaciones fuera de la muestra.

Estos resultados deben considerarse no solo desde lo cuantitativo, sino también desde una perspectiva social, considerando la relevancia de la vivienda como activo de interés, siendo esta información útil para la toma de decisiones de política habitacional.

This study makes a contribution to the real estate market in Argentina by utilizing online information and applying statistical models based on the hedonic approach. Using data from over 63,000 apartment listings for sale, three statistical methods are applied: Ordinary Least Squares (OLS), Least Absolute Shrinkage and Selection Operator (LASSO), and Classification and Regression Trees (CART). The explanatory variables used are grouped into four categories: property characteristics, neighborhood attributes, geographic proximity, and mobility.The results reveal that attributes such as size, number of rooms, and the presence of amenities have a positive and significant effect on prices. Location in high-value neighborhoods, such as Puerto Madero, is also a determining factor. Proximity to green spaces and universities is associated with higher prices, while closeness to public transportation has a negative impact. In terms of mobility, greater circulation in residential areas is linked to higher prices, whereas mobility in commercial and entertainment areas has the opposite effect. Among the methods used, LASSO demonstrated the best predictive performance for out-of-sample observations.These results should be considered not only from a quantitative perspective but also from a social standpoint, given the relevance of housing as a key asset. This information is useful for decision-making in housing policy.