Predicción de precios inmobiliarios en Córdoba mediante modelos hedónicos y machine learning

• Autores: Correa, Juan Manuel
• Año de publicación: 2025
• Idioma: español castellano
• Tipo de recurso: tesis de grado
• Colaborador/a o director/a de tesis: Giuliodori, David Augusto
• Materia: Predicciones; Precios hedónicos; Mercado inmobiliario; Aprendizaje automático; Córdoba, Argentina
• Institución: Universidad Nacional de Córdoba

Trabajo final (Licenciatura en Economía) -- Universidad Nacional de Córdoba. Facultad de Ciencias Económicas. Escuela de Graduados, 2025.
Fil: Correa, Juan Manuel. Universidad Nacional de Córdoba. Facultad de Ciencias Económicas; Argentina.
Este trabajo compara el desempeño predictivo y la interpretabilidad del modelo de precios hedónicos (HPM) frente a algoritmos de Machine Learning (Random Forest y XGBoost) en la valuación inmobiliaria de la ciudad de Córdoba. El objetivo es evaluar si los modelos de Machine Learning superan al enfoque hedónico en precisión sin perder interpretabilidad económica. Se construyó un dataset mediante web scraping de Zonaprop (junio 2025) con variables estructurales, de localización y de entorno socioeconómico. Se estimó un modelo hedónico mediante OLS y se entrenaron modelos de Random Forest y XGBoost optimizados con validación cruzada. El desempeño se evaluó mediante R², MAE, RMSE y MAPE, y la interpretabilidad se analizó combinando coeficientes hedónicos con valores SHAP. Los resultados confirman que XGBoost y Random Forest superan ampliamente al HPM en precisión predictiva, mientras que las técnicas XAI permiten recuperar interpretabilidad de manera coherente. Ambos enfoques identifican los mismos determinantes centrales del precio (superficie, baños, localización, estrato socioeconómico), validando la complementariedad metodológica. Se concluye que la integración de ambos enfoques es óptima para aplicaciones prácticas en la valuación inmobiliaria.
Fil: Correa, Juan Manuel. Universidad Nacional de Córdoba. Facultad de Ciencias Económicas; Argentina.