Link-New York City Airbnb Open Data

1.Περιγραφή Dataset

Το dataset περιέχει αναλυτικές πληροφορίες για καταχωρήσεις Airbnb στη Νέα Υόρκη. Κάθε γραμμή αντιστοιχεί σε ένα ακίνητο/κατάλυμα και περιλαμβάνει στοιχεία όπως τοποθεσία, τιμή, τύπος δωματίου, αριθμός κριτικών, διαθεσιμότητα κ.ά, προσφέροντας πληροφόρηση για την αγορά βραχυχρόνιας μίσθωσης, χρήσιμη για επιχειρήσεις που δραστηριοποιούνται στον τουρισμό, real estate ή υπηρεσίες φιλοξενίας. Επιτρέπει τη διερεύνηση ζητημάτων όπως: -Τιμολόγηση και απόδοση καταλυμάτων -Δημοφιλία περιοχών -Προφίλ πελατών & hosts -Προφίλ πελατών & hosts

2.Πιθανά Επιχειρηματικά Προβλήματα

α)Ποιες περιοχές έχουν τη μεγαλύτερη μέση τιμή ανά διανυκτέρευση;

β)Υπάρχει σχέση μεταξύ τιμής και αριθμού κριτικών;

γ)Ποιοι hosts διαχειρίζονται τα περισσότερα ακίνητα;

δ)Ποιος τύπος δωματίου είναι πιο διαδεδομένος ανά περιοχή;

3.Προβλήματα Δεδομένων

Ελλιπείς Τιμές: Η μεταβλητή reviews_per_month περιέχει κενές τιμές (missing values) όταν η μεταβλητή number_of_reviews είναι 0. Αυτό συμβαίνει διότι σε περιπτώσεις όπου δεν υπάρχουν κριτικές, η πληροφορία για τον αριθμό κριτικών ανά μήνα δεν είναι διαθέσιμη.
Ακραίες Τιμές (Outliers): Η μεταβλητή price περιέχει ακραίες τιμές (π.χ. πάνω από $1000), οι οποίες ενδέχεται να επηρεάζουν την ακριβή ανάλυση των τιμών και των τάσεων. Επίσης, η μεταβλητή minimum_nights έχει τιμές μέχρι και 365, γεγονός που ενδέχεται να μην είναι ρεαλιστικό σε πολλές περιπτώσεις και απαιτεί πιθανόν επανεξέταση.
Διπλώτυπες Εγγραφές: Δεν εντοπίζονται διπλότυπες εγγραφές στο dataset, καθώς κάθε id είναι μοναδικό και δεν επαναλαμβάνεται, διασφαλίζοντας την ακεραιότητα των δεδομένων.

4.Περιγραφή Μεταβλητών

Όνομα Μεταβλητής	Τύπος	Περιγραφή
id	Αριθμητική	Μοναδικό ID κάθε καταχώρησης
name	Κείμενο	Τίτλος καταχώρησης στο Airbnb
host_id	Αριθμητική	Αναγνωριστικό ιδιοκτήτη
host_name	Κείμενο	Όνομα ιδιοκτήτη
neighbourhood_group	Κατηγορική	Περιοχή της Νέας Υόρκης
neighbourhood	Κατηγορική	Συγκεκριμένη γειτονιά
latitude	Αριθμητική	Γεωγραφικό πλάτος
longitude	Αριθμητική	Γεωγραφικό μήκος
room_type	Κατηγορική	Τύπος δωματίου
price	Αριθμητική	Τιμή ανά διανυκτέρευση
minimum_nights	Αριθμητική	Ελάχιστες απαιτούμενες διανυκτερεύσεις
number_of_reviews	Αριθμητική	Συνολικές κριτικές του καταλύματος
last_review	Ημερομηνία	Ημερομηνία τελευταίας κριτικής
reviews_per_month	Αριθμητική	Μέσος αριθμός κριτικών ανά μήνα
calculated_host_listings_count	Αριθμητική	Αριθμός καταχωρήσεων που διαχειρίζεται ο host
availability_365	Αριθμητική	Αριθμός διαθέσιμων ημερών ανά έτος (0–365)

5.Περιγραφικά Στατιστικά

Συνοπτικά Στατιστικά
max_price	max_nights	maxavailability	min_price	min_nights	min_availability	mean_price	mean_nights	mean_availability
9999	364	365	10	1	0	141.8252	5.571226	114.8113

6.Διαγράμματα

Scatterplot- Σχέση Τιμής και Αριθμού Κριτικών

Από το διάγραμμα παρατηρούμε πως:

Τα φθηνότερα καταλύματα πιθανότατα έχουν υψηλή ζήτηση, άρα και περισσότερες κρατήσεις και κριτικές.
Τα ακριβότερα καταλύματα είναι πιο εξειδικευμένα (ίσως πολυτελή ή VIP), έχουν λιγότερους επισκέπτες, άρα και λιγότερες κριτικές.
Οι χρήστες φαίνεται να προτιμούν οικονομικές επιλογές, κάτι που αντανακλάται στον αριθμό των αξιολογήσεων.

Boxplot- Σχέση Τιμής και Γειτονιάς

Παρατηρούμε ότι:

Στο Μανχάταν υπάρχουν υψηλότερες τιμές με πολλούς outliers (ακραίες τιμές), υποδεικνύοντας καταλύματα με εξαιρετικά υψηλές τιμές.
Στη συνέχεια ακολουθεί το Brooklyn με τις περισσότερες τιμές να είναι χαμηλότερες από του Μανχάταν.
Ενώ οι Queens, Staten Island & Bronxέχουν γενικά χαμηλότερες τιμές σε σχέση με τις προηγούμενες, με λιγότερα outliers.

Histogram- Κατανομή Ημερών Διανυκτέρευσης

Tα περισσότερα καταλύματα επιτρέπουν μικρό αριθμό διανυκτερεύσεων, κυρίως από 1 έως 5 νύχτες. Αυτό ανταποκρίνεται στις ανάγκες ταξιδιωτών για σύντομες επισκέψεις. Τιμές πάνω από τις 30 νύχτες είναι σπάνιες.

Bar Chart- Κατανομή Καταχωρήσεων βάση της τοποθεσίας του καταλύματος

Παρατηρώντας το διάγραμμα διακρίνουμε πως το Manhattan συγκεντρώνει τις περισσότερες καταχωρήσεις Airbnb, επιβεβαιώνοντας τη δημοτικότητα της περιοχής, ενώ ακολουθεί Brooklyn αναδεικνύοντας την αυξανόμενη τουριστική ζήτηση.

7.Γραμμική Παλινδρόμηση

Μοντέλο 1: Τιμή~Ελάχιστο Αριθμό Διανυκτερεύσεων

Ο αριθμός των κριτικών μπορεί να λειτουργήσει ως ένδειξη της δημοτικότητας ή της συχνότητας κράτησης ενός καταλύματος.

m1 <- lm(price ~ number_of_reviews, data = model_data)
summary(m1)

## 
## Call:
## lm(formula = price ~ number_of_reviews, data = model_data)
## 
## Residuals:
##    Min     1Q Median     3Q    Max 
## -135.7  -74.4  -35.7   29.2 9853.9 
## 
## Coefficients:
##                    Estimate Std. Error t value Pr(>|t|)    
## (Intercept)       145.95807    1.09133 133.743  < 2e-16 ***
## number_of_reviews  -0.14101    0.01935  -7.289 3.18e-13 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 183.7 on 38804 degrees of freedom
## Multiple R-squared:  0.001367,   Adjusted R-squared:  0.001342 
## F-statistic: 53.13 on 1 and 38804 DF,  p-value: 3.182e-13

ggplot(model_data, aes(x = price, y = number_of_reviews)) +
  geom_point(alpha = 0.5) +
  geom_abline(intercept = coef(m1)[1], slope = coef(m1)[2], color = "red", linewidth = 1.2) +
  labs(title = "Γραμμική Παλινδρόμηση: Τιμή ~ Αριθμός Κριτικών",
       x = "Τιμή", y = "Αριθμός Κριτικών")

Σχολιασμός:

Το πρώτο μοντέλο βασίζεται αποκλειστικά στον αριθμό των κριτικών. Το R² είναι πολύ χαμηλό (1.34%), γεγονός που δείχνει ότι η μεταβλητή αυτή από μόνη της δεν εξηγεί επαρκώς την τιμή των καταλυμάτων.

Μοντέλο 2: Τιμή~Αριθμός Κριτικών + Γειτονιά

m2<- lm(price~ number_of_reviews + neighbourhood_group, data = model_data) 
summary(m2)

## 
## Call:
## lm(formula = price ~ number_of_reviews + neighbourhood_group, 
##     data = model_data)
## 
## Residuals:
##    Min     1Q Median     3Q    Max 
## -172.9  -64.8  -30.3   24.0 9816.5 
## 
## Coefficients:
##                                  Estimate Std. Error t value Pr(>|t|)    
## (Intercept)                      83.23258    6.13172  13.574  < 2e-16 ***
## number_of_reviews                -0.11087    0.01903  -5.827 5.68e-09 ***
## neighbourhood_groupBrooklyn      40.89261    6.26132   6.531 6.61e-11 ***
## neighbourhood_groupManhattan     99.88989    6.26000  15.957  < 2e-16 ***
## neighbourhood_groupQueens        14.16071    6.65907   2.127   0.0335 *  
## neighbourhood_groupStaten Island 10.80754   11.87184   0.910   0.3626    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 180.5 on 38800 degrees of freedom
## Multiple R-squared:  0.03626,    Adjusted R-squared:  0.03613 
## F-statistic: 291.9 on 5 and 38800 DF,  p-value: < 2.2e-16

Σχολιασμός: Η προσθήκη της γειτονιάς (neighbourhood_group) στο μοντέλο αυξάνει αισθητά το R² (3.61%), κάτι που υποδεικνύει ότι η περιοχή επηρεάζει σημαντικά την τιμή.

Μοντέλο 3: Τιμή~Αριθμός Κριτικών + Γειτονιά + Τύπος Δωματίου

m3<- lm(price ~ number_of_reviews + neighbourhood_group + room_type, data = model_data)
summary(m3)

## 
## Call:
## lm(formula = price ~ number_of_reviews + neighbourhood_group + 
##     room_type, data = model_data)
## 
## Residuals:
##    Min     1Q Median     3Q    Max 
## -214.2  -51.7  -18.5   14.5 9878.8 
## 
## Coefficients:
##                                    Estimate Std. Error t value Pr(>|t|)    
## (Intercept)                       151.66835    5.98167  25.356  < 2e-16 ***
## number_of_reviews                  -0.10228    0.01822  -5.613 2.00e-08 ***
## neighbourhood_groupBrooklyn        25.20960    6.00122   4.201 2.67e-05 ***
## neighbourhood_groupManhattan       73.59604    6.00933  12.247  < 2e-16 ***
## neighbourhood_groupQueens          10.88781    6.37543   1.708   0.0877 .  
## neighbourhood_groupStaten Island   -3.01083   11.36811  -0.265   0.7911    
## room_typePrivate room            -104.47360    1.79850 -58.089  < 2e-16 ***
## room_typeShared room             -127.56024    6.07959 -20.982  < 2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 172.8 on 38798 degrees of freedom
## Multiple R-squared:  0.1169, Adjusted R-squared:  0.1167 
## F-statistic: 733.5 on 7 and 38798 DF,  p-value: < 2.2e-16

Σχολιασμός: Με την εισαγωγή του τύπου δωματίου (room_type), το R² αυξάνεται ακόμα περισσότερο (11.6%), αποδεικνύοντας ότι αποτελεί βασικό παράγοντα στην τιμολόγηση.

Σύγκριση Μοντέλων: R² και SSE
Μοντέλο	R_squared	SSE
Τιμή~Ελάχιστο Αριθμό Διανυκτερεύσεων	0.0014	1309322104
Τιμή~Αριθμός Κριτικών + Γειτονιά	0.0363	1263578971
Τιμή~Αριθμός Κριτικών + Γειτονιά + Τύπος Δωματίου	0.1169	1157875110

8.Συμπεράσματα Σύγκρισης Μοντέλων

Το μοντέλο με μόνο τον ελάχιστο αριθμό διανυκτερεύσεων παρουσιάζει πολύ χαμηλή προβλεπτική ικανότητα (R² = 0.0014).
Η προσθήκη των μεταβλητών “Αριθμός Κριτικών” και “Γειτονιά” βελτιώνει αισθητά το R² και μειώνει το SSE, άρα προσφέρει καλύτερη προσαρμογή.
Το πιο σύνθετο μοντέλο που περιλαμβάνει και τον “Τύπο Δωματίου” φτάνει R² = 0.1169, δείχνοντας ότι οι κατηγοριακές μεταβλητές έχουν ουσιαστική συμβολή στην εξήγηση της τιμής.

Συνολικά, η πολυμεταβλητή ανάλυση είναι πιο αποτελεσματική, καθώς αξιοποιεί ταυτόχρονα αριθμητικά και χωρικά χαρακτηριστικά.

New York Dataset

Maria Mavridoglou

2025-03-29