# REVIEW REPORT — Editorial board, révision scientifique complète (2026-10-17)

Papier : UQO Working Paper No. 3 — Hedonic Housing Price Models for the United States: A Multi-Method Comparison of Parametric, Quantile, and Machine Learning Approaches (Simon-Pierre Boucher). Version révisée : 1.2, October 2026 (avant : 1.1, May 2026, 60 pages, 70 références ; après : 82 pages, 92 références, toutes vérifiées). Journal d'audit détaillé : docs/CHANGELOG-REVISION.md.

Board : économie immobilière et marchés du logement ; économétrie appliquée et inférence ; économétrie spatiale ; prix hédoniques et évaluation ; apprentissage automatique et économie computationnelle ; méthodologie scientifique. Lecture intégrale du manuscrit, du code (src/, scripts/01–04), des artefacts (data/, results/), des documents d'audit antérieurs et de la bibliographie ; réanalyses sur les artefacts stockés (données locales présentes, 2,8 Go ; chaque réanalyse < 30 min).

# 1. Verdict d'ensemble

Le papier pose une question importante et bien formulée — la précision des modèles ML hédoniques mesurée par validation aléatoire survit-elle à l'extrapolation vers des marchés non observés ? — sur un jeu de données d'une ampleur rare (788 842 annonces, 51 juridictions), avec une discipline d'interprétation (gradients de prix affichés, non WTP) exemplaire. La version 1.1 était toutefois fragilisée par quatre défauts que la révision a identifiés et corrigés, dont trois sont des défauts de documentation des données qui changeaient des conclusions substantielles :

1. Les trois variables scolaires sont imputées (médiane d'État) pour 93 % des annonces et n'apparaissaient pas dans la table des manquants. Le « school rating », 3e variable SHAP, pilier du bloc « neighbourhood » (+17,6 pp), est un identifiant d'État.
2. Le régresseur ln(lot) valait 0 pour 16,5 % des annonces (codage avant imputation). L'élasticité publiée (0,018, « triplée » en retirant les imputés) est un artefact ; la valeur correcte est 0,095.
3. L'« effondrement catastrophique » de l'OLS en holdout géographique (R² = −2 × 10⁶) venait de 204 annonces test aux valeurs corrompues (places de stationnement jusqu'à 1,1 × 10¹¹). Sans ces 0,6 % d'enregistrements, OLS atteint 0,539 hors État — autant que le meilleur XGBoost (0,544 à 100 arbres) et plus que le modèle complet (0,426).
4. L'inférence HC3 surestimait la précision d'un ordre de grandeur (ratios médians des SE groupées : 7,6 par ZIP3, 11,6 par État ; 57 → 33 coefficients significatifs). Le test inter-quantile « à covariance jointe » décrit dans le texte n'était pas celui du code (covariance mise à zéro).

Ces corrections renforcent la contribution méthodologique plutôt qu'elles ne l'affaiblissent : la révision montre par quels canaux la fuite spatiale opère (niveaux de prix d'État mémorisés via les dummies régionales, les imputations d'État et la capacité de boosting), sépare l'erreur de niveau de la structure intra-marché (R² within-state 0,62 stable), et établit que la régression semi-log est compétitive hors marché. Le message « random splits overstate ML » devient « random splits overstate ML, and here is the anatomy », avec des résultats nouveaux (courbe d'arbres, LOSO 51 États, hétérogénéité par État) qui n'existaient pas.

# 2. Diagnostic par section

# Introduction

• Forces : enjeux (AVM, évaluation foncière), trois tensions, contribution « spatial leakage » bien mise en avant, discipline d'interprétation. — Faiblesses (v1.1) : contributions énumérées en liste ; mélange R² in-sample/out-of-sample (0,634 → 0,725) ; chiffres géo 0,425–0,547 non expliqués. — Révisé : prose, 5 contributions + 1 « data finding », nombres cohérents, OLS hors État corrigé, mécanismes annoncés.

# Revue de littérature

• Forces : 10 thèmes, verdict Wadoux et al. bien intégré, identification (Bartik, Ekeland et al., Kuminoff et al., Bishop et al.).
• Faiblesses : rien sur le marché unique de Rosen / sous-marchés ; rien sur l'inférence groupée ni l'interprétation des dummies ; littérature AVM/ML mince (Mayer et al., Bogin–Shui, Lorenz et al., Antipov–Pokryshevskaya, Pérez-Rave, Ho et al. absents) ; Meyer–Pebesma 2022 et Schratz et al. 2019 absents côté validation spatiale ; chen2016xgboost cité comme étude de valorisation.
• Révisé : 23 références ajoutées (toutes vérifiées, DOI), paragraphe sous-marchés, paragraphe inférence/dummies, thème AVM étoffé, « gap » reformulé.

# Données

• Forces : filtres documentés, caveat prix affichés bien ancré.
• Faiblesses graves : table des manquants incomplète (variables scolaires 93 %, parking 24 %, étages 26 %, HOA fee 63 %, matériaux 31 % absents) ; règle du lot décrite ≠ codage réel ; valeurs aberrantes non dénombrées ; part des manquants exprimée sur les données brutes et non sur l'échantillon analytique.
• Révisé : table complète générée depuis la base brute (tables/missingness.tex), table des aberrants, sous-section « Data Quality », ratio prix affiché / Zestimate (médiane 1,020 ; 91 % > 1) comme borne descriptive de l'écart liste/valeur.

# Méthodologie

• Forces : équations OLS/QR/XGB/SHAP/Moran présentes.
• Faiblesses : interprétation des dummies sans Halvorsen–Palmquist/Kennedy ; SE HC3 seules malgré Moran 0,27 et régresseurs agrégés ; équation inter-quantile avec −2Cov non appliquée ; définitions de validation vagues (un seul pli ; 56 % des données retirées ; confusion taille/extrapolation) ; pas de métrique within-market ; hyperparamètres fixes sans discussion.
• Révisé : Eq. Halvorsen–Palmquist/Kennedy, Eq. cluster-robust (ZIP3/État) + Moulton/Conley, bootstrap apparié (obs. et grappes) pour la covariance inter-quantile, pseudo-R² de Koenker–Machado, MdAPE (Steurer et al.), 4 designs de validation définis (aléatoire, 10 États, GroupKFold 5, LOSO), Eq. R² within-state, variantes de features, discussion de la capacité.

# Résultats

• Incohérences trouvées : 0,547 vs 0,425 (« training-set composition ») — en réalité nombre d'arbres (pic 0,550 à 75, 0,425 à 1 000) ; « OLS fails catastrophically because held-out states span all four regions » — faux (valeurs corrompues) ; « ZIP3 → XGB gap = non-linéarité 10,8 pp » — non fondé (XGB n'observe pas les ZIP) ; « structural features explain 35 % of geographic variation » — formulation erronée ; « 886 ZIP3 » — 885 + code manquant ; gains EF « +4,7/+4,7 » — +4,8/+4,7 hors échantillon ; instabilité de l'âge attribuée à l'hétérogénéité géographique de sous-échantillons aléatoires — impossible.
• Nouveaux résultats : Table SE groupées ; Moran OLS 0,263 vs XGB 0,079 (test set) ; hétérogénéité par État (élasticité surface 0,06–1,15 ; pooled 0,619 → EF 0,690 → interagi 0,751) ; bootstrap R² (XGB − OLS = 0,203, IC ZIP3 [0,193 ; 0,213]) ; designs (taille appariée 0,829 ; within-state 0,618) ; OLS hors État 0,539 ; courbe d'arbres ; GroupKFold (0,620) ; LOSO (médiane 0.653) ; variantes (sans région 0,519 ; sans école 0,377 ; indicateurs de manquants 0,446).

# Robustesse

• Imputation/winsorisation : réinterprétées (artefact de codage) ; nouvelle sous-section « Lot-size coding » ; stabilité QR réinterprétée ; matrice de robustesse réécrite (ancien/nouveau).

# Discussion / Conclusion / Limites

• Réécrites autour de 5 messages (le 5e, « la documentation des données fait partie de la méthode », est nouveau) ; comparaisons à la littérature conservées et étendues (Campbell et al. 27 % ; Sirmans et al. ; Bogin–Shui ; Schratz et al.) ; limites en prose, 4 groupes, incluant les nouvelles (51 grappes, 200 tirages, comtés manquants, QR/SHAP avec l'ancien codage du lot).

# 3. Méthodologie — verdict motivé sur chaque point du §3 du master prompt

# 4. Littérature

• Vérifiées : les 70 entrées existantes (OpenAlex en août 2026 ; recontrôle Crossref le 2026-10-17 pour les 35 sans DOI → 28 DOI ajoutés ; pages Sirmans et al. corrigées 1–44). Aucune entrée douteuse restante ; chen2016xgboost conservée mais plus citée comme étude de valorisation.
• Ajoutées (23, toutes vérifiées, DOI dans le .bib) : Halvorsen & Palmquist 1980 ; Kennedy 1981 ; Mayer, Bourassa, Hoesli & Scognamiglio 2019 ; Hu et al. 2019 ; Bogin & Shui 2020 ; Lorenz, Willwersch, Cajias & Fuerst 2023 ; Antipov & Pokryshevskaya 2012 ; Meyer & Pebesma 2022 ; Bourassa, Cantoni & Hoesli 2007 ; Bourassa, Hoesli & Peng 2003 ; Goodman & Thibodeau 2003 ; Koenker 2005 ; Koenker & Machado 1999 ; Cameron & Miller 2015 ; Moulton 1990 ; Conley 1999 ; Epple 1987 ; Jones 1996 ; Schratz et al. 2019 ; Ho, Tang & Wong 2021 ; Pérez-Rave et al. 2019 ; Diebold & Mariano 1995 ; Palmquist 2005.
• Retirées : roberts2013endogeneity (Roberts & Whited 2013, Handbook of the Economics of Finance) — chapitre de finance d'entreprise sans lien direct avec l'identification hédonique, cité une seule fois dans les limites v1.1 ; retiré lors de la réécriture (Ekeland et al. 2004 et Kuminoff et al. 2013 couvrent le point). Non trouvée : « Meyer & Roberts » (demande de l'orchestrateur) — pas de référence identifiable ; couverte par Roberts et al. 2017 et Meyer & Pebesma 2021/2022.

# 5. Limites restantes (après révision)

1. Prix affichés, pas de transactions ; écart borné par le Zestimate mais covariance avec les attributs inconnue.
2. Scripts amont perdus : échantillon analytique reproductible seulement depuis les pickles ; les QR, l'ablation et les SHAP gardent ln(lot) = 0 (inoffensif pour les arbres, sous-estime le gradient de lot dans les trajectoires quantiles).
3. 51 grappes d'État très inégales ; pas de HAC spatial ni de wild cluster bootstrap ; pas de modèle spatial.
4. Validation : LOSO et 10 États = extrapolation ; pas de blocage comté/MSA (identifiants manquants) ; hyperparamètres non réglés (le réglage aléatoire n'aiderait pas, cf. courbe d'arbres).
5. Échantillon non représentatif (Sud 56,6 %), un seul instantané.

# 6. Analyses recommandées non exécutées

• Reconstruction complète du pipeline brut → échantillon avec codage correct du lot, puis ré-estimation QR/ablation/SHAP.
• HAC spatial (Conley) et wild cluster bootstrap par État ; SAR/SEM/GWR.
• Nested CV avec plis internes bloqués par État pour le nombre d'arbres et la profondeur (Schratz et al. 2019) ; CatBoost.
• Blocage comté/MSA (si identifiants obtenus) pour tracer le continuum interpolation–extrapolation.
• Réplication sur prix de vente ; intégration de risques climatiques ; mesure scolaire observée ; comparaison ACS/Census.
• GAM/splines pour décomposer non-linéarité vs partition spatiale ; calibration par décile de prix.

# 7. Maturité pour publication

• Revues cibles : Journal of Housing Economics ou Journal of Real Estate Research (contribution méthodologique + données nationales) ; Real Estate Economics envisageable si la reconstruction du pipeline et une réplication sur transactions sont ajoutées ; Journal of Property Research / Journal of European Real Estate Research comme cibles AVM.
• Risques de rejet : (i) prix affichés (objection standard — bien défendue mais rédhibitoire pour certains referees) ; (ii) pipeline amont perdu et codage du lot découvert a posteriori (transparence totale désormais, mais un referee peut exiger la reconstruction) ; (iii) 93 % de variables scolaires imputées — le papier les traite honnêtement comme identifiants d'État, mais un referee pourrait demander de les retirer de la spécification principale ; (iv) absence de modèles spatiaux.
• Évaluation : passage de « working paper solide mais fragile sur les données » à « manuscrit soumissible après reconstruction du pipeline » ; la contribution méthodologique (anatomie de la fuite spatiale, within-state R², courbe d'arbres, LOSO, SE groupées) est désormais défendable devant un referee exigeant.