Apostila Avaliação Imóveis

CURSO DE AVALIAO DE IMVEIS
MDULO
INTERMEDIRIO
Eng. Civil Marcelo Medvid
Sumrio
1. REGRESSO LINEAR MLTIPLA
2. O MODELO LINEAR GERAL
2.1. O SIGNIFICADO DO PARAMETRO BETA 0

2.2. O SIGNIFICADO DOS PARMETROS ESTIMADOS DA REGRESSO
5
5
3. A ESTIMAO DOS PARMETROS
3.1. O MTODO DOS MNIMOS QUADRADOS
4. HIPTESES BSICAS
4.1.
4.2.
4.3.
4.4.
4.5.
4.6.
1
2
3
4
5
6
HIPTESE
HIPTESE
HIPTESE
HIPTESE
HIPTESE
HIPTESE
MICRONUMEROSIDADE GERAL
MICRONUMEROSIDADE EM REGRESSORES
HOMOCEDASTICIDADE
NORMALIDADE
AUTOCORRELAO DOS RESIDUOS
COLINEARIDADE E MULTICOLINEARIDADE
8
10
17
19
25
25
5. TESTES DE SIGNIFICNCIA DO MODELO
39
5.1. SIGNIFICNCIA GLOBAL DO MODELO

5.2. SIGNIFICNCIA INDIVIDUAL DE UM PARMETRO
39
40
6. UTILIZAO DE VARIVEIS DICOTMICAS
41
6.1. DICOTMICAS ISOLADAS

6.2. DICOTMICAS MLTIPLAS
6.3. CDIGOS AJUSTADOS
41
44
48
7. INTERVALO DE CONFIANA
52
8. CAMPO DE ARBTRIO
53
9. ROTEIRO DE ANLISE DE MODELOS DE REGRESSO
53
9.1. COEFICIENTE DE DETERMINAO

9.2. TESTE DA EQUAO
9.3. SIGNIFICNCIA DOS REGRESSORES
9.4. VALOR DO T DE STUDENT
9.5. ANLISE DOS RESDUOS DO MODELO
9.6. AUTO REGRESSO
9.7. HETEROCEDASTICIDADE
9.8. MULTICOLINEARIDADE
9.9. INTERVALO DE CONFIANA
9.10.
57
9.11.
58
9.12.
58
53
54
54
55
55
55
56
56
57
NORMALIDADE DE RESDUOS
GRFICOS
TESTE DE SENSIBILIDADE DO MODELO
10. VARIVEIS
10.1.
59
10.2.
62
10.3.
62
10.4.
64
59
TIPOS DE VARIVEIS
CONSTRUO DAS VARIVEIS
GENRICAS
EXEMPLOS DE VARIVEIS ESPECFICAS
11. BANCO DE DADOS

11.1.
69
11.2.
71
68
COMO CRIAR UM BANCO DE DADOS
COLETA DAS INFORMAES
12. MACRO MODELOS

12.1.
72
12.2.
73
72
UTILIZAO
DESVANTAGENS
REGRESSION Engenharia de Avaliaes Ltda - Tel.: (41) 9147-2255 / (41) 9104-0705 / (41) 9234-0171
e-mail: regression@regression.com.br / Home Page: http://www.regression.com.br
Pg 2 / 78
12.3.
73
13. PROPOSTA DE CHECK LIST
CUIDADOS
74
Pg 3 / 78
1.
REGRESSO LINEAR MLTIPLA

As relaes que podem ser descritas por um modelo de regresso mltipla so comuns
no campo da Engenharia de Avaliaes. Por exemplo: o preo unitrio de um apartamento

funo de vrios atributos tais como: padro de acabamento, estado de conservao, rea
privativa, etc. Portanto o modelo de regresso linear mltipla uma ampliao do modelo de
regresso linear simples.
A representao grfica de um modelo de regresso linear simples uma reta que passa
mais prxima dos pontos observados, dispostos em um plano formado por dois eixos cartesianos,
sendo um eixo horizontal para varivel independente e o eixo vertical para varivel dependente.
Quando o modelo composto por duas variveis independentes, os pontos esto dispostos no
espao, formado por trs eixos cartesianos, sendo um para varivel dependente, e um para cada
varivel independente, cada eixo representado um vetor. A situao ideal que cada vetor seja
independente, ou seja, o seu produto escalar nulo. Isto indica que os eixos so perpendiculares,
informando que cada varivel influenciante na explicao da variabilidade dos preos tem sua
contribuio de forma independente.
Figura 1
Uma situao oposta seria aquela onde existe uma dependncia linear perfeita entre as
variveis independentes, ocasionando colinearidade entre seus dois eixos. Desta forma haveria a
perda de uma dimenso do espao, tornando-se impossvel a estimao dos parmetros. Na
prtica, ocorre uma situao intermediria entre a colinearidade perfeita e a ausncia total de
colinearidade, devendo o avaliador investigar at que nvel esta interferncia entre as variveis
independentes torna-se prejudicial ao modelo.
Pg 4 / 78
2.
O MODELO LINEAR GERAL

O modelo de regresso linear simples, com apenas uma varivel independente onde k
(quantidade de variveis independentes includas no modelo) igual a um, muitas vezes

inadequado na prtica avaliatria, diante da heterogeneidade dos dados amostrais em relao s
caractersticas do imvel avaliando, como exemplo as variaes dos preos unitrios em funo
das variaes da rea privativa principal dos apartamentos.
Raramente o comportamento do mercado imobilirio to simples; alm da rea
construda privativa principal do apartamento, h diversas outras variveis que afetam os preos
unitrios dos apartamentos. Um exemplo bvio seria a sua localizao, outro seria seu estado de
conservao, idade aparente, andar, quantidade de sutes etc.
Portanto, precisamos ampliar nosso modelo de regresso linear simples com uma
varivel independente para abranger mais variveis. Acrescentar mais variveis nos leva ao
estudo dos modelos de regresso linear mltipla em que uma varivel dependente, ou
regressando Y, depende de mais de duas variveis independentes, ou regressores Xs.
Para estudo dos modelos de regresso linear mltipla supomos que existem m preos
representados por (Yi) de uma populao do mercado imobilirio, com k caractersticas
influenciantes representadas por (Xij, com j = 1...,k). O modelo de regresso linear geral uma
funo linear do tipo abaixo mais 6 hipteses bsicas: EQUAO 1
Yi 0 1 i1 2 i 2 ... k ik i , i 1,...m
onde:
Yi ...Ym
- Chama-se varivel dependente, varivel explicada ou varivel resposta.
i 1 ,..., Ik
- So chamadas variveis independentes, variveis explicativas ou covariveis.
0 ,..., k
- So denominados de parmetros da populao.
1 ,..., m
- So os erros aleatrios do modelo.
Como impossvel o levantamento de todos os elementos de mercado de uma

populao, na prtica trabalhamos com uma amostra desta populao e a partir dela utilizando-se
a inferncia estatstica estimam-se os parmetros populacionais. A equao do modelo inferido
ser dada pela equao abaixo, considerando uma amostra de n elementos. EQUAO 2
Pg 5 / 78
Onde:
- So parmetros estimados correspondentes a
e1 ,..., en
0 ,..., k
- So os respectivos estimadores de 1 ,..., m , tambm chamados de resduos do
modelo.
2.1.
O SIGNIFICADO DO PARAMETRO BETA 0
Na equao 2 o parmetro estimado 0 o intercepto. Como j sabido, ele nos d o

efeito mdio na varivel dependente Y de todas as variveis excludas do modelo, embora sua
interpretao mais imediata seja o valor mdio de Y quando todas as variveis independente Xs
sejam iguais a zero.
2.2.
O SIGNIFICADO DOS PARMETROS ESTIMADOS DA

REGRESSO
Os parmetros estimados da regresso 1 ,..., k , so conhecidos como coeficientes

parciais angulares, seu significado o que segue: 1 mede a variao mdia na vaivel
dependente Y, por unidade de variao X1, mantendo-se todas as demais variveis independente
do modelo constante, em outras palavras o valor de 1 nos fornece um efeito lquido de uma
variao de uma unidade de X1 sobre o valor mdio de Y, excludos todos os efeitos das demais
variveis sobre Y.
De modo semelhante, 2 mede o efeito mdio em Y quando X2 sofre uma variao de
uma unidade, excludo todos os efeitos das demais variveis possam exercer sobre Y, ou seja,
mantendo todas as demais variveis independentes constantes.
Pg 6 / 78
3.
A ESTIMAO DOS PARMETROS

Existem vrios mtodos para estimao dos parmetros da regresso, no entanto os
mais utilizados so o mtodo dos mnimos quadrados e o mtodo da mxima verossimilhana.

Aqui, ser apresentado apenas o mtodo dos mnimos quadrados.
3.1.
O MTODO DOS MNIMOS QUADRADOS
O mtodo consiste em determinar os coeficientes 0 ,..., k , para a equao 2, de tal

forma que o somatrio dos quadrados das distncias, medidas na vertical entre cada preo
observado no mercado ( Yi ) e o estimado pela curva de regresso( Yi ) seja mnimo, ou seja:(ver

fig 2)
Figura 2
e Yi Yi , o somatrio dos quadrados dos resduos estimados dado pela frmula
abaixo que dever ser a mnimo possvel: EQUAO 3

n
u e i2
i 1
A EQUAO 1, tambm pode ser apresentada em forma matricial, ou seja:

Y .
Y1
Y
Y 2

Yn
1
1
11
12
13
1n
21
22
23
2n
k1
k2
k3

kn
o
1

2 2

k
k
,
,
Pg 7 / 78
Portanto as variveis acima ( , , ) so conhecidas como vetores de respostas, de

parmetros e de resduos da regresso respectivamente. Sendo X a matriz das observaes
das variveis independentes, tambm chamada de matriz modelo.
As estimaes dos vetores de resduos e dos parmetros de regresso so
representadas por:
e e1
e2 en
2 k .
A EQUAO 3, na forma matricial pode ser escrita sob a forma:
u e.e Y X Y X
Derivando a funo
, ou seja u Y Y 2 X Y X X
em relao a igualando-se o resultado a zero temos a
seguinte equao:
2 X Y 2 X 0 ou X X X Y , sendo
X X
uma matriz inversvel, encontra -se o
vetor procurado dado por:
X X 1 X Y
Pg 8 / 78
4.
HIPTESES BSICAS
4.1.
1 HIPTESE MICRONUMEROSIDADE GERAL
O nmero de observaes (n), deve ser superior ao nmero de parmetros estimados

pelo modelo (K +1).
O modelo de regresso linear simples envolve apenas dois parmetros ( 0 , 1 ) que so:
parmetros linear e angular respectivamente. O ajustamento da reta exige no mnimo 03 dados.
Embora este nmero de dados atenda as exigncias matemticas, na prtica estes dados no so
suficientes para explicar o comportamento do mercado imobilirio. De acordo com a NBR 146532/2011 (Subitem 9.2.1 Tabela 1 Item 2), quando se estima um parmetro, visando o seu
enquadramento no Grau de Fundamentao, a norma exige
6 k 1 , para se atingir o Grau III,
4 k 1 , para se atingir o Grau II,
3 k 1 , para se atingir o Grau I.
Portanto, a quantidade mnima de dados exigida pela norma de 3 k 1 .
4.1.1.
Micronumerosidade Geral do Modelo
Para se evitar a micronumerosidade, o nmero de dados efetivamente utilizados (n) no

modelo deve obedecer aos seguintes critrios, com respeito ao nmero de variveis
independentes (k):
n 3 k 1
Exemplo 01 - CastleR:
Desta forma, para que um modelo atenda a micronumerosidade geral, necessrio que
este possua uma quantidade mnima de dados efetivamente utilizados. Por exemplo, no caso de
um modelo de apartamentos contendo 5 variveis conforme segue:
Nome
Descrio
Preo Unitrio
Preo de Venda / rea Privativa Principal Construda
Data do Evento
X1
Perodo de contagem: mensal. Tem como referncia inicial o
Pg 9 / 78
Nome
Descrio
dado mais antigo.
Renda IBGE 2010
X2
Qualitativa - Varivel Proxy para Localizao. Krigagen sob

informaes de Renda mensal Domiciliar mdia dos setores
censitrios (IBGE 2010)
Padro de Acabamento Automtico
X3
Qualitativa. De comportamento Proxy. Tem valor calculado

automaticamente, cruzando-se informaes sobre as
caractersticas de acabamento do imvel com as tipologias
padres atuais do SINAPI, para a unidade da federao
referente.
rea Privativa Principal Construda
X4
Quantitativa. rea da unidade autnoma de uso exclusivo,

destinada moradia, atividade ou uso principal da edificao,
situada em determinado andar ou em dois ou mais andares
interligados por acesso tambm privativo.
Andar do Apartamento
X5
Quantitativa. Pavimento onde se localiza o apartamento no

prdio/bloco, sendo 0 (zero) para unidades situadas no trreo.
Este modelo pode ser importado para o CastleR, atravs do arquivo:
Exemplo 01
micronumerosidade geral do exemplo01.rgn, localizado na pasta Avaliaes de Imveis Mdulo

Intermedirio\Exemplos\Micronumerosidade disponibilizados em sala de aula a todos os alunos.
Este modelo possui as seguintes caractersticas quanto quantidade de dados e
varveis;
(a) Nmero de dados habilitados
16
(b) Nmero de dados desabilitados
(c) Variveis independentes habilitadas
(d) Variveis independentes desabilitadas
Portanto, a quantidade de dados efetivamente utilizados de n = 16 e a quantidade de

variveis independentes habilitadas de k = 5.
O critrio para verificao da micronumerosidade geral do modelo o que segue:
n 3 k 1 , onde k = 5
n 3 5 1
n 18
Pg 10 / 78
Logo, para 5 variveis independentes necessrio que sejam habilitados o modelo ao

menos 18 dados, sendo que no exemplo 01 existem apenas 16 dados considerados, ou seja, no
atende a exigncia de micronumerosidade geral do modelo.
No CastleR a micronumerosidade geral informada na janela de clculo, conforme figura
abaixo, quando o sistema efetua as verificaes iniciais antes do clculo das equaes;
Figura 3
Tambm
possvel
visualizar
as
inconsistncias
relativas
norma
em
Avaliao/Inconsistncias ilustrado abaixo:
Figura 4
4.2.
2 HIPTESE MICRONUMEROSIDADE EM REGRESSORES
Nos casos de utilizao de variveis dicotmicas, variveis qualitativas expressas em

cdigos alocados ou cdigos ajustados o item A.2, alnea a, da NBR 14653-2:2011 determina
alguns limites mnimos que devem ser atendidos, sendo que ni o nmero de dados que possui a
mesma caracterstica.
4.2.1.
Para quantidade de dados efetivamente utilizados (n) menor

que 30:
Para n 30 , ni 3 ;
Onde ni o nmero de dados de mesma caracterstica, no caso de utilizao de variveis
dicotmicas e variveis qualitativas expressas em cdigos alocados ou ajustados.
Pg 11 / 78
Ou seja, para quando a quantidade de dados considerada no modelo de regresso for

menor ou igual a 30 dados, devem existir ao menos 3 dados em cada situao da varivel
dicotmica, cdigo alocado ou ajustado.
Por exemplo, no caso de modelos de terrenos em que se considere a varivel dicotmica
esquina, sendo esquina = o para terrenos situados em meio de quadra e esquina = 1 para
terrenos situados em esquina, se em nosso modelo se encontrarem 25 dados de mercado
habilitados, necessrio que tenhamos ao menos 3 terrenos situados em umas das situaes de
esquina ou meio de quadra.
Por outro lado, se estivermos tratando de modelo de regresso de apartamentos, e a
varivel qualitativa estado de conservao expressa atravs de cdigos alocados como segue:
Novo = 3,
Bom = 2,
Regular = 1.
Para uma quantidade de dados de mercado habilitados no modelo, igual ou menor a 30
dados, devem existir ao menos em cada cdigo 3 dados, para se atender as condies de
micronumerosidade da NBR 14.653, parte 2.
4.2.2.
Para quantidade de dados efetivamente utilizados (n) maior

que 30, mas menor ou igual a 100:
Para 30 n 100 , ni 10 0 0 n ;
Ou seja, para quando a quantidade de dados estiver compreendida no intervalo de 30 at
100 dados inclusive, a quantidade mnima de dados que devem existir em cada caracterstica, no
caso de se utilizar variveis dicotmicas, cdigos alocados ou ajustados de 10% da quantidade
de dados utilizados (n).
Desta forma, para um exemplo de modelo de terreno com uma quantidade de 78 dados
habilitados no modelo, a varivel de esquina deve possuir ao menos 8 dados na situao de meio
de quadra ou esquina, pois 10% de 78 igual a 7,8.
O mesmo critrio aplicado para a varivel estado de conservao, do modelo exemplo
de apartamentos com Estado Novo, Bom e Regular, em que para uma quantidade de dados igual
a 78, devem ao menos existir 8 (oito) elementos em cada situao.
Pg 12 / 78
4.2.3.
Para quantidade de dados efetivamente utilizados (n) maior

que 100:
Para n 100 , ni 10 ;
Quando a quantidade de dados efetivamente considerada no modelo (n) ultrapassa a
100, devem existir ao menos 10 dados em cada caracterstica das variveis dicotmicas, em
cdigos alocados ou cdigos ajustados.
Exemplo 02 CastleR:
O nome do arquivo contendo o modelo CastleR possui o nome de Exemplo 02

Micronumerosidade Estado de Conservao.rgn, neste arquivo encontra-se o modelo de
regresso para apartamentos na cidade de Curitiba/PR.
As variveis habilitadas so as que constam na tabela que segue:
Nome
Descrio
Preo Unitrio
Data do Evento
X1
Preo de Venda / rea Privativa Principal Construda

Perodo de contagem: mensal. Tem como referncia inicial o
dado mais antigo.
Qualitativa - Varivel Proxy para Localizao. Krigagen sob
Renda IBGE 2010
X2
informaes de Renda mensal Domiciliar mdia dos setores

censitrios (IBGE 2010)
Qualitativa. De comportamento Proxy. Tem valor calculado
automaticamente, cruzando-se informaes sobre as
Padro de Acabamento Automtico
X3
caractersticas de acabamento do imvel com as tipologias

padres atuais do SINAPI, para a unidade da federao
referente.
Quantitativa. rea da unidade autnoma de uso exclusivo,
rea Privativa Principal Construda
X4
destinada moradia, atividade ou uso principal da edificao,

situada em determinado andar ou em dois ou mais andares
interligados por acesso tambm privativo.
Equipamentos do Condomnio Brinquedoteca (Qtd.)

Equipamentos do Condomnio Churrasqueira (Qtd.)
X5
X6
Quantitativa. Exprime a quantidade presente dessa

caracterstica.
caracterstica.
Pg 13 / 78
Nome
Equipamentos do Condomnio Elevador (Qtd.)
Equipamentos do Condomnio Sala de Ginstica (Qtd.)
Descrio
X7
X8

caracterstica.
caracterstica.
Qualitativa. Valores assumidos: 1(Reparos Importantes),
Estado de Conservao
X9
2(Reparos Simples), 3(Regular), 4(Bom), 5(Na Planta) e

6(Novo).
Benfeitorias da Residncia Sutes (Qtd.)
X10

caracterstica.
Resultado da somatria entre a varivel 'Equipamentos da
Total Vagas#
X11
Edificao - Vagas Cobertas (Qtd.)' e a varivel 'Equipamentos

da Edificao - Vagas Descobertas (Qtd.)'.
Neste exemplo o Estado de Conservao encontra-se representado atravs de

varivel em cdigo alocado, sendo adotada a seguinte escala numrica:
Reparos Importantes = 1,
Reparos Simples = 2
Regular = 3
Bom = 4
Na Planta = 5
Novo = 6
A quantidade de efetivamente utilizada de n = 123 dados, logo segundo critrio de

micronumerosidade da NBR 14653 necessrio, que para cada cdigo alocado, existam ao
menos 10 dados.
Na opo Avaliao/Inconsistncias, possvel verificar que o Estado de Conservao
encontra-se com micronumerosidade conforme figura abaixo:
Pg 14 / 78
O CastleR sinaliza que a varivel Estado, para os cdigos 1, 2 e 5 apresenta

micronumerosidade, ou seja, possuem menos de 10 dados em cada cdigo.
Na opo Anlise/Univariada possvel visualizar graficamente o comportamento
da varivel Estado de Conservao em funo da quantidade de dados em cada cdigo:
O grfico demonstra as seguintes quantidade de dados em cada estado de conservao:
Estado 1 (Reparos Importantes) = 1 dado
Estado 2 (Reparos Simples) = 6 dados
Estado 3 (Regular) = 31 dados
Estado 4 (Bom) = 59 dados
Estado 5 (Na Planta) = 2 dados
Pg 15 / 78
Estado 6 (Novo) = 24 dados
Desta forma, os cdigos alocados 1, 2 e 5 possuem menos de 10 dados encontram-se

com micronumerosidade.
Para a soluo deste problema existem trs possibilidades:
Pesquisar no mercado imobilirio mais dados de mercado que satisfaam a
exigncia da norma tcnica
Desabilitar os dados nos cdigos alocado afetados pela micronumerosidade, sob
pena de reduzir o tamanho da amostra e limitar a utilizao do modelo para
avaliandos que possuam estado de conservao iguais aos estados que foram
desconsiderados.
Ou agrupar os cdigos que sofrem a micronumerosidade, como segue no exemplo.
Podemos agrupar os cdigos 1, 2 e 3 em um nico cdigo. Assim como os estados 5 e 6

em outro cdigo. Nos CastleR rpido e fcil de efetuar a operao de agrupamento de cdigos
alocados para a varivel estado de conservao, clicando Avaliao/Variveis/Cdigos
Alocados/Estado de Conservao/configurar, conforme figura 7 abaixo
A se clicar em configurar, surge a janela Configurao de varivel tipo cdigo alocado,

segundo a figura abaixo:
Pg 16 / 78
Nela seleciona-se o cdigo que se deseja agrupar, na figura acima encontra-se

selecionado o estado 2 (reparos importantes) e clica em repetir a numerao, para que os cdigos
1 e 2 se agrupem em um nico cdigo alocado.
A figura abaixo ilustra o novo ordenamento dos grupos aps a operao:
Para efetivao dos demais grupos repete-se o procedimento, at o agrupamento

dos cdigos afetados pela micronumerosidade, sendo que a figura 10 representa o aspecto final
dos grupos aps os procedimentos de agrupamento;
Pg 17 / 78
Aps efetuado os procedimentos de reagrupamento dos dados em anlise univariada o

grfico de barras para a varivel Estado de Conservao, assume a forma apresentada na figura
abaixo, agora atendendo as exigncias de quantidade mnima de 10 dados em cada cdigo de
estado de conservao:
4.3.
3 HIPTESE HOMOCEDASTICIDADE
Os erros so variveis aleatrias com valor esperado nulo e varincia constante.
Pg 18 / 78
Trata-se de uma das hipteses mais importantes do modelo de regresso linear mltipla,
que os resduos so homocedsticos, ou seja, todos tm as mesmas varincias iguais ou
homogneo (homo) espalhamento (cedasticidade).
Existem vrios mtodos analticos para verificar o aspecto da varincia constante do erro,
no entanto, numa anlise grfica dos resduos esta hiptese pode ser verificada com facilidade
(Anlise prescrita na NBR 14.653-2/2011 Subitem A.2.1.3).
Um grfico dos resduos ( ei ) versus valores ajustados pelo modelo de regresso ( Y ),
apresentando pontos distribudos aleatoriamente em torno da reta horizontal sem nenhum padro
definido (ver figura 7), um indicador favorvel aceitao da hiptese de varincia constante
para o erro. Neste caso o modelo conhecido como homocesdstico. Havendo um padro
definido ou alguma tendncia no grfico (ver figura 8), o modelo heterocedstico, portanto no
se confirma a hiptese de varincia constante para o erro.
EXEMPLO HOMOCEDSTICO
EXEMPLO HETEROCEDSTICO
O grfico dos resduos versus valores calculados (valores preditos) uma das principais
tcnicas utilizadas para verificar as suposies dos resduos. Alm da deteco de
heterocedasticidade, esse grfico pode indicar que no existe uma relao linear entra as
variveis explicativas com a varivel resposta por meio de alguma tendncia nos pontos. Por
exemplo, se os pontos do grfico formam uma parbola, indicativo que termos de segundo grau
sejam necessrios.
Para o diagnstico de heterocedasticidade, tentamos encontrar alguma tendncia no
grfico. Por isso, se os pontos esto aleatoriamente distribudos em torno do 0, conforme o grfico
da Figura 8, sem nenhum comportamento ou tendncia, temos indcios de que a varincia dos
resduos homocedstica. J a presena de "funil" um indicativo da presena de
heterocedasticidade.
Pg 19 / 78
Exemplo 03 CastleR:
No arquivo Exemplo 03 - Homocedasticidade.rgn, encontramos um modelo de

regresso de terrenos na cidade de Curitiba, sendo na figura 14 apresentado o grficos dos
resduo padronizados versus valores observados;
Neste grfico observamos que a varincia, ou disperso, dos dados medida que
os valores estimados aumentam tende a aumentar a presena de heterocedasticidade.
Este comportamento heterocedstico no e adequado e invalida a utilizao deste
modelo.
Para que seja atendida a hiptese de homocedasticidade do modelo necessrio
que este grfico apresente os pontos disposto aleatoriamente, sem nenhum padro definido como
mostra a figura que segue:
4.4.
4 HIPTESE NORMALIDADE
Os erros so variveis aleatrias com distribuio normal.

Para se fazer a estimao dos parmetros atravs dos mnimos quadrados, no foi
necessria nenhuma suposio de que os erros teriam que ter uma distribuio normal. No
entanto, para se fazer inferncias e construir intervalos de confiana h necessidade que os erros
tenham uma distribuio normal, onde se observa que 68% destes resduos esto no intervalo [-
Pg 20 / 78
1;+1] desvios padro, 90% entre [-1,64;+1,64] desvios padro e 95% entre [-1,96;+1,96] desvios
padro. A presente anlise, encontra-se recomendada na NBR 14.653-2/11 Anexo A Item
A.2.1.2.
Portanto, para se fazer inferncias a respeito dos valores populacionais necessrio o
atendimento do pressuposto da normalidade dos resduos, com mdia igual a zero e varincia
constante (homocedasticidade).
A hiptese da normalidade dos resduos deve ser satisfeita, pois resduos representam a
influncia combinada sobre a varivel dependente (Y) que so os preos de mercado de todas as
variveis no includas explicitamente no modelo de regresso. esperado que o efeito destas
variveis omitidas ou negligenciadas seja pequena, e na melhor das hipteses aleatrias. Se caso
os resduos apresentem a forma da distribuio normal de probabilidades as variveis omitidas
so aleatrias e pouco vo interferir na inferncia a respeito dos parmetros estimados no modelo
de regresso, atravs do Mtodo dos Mnimos Quadrados.
4.4.1.
Mtodos para identificao da Normalidade dos Resduos
Os teste de normalidade dos resduos de um modelo de regresso linear tem o objetivo

de identificar se os resduos seguem a distribuio normal, portanto, caso o teste aponte que a
distribuio dos resduos da regresso no seguem a normalidade a equao no pode ser
utilizada, neste caso o modelo deve ser alterado introduzindo novas variveis independentes,
novos dados, aplicando outras transformaes de escala, identificando efeito de outliers para os
resduos assumam a forma da distribuio normal.
4.4.1.1.
Comparao da Frequncia Relativa
A verificao da normalidade dos resduos pode ser efetuada atravs da comparao da

frequncia relativa dos resduos amostrais padronizados nos intervalos de [-1 dp;+1 dp], [1,64;+1,64] e [-1,96;+1,96], com as probabilidades da distribuio padro nos mesmos intervalos,
ou seja, com 68%, 90% e 95%
4.4.1.2.
Histograma dos Resduos Amostrais
possvel visualizar a forma da distribuio dos resduos amostrais padronizados atravs

do grfico histograma, e comparar este histograma com a funo densidade de probabilidade da
distribuio normal (de mesma mdia e desvio padro).
Este mtodo simples e rpido pode dar informaes sobre a distribuio dos resduos.
Pg 21 / 78
Abaixo se apresenta o grfico dos resduos, sendo que na figura abaixo, o histograma
dos resduos amostrais no apresenta boa semelhana com a curva normal em formado de sino,
logo deduz-se que a hiptese de normalidade no est plenamente verificada.
BAIXA ADERENCIA CURVA NORMAL

Entretanto, na figura abaixo temos um exemplo de histograma em que os resduos
amostra se apresentam mais assemelhados a curva normal, indicando que a hiptese de
normalidade esta atendida.
MAIOR ADERENCIA CURVA NORMAL

4.4.1.3.
Anlise grfica Normal QQ-Plot
Uma outra forma e mais eficaz forma de comparar distribuies empricas e tericas
comparar os quantis das distribuies e para isto utilizamos o grfico normal qq-plot. O qq-plot
um grfico dos dados ordenados contra os quantis esperados de uma certa distribuio, no caso a
distribuio normal.
Quanto mais prximo os pontos estiverem da bissetriz do primeiro quadrante mais
prximos os dados observados esto da distribuio considerada.
Na figura abaixo so apresentados grficos qq-plot, para um conjunto de dados de
mercado em que a maioria dos pontos no caem sobre a reta, ou seja, estes resduos no
atendem a hiptese de normalidade atravs do exame grfico.
Pg 22 / 78
Por outro lado a figura acima exemplifica a condio de atendimento da hiptese de

normalidade dos resduos, ou seja, a grande maioria dos pontos situa-se sobre a reta, indicando
que este apresenta a distribuio normal.
Exemplo 4 CastleR
No arquivo Exemplo 04 - Normalidade.rgn, encontra-se um exemplo de modelo que no

atende a hiptese de normalidade dos resduos. Trata-se de exemplo de equao de regresso
para tipologia de casas na cidade de Unio da Vitria/PR.
Para este exemplo encontra-se atravs de selecionar na aba Modelo/Resduos, conforme
figura representao do grfico dos resduos padronizados versus preos calculados, assim como
o histograma, de acordo com a figura abaixo;
Pg 23 / 78
O grfico dos resduos e histograma podem ser observados nas figuras a seguir:
RESIDUOS PADRONIZADOS X VALORES AJUSTADOS
HISTOGRAMA DOS RESIDUOS AMOSTRAIS
Pg 24 / 78
GRFICO NORMAL - QQ PLOT
4.5.
5 HIPTESE AUTOCORRELAO DOS RESDUOS
Os erros so no correlacionados, isto so independentes sob a condio de

normalidade. O conceito de independncia dos resduos est ligado independncia dos dados
de mercado. A situao ideal aquela onde cada transao seja realizada independente da outra,
ou seja, o conhecimento do preo e condies de uma no interfira na outra.
Sua verificao pode ser efetuada atravs da anlise do grfico dos resduos versus os
valores ajustados, que deve apresentar pontos dispersos e sem padro definido, conforme grfico
apresentado na figura 23:
GRFICOS DOS RESDUOS AMOSTRAIS
Pg 25 / 78
4.6.
6 HIPTESE COLINEARIDADE E MULTICOLINEARIDADE
No deve existir nenhuma relao exata entre quaisquer variveis independentes.

Para verificao desta hiptese deve-se analisar a correlao entre as variveis
explicativas ou covariveis. Quando o coeficiente de correlao R = 0, diz que as variveis
independentes no so colineares, ou seja, no existe relao de dependncia entre elas.
Quando R = 1, as variveis so colineares e existe perfeita relao de dependncia entre as
mesmas. No caso de uma covarivel estar fortemente correlacionada com mais de uma covarivel
do modelo d-se o nome de multicolinearidade.
Na prtica, dificilmente ocorre multicolinearidade perfeita, havendo, no entanto, casos
com alto grau de multicolinearidade. O fenmeno da multicolinearidade bastante prejudicial ao
modelo quando se pretende utilizar as estimativas dos parmetros da regresso, pois elas so
bastante imprecisas. Porm, o modelo pode ser utilizado se o valor estimado corresponde a dados
pertencentes mesma estrutura linear que provoca o problema (Neter e Wasserman-1974).
Por exemplo: uma amostra composta por preos de glebas factvel que as grandes
reas estejam localizadas distante do centro urbano em relao s reas menores. Portanto um
modelo que contemplem as variveis rea e distncia ao centro urbano apresentam alto grau
de dependncia ou colinearidade. Neste caso, o modelo pode ser utilizado com restries, ou
seja, s se deve avaliar glebas grandes distantes do centro urbano, e pequenas prximas ao
centro urbano.
Desta forma, quando a anlise da correlao entre duas ou mais variveis revelar
coeficiente alto (superior a 0,80, por exemplo), h indicao de que o modelo apresenta limites
srios para a sua utilizao. Previsto a sua anlise na NBR 14.653-2/11, em seu Anexo A, subitem
A.2.1.5.
4.6.1.
Identificao da Colinearidade
Quando trabalhamos com mais de uma varivel independente, muito importante

verificar se essas variveis explicativas so correlacionadas. Desta forma, se no houver nenhum
relacionamento entre elas, dizemos que so ortogonais.
Na prtica, muito difcil que as variveis de entrada sejam ortogonais e, felizmente, a
falta de ortogonalidade no sria. Mas se as variveis forem muito correlacionadas, as
inferncias baseadas no modelo de regresso podem ser errneas ou pouco confiveis.
Por isso, necessrio verificar se as variveis so altamente correlacionadas. Na
literatura, os termos Colinearidade (Multicolinearidade) so utilizados para indicar a existncia
Pg 26 / 78
forte de correlao entre duas (ou mais) variveis independentes. Entretanto, alguns autores
designam de Colinearidade a existncia de relao linear entre duas variveis explicativas (matriz
de correlao) e de Multicolinearidade a existncia de relao linear entre uma varivel explicativa
e as demais.
Se a matriz X'X singular, isto , algumas variveis explicativas so combinaes
lineares de outras, temos Multicolinearidade e no h Estimadores de Mnimos Quadrados nico
para os parmetros. Se X'X aproximadamente singular, temos Multicolinearidade aproximada.
Para identificao do grau de colinearidade isolada, entre o par de cada uma das
variveis independentes, necessrio examinar a matriz de correlaes isoladas se apresenta
correlao muito elevadas (acima de 0,80 ou 80%), ou seja, se na matriz de correlaes se
apresentarem correlaes prximas a 1 ou 100 % um indicador de que existe forte colinearidade
entre este par de variveis independes.
Se a correlao de duas variveis maior de 0,8 (ou 80%), indicativo de correlao
forte entre elas.
Exemplo 05 Castler:
No modelo exemplo de Terrenos na cidade de Curitiba/PR, apresenta a seguinte equao

de regresso, atravs do arquivo: Exemplo 05 - Colinearidade.rgn representado na equao
abaixo:
Pg 27 / 78
A matriz de correlaes isoladas a apresentada abaixo, nela identificamos que a

correlao isolada entre as variveis rea Privativa (X6) e Frente (X7) de 92%, indicando a forte
colinearidade existente entre estas variveis.
4.6.2.
Identificao da Multicolinearidade
A multicolinearidade refere-se a correlao existente entre mais de duas variveis

independentes, includas no modelo de regresso. Isso ocorre quando trs ou mais variveis x1,
x2 e x3 medem aproximadamente a mesma caracterstica dos imveis que compes a amostra de
dados de mercado.
Estas relaes entre as variveis em uma amostra dificultam o isolamento dos efeitos
separados das variveis independentes na varivel dependente Y. O problema similar ao caso
em que os valores de uma determinada varivel independente no variam muito dentro da
Pg 28 / 78
amostra de dados, como consequncia dessa pequena variao, torna-se difcil isolar o seu
impacto na varivel dependente.
Este fenmeno ocorre quando existe forte correlao entre as variveis independentes,
como consequncia tem-se o aumento da varincia, e portanto seu erro padro, da estimativa do
parmetro da regresso. Assim o valor da estatstica t de Student reduz-se e, s vezes, a hiptese
nula de que a varivel independente no afeta a dependente pode ser aceita, quando deveria ser
rejeitada.
Um processo, simples e efetivo, para identificao da presena de multicolinearidade
consiste em estimar as regresses auxiliares, nas quais, combina-se cada uma das variveis
independentes com as variveis independentes restantes.
4.6.2.1.
Atravs de Regresses auxiliares
Se estas regresses auxiliares resultarem em um coeficiente de correlao (r) elevado,

acima de 0,80, identifica-se que esta varivel tomada como varivel dependente das demais
possui sua variao explicada pela variao das outras variveis.
Para execuo das regresses auxiliares necessrio efetuar os seguintes passos:
Regride-se cada uma das variveis independentes X sobre as demais variveis
independentes, como mostrado a seguir para um modelo com k variveis explicativas;
X 1 b10 b12 X 2 b13 X 3 ... b1k X k
X 2 b20 b21 X 1 b23 X 3 ... b2 k X k
X k bk 0 bk 1 X 1 bk 3 X 3 ... bk ( k 1) X ( k 1)
Calcula-se as estatsticas dos modelos auxiliares, como: coeficiente de determinao

(Rj), coeficiente de correlao (r), t-Student dos parmetros ajustados, F de Snedecor e
significncia de F.
Este procedimento permite localizar entre as variveis explicativas as mais afetadas pela
multicolinearidade, em funo dos coeficientes de correlao mltiplos que se forem superiores a
80% indicam a presena de forte dependncia das variveis que se encontra regredida nas
demais.
4.6.2.2.
Atravs dos Fatores de Inflao da Varivel (FIV)
Duas medidas mais comumente utilizadas so o valor de tolerncia ou seu inverso,

chamada fatores de inflao da varincia (FIV) definido pela equao abaixo:
Pg 29 / 78
FIV
1
(1 R 2j )
onde R2j o coeficiente de determinao mltipla, definido pelas regresses auxiliares

apresentadas no item anterior. uma medida do grau em que cada varivel independente
explicada pelas demais variveis independentes. Quanto maior for o fator de inflao da varincia,
mais severa ser a multicolinearidade.
Quando o valor de R2j aproxima-se de 1, o FIV aproxima-se de infinito. Ou seja, quando
a colinearidade aumenta, a varincia do parmetro estimado aumenta, e no limite pode tornar-se
infinita. Se no houver multicolinearidade entre as variveis Xs o FIV assumira o valor igual a 1,
pois os valores de R2j igual a zero.
Sugere-se que se qualquer fator de inflao da varincia exceder 2,8 ento a
multicolinearidade ser um problema, pois quando o valor da correlao mltipla da vaivel Xj
estiver regredida sobre as demais se aproximar de 0,80 o valor do FIV se aproximar de 2,8 (mais
precisamente 2,7777), valores de FIV superiores a 2,8 indicam que a varivel encontra-se afetada
pela multicolinearidade.
4.6.2.3.
Atravs do diagrama de disperso
Uma boa prtica para verificar como as variveis independentes esto relacionadas
atravs do diagrama de disperso. A figura a seguir apresenta o diagrama de disperso para um
exemplo 06, referente a um modelo de casas em Unio da Vitria, entre a varivel estado de
Conservao e Idade Aparente, ele mostra que existe correlao negativa entre estas variveis (o
coeficiente de correlao simples entre elas de -0,71), mas no so perfeitamente colineares, se
fossem perfeitamente colineares os pontos se localizariam sobre uma reta e o coeficiente de
correlao simples entre elas seria igual a 1, e a regresso no seria possvel de ser calculada,
porque teramos uma relao linear exata entre idade e estado de conservao.
Pg 30 / 78
4.6.2.4.
Solues para Multicolinearidade
O que podemos fazer quando a multicolinearidade for grave? Temos duas opes: (1)
no fazer nada ou (2) seguir alguns procedimentos.
No fazer Nada
No necessrio fazer nada se caso o imvel avaliado seguir os padres estruturais do
modelo, existente nos dados amostrais, o fenmeno da multicolinearidade pode ser negligenciado
conforme subitem A.2.1.5.4 da NBR 14.653-2:2011.
No anexo A da NBR 14653 parte 2 em seu subitem A.2.1.5.3, recomenda como
tratamento da multicolinearidade a ampliao da amostra ou utilizar de tcnicas estatsticas mais
avanadas, como regresso de componentes principais que no se encontra no escopo deste
curso de inferncia estatstica.
Ampliar a amostra
Aumentar a quantidade de dados com novas observaes visando corrigir eventuais
dependncias que foram verificadas entre as variveis do modelo. Todavia, essa recomendao
nem sempre aplicvel, dado possvel restrio tcnica quando na facilidade de obteno de
novos dados em determinadas situaes vigentes no mercado imobilirio em estudo.
Excluir Variveis Colineares ou Multicolineares
Pg 31 / 78
A excluso de variveis independentes uma das alternativa existentes, para reduzir o

grau de colinearidade entre as variveis, mas pode ser causadora de outros impactos:
Se a varivel escolhida for importante pode ser criado no modelo a omisso de
caracterstica relevante, que ser negligenciada.
Utilizar Tcnicas Estatsticas mais avanadas

Pode ser utilizado tcnicas avanas, para solucionar os casos em que multicolienaridade
apresenta-se severamente no modelo de regresso, como a anlise de componentes principais e
que fogem ao escopo deste curso intermedirio de Inferncia estatstica aplicada a avaliao de
imveis.
Exemplo 06 CastleR
O exemplo 06 encontra-se no arquivo: Exemplo 06 - Multicolinearidade.rgn, referente a

modelo de regresso da tipologia de casas na cidade de Unio da Vitria/PR.
Neste modelo a equao de regresso e os demais resultados estatsticos so
apresentados abaixo:
2. Comportamento
(a) Nmero de dados habilitados
70
(b) Nmero de dados desabilitados
12
(c) Variveis independentes habilitadas
(d) Variveis independentes desabilitadas
10
Equao de Regresso
aplicada
Pg 32 / 78
Na anlise de multicolinearidade do CastleR, Resultados/ Multicolinearidade/ Correlao

Mltipla, possvel observar os resultados estatsticos das regresses auxiliares como: o
coeficiente de correlao mltipla r, para cada uma das variveis independentes quando regredida
sobre as demais variveis independentes:
Pg 33 / 78
Na figura acima, destacado em vermelho encontramos o valor da correlao mltipla r

igual a 85% e um FIV igual a 3,64, quando a varivel idade estimada includa na situao de
dependente na regresso auxiliar, sugerindo que esta a varivel mais afetada pela
multicolinearidade.
Em segundo vem a varivel estado de conservao, que apresenta um coeficiente de
correlao de 81% e FIV de 2,9, quando colocada na situao de varivel dependente em relao
as demais.
Portanto, este modelo as variveis Estado de Conservao (X6) e Idade Estimada (X5),
apresentam os valores de FIV igual a 2,90 e 3,64, respectivamente, superior ao valor de
referncia de 2,77 indicando que estas variveis se encontram afetadas pela multicolinearidade.
O grfico da abaixo ilustra a comparao dos FIV, para cada uma das variveis
independentes visando a identificao da presena da multicolinearidade.
No grfico possvel perceber que as variveis X5 (Idade Estimada) e X6 (Estado de

conservao) encontram-se afetadas pela multicolineridade, quando o valor do FIV ultrapassar a
referencias de 2,8 a barra fica indicada em vermelho.
Pg 34 / 78
A existncia da colinearidade entre as variveis pode ser ilustrada pelo grfico de

disperso, representado pela FIG 24 do item anterior.
4.6.2.5.
PONTOS ATPICOS
Analisadas as 06 hipteses acima importante verificar se existe presena de pontos

atpicos, conhecidos como: outliers ou pontos influenciantes, pois os estimadores de mnimos
quadrados no so robustos quando pontos desta natureza contribuem para o ajustamento. Esta
anlise est prevista na NBR 14.653-2/11 Anexo A Subitem A.2.1.6.
OUTLIER
Outlier um dado ou elemento que apresenta grande resduo em relao aos dados que
fazem parte da amostra, ou ainda, apresenta resduo superior a 02 desvios padres.
Desta forma, qualquer valor que se encontre fora do intervalo +/- 3 desvio padres deve
ser examinado e motivo de preocupao e valores fora do intervalo de +/- 2,5 desvio padres
deve ser examinado com cuidado.
Estes pontos podem ser observados atravs de uma
anlise grfica dos resduos padronizados (ei )
versus valores ajustados (Yi ) .
PONTOS INFLUENCIANTES
So aqueles que apresentam pequenos resduos, em alguns casos at nulos, mas que
se distanciam da massa de dados, podendo alterar a tendncia do mercado (ver fig. acima).
Pg 35 / 78
Distncia de Cook
Para se avaliar a influencia no modelo de cada um dos dados, existe a estatstica
de influncia, conhecida como distncia de Cook que identifica o(s) dado(s) a influncia nos
parmetros estimados no modelo quando o dado retirado do modelo.
A distncia de Cook uma medida no padronizada, e desta forma no existe um
valor mximo admitido como absoluto que nos permita afirmar que um dado tem influncia
exagera no modelo. Em vez disso, devemos olhar para os valore da distncia de Cook que so
particularmente altos quando comparados com os demais dados da amostra.
Contudo alguns autores sugerem que valores superiores a 1 indicam que o dado
problemtico ao modelo de regresso, entretanto existe uma medida de referncia mais
conservadora, dada por 4/(n-k-1), em k a quantidade de variveis independentes n a
quantidade dados considerados no modelo, para a identificao de possveis dados extremos.
Distncia de Mahalanobis (D)

Mede a influncia de um dado em relao ao valor mdio de todos os dados os
dados das variveis independentes, levando em considerao a correlao existente no conjunto
de dados. Os valores da distncia de mahalanobis que so substancialmente maiores que os
restantes indicam dados excessivamente influenciantes.
Exemplo 07 Outliers e Pontos Influenciantes
O exemplo 07 trata-se de modelo de regresso para a tipologia de terrenos, na

cidade de Curitiba/PR, sendo a base de dados total composta de 96 dados, sendo o a equao
calculada a que segue:
Pg 36 / 78
Neste modelo o grfico dos resduos encontra-se representado na figura logo abaixo:
Pg 37 / 78
Nele possvel identificar o ponto extremo, um possvel dado Outlier destacado dos
demais, que se encontra afastado +3,608 desvio padres da linha de regresso.
Quanto Distncia de Cook os dado 01, 05, 91 e 93 so identificados como dados
influenciantes e que merecem ateno.
Os valores para suas distncias de cook, seguem abaixo:
Considerando que a fronteira de referncia, quando existem n = 95 dados e k = 11,

Limite de referncia = 4/(n-k-1) = 4/(95-11-1) = 0,04819
Quanto distncia de Mahalanobis, so apresentados como dados com caractersticas
mais afastadas da mdia amostral os elementos 5, 91, 94, 88 e 1 que possuem valores para a
distncia de Mahalanobis superiores a 24,725 indicada com um nvel confiabilidade de 99%.
No grfico representado pela figura abaixo, so apresentados os valores da distncia de
Mahalanobis, juntamente com a fronteira de referncia para identificao de possveis dados
outliers.
Pg 38 / 78
Pg 39 / 78
5.
TESTES DE SIGNIFICNCIA DO MODELO

5.1.
SIGNIFICNCIA GLOBAL DO MODELO
Para se testar a significncia global de todos os parmetros que participam de um

modelo de regresso de n preos observados sobre k variveis independentes, utiliza-se o
teste F. Esta estatstica consiste em determinar a razo entre a varincia explicada pela
varincia no explicada. Portanto, basta construir uma tabela da anlise da varincia que
conhecida como tabela de ANOVA.
FONTE DE VARIAO
REGRESSO-EXPLICADA
ERRO-(NO EXPLICADA)
TOTAL
SOMA DOS QUADRADOS
GRAUS DE LIBERDADE
QUADRADO MDIO
MQR = SQR/k
n-k-1
EMQ= SQE/n-k-1
Yi Y
SQR
Yi Y
SQE
Yi Y
SQT
n-1
Assim a estatstica Fc = MQR / EMQ ou
Yi Y
Yi Yi
2
2
n k 1
k
Para realizar o teste de significncia do modelo, elaboram-se as seguintes hipteses:

Hiptese nula (H0), considera que nenhuma varivel escolhida para formao do modelo
importante para explicar a variabilidade dos preos observados no mercado imobilirio.
Hiptese alternativa (HA), considera que pelo menos uma varivel importante para
explicar a variabilidade dos preos observados no mercado imobilirio, ou seja:
H0 : 1 2 k 0
HA: pelo menos um 1 2 k 0
Portanto, se a estatstica Fc for maior que F ;k;(n-k-1) de Snedecor (tabelado por
Fisher), para k graus de liberdade no numerador e (n-k-1) no denominador a um nvel de
significncia pr-estabelecido, conclui-se que pelo menos uma varivel importante para
explicao do modelo e rejeita-se a hiptese nula H0. A NBR 14.653-2/11, em seu subitem 9.2.1
Tabela 1 Item 6, prev que para o enquadramento no Grau de Fundamentao, o nveis de
significncia mximo so:
Pg 40 / 78
Grau III 1%;

Grau II 2%;
Grau I 5%.
5.2.
SIGNIFICNCIA INDIVIDUAL DE UM PARMETRO
Para verificar se um varivel que participa de um modelo de regresso importante,

realiza-se um teste elaborando as seguintes hipteses sobre o seu parmetro:
Hiptese nula (H0), considera-se que a varivel no importante para explicar a
variabilidade dos preos observados no mercado imobilirio.
Hiptese alternativa (HA), considera-se que a varivel selecionada importante para
explicar a variabilidade dos preos observados no mercado imobilirio, ou seja:
H0 : j 0
HA: j 0
A estatstica de teste ser dada por:
tj
bj j
s (b j )
, onde
bj
o estimador do parmetro
s (b j )
o desvio padro
estimado, correspondente ao parmetro j .

Portanto, se a estatstica t j for superior a t(1 / 2;nk 1) de Student, conclui-se que a
varivel importante para explicao da variabilidade dos preos observados e rejeita-se a
hiptese nula H0. A NBR 14.653-2/11, em seu subitem 9.2.1 Tabela 1 Item 5, prev que para
o enquadramento no Grau de Fundamentao, o nveis de significncia mximo so:
Grau III 10%;
Grau II 20%;
Grau I 30%.
Pg 41 / 78
6.
UTILIZAO DE VARIVEIS DICOTMICAS

Neste item ser discutido e apresentado a utilizao de um tipo especial de varivel
independente, utilizada quando se pretende incluir no modelo de regresso um efeito que possui
caracterstica binria, relacionado a qualquer tipo de caracterstica que possua duas situaes
distintas.
Por exemplo, em uma pesquisa de mercado feita com os 10 dados de mercado de venda
de lotes de terrenos, 7 eram situados em esquina e 3 situados em meio de quadra. Como
Esquina e Meio de Quadra so categorias de situao do lote de terreno em relao a sua
posio na quadra, como poderamos transform-los em nmeros?
Uma maneira de se fazer isso atribuir, por exemplo, uma varivel no modelo chamada
de Esquina sendo que esta assume o nmero 0 quanto a situao do lote for de Meio de Quadra
e o nmero 1 quando a situao do lote for de esquina.
Por meio desse artifcio de uma simples substituio, uma varivel que possui duas
caractersticas pode ser transformada em numrica que tem muito mais aplicaes matemticas e
estatsticas do que as categorias esquina e meio de quadra.
Por exemplo, se fizer uma mdia, quanto mais prximo de 0 estiver a mdia, mais dados
em situao de meio de quadra pesquisados. De maneira anloga, quanto mais prximo de 1
mais dados situados em esquina foram coletados. Nessa situao, diz-se que a varivel Esquina
uma varivel dicotmica.
6.1.
DICOTMICAS ISOLADAS
Tais variveis indicam a presena ou no de determina caracterstica ou atributo de

natureza qualitativa, como: lote em esquina ou meio de quadra, dados ofertados ou
transacionados, existncia ou no de elevador, vista panormica, presena ou no de matadouro
etc.
Pode-se quantificar estes atributos formulando varivel artificial que assumem dois
valores numricos, poderia ser qualquer dois valores como: 1 e 2 ou 10 e 20, para efeitos de
clculos estatsticos e concluso dos resultados podem ser quaisquer dois valore numricos.
Entretanto, recomendvel para facilitar as anlises estatsticas que estes dois valores sejam
iguais a 1 indicando a presena de determina caractersticas e 0 indicando ausncia dela.
Pg 42 / 78
Por exemplo, 1 pode indicar a presena de vista panormica para um determinado

apartamento, e 0 indicar a ausncia de vista panormica.
As variveis que assumem dois valores, a exemplo de 0 ou 1, so chamadas de
variveis dicotmicas isoladas, pois definem apenas uma caracterstica ou atributo da amostra de
dados de mercado, portanto tratam-se de um dispositivo numrico para classificar os dados em
duas categorias distintas, mutuamente excludentes, como lote de terreno situado ou no em
esquina.
As variveis dicotmicas podem ser incorporadas aos modelos de regresso com
tanta facilidade quanto as variveis quantitativas. De fato, um modelo de regresso pode conter
tanto variveis dicotmicas, quanto variveis quantitativas.
Para exemplificar o uso de uma varivel dicotmica em modelos de regresso para
avaliao imobiliria, tem-se: supondo que uma equao de regresso expressa por:
Valor 0 1 rea
A equao representa os valores praticados nas transaes de lotes em determinado

loteamento, sendo adequado para determinar o valor de valor de mercado.
Entretanto durante a coleta de informaes no mercado, constata-se que os lotes de
terrenos na situao de esquina mostram certo incremento nos valores praticados, em relao aos
imveis situados em meio de quadra. Na tentativa de aumentar o poder de explicao daquela
equao, podemos incluir uma segunda varivel na sua composio, chamada Esquina, definida
da seguinte forma:
- Esquina = O (zero) imvel situado em meio de quadra;
- Esquina = 1 (um) imvel situado em esquina.
O novo modelo inferido ter a seguinte forma:

Valor 0 1 rea 2 Esquina
Para imveis na situadas em meio de quadra, a varivel Esquina assume o valor O

(zero), portanto, o modelo matemtico que representa esta situao volta sua forma original:
Valor 0 1 rea
Para os imveis situadas na esquina, a varivel Esquina assume o valor 1 (um). Neste
caso o modelo matemtico torna-se:
Valor ( 0 2 ) 1 rea
Pg 43 / 78
Representando de forma simplificada estas funes no plano, supondo que B2>0, uma
vez que imveis com vista devem apresentar valores superiores, tem-se a figura 32:
Ou seja, o Valor obtido no modelo original, ser acrescido do parmetro B2, calculado de
acordo com os dados da amostra analisada (a situao inversa, onde esquina = O; esquina = 1 no modifica o processo, apenas o parmetro B2, inverte o sinal).
Exemplo 08 CastleR:
Para exemplificar a utilizao de varivel dicotmica, em modelo de regresso apresentase abaixo o exemplo 08.
O modelo contm 75 dados de casas a venda, na cidade de Unio da Vitria/PR e
considerada cinco variveis independentes: Data do Evento, Renda IBGE 2010, rea Sujeita a
inundao, Padro de Acabamento e rea privativa sendo a equao de Regresso a que
segue:
Pg 44 / 78
A varivel Caracterstica da Regio rea Sujeita a Inundao dicotmica, indicando

se o casa se localiza ou no em rea de inundao. O objetivo desta varivel incluir no modelo o
fato do dado se localizar em regio que inunda com frequncia.
Nos casos em que a casas situar-se em regio de inundao a varivel assume o valor
1, caso contrrio, assume o valor 0.
Trata-se de caracterstica desvalorizante, portanto, seu crescimento esperado em relao
aos preos unitrios negativa.
No modelo do exemplo 8, o crescimento da varivel inundao de 34,39 % ,
indicando que o efeito da presena em regio de alagamento de reduzir os preos em media em
-34 %, aproximadamente.
6.2.
DICOTMICAS MLTIPLAS
Existem algumas variveis qualitativas que podem assumir trs ou mais situaes bem
definidas, como por exemplo o padro construtivo (baixo, normal, alto); conservao (ruim,
regular, boa), fluxo de pedestres (baixo, mdio, alto).
Neste caso, pode-se atribuir pesos (1, 2, 3...), crescendo o peso no sentido da situao
menos favorvel para a mais favorvel.
exatamente a influncia de expectativas prprias que confunde o pesquisador,
dificultando a elaborao de escala numrica adequada s verdadeiras expectativas do mercado.
Quando as variveis qualitativas apresentam escalas pautadas em valores detectados durante o
processo de pesquisa, com absoluta iseno do pesquisador, o modelo resultante mostra com
maior preciso o comportamento do mercado analisado.
Para exemplificar a montagem de escalas qualitativas, observe a figura 3.2, onde os
valores da varivel Estado de Conservao, da tipologia tipo Apartamentos foi definida da
seguinte forma:
Estado de Novo/Planta = 1;
Estado Bom = 2;
Estado de Regular = 3.
Pg 45 / 78
No caso acima, a norma recomenda a utilizao preferencialmente da varivel

dicotmica, pois esta soluo oferece informaes mais precisas. Ao indicar que uma situao
exclui a possibilidade da ocorrncia da outra, o processo permite inferir a diferena entre trs ou
mais situaes, onde as n situaes sero analisadas por (n-1) variveis dicotmicas, conforme o
seguinte exemplo:
Numa coleta de dados para compor amostra de apartamentos, foram pesquisados 3
(trs) estados de conservao Novo, Bom e Regular.
Para inferir a diferena entre o valor mdio praticado em apartamentos com variados
estados de conservao, pode-se analisar estas trs situaes (n=3), atravs de duas (n-1)
variveis dicotmicas, ou seja:
Estado Novo = Valor 1 (um) - Imvel possui estado de conservao novo;
= Valor 0 (zero) - Imvel possui outro estado de conservao;
Estado Bom = Valor 1 (um) - Imvel possui bom estado de conservao;
= Valor 0 (zero) - Imvel possui outro estado de conservao;
Como vemos, no ser necessria a incluso de outra varivel para identificar o Estado
de Conservao Regular, pois este estado estar identificado nos dados em que tanto a varivel
Estado Novo como a varivel Estado Bom apresentam valor zero:
Estado Novo = 0; Estado Bom = 0
importante ressaltar que, quanto mais reduzido o grau de subjetividade do trabalho
avaliatrio, maior sua aplicabilidade s diversas ocorrncias de mercado, qualificando os
resultados obtidos. A reduo do grau de subjetividade inserida no processamento das
Pg 46 / 78
informaes colhidas no mercado est diretamente relacionada ao critrio utilizado para definio
da escala de valores das variveis qualitativas.
Concluindo, quanto menor o controle do pesquisador sobre o valor das variveis
qualitativas, menor a subjetividade inserida no trabalho desenvolvido. Isto significa que, seja qual
for o critrio utilizado para definio destas variveis, ele deve ser claro, consistente e "auditvel",
isto , deve permitir que outro pesquisador possa refazer o processo de investigao nos mesmos
dados da amostra, encontrando os mesmos resultados numricos para as variveis qualitativas,
para o critrio estabelecido no trabalho.
Exemplo 09 CastleR:
Para exemplificar a aplicao de variveis dicotmicas mltiplas apresenta-se um modelo

do exemplo 09, trata-se da tipologia de apartamentos na cidade de Curitiba/PR.
Onde as variveis independentes consideradas so as representadas na tabela abaixo:
Neste modelo a caracterstica do Estado de Conservao tem seu efeito, junto aos
preos de mercado, atravs da dicotomia mltipla.
Pg 47 / 78
O estado de conservao neste modelo, exemplo 09, possui trs nveis: regular,
bom e novo que podem ser representados atravs de um cdigo alocado 1, 2 e 3, conforme o
estado de conservao.
Assim, a caracterstica estado de conservao representado pela incluso de duas
variveis dicotmicas, conforme segue a tabela abaixo:
Estado de Conservao Cdigo Alocado
Variveis dicotmicas
Estado de Conservao (Bom) Estado de Conservao (Na Planta, Novo)
Regular
Bom
Novo/na planta
Isto quer dizer que, representar um cdigo alocado por meio de variveis dicotmicas, a
quantidade destas variveis ser sempre menor em uma unidade do que o nmero de posies
ou pesos de cada cdigo alocado.
Observe que duas variveis dicotmicas conseguem representar a diferena de um
cdigo alocado de trs posies. Podemos desconsiderar uma das trs, como por exemplo o
cdigo na posio de estado de conservao regular.
Neste caso, quando estado de conservao referente ao cdigo alocado for igual a 1, as
variveis Estado de Conservao (Bom) e Estado de Conservao (Na Planta, Novo) tero seus
valores iguais a 0. No caso de desconsiderao de uma das novas variveis dicotmicas, ela ser
a referncia para a variao das demais, denominada de caracterstica paradigma a partir da qual
as demais sero consideradas.
Como em nosso caso o estado de conservao regular 1 inferior e a estado de
conservao bom e novo, o resultado de nosso estudo dever apresentar valores positivos ou
maiores de cdigo ajustado para as variveis dicotmicas consideradas.
Isso seria o mesmo que dizer que o estado de conservao novo melhor que ao
bom e estado de conservao novo melhor que regular.
As variveis dicotmicas, referente a estado de conservao, so significativas a
30% limite mximo para o grau I de fundamentao e o crescimento encontram-se coerente com
as condies esperadas;
Estado de Conservao Bom = Crescimento de 2,8%
Estado de Conservao Novo = Crescimento de 5,34%
Pg 48 / 78
Os crescimentos das variveis dicotmicas de estado de conservao, em que a varivel

desconsiderada estado regular, indicam que em mdia um imvel com a demais caractersticas
constantes, mas em estado de conservao bom possui em mdia valor de mercado superior em
2,8 % em relao aos imveis em regular estado de conservao.
Agora quando se considera o estado de conservao de novo, estes possuem valor
mdio de mercado superior em 5,34 % em relao aos valores de mercado dos imveis em
regular estado de conservao, mantendo todas as demais caractersticas constantes.
6.3.
CDIGOS AJUSTADOS
A definio de cdigo ajustado conforme NBR 14.653-2:2011 (1a reviso) a seguinte:

Escala lgica ordenada para diferenciar as caractersticas qualitativas dos imveis.
Temos ainda descrito no Anexo A da ABNT NBR 14.653-2 (1 reviso), os seguintes
critrios e recomendaes:
Os critrios da construo dos cdigos alocados devem ser explicitados, com a
descrio necessria e suficiente de cada cdigo adotado, de forma a permitir o claro
enquadramento dos dados de mercado e do imvel avaliado e assegurar que todos os elementos
de mesma caracterstica estejam agrupados no mesmo item da escala.
A escala ser composta por nmeros naturais consecutivos em ordem crescente (1, 2,
3...), em funo da importncia das caractersticas possveis na formao do valor, com valor
inicial igual a 1. No necessrio que a amostra contenha dados de mercado em cada uma das
posies da escala construda.
A primeira reviso da ABNT NBR 14.653 traz em seu corpo, ainda, a introduo ao
cdigo ajustado, embora muitos profissionais j o utilizem frequentemente. Conforme esta reviso,
ainda no item de definies, o cdigo ajustado apresenta a seguinte descrio: Escala extrada
por meio de modelo de regresso, com a utilizao de variveis dicotmicas, para diferenciar as
caractersticas qualitativas dos imveis.
Quando estabelecemos uma escala pr-ajustada de, por exemplo, uma caracterstica que
assume trs condies, podemos diferenci-las pelos nmeros 1, 2 e 3. Percebe-se que esta
escala indica uma diferena de 100% entre 1 e 2 e de 50% entre 2 e 3. Em outras palavras, podese dizer que estamos arbitrando a diferena entre os imveis desta grandeza (se no houver
transformao).
Exemplo 10 CastleR:
Pg 49 / 78
Vamos considerar que estamos realizando uma avaliao de um apartamento, e as

variveis utilizadas para a descrio do mercado sejam as que seguem:
Sendo a equao de regresso ajustada a que segue:

1/Y = 0,000158956716353885 +0,00637369856829555 / X1 -9,24209008875807E-09 * X2 +0,104575369374285 / X3
-0,00782765974724846 / X4 -2,82451372576178E-05 * X5 +2,41406891433317E-06 / X6
varivel Estado de Conservao (X8) encontra-se descrita, neste modelo, da seguinte

forma em cdigos alocados:
Estado Regular = 1,
Estado Bom = 2
Estado de novo = 3
Os dados de mercado podem ser visualizados, na figura, abaixo:
Temos no eixo horizontal X os cdigos alocados de Estado de Conservao (1,2 e 3) e no

eixo vertical T os preos unitrios dos dados de mercado.
Pg 50 / 78
Para o clculo dos valores dos cdigos ajustados, para a caracterstica estado de
conservao, necessria a transformao da varivel cdigo alocado em dicotmica mltipla,
sendo que o nmero de variveis dicotmicas ser de (n-1), considerando n o nmero de
caractersticas ou posies do cdigo alocado.
Para um cdigo alocado com 3 posies, no caso da varivel Estado de Conservao do
exemplo 10, teremos (43- 1) ou seja, 2 variveis dicotmicas. Isto quer dizer que, para representar
um cdigo alocado por meio de variveis dicotmicas, a quantidade destas variveis ser sempre
menor em uma unidade do que o nmero de posies ou pesos da varivel cdigo alocado.
Denominaremos ento as novas variveis dicotmicas como Estado de Conservao
Bom e Estado de Conservao Novo
O quadro a seguir explicita esta caracterstica.
Estado de Conservao Cdigo Alocado
Variveis dicotmicas
Estado de Conservao (Bom) Estado de Conservao (Na Planta, Novo)
Regular
Bom
Novo/na planta
Observe que duas variveis dicotmicas conseguem representar a diferena de um

cdigo alocado de trs posies. Podemos desconsiderar um dos cdigos alocados para se ciar a
correspondente dicotmica, como por exemplo o estado de conservao regular. Neste caso,
quando o Estado de Conservao Regular, referente ao cdigo alocado for igual a 1, as variveis
Estado de Conservao (Bom) e Estado de Conservao (novo) tero seus valores iguais a 0.
No caso de considerao de uma das novas variveis dicotmicas, ela ser a referncia
para a variao das demais. Como em nosso caso o Estado de Conservao 1 inferior ao
Estado Regular e Estado de Novo, o resultado de nosso estudo dever apresentar valores
positivos ou maiores de cdigo ajustado para as variveis dicotmicas consideradas.
Isso seria o mesmo que dizer que o Estado 2 melhor que o 1 e pior que a 3, assim
como a 3 melhor que a 2.
A nova equao ou modelo intermedirio, agora pode ser definida:
Pg 51 / 78
Equao de regresso:
1/Y = 0,000684684219449918 +0,00627624913355318 / X1 -9,42097230700608E-09 * X2 -1,38895817728527E-05 *
X3 -0,00782137493196627 / X4 +3,08896617715487E-06 / X5 +2,25235306170278E-06 / X6 +1,93679649165216E05
X7
-1,06683049214262E-05
X8
-1,71466145687283E-05
X9
-3,16158117284193E-05
X10
-1,14450173227681E-05 * X11
Nesta equao X8 a dicotmica Estado de Conservao Bom e X9 Estado de

conservao Novo, sendo seus respectivos crescimentos de 3,32 % e 5,45%, ou seja, caso todas
as demais variveis permanecerem constante o aumento mdio no valor de mercado do estado
de conservao regular para bom de 3,32% e de regular para novo de 5,45 %.
Agora, devemos retornar ao cdigo inicial, mas agora com os pesos calculados atravs
da equao, utilizando-se as variveis dicotmicas definidas.
Para tanto, recomenda-se adotar os crescimentos relativos a cada um dos estados de
conservao obtidos no modelo intermedirio como cdigo ajustado, sendo o peso 100 para o
cdigo 1 referente ao estado de conservao regular.
Neste caso, iremos alterar os pesos originais de 1; 2 e 3 para 100; 103 e 105, conforme
a seguir:
Agora os valores dos cdigos ajustados podem ser utilizados como valores de cada um
dos cdigos alocados, em substituio aos nmeros 1;2 e 3.
A utilizao de um cdigo ajustado tem como objetivo a otimizao das equaes. Ao
final do clculo, devem-se comparar os resultados estatsticos utilizando-se o cdigo alocado e o
cdigo ajustado e verificar se houve uma melhoria nos parmetros para escolha de um dos
modelos.
Pg 52 / 78
7.
INTERVALO DE CONFIANA
Estimativa do E(Yh)
Encontrado o modelo adequado estamos interessados em utiliz-lo para fazer estimativas
sobre o bem avaliando ou um paradigma que possua caractersticas Xh1, Xh2, ... , Xhk.
Como Yi b0 b1 i1 b2 i 2 ... bk ik ei , i 1,...n , um estimador no tendencioso

para E(Yi), substituindo as caractersticas do bem avaliando na equao, obtm-se a estimativa
pontual correspondente a:
Yh b0 b1 h1 b2 h 2 ... bk hk
Como o erro aleatrio tem distribuio normal, constri-se intervalo de confiana a partir
da distribuio de Student com (n-k-1) graus de liberdade a um nvel de confiana (1- ) para Y h
, conforme abaixo:
I Yh t (1 / 2;n k 1) .s (Yh )
onde s (Yh ) se .
se
(Y Y )
i
n k 1
1
( X X )( X X ) 1 ( X h X ) , em forma matricial.
n
2
, X h , representa a matriz das caractersticas do bem que se deseja
avaliar.
As estimativas mais precisas ocorrem nas avaliaes em que as caractersticas do bem
avaliando so prximas da mdia dos dados tomados como referncia e as mais imprecisas nas
extremidades, ou seja, nas avaliaes onde o bem a avaliar tem atributos prximos da mdia dos
dados observados, o intervalo mais fechado, caso contrrio o intervalo mais aberto. A NBR
14.653-2/04, utiliza o intervalo de confiana para definir o enquadramento do Laudo no Grau de
Preciso, conforme prescrito no subitem 9.2.2 Tabela 3, que a seguir transcrevemos:
Quando a amplitude do intervalo de confiana ultrapassar 50%, no h classificao do

resultado quanto preciso e necessria justificativa com base em diagnsticos de mercado.
Pg 53 / 78
8.
CAMPO DE ARBTRIO
A NBR 14.653-2/11, prev em seu Anexo A subitem A.10, que o Campo de Arbtrio,
corresponde a semi-amplitude se 15% em torno da estimativa pontual adotada. Caso no seja

adotada a estimativa pontual, o engenheiro de avaliaes deve justificar sua escolha.
9.
ROTEIRO DE ANLISE DE MODELOS DE REGRESSO

O roteiro de anlise apresentado a seguir est direcionado para o aplicativo CastleR, mas
as informaes conceituais podem ser utilizadas para amostras modeladas em qualquer

aplicativo.
Na busca de modelos de regresso satisfatrios so importantes os seguintes cuidados:
a) Quanto maior o nmero de dados maior o nmero de variveis que podem ser
utilizadas, o que facilita bastante a obteno de resultados confiveis.
b) Todos os dados que fazem parte da amostra devem ser vistoriados, de preferncia
com preenchimento de ficha de vistoria, o que ir facilitar a anlise dos mesmos durante a fase de
modelagem.
c) Depois de digitados os dados devem ser conferidos para se evitar perda de tempo com
anlise de situaes inexistentes.
d) Quando o sistema solicitar a opo de clculo (geral ou convergncia rpida), deve-se
optar pelo geral, caso o computador utilizado possua boa capacidade de clculo, em caso
contrrio, a opo convergncia rpida, que possibilita resultados prximos ao processo geral,
reduz o tempo de processamento.
e) Assim que os resultados forem mostrados na tela, analisa-se, num primeiro momento,
os seguintes elementos:
9.1.
COEFICIENTE DE DETERMINAO
Coeficiente prximo de 1 pode significar que as variveis adotadas esto com excelente
poder de explicao, porm isso tambm ocorre quando existe uma variao total inicial muito
grande.
Outro fator que concorre para o fato a presena de colinearidade ou multicolinearidade
entre as variveis independentes.
Pg 54 / 78
Observa-se, ainda, que a presena de um dado muito disperso, porm com uma varivel
que explique esse dado, ir provavelmente contribuir significativamente para um aumento do
coeficiente de determinao.
A ocorrncia de coeficientes reduzidos pode significar que as variveis adotadas no
explicam a variao do valor em torno da mdia. Isto ocorre quando a escolha das variveis no
foi adequada. Neste caso elas devem ser analisadas individualmente.
A ocorrncia de coeficientes reduzidos pode significar tambm que a variao total a ser
explicada pequena no implicando portanto que o modelo seja inadequado, mas que os dados
se apresentam homogneos. Neste caso procura-se analisar os demais resultados da regresso
para decidir sobre a utilizao do modelo.
9.2.
TESTE DA EQUAO
A partir da anlise de influncia de cada varivel independente no resultado da equao

deve-se observar a equao no que diz respeito aos seguintes aspectos:
A anlise dos sinais imprescindvel para se confirmar as hipteses de pesquisa quanto
ao comportamento do mercado. Deve-se verificar a consistncia do sentido do vetor de variao.
A ltima coluna do mdulo Teste da Equao apresenta a variao percentual no
resultado da equao quando a varivel da linha correspondente sofre uma variao positiva de
10% de sua amplitude em torno da mdia, servindo para verificar a influncia relativa de cada
varivel na formao do valor.
As variveis dicotmicas so testadas nos seus limites, portanto o valor apresentado para
elas na coluna indica a influncia total destas variveis na equao. Deve-se observar, neste
caso, valores incompatveis com a realidade conhecida no mercado.
Na verificao de inconsistncias nas variveis pode-se, atravs do comando Exibir
Dados, orden-los pela varivel dependente, e assim possibilitar uma anlise individual de cada
um deles quanto varivel inconsistente.
9.3.
SIGNIFICNCIA DOS REGRESSORES
Se o objetivo da avaliao encontrar resultados ao Grau de Fundamentao III, a

significncia dos regressores no pode ser superior a 10% (5% em cada uma das caudas do teste
bicaudal), de 20%, para o Grau II e 30%, para o Grau I dependendo da importncia da varivel em
questo para o avaliador e da anlise do restante do modelo.
Pg 55 / 78
9.4.
VALOR DO T DE STUDENT
Quanto maior o valor do t de Student, maior a influncia da varivel no modelo. Assim, se

uma varivel apresenta valor t muito superior s demais, pode significar que essa varivel explica
quase toda variao e as demais esto dando pequena contribuio. Deve-se tomar cuidado na
utilizao do modelo no momento da definio do valor desta varivel para o imvel a ser avaliado
9.5.
ANLISE DOS RESDUOS DO MODELO
A anlise dos resduos do modelo (valor do dado menos a mdia calculada na equao
para o dado) uma das etapas mais importantes na definio da equao a ser adotada.
A coluna dos preos calculados no deve apresentar sinal negativo para nenhum dos
dados.
A coluna dos resduos relativos relativo apresentado pelo dado correspondente em
relao mdia calculada para o mesmo, assim esta coluna no deve apresentar valores
expressivos. Uma sugesto para a anlise :
Acima de 30 % - examinar o dado
Acima de 50 % - preocupar-se com a aceitao do dado na amostra
Acima de 70 % - verificar o comportamento do modelo sem o dado
A coluna Resduo Padronizado indica a relao entre o Resduo e o Desvio Padro do
modelo, isto , quantos desvios padres o dado se distancia da mdia.
Valores superiores a +2 ou inferiores a 2 indicam dados excessivamente dispersos,
passveis de anlises mais detalhadas.
importante a anlise grfica da disperso dos dados em torno da mdia. Nesta anlise
convm verificar que o ideal uma distribuio homognea dos dados em torno da reta de
regresso. Esse grfico possibilita a verificao da presena de heterocedasticidade no modelo
escolhido.
9.6.
AUTO REGRESSO
A auto-regresso, indica a influncia dos resduos ocorridos a partir de um determinado

valor nos resduos dos valores seguintes. comum a presena desta caracterstica em amostras
que apresentam dados com valores repetitivos.
Pg 56 / 78
No mercado imobilirio, muito importante a anlise de auto regresso quando so

utilizadas variveis temporais e essa anlise deve ser feita especificamente para tais variveis,
tomando-se o cuidado de ordenar os dados em relao varivel tempo.
9.7.
HETEROCEDASTICIDADE
A verificao da heterocedasticidade feita a partir do Grfico de Resduos da varivel

dependente.
Sua presena pode ser observada quando a distribuio dos pontos do grfico em torno
da reta de regresso apresenta um comportamento bem definido, indicando uma variao
gradativa da disperso. Modelos heterocedsticos podem conduzir a resultados inadequados.
9.8.
MULTICOLINEARIDADE
A presena da colinearidade ou da multicolinearidade muitas vezes dificulta a obteno

de resultados confiveis para o imvel que pretendemos avaliar.
Quando a
multicolinearidade
existente
entre as variveis
independentes
est
representada no imvel que estamos avaliando, esta ocorrncia no interfere no resultado da

avaliao, no entanto a situao inversa bastante danosa s concluses do modelo.
As correlaes isoladas no apresentam um teste conclusivo para o modelo, sendo as
correlaes com influncia indicadas para uma anlise mais consistente, pois indicam a
correlao entre duas variveis na presena das demais variveis do modelo.
Uma sugesto para anlise :
Correlaes entre duas variveis isoladamente:
At 50% - aceitvel
At 75% - preocupante
Acima de 80 % - pode ser prejudicial
Correlaes com influncia:
At 30% - aceitvel
At 50% - preocupante
Acima de 50% - pode ser prejudicial
Em alguns modelos pode ser inevitvel a presena da correlao entre duas variveis
especficas, como frente e rea, ou rea e nmero de quartos, por exemplo. Nestes casos
Pg 57 / 78
conveniente que o modelo seja utilizado para avaliao de imveis com as mesmas
caractersticas da amostra. Ou seja, se o modelo for baseado em dados onde imveis com
grandes reas tm grandes frentes e imveis com pequenas reas tm pequenas frentes, ele no
pode ser utilizado para avaliar imvel de grande rea com pequena frente, nem de pequena rea
com grande frente.
esperada uma forte correlao entre cada varivel independente e a varivel
dependente, entretanto isto no fator predominante na consistncia do modelo.
O fator de inflao de varincia FIV apresentado como resultado para um primeiro
exame do grau de multicolinearidade entre as variveis independentes, valores FIV at 2,8
indicam que a varivel no pouco afetada pela multicolienariade, valores de FIV entre 2,8 e 5
indicam um grau de colinearidade elevada e preocupante e valores de FIV superiores a 5 indicam
grau de colinearidade muito elevada e pode ser prejudicial ao modelo ajustado.
9.9.
INTERVALO DE CONFIANA
O intervalo de confiana contm o campo de arbtrio do avaliador. Pode ser usado para
ajustar o valor final de avaliaes quando determinadas situaes conhecidas no mercado no
puderam ser configuradas na amostra.
Normalmente nos fornece um bom indicador da consistncia do modelo de regresso,
pois quando o modelo est baseado em amostra de pouca qualidade, com nmero reduzido de
dados, ou ainda com colinearidade entre as variveis independentes, o intervalo de confiana
muitas vezes apresenta-se bastante aberto para uma confiabilidade de 80%.
O Intervalo de confiana, segundo a NBR 14.653-2/11, indicar o Grau de Preciso do
Laudo, em funo de sua amplitude (Subitem 9.2.3 Tabela 5).
Atravs do mdulo Projetao de Avaliandos/Avaliar pode ser verificada graficamente a
situao do imvel avaliado no contexto da amostra e a amplitude do intervalo de confiana.
9.10. NORMALIDADE DE RESDUOS

Os resduos padronizados devem apresentar uma tendncia de distribuio normal, ou
seja (NBR 14.653-2/11 Anexo A Subitem A.2.1.2):
68% dos resduos devem estar entre 1 e +1 desvios padro da mdia;
90% dos resduos devem estar entre 1,64 e +1,64 desvios padro da mdia;
95% dos resduos devem estar entre 1,96 e +1,96 desvios padro da mdia.
Pg 58 / 78
Para correo de grandes distores deve-se aumentar o nmero de dados da amostra.
9.11. GRFICOS
No mdulo Anlise pode-se analisar o comportamento de cada varivel independente
com a varivel dependente Anlise Univarivel, bem como entre as variveis independentes
duas a duas Anlise Bivarivel.
Pode-se ainda verificar o comportamento da disperso dos dados em torno da mdia
com a evoluo dos valores de cada varivel, o que auxilia a identificao de heterocedasticidade
provocada por uma varivel especfica.
9.12. TESTE DE SENSIBILIDADE DO MODELO

Finalmente, em resultados/modelos/variveis aplicadas deve-se fazer o teste de
sensibilidade do modelo adotado e verificar o comportamento do resultado para diversos valores
assumidos pelas variveis, tomadas uma a uma, comprovando-se, assim, se o resultado obtido
coerente com o mercado em estudo.
Deve-se atentar especialmente para a existncia de pontos de mximos ou mnimos nos
intervalos amostrais, quando se trabalha com o valor unitrio como varivel dependente, pois os
resultados transformados para valores totais podem ser absurdos, revelando imveis grandes com
valores totais menores do que imveis de mesmas caractersticas, mas que tenham rea menor.
Pg 59 / 78
10. VARIVEIS
Podemos definir que uma varivel descreve de forma numrica as caractersticas
intrnsecas e extrnsecas dos imveis. Portanto importante observar a relao existente na
escolha das variveis, no intuito de verificar a existncia de dependncias ou no, entre si.
Na Engenharia de Avaliaes considera-se geralmente como varivel dependente o
preo praticado no mercado e como variveis independentes as respectivas caractersticas fsicas
(rea, frente, etc.), locacionais (bairro, logradouro, distncia a plo de influncia, etc.), econmicas
(oferta ou transao, etc.) e temporais (data do evento).
A varivel dependente poder ser especificada com base no preo total ou unitrio. Esta
escolha ser definida quando da anlise dos dados coletados e interpretao dos modelos
escolhidos para representar o mercado em estudo. Geralmente o preo unitrio representado
em relao rea. Porm no se deve desprezar possibilidades outras de interpretao tais
como: volume (quando o p direito diferenciado e representativo), metro linear de testada,
dentre outras.
J a escolha de variveis independentes est diretamente ligada a diversidade de
caractersticas dos dados pesquisados e ao comportamento do mercado imobilirio de cada
regio. Portanto, torna-se imprescindvel que ao estabelecermos as variveis independentes,
observemos quais delas influenciam e explicam o prprio mercado.
10.1. TIPOS DE VARIVEIS

As variveis correspondem a atributos que influenciam na formao do valor do imvel
em estudo e so a seguir classificadas:
10.1.1.
Variveis Quantitativas
So valores numricos que representam os atributos quantitativos medidos diretamente

em cada elemento da amostra.
Exemplo: rea, nmero de pavimentos, nmero de dormitrios, testada, etc.
10.1.2.
Variveis Qualitativas
So valores numricos associados a conceitos ou qualidades, visando medir a diferena

entre os dados.
Pg 60 / 78
Exemplo: padro construtivo, estado de conservao, localizao na malha urbana, etc.

importante alertar que os cdigos alocados devem ser definidos numa escala prdefinida, posteriormente validadas pelo modelo, e no atravs de tentativas com o objetivo de
obter alto coeficiente de determinao, pois isso implicar necessariamente na subestimao das
demais variveis envolvidas no processo.
Desta forma, deve o avaliador evitar as aes acima descritas, na tentativa de minimizar
o uso de vetores qualitativos.
10.1.3.
Variveis dicotmicas, binrias ou dummies
Assumem somente dois valores. So usadas para representar a presena ou ausncia

de determinado atributo ou atendimento a uma condio lgica nos dados de mercado.
Exemplificando:
Vista = 0 Imvel sem visual paisagstico
Vista = 1 Imvel com visual paisagstico.
Oferta = 2
Venda = 1
Esquina = 100
Meio de quadra = 0
Frente para o mar = 35.230
No frente para o mar = 12.500
Lotes de mais de 10.000 m = 0
Lotes iguais ou de menos de 10.000 m = 1
As variveis dicotmicas representam importante instrumento de anlise, possibilitando

aferir cientificamente a influncia de diversos fatores na dinmica do mercado imobilirio, desta
forma recomenda-se:
Criar a varivel no sentido do crescimento observado no mercado (transao = 0;

oferta = 1), de forma a facilitar a interpretao dos resultados;
Utilizao de uma quantidade mnima1 de dados representando cada um dos valores

assumidos pela varivel dicotmica, ver anexo A.2 da ABNT NBR 14653-2:2011.
Pg 61 / 78
No uso das variveis dicotmicas, importante testar os fatores de interao, para
verificar se a variao das demais variveis influenciada pelos distintos valores da

varivel dicotmica (por exemplo: se o aumento da frente ocasiona a mesma
elevao do valor unitrio para imveis de vocaes distintas, componentes da
amostra).2
As variveis dicotmicas podem substituir, com vantagem, o emprego de cdigos
alocados, quando for grande o nmero de dados de mercado. Podem servir tambm, para a
aferio dos cdigos alocados.
Numa coleta de dados para compor amostra de terrenos, foram pesquisados trs bairros
distintos Bairro A, Bairro B e Bairro C. Para aferir a diferena entre o valor mdio praticado em
cada bairro, pode-se analisar estas trs situaes (n=3) atravs de duas (n-1) variveis
dicotmicas, ou seja:
Bairro A = Valor 2 para imvel localizado no Bairro A;
= Valor 1 para imvel localizado em outro bairro;
Bairro B = Valor 2 para imvel localizado no Bairro B;
= Valor 1 para imvel localizado em outro bairro.
Como vemos, no ser necessria a incluso de outra varivel para o Bairro C, pois este
bairro estar identificado nos dados em que tanto a varivel Bairro A, como a varivel Bairro B
apresentam valor 1.
Na Tabela abaixo, o imvel 1 pertence ao Bairro A, o imvel 2, ao Bairro B e o imvel 3
ao Bairro C:
Imvel
Bairro A
Bairro B
Unitrio (R$/m)
R$ 560,00
R$ 780,00
R$ 940,00
10.1.4.
Variveis Proxy
Varivel utilizada para substituir outra de difcil mensurao e que se presume guardar
com ela relao de pertinncia.
Exemplos:
Padro construtivo expresso pelo custo unitrio bsico
2
Ver captulo relativo aos fatores de interao, nesta apostila.
Pg 62 / 78
Localizao expressa pelo ndice fiscal ou renda do setor censitrio IBGE

Estado de conservao expresso pelos fatores de Ross-Heidecke
10.2. CONSTRUO DAS VARIVEIS

A seguir esto apresentados diversos tipos de variveis, comumente utilizadas em
trabalhos avaliatrios. Essa lista no esgota o assunto e deve ser tomada apenas como uma
referncia bsica para a definio de variveis-chave, que devem ser especificadas segundo as
particularidades de cada mercado. Em princpio, qualquer varivel, que tenha consistncia com o
mercado, por mais particular que seja, pode ser utilizada.
10.3. GENRICAS
Algumas variveis mostram-se geralmente mais importantes para explicar a variao de
preos, nas tipologias mais comum do mercado imobilirio (lotes, terrenos, glebas, casas, lojas,
escritrios, apartamentos, depsitos e estacionamentos). Recomenda-se que tais variveis devam
ser sempre testadas em quaisquer destes casos. As mais comuns so:
10.3.1.
REA
Refere-se rea dos dados de mercado, informada em m, sempre com o mesmo

critrio. Assim, no devem ser misturadas reas com definies diferentes, como rea privativa e
rea total. Em geral, quanto maior for a rea de um imvel, menor ser o seu valor unitrio,
mantidas as demais variveis constantes.
No caso de imveis residenciais unifamiliares, quando o valor unitrio do imvel for
referido rea construda, recomenda-se utilizar a rea total do terreno como uma outra varivel
independente.
10.3.2.
ORIGEM DA INFORMAO
O mercado imobilirio, de forma geral, apresenta uma tendncia a que as ofertas

possuam preos superiores aos de venda, em propores que variam com o tipo do imvel, a
conjuntura de mercado e a regio. Recomenda-se especificar essa varivel com o emprego de
dicotomia. A anlise dos resultados um importante instrumento para o diagnstico do mercado.
Nos mercados com maior liquidez, a diferena entre os preos ofertados e transacionados
normalmente menor.
Pg 63 / 78
10.3.3.
DATA
Sempre que forem utilizados dados pretritos em uma base amostral, esta varivel deve
ser testada, tomando-se por base uma referncia inicial (exemplo: Janeiro/2003 = 1,
Fevereiro/2003 = 2, ..., Janeiro/2004 = 13). Recomenda-se que haja nmero suficiente de
elementos em cada ms e que os hiatos sejam evitados. Alm disso, deve ser verificada a
existncia de auto-regresso temporal.
10.3.4.
LOCALIZAO
A situao geogrfica do imvel no contexto urbano, principalmente no que se refere

sua proximidade a plos de valorizao, tais como comrcio, servios pblicos, escolas, praas,
transporte, infraestrutura (redes de gua, luz e pavimentao, etc.), representam importante
contribuio na formao dos valores de imveis de todas as tipologias. Os processos comumente
utilizados para medir esta contribuio so os seguintes:
Montagem de uma varivel qualitativa, onde a amostra ordenada pela importncia
relativa dos fatores que afetam a localizao, como posicionamento, trfego de pedestres, de
veculos, etc.;
Pela utilizao de distncia a plos de valorizao ou de desvalorizao;
Pela utilizao de ndices fiscais (varivel proxy);
Por meio de um conjunto de variveis dicotmicas.
10.4. EXEMPLOS DE VARIVEIS ESPECFICAS

10.4.1.
VISTA PANORMICA
A vista panormica, a partir do imvel, influencia na sua valorizao, especialmente nos

imveis residenciais, podendo ser esta caracterstica analisada atravs de dicotomia.
10.4.2.
TOPOGRAFIA
Os acidentes topogrficos, tais como: aclives ou declives acentuados, abaixo ou acima

do nvel do passeio pblico, etc, normalmente ocasionam incrementos relativos importantes nos
custos de implantao dos projetos. A influncia deste fator, especialmente nos terrenos nus, pode
ser medida atravs de dicotomias ou por meio de cdigos alocados.
Pg 64 / 78
10.4.3.
FRENTE
A frente ou testada, principalmente nos terrenos comerciais e em zona de incorporao

(construo de edifcios), torna-se varivel importante na valorizao do imvel. O incremento
qualitativo no projeto a ser implantado, no caso de zonas de incorporao, eleva o potencial
construtivo do terreno e, consequentemente, o seu valor.
Especial ateno deve ser dada presena de alto nvel de colinearidade desta varivel
com a varivel rea total do imvel, observando-se os cuidados necessrios na utilizao de
modelos com estas caractersticas.
No caso de terrenos com mais de uma frente, convm padronizar o uso de varivel
utilizando como referncia apenas a frente mais importante. Pode-se, atravs de dicotomias,
testar a influncia das demais frentes.
10.4.4.
VOCAO
A vocao de uso dos imveis pode ser baseada na observao de sua vizinhana,
podendo ser testada por dicotomias, por exemplo: vocao residencial ou comercial;
aproveitamento uni ou multifamiliar, etc.
A vocao mista (por exemplo, comercial e residencial, ao mesmo tempo) estar
representada quando a informao presena do atributo constar das duas variveis dicotmicas.
10.4.5.
NDICE CONSTRUTIVO LEGAL
O ndice de aproveitamento de terreno, estabelecido pela legislao urbanstica

municipal, constitui-se normalmente num importante fator de influncia no valor dos imveis
localizados em zonas de incorporao, cabendo ao avaliador comprovar, atravs de amostragem
qualificada, o quanto aumenta o valor mdio de mercado de um imvel com as variaes deste
fator.
10.4.6.
NDICE CONSTRUTIVO EFETIVO
A relao entre a rea total efetivamente construda e a rea total do terreno indica que
quanto melhor foi aproveitado o espao disponvel, maior ser o valor unitrio do imvel.
Pg 65 / 78
10.4.7.
IDADE APARENTE
A idade que o imvel aparenta deve indicar que quanto mais antigo ele for, menor seu
valor de mercado. Esta varivel tende a tornar-se colinear com outras comumente utilizadas,
como padro de acabamento e estado de conservao. Muitas vezes, a alternativa para ajustar
este processo colinear passa pela reunio dos efeitos em uma nica varivel, ou no abandono
daquelas menos importantes.
10.4.8.
PADRO CONSTRUTIVO E DE ACABAMENTO
Em geral, quanto melhor a qualidade da edificao, maior seu valor de mercado. Para
reduzir a subjetividade da varivel recomenda-se a utilizao de variveis dicotmicas para cada
uma das caractersticas, ou varivel proxy, como o custo unitrio bsico de cada padro.
comum a utilizao de cdigos alocados, mas estes devem ser preferentemente
aferidos conforme o pargrafo anterior.3
Convm verificar tambm a necessidade de considerar separadamente os padres
construtivos da fachada, da unidade e da circulao.
10.4.9.
ESTADO DE CONSERVAO
Em geral, quanto melhor for o estado de conservao da edificao, maior seu valor de
mercado. Para reduzir a subjetividade da varivel recomenda-se, tambm, a utilizao de
variveis dicotmicas para cada um dos estados, ou varivel proxy, como os ndices de RossHeidecke. comum a utilizao de cdigos alocados, mas estes devem ser preferentemente
aferidos conforme o pargrafo anterior.
10.4.10. EQUIPAMENTOS
A tendncia de consumo impulsiona os empreendimentos para inovaes em busca de
conforto e tecnologia, visando atingir uma demanda cada vez mais exigente. A influncia da
quantidade e qualidade dos equipamentos disponveis nos diversos imveis deve ser testada,
identificando-se os itens de maior influncia para o mercado analisado. Esta anlise pode ser
realizada com o uso de variveis dicotmicas ou cdigos alocados.
Ver captulo relativo construo de variveis, nesta apostila.
Pg 66 / 78
10.4.11. PAVIMENTO
O nvel ou andar, relativo ao trreo, em que se encontra o imvel no prdio, pode
apresentar influncia no valor. Entretanto, a identificao da forma como esta influncia se
manifesta deve levar em considerao a presena ou ausncia de elevador. Em geral, nos prdios
com elevador, quanto mais alto o andar do imvel, maior seu valor, fato que se inverte nos prdios
sem elevador. aconselhvel o uso de artifcio matemtico para compor estas duas
caractersticas em uma s varivel.
Exemplo:
Varivel pavimento = 10 nvel da unidade (prdios sem elevador)
Varivel pavimento = 10 + nvel da unidade (prdios com elevador)
10.4.12. VAGAS DE GARAGEM / ESTACIONAMENTO
A quantidade (nmero de vagas) e a qualidade (coberta, descoberta, distante, com
manobrista, etc.) das vagas de estacionamento disponveis no imvel influencia seu valor de
mercado. O ideal tratar os aspectos qualitativos por meio de variveis dicotmicas. Quando o
nmero de dados de mercado for insuficiente, podem ser construdos cdigos alocados, como no
exemplo abaixo:
2 vagas cobertas = 4
1 vaga coberta = 3
1 vaga descoberta = 2
Sem vaga = 1
Recomenda-se verificar a coerncia do valor da vaga calculado pelo modelo com o seu
valor no mercado.
10.4.13. % DE REA TRREA
Na avaliao de lojas comerciais, a rea trrea a que mais agrega valor ao imvel. A
influncia da rea trrea na composio do imvel pode ser testada com o uso da relao rea
trrea / rea total. Esta varivel deve mostrar que quanto mais prxima de 1, maior o valor unitrio
do imvel no mercado.
Pg 67 / 78
10.4.14. ESQUINA
Este atributo, de grande importncia em imveis comerciais (lojas), geralmente testado
atravs de variveis dicotmicas.
10.4.15. N DE UNIDADES
O nmero de unidades por condomnio, ou por andar, ou por acesso social por pavimento
muitas vezes influencia o valor dos apartamentos. Verifica-se, em geral, que, quanto maior for o
nmero de unidades, menor o valor do apartamento. Essa varivel do tipo quantitativo.
Pg 68 / 78
11. BANCO DE DADOS

Conforme j ficou claro na primeira etapa de nosso curso, a pesquisa de mercado o
pilar da avaliao, onde sero coletados os elementos que subsidiaro a modelagem do mercado.
E, como no podia deixar de ser, nela onde investimos maior tempo e, por
consequncia, tem o maior custo de todas as etapas.
Embora saibamos que somente uma boa pesquisa pode levar a um bom resultado, nem
sempre temos disponvel tempo e recursos necessrios para vencer esta etapa com sucesso.
Porm sabemos que quando se trabalha com avaliao de bens sistematicamente, os
dados de um trabalho podem se somar ao de um prximo e assim sucessivamente. Comeamos
ento a perceber que no necessria uma nova pesquisa a cada trabalho mas, muitas vezes,
apenas uma complementao ou atualizao de uma pesquisa j existente. assim que nasceu a
ideia de criao de um Banco de Dados.
Um Banco de Dados a coletnea sistematizada de todos os dados pesquisados dentro
de um intervalo de tempo qualquer. Intervalo de tempo esse que pode se estender o quanto o
avaliador julgar necessrio e conveniente.
Mas importante lembrar tambm que no apenas a agilizao do processo que torna
vantajosa a manuteno de um Banco de Dados. So inmeras as vantagens que podemos
enumerar quando existe um grande nmero de informaes coletadas com confiabilidade e
armazenadas de forma sistematizada:
Em primeiro lugar, a anlise dos dados mercadolgicos ao longo de um grande perodo
de tempo nos permite tirar concluses a respeito da evoluo do mercado. E ainda quando for
necessrio trabalhar com avaliaes pretritas, existiro elementos consistentes para que se
possa estimar valores em diferentes pocas;
Com um Banco de Dados, o grande nmero de elementos amostrais permitir o estudo
de diversas variveis influenciantes nas variaes dos preos de imveis, que no poderiam ser
analisadas em pequenas amostras, tais como: desgio na venda de imveis no concludos,
diferenas de preos de imveis provocadas pela idade, diferena de preos de imveis no
mercado convencional e mercados de liquidao forada leiles; influncia da infraestrutura
urbana na valorizao dos imveis, etc.
O grande nmero de elementos amostrais tambm permite a utilizao de variveis
dicotmicas em substituio a variveis qualitativas, melhorando sensivelmente a qualidade do
resultado das avaliaes;
Pg 69 / 78
ainda possvel a criao de modelos genricos que permitam uma anlise macro das
variaes de preos de diversas tipologias de imveis dentro da malha urbana como um todo,
facilitando anlises mais geis e possibilidade de supervisionar e monitorar com mais segurana
trabalhos elaborados por terceiros;
Os modelos genricos permitiro ainda analisar o desempenho do mercado de cada
tipologia de imvel, atravs da mensurao, por exemplo, da varivel Preo de Oferta x Preo de
Venda. Poderamos ainda citar inmeros outros exemplos das vantagens de se criar e manter um
Banco de Dados de qualidade. Porm, estas j citadas, acreditamos serem bastante atrativas
para despertar nos avaliadores a vontade de faz-lo.
11.1. COMO CRIAR UM BANCO DE DADOS

Em primeiro lugar necessrio criar fichas padro para vistoria de cada tipologia de
imvel. Nestas fichas, o avaliador incluir todas as caractersticas dos imveis que deseja
conhecer, baseando-se na sua experincia regional, quanto a quais destas caractersticas podem
provocar variao nos preos dos imveis.
Sugere-se, no mnimo o seguinte:
11.1.1.
LOTES:
Endereo;
rea e dimenses de frente, fundo e laterais;
Topografia e tipo de solo
Condies de acesso;
Infraestrutura disponvel no lote e na micro regio;
Caractersticas da via de localizao do mesmo: comercial, residencial, fluxo de veculos,

fluxo de pedestres, tipologia das construes vizinhas;
Adensamento urbano no entorno e classe de renda predominante;
Uso predominante no entorno: comercial, residencial uni ou multifamiliar, misto;
Data da informao e caracterizao da fonte;
Preo de oferta ou transao.
Pg 70 / 78
11.1.2.
APARTAMENTOS:
Endereo;
rea privativa ou total (depende da regio);
Caractersticas da micro regio e da rua de localizao do prdio;
Caractersticas do prdio, contendo no mnimo: padro, idade aparente, nmero de

pavimentos, nmero de elevadores, equipamentos de lazer e segurana disponveis,
preo do condomnio, nmero total de apartamentos, quantidade de apartamentos por
andar;
Caractersticas do apartamento, contendo no mnimo: padro, altura no prdio, nmero de

quartos, nmero de banheiros, existncia de DCE, nmero de vagas de garagens
cobertas e descobertas.
Valor do condomnio;
Caso a obra no esteja concluda, o prazo previsto para entrega;
Data e fonte da informao;

11.1.3.
CASAS:
Endereo;
rea do lote;
rea construda;
Caractersticas da micro regio e da rua de localizao do imvel;
Caractersticas construtivas da edificao contendo no mnimo o seguinte: nmero de

pavimentos, padro, idade aparente, conservao, quantidade de cmodos com
descrio, rea de lazer, tipo de fechamento do terreno.
Data e fonte da informao;
O CastleR possui fichas j padronizadas, as quais esto anexas ao final da apostila e que
podero auxiliar na escolha das variveis verificadas importantes em cada uma das regies do
pas.
Pg 71 / 78
A medida que os dados so coletados, os mesmos devem ser sistematizados para que o
acesso aos mesmos seja facilitado e gil. O CastleR um software especfico para Banco de
Dados e software de regresso para elaborao de modelos de avaliao.
11.2. COLETA DAS INFORMAES

Alm daquelas usuais, j comentadas na primeira etapa de nosso curso, qual seja,
cartrios de registros de imveis, construtoras e incorporadoras, jornais, placas afixadas no local,
particulares, etc, existe uma abundante fonte de informao muito prxima de ns, avaliadores da
Caixa Econmica Federal.
Uma boa parte dos imveis avaliados, durante o cotidiano profissional do Avaliador
permitem as obteno do valor de Compra e Venda e que podem ser considerado como
informaes de mercado a serem registrados no banco de dados CastleR.
importante citar que esta fonte alm de estar disponvel aos profissionais avaliadores
traz ainda a vantagem de que os imveis foram obrigatoriamente vistoriados inclusive
internamente e atravs do laudo de avaliao respectivo podemos obter todas as caractersticas
dos mesmos.
Pg 72 / 78
12. MACRO MODELOS

Modelos elaborados a partir de grandes amostras, mediante a utilizao de variveis
genricas para diferenciar as mais diversas caractersticas entre os dados, em especial a
localizao, buscando contemplar diversas regies.
12.1. UTILIZAO
Para avaliao de grande quantidade de imveis de mesma tipologia, distribudos de
forma pulverizada na zona urbana.
Para avaliao de imveis de localidades distintas afins, onde haja em cada localidade
pequena quantidade de dados amostrais.
12.1.1.
Vantagens
Fornece uma idia geral do comportamento do mercado para determinada tipologia

de imvel comparao entre diversas regies ou setores urbanos;
Maior nmero de dados amostrais pois abrange um universo maior;
Aplicao mais ampla com um mesmo modelo possvel atender demandas em

regies/localidades distintas;
Tendo em vista basear-se em grandes bancos de dados e trazer diversas

caractersticas distintas entre os mesmos, permite vrias anlises pontuais como
por exemplo:
Desempenho do mercado (valorizao/desvalorizao imobiliria por perodos);
Mensurar diferenas entre preos de imveis novos e usados de uma forma

bastante abrangente;
Diagnosticar desgios relativos a vendas de imveis no concludos;
Analisar valorizaes causadas por determinadas opes de projetos, como por

exemplo ter ou no sute nos apartamentos de 02 quartos, ter ou no dependncia
completa de empregada, etc.
Deve haver o cuidado do profissional de incluir na ficha de pesquisa todas as

informaes que deseja analisar.
Pg 73 / 78
12.1.2.
Desvantagens
Menor especificidade no estudo da tipologia as variveis utilizadas so mais

abrangentes, deixando-se de lado as variveis especficas de uma determinada
regio/localidade.
12.2. CUIDADOS
Deve haver equilbrio no nmero de dados de cada regio, setor urbano ou localidade.
Devem ser utilizadas variveis de localizao consistentes, citamos como exemplo:
O ndice Fiscal de cada localidade de acordo com a Planta de Valores da cidade de
referncia;
Valor unitrio mdio dos terrenos padres de cada localidade estudada no modelo;
Valor mdio de locao de unidades padres de cada localidade, etc.
Devem ser analisadas todas as variveis comuns observadas pelo avaliador, que
representem a diversidade das regies/setores ou localidades estudadas no modelo.
Pg 74 / 78
13. PROPOSTA DE CHECK LIST

Para auxiliar no trabalho de execuo de laudo de avaliao, recomenda-se a utilizao
do Check List proposto a seguir, visando garantir a observncia dos pressupostos bsicos do
anexo A da NBR 14.653-2, bem como melhorar a qualidade dos laudos executados. Este, quando
utilizado pelo avaliador, pode ser entregue em anexo ao laudo, a fim de que o contratante possa
examinar e verificar a conformidade do trabalho apresentado.
O modelo atende aos itens abaixo simultaneamente?

n 3 k 1 ;
se n 30 ento ni 3
se 30 n 100 ento ni 10 0 0 n
se
n 100 ento ni 10 ;
Onde ni o nmero de dados de mesma caracterstica, no caso de utilizao de variveis

dicotmicas e variveis qualitativas expressas em cdigos alocados ou ajustados.
( ) Sim - Classificado com Grau de Fundamentao e Preciso
( ) No Classificado como Parecer Tcnico
A linearidade do modelo foi examinada, conforme os grficos dos valores observados para a
varivel dependente versus cada varivel independente, com as respectivas transformaes,
conforme apresentado neste trabalho?
A verificao da normalidade foi realizada e demonstrada neste trabalho, conforme anexo A

da Norma, item A.2.1.2 (ex.: letra a: pelo exame de histograma dos resduos amostrais
padronizados, com o objetivo de verificar se sua forma guarda semelhana com a da curva
normal.
A verificao da homocedasticidade foi realizada e apresentada neste trabalho, conforme

anexo A da Norma, item A.2.1.3 (letra a: anlise dos resduos versus valores ajustados, que
devem apresentar pontos dispostos aleatoriamente, sem nenhum padro definido).
Pg 75 / 78
A verificao da autocorrelao foi feita e apresentada neste trabalho, conforme anexo A da

Norma, item A.2.1.4 (letra a: pela anlise do grfico dos resduos cotejados com os valores
ajustados, que deve apresentar pontos dispersos aleatoriamente, sem nenhum padro
definido)
A verificao da multicolinearidade foi feita e apresentada neste trabalho, pela matriz das
correlaes, que espelha as dependncias lineares de primeira ordem entre as variveis
independentes, com ateno especial para resultados superiores a 0,80?
A existncia de Outlier foi verificada e demonstrada pelo grfico dos resduos versus cada
varivel independente? Foi detectado ponto influenciante? A sua retirada foi justificada?
A significncia individual dos parmetros das variveis do modelo foi submetida ao teste t de
Student, sendo a hiptese nula para rejeio de cada regressor de no mximo 30% (Grau I de
fundamentao) conformidade com as hipteses estabelecidas quando da construo do
modelo, e os resultados foram apresentados neste trabalho?
A hiptese nula do modelo foi submetida ao teste F de Snedecor e rejeitada ao nvel mximo
de significncia de 5 % (Grau I de Fundamentao), e os resultados foram apresentados
neste trabalho?
A explicao do modelo foi aferida pelo seu coeficiente de determinao e tambm

considerado o coeficiente de determinao ajustado, conforme resultados demonstrados
neste trabalho?
O engenheiro avaliador justificou a escolha do valor dentro do campo arbtrio, caso no seja
adotada a estimativa pontual?
Foram consideradas tantas variveis dicotmicas quantas forem necessrias para descrever
as diferenas qualitativas, em lugar da utilizao de cdigos alocados?
Pg 76 / 78
Os valores dos cdigos alocados foram extrados da amostra com a utilizao de variveis
dicotmicas?
Foram utilizados cdigos alocados com nmeros naturais em ordem crescente das
caractersticas possveis, com valor inicial igual a 1?
Foram utilizados variveis qualitativas em cdigos ajustados, extrados da amostra por meio
de modelo de regresso com utilizao de variveis dicotmicas, desde que haja pelo menos
trs dados por caracterstica?
A varivel dependente no modelo de regresso foi apresentada no laudo na forma no

transformada?
Foi anexado grfico de Preos Observados na abscissa X Valores Estimados (teste de

aderncia) na ordenada, apresentando pontos prximos da bissetriz do primeiro quadrante?
Pg 77 / 78
Figura 1_______________________________________________________________________________________3
Figura 2_______________________________________________________________________________________7
Figura 3______________________________________________________________________________________11
Figura 4______________________________________________________________________________________11
Pg 78 / 78

Apostila Avaliação Imóveis

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Apostila Avaliação Imóveis

Transféré par

Droits d'auteur :

Formats disponibles

CURSO DE AVALIAO DE IMVEIS

Eng. Civil Marcelo Medvid

2. O MODELO LINEAR GERAL

2.1. O SIGNIFICADO DO PARAMETRO BETA 0

3. A ESTIMAO DOS PARMETROS

3.1. O MTODO DOS MNIMOS QUADRADOS

5. TESTES DE SIGNIFICNCIA DO MODELO

5.1. SIGNIFICNCIA GLOBAL DO MODELO

6. UTILIZAO DE VARIVEIS DICOTMICAS

6.1. DICOTMICAS ISOLADAS

9. ROTEIRO DE ANLISE DE MODELOS DE REGRESSO

9.1. COEFICIENTE DE DETERMINAO

11. BANCO DE DADOS

12. MACRO MODELOS

13. PROPOSTA DE CHECK LIST

REGRESSO LINEAR MLTIPLA

no campo da Engenharia de Avaliaes. Por exemplo: o preo unitrio de um apartamento

O MODELO LINEAR GERAL

(quantidade de variveis independentes includas no modelo) igual a um, muitas vezes

- Chama-se varivel dependente, varivel explicada ou varivel resposta.

- So chamadas variveis independentes, variveis explicativas ou covariveis.

- So denominados de parmetros da populao.

- So os erros aleatrios do modelo.

Como impossvel o levantamento de todos os elementos de mercado de uma

- So os respectivos estimadores de 1 ,..., m , tambm chamados de resduos do

O SIGNIFICADO DO PARAMETRO BETA 0

Na equao 2 o parmetro estimado 0 o intercepto. Como j sabido, ele nos d o

O SIGNIFICADO DOS PARMETROS ESTIMADOS DA

Os parmetros estimados da regresso 1 ,..., k , so conhecidos como coeficientes

A ESTIMAO DOS PARMETROS

mais utilizados so o mtodo dos mnimos quadrados e o mtodo da mxima verossimilhana.

O MTODO DOS MNIMOS QUADRADOS

O mtodo consiste em determinar os coeficientes 0 ,..., k , para a equao 2, de tal

observado no mercado ( Yi ) e o estimado pela curva de regresso( Yi ) seja mnimo, ou seja:(ver

e Yi Yi , o somatrio dos quadrados dos resduos estimados dado pela frmula

abaixo que dever ser a mnimo possvel: EQUAO 3

A EQUAO 1, tambm pode ser apresentada em forma matricial, ou seja:

Portanto as variveis acima ( , , ) so conhecidas como vetores de respostas, de

A EQUAO 3, na forma matricial pode ser escrita sob a forma:

em relao a igualando-se o resultado a zero temos a

uma matriz inversvel, encontra -se o

vetor procurado dado por:

1 HIPTESE MICRONUMEROSIDADE GERAL

O nmero de observaes (n), deve ser superior ao nmero de parmetros estimados

Micronumerosidade Geral do Modelo

Para se evitar a micronumerosidade, o nmero de dados efetivamente utilizados (n) no

Preo de Venda / rea Privativa Principal Construda

Perodo de contagem: mensal. Tem como referncia inicial o

Renda IBGE 2010

Qualitativa - Varivel Proxy para Localizao. Krigagen sob

Padro de Acabamento Automtico

Qualitativa. De comportamento Proxy. Tem valor calculado

rea Privativa Principal Construda

Quantitativa. rea da unidade autnoma de uso exclusivo,

Quantitativa. Pavimento onde se localiza o apartamento no

Este modelo pode ser importado para o CastleR, atravs do arquivo:

micronumerosidade geral do exemplo01.rgn, localizado na pasta Avaliaes de Imveis Mdulo

(b) Nmero de dados desabilitados

(c) Variveis independentes habilitadas

(d) Variveis independentes desabilitadas

Portanto, a quantidade de dados efetivamente utilizados de n = 16 e a quantidade de

Logo, para 5 variveis independentes necessrio que sejam habilitados o modelo ao

Avaliao/Inconsistncias ilustrado abaixo:

2 HIPTESE MICRONUMEROSIDADE EM REGRESSORES