Regressão linear simples entre preço unitário e distância

UFMS - Universidade Federal de Mato Grosso do Sul
CCET - Centro de Cincias Exatas e Tecnologia

DEC - Departamento de Estruturas e Construo Civil

Disciplina: Avaliaes e Percias na Construo Civil

Professor Wagner Augusto Andreasi, M. Eng
Acadmico do Curso de Eng. Cvil: Ademir Aparecido Peixoto de Azevedo
Atualizada pelo Acadmico do Curso de Eng. Cvil Thiago Winter Macinelli em 2009

F FU UF FM MS S - - C CC CE ET T D DE EC C - - L LA AD DE E
A Av va al l i ia a e es s e e P Pe er r c ci ia as s n na a C Co on ns st tr ru u o o C Ci iv vi il l
I In nt tr ro od du u o o s s F Fe er rr ra am me en nt ta as s d de e A An n l l i is se e E Es st ta at t s st ti ic ca a d do o E Ex xc ce el l 2 20 00 07 7 a ap pl l i ic ca ad da as s a a E En ng g d de e a av va al l i ia a e es s
P Pr ro of f. . W Wa ag gn ne er r A Au ug gu us st to o A An nd dr re ea as si i, , M M. . E En ng g . .
A Ac ca ad d. . A Ad de em mi ir r A A. . P Pe ei ix xo ot to o d de e A Az ze ev ve ed do o - - v v. .2 20 00 02 2 e e A Ac ca ad d. . T Th hi ia ag go o W Wi in nt te er r M Ma ac ci in ne el ll l i i v v. .2 20 00 09 9

2

SUMRIO

1. Introduo......................................................................................................................3

2. Regresso Linear simples..............................................................................................3
2.1. Calculo das estatsticas de regresso e ANOVA..........................................3
2.2. Determinao do intervalo de confiana......................................................9
2.3. Teste de hipteses........................................................................................11
2.4. Verificao das hipteses bsicas...............................................................13

3. Regresso Linear Mltipla..........................................................................................16
3.1. Consideraes preliminares........................................................................16
3.2. Verificao da colinearidade entre variveis independentes.....................18
3.3. Calculo das Estatsticas de Regresso e Anova..........................................21
3.4. Determinao do Intervalo de Confiana...................................................25
3.5. Teste de hipteses........................................................................................27
3.6. Verificao das hipteses bsicas...............................................................28

4. Exemplos Resolvidos....................................................................................................28

5. Referncias Bibliogrficas...........................................................................................53

6. Anexo 1( Tabela de Durbin-Watson)..........................................................................54


3

1. Introduo

Esta apostila tem o objetivo de apresentar ao leitor as ferramentas de Anlise Estatstica
disponveis no Microsoft Excel 2007 aplicadas a Engenharia de Avaliaes, utilizando-as em
exemplos de resoluo de problemas de regresso linear simples e regresso linear mltipla.
Pressupe-se nesta apostila que o leitor j tenha conhecimentos tericos bsicos de
estatstica, tais como distribuies bilaterais e unilaterais, colinearidade, anlise de resduos,
testes de significncia, anlise de varincia e regresso linear. O objetivo maior desta apostila
diminuir o esforo e o tempo necessrio para realizar uma avaliao utilizando o Microsoft Excel
para realizar os clculos, que so muito complexos e longos para serem feitos a mo.

2. Regresso Linear Simples

2.1. Calculo das Estatsticas de Regresso e Anova

Consideremos o exemplo onde estamos interessados em avaliar um lote de 300 m
2
de
rea, situado a uma distncia de cerca de 2.100 m de um ponto valorizante. Os atributos de
diferenciao levantados compreendem a localizao do lote, atravs da distncia do mesmo em
metros ao referido ponto e a rea do lote. As caractersticas do imvel avaliando bem como a dos
imveis da amostra esto apresentados na tabela abaixo:

REGISTRO
N.
VARIVEL
DEPENDENTE
PREO UNITRIO
(Y)

VARIVEIS INDEPENDENTES
OU EXPLICATIVAS
DIST. (X
1
) REA (X
2
)
1 100,00 2.200,00 300,00
2 110,00 2.000,00 340,00
3 120,00 1.800,00 270,00
4 140,00 1.500,00 360,00
5 85,00 2.300,00 400,00
6 105,00 1.900,00 500,00
7 120,00 1.300,00 600,00
8 95,00 2.200,00 300,00
9 150,00 900,00 360,00
10 100,00 1.700,00 600,00
Tabela 1.1

Inicialmente poderamos supor que o atributo distncia ao ponto valorizante no seja
influenciante no valor do lote e que a influncia da rea seja diretamente proporcional a esse
valor, o que possibilitaria a resoluo do problema por estatstica descritiva.
Entretanto, procuraremos levar em considerao o atributo distncia ao ponto valorizante na
formao dos preos, obtendo uma equao de regresso linear simples, relacionando o preo
unitrio (PU) com a distncia (DIST) do tipo:
i
= B
0
+ B
1
X
1
, que ter o seguinte aspecto:

4

P= B
0
+ B
1
* DIST

Para tanto, utilizaremos o Excel 2007 e o suplemento PHStat2 para calcular as Estatsticas de
Regresso, Anova e Correlao. Ative o Excel e insira os dados em sua rea de trabalho
(Tabela 1.1), como mostrado na Figura 1.1.

Figura 1.1

Antes de iniciar a Anlise de Dados necessrio ativar os suplementos do Excel 2007 para que as
ferramentas de anlise estejam disponveis, para ativ-las, clique com o boto direito sobre a
barra de ferramentas, em seguida clique em Personalizar barra de tarefas de acesso rpido ,
clique em Suplementos, na opo Gerenciar, selecione a opo Suplementos do Excel e
em seguida clique em IR, no menu suplementos ative os itens Ferramentas de Anlise e
Ferramentas de Anlise VBA , como mostrado na Figura 1.2, em seguida clique em
OK.


5

Figura 1.2

No menu Dados clique em Anlise de Dados.
Na caixa de dilogo Anlise de Dados d um duplo clique em Regresso. (Figura 1.3)

Figura 1.3

6

No campo Intervalo Y de Entrada deve ser fornecido o intervalo que contm as variveis
dependentes ou explicadas, que em nosso caso PU. Selecione a clula B1 e arraste at a clula
B11. Clique no campo Intervalo X de Entrada.

Da mesma forma, para este campo, deve ser fornecido o intervalo que contm as variveis
independentes ou explicativas, que em nosso caso a distncia. Portanto, selecione a clula C1 e
arraste at a clula C11 para selecionar o intervalo. Marque a opo Rtulos, pois em nossos
intervalos inclumos junto aos dados seus respectivos rtulos.

Marque a opo Nvel de Confiana e substitua o valor padro de 95% por 80% que o valor
recomendado pela NBR-14653-2:2003.
Marque as opes Resduos, Resduos Padronizados e Plotar Resduos.

Figura 1.4

Clique no boto Intervalo de sada e, posteriormente, no campo que est a sua direita. Insira a
referncia para a clula onde o Microsoft Excel exibir o canto superior esquerdo da tabela de
regresso e Anova.

Para tanto, aps selecionar o referido campo clique sobre a clula A19 ou referencie a clula A19
digitando A19 diretamente no campo.

A aparncia da caixa de dilogo Regresso ficar semelhante com a da Figura 1.4 mostrada
acima. Clique em OK.


7

O Excel fornecer as Estatsticas de Regresso, Anova e Tabela de Resduos.

Figura 1.5

Registro n Varivel Dependente (PU) DIST. (X1) REA (X2)
1 100,00 2.200,00 300
2 110,00 2.000,00 340
3 120,00 1.800,00 270
4 140,00 1.500,00 360
5 85,00 2.300,00 400
6 105,00 1.900,00 500
7 120,00 1.300,00 600
8 95,00 2.200,00 300
9 150,00 900,00 360
10 100,00 1.700,00 600
Tabela 1.2

Antes de fazer a inferncia estatstica necessrio conhecer o significado dos parmetros
fornecido pelo Excel:


8

RESUMO DOS RESULTADOS

Estatstica de regresso
R mltiplo 0,88054
R-Quadrado 0,77536
R-quadrado
ajustado 0,74728
Erro padro 10,21017
Observaes 10
Tabela 1.3

R-mltiplo: Correlao entre as variveis independentes e a varivel dependente.

R-quadrado: Poder de explicao do modelo de regresso, no exemplo 77,5% da variabilidade
dos preos explicado pelo modelo adotado

R-quadrado ajustado: Idem ao R-quadrado, porm ajustado levanto em conta o numero de
variveis independentes

Erro padro: o desvio padro do modelo, dado pela raiz quadrada da varincia.

ANOVA

gl SQ MQ F
F de
significao

Regresso 1 2878,51914 2878,51914 27,61233 0,00077

Resduo 8 833,98085 104,24760

Total 9 3712,5

Coeficientes Erro padro Stat t valor-P 95% inferiores
95%
superiores
Interseo 184,16104 14,01440 13,14084 1,07E-06 151,84380 216,47830
DIST. (X1) -0,040259 0,00766 -5,25474 0,00077 -0,05793 -0,02259

Inferior
80,0%
Superior
80,0%

164,58550 203,73660
-0,05096 -0,02956

Tabela 1.4


9

RESULTADOS DE RESDUOS

Observao
Previsto(a) PREO UNITRIO
(Y) Resduos Resduos padro
1 95,59121 4,40878 0,45799
2 103,64301 6,35698 0,66038
3 111,69481 8,30518 0,86276
4 123,77252 16,22747 1,68575
5 91,56531 -6,56531 -0,68202
6 107,66891 -2,66891 -0,27725
7 131,82432 -11,82432 -1,22834
8 95,59121 -0,59121 -0,06141
9 147,92792 2,07207 0,21525
10 115,72072 -15,72072 -1,63311
Tabela 1.5

Agora de posse dos coeficientes da equao de regresso linear simples, podemos concluir que a
equao P = B
0
+ B
1
* DIST, fazendo as devidas substituies com os coeficientes, :

P = 184,161 0,04026*DIST,

Que para DIST = 2.100 m resulta:
P = R$ 99,62 / m
2

2.2. Determinao do Intervalo de Confiana:

Para o clculo do Intevalo de confiana utilizaremos o PHStat2. O software ser
disponibilizado pelo professor no inicio do curso, ou pode-se fazer o download a partir do site
http://www.dec.ufms.br/lade. ALTERAR

Aps instalado o PHStat s estar disponvel no Excel quando ele for aberto, portanto, toda
vez que forem utilizar o PHStat deve-se abrir o Excel e o PHStat. O leitor saber se o
software esta disponivel verficando se esta aparecendo o menu Suplementos na barra de
ferramentas. No caso de o menu Suplementos no estar aparecendo, a instalao pode ter
sido feita de forma incorreta, ou o usurio no abriu o PHStat

Na barra de ferramentas abra o menu Suplementos, clique em PHStat, clique em
Regression e clique em Simple Linear Regression

Configure o PHStat conforme mostrado na figura 1.6, onde X o valor da varivel independente
para o terreno que esta sendo avaliado, no caso X a distancia 2100 metros. Clique em OK, o
PHStat criar um nova planilha com nome Estimated com os intervalos de confiana para o
preo previsto e para uma nova observao.

10

Fig 1.6

Tabela 1.6

Intervalo de confiana para o valor previsto:

R$ 93,954 < P < R$ 105,279

A NBR 14653-2:2003 sugere a classificao da avaliao quanto ao Grau de Preciso (item
9.2.2). O nvel de preciso encontrado atravs do valor em porcentagem da amplitude do
For Average Predicted Y (YHat)
Interval Half Width 5,662778
Confidence Interval Lower Limit 93,95434
Confidence Interval Upper Limit 105,2799

For Individual Response Y
Prediction Interval Lower Limit 84,27229
Prediction Interval Upper Limit 114,9619

11

intervalo de confiana de 80% sobre o valor pontual da avaliao. Como fornecemos para o
campo confidence levels for interval estimates o valor de 80%, os valor superior e inferior
fornecidos pelo PHStat referem-se a um intervalo de confiana de 80% sobre o valor pontual da
avaliao, com estes dados pode-se calcular a amplitude que dada por:

% 4 , 11 114 , 0
62 , 99
954 , 93 279 , 105
inf sup
= =
=
P
P P
AMPLITUDE

Descrio
Grau
III II I
Amplitude do intervalo de confiana de 80%
em torno do valor central da estimativa
30% 30% - 50% > 50%
NOTA Observar subseo 9.1.
Tabela 1.7

Atravs da Tabela 1.7, que foi transcrita da NBR 14653-2, pode-se classificar a avaliao quanto
ao grau de preciso, como a amplitude do intervalo de confiana menor do que 30% , a
avaliao apresenta Grau de Preciso 3

O intervalo para uma resposta individual de Y, o intervalo de confiana para uma nova
observao que possua as mesmas caracteristicas quanto as variveis da observao
utilizada para o clculo, no de interesse para a avaliao pois o que nos interessa o
intervalo de confiana para a observao que foi avaliada.

2.3. Teste de hipteses

Testada a hiptese nula da regresso (
1
= 0) pelo teste F, a mesma foi rejeitada ao nvel de
1%, uma vez que:

F
calculado
= 27,61 > F
()
(k), (n-k-1) = F
(1%)
(1), (8)
= 11,30.

(F
calculado
est localizado na clula E30 da tabela do Excel).

Nota: Para obter F
(1%)
(1), (8)
pode-se consultar uma tabela F ou atravs da funo INVF do
Excel, para a obteno atravs da funo INVF deve-se proceder da seguinte forma:

Escolha uma clula vazia do Excel e digite a expresso a seguir:

=INVF(prob; k; n-k-1) , onde:

-prob: o nvel de significncia desejado, em nosso caso 1%
-k: o numero de variveis do modelo, em nosso caso 1
-n o numero de amostras do modelo, em nosso caso 10


12

Substituindo os dados, a frmula ficar como a mostrada a seguir:

=INVF(0,01;1;8)

Pressione ENTER, e o Excel fornecer o valor de F
(1%)
(1), (8)

Na clula E31 o Excel fornece o F de significao, que o nvel de significncia com o qual se
aceita a hiptese nula da regresso, no modelo como F de significao < 0,01, rejeita-se a
hiptese nula da regresso ao nvel de 1%.

Testada a hiptese nula do regressor (
1
=0), a mesma foi rejeitada ao nvel de 5%, uma vez
que:

Nota: Para obter
% 5 ), 8 (
t pode-se consultar uma tabela t ou atravs da funo INVT do Excel,
para a obteno atravs da funo INVT deve-se proceder da seguinte forma:

Escolha uma clula vazia do Excel e digite a expresso a seguir:

=INVT(prob; n-k-1) , onde:

-prob: o nvel de significncia desejado, em nosso caso 5%
-k: o numero de variveis do modelo, em nosso caso 1
-n o numero de amostras do modelo, em nosso caso 10

Substituindo os dados, a frmula ficar como a mostrada a seguir:

=INVT(0,05;8)

Pressione ENTER, e o Excel fornecer o valor de
% 5 ), 8 (
t

Outra forma de fazer o teste atravs do valor P (Clula E36) que representa o nvel de
significncia com a qual se aceita a hiptese nula do regressor, no modelo, como valor P < 0,05,
rejeita-se a hiptese nula do regressor ao nvel de 5%.

Obs.: Os nveis de significncia adotados para o teste de hipteses devem ser escolhidos
atravs da NBR 14653, item 9.2.1. Os nveis de significncia dependem do Grau de
Fundamentao escolhido pelo avaliador.

2.4. Verificao das hipteses bsicas

31 , 2 25 , 5
007661 , 0
04026 , 0 1
% 5 ), 8 ( ), 2 (
1
1
= = > =
= =

t t
S
B
t
n
B

13

Primeira hiptese: A varivel independente corresponde a nmeros reais que no contenham
nenhuma perturbao aleatria.

De fato, no caso de dados imobilirios, as variveis independentes esto relacionados com as
caractersticas fixas de cada elemento tomado com referncia, estando a hiptese atendida.

Segunda hiptese: O nmero de observaes, n, deve ser superior ao nmero de parmetros
estimados pelo modelo.

Para evitar o problema de micro numerosidade, a NBR 14653-2 no item 3 da Tabela 1 determina
o nmero mnimo dados de mercado utilizados na modelagem, a princpio:

) 1 ( 3 + > k n , onde k o numero de variveis independentes.

Terceira hiptese: Os erros so variveis aleatrias com valor esperado nulo e varincia
constante.

Um grfico de resduos versus valores previsto, apresentando pontos distribudos aleatoriamente
em torno de uma reta que passa na origem sem nenhum padro definido, um indicador
favorvel a verificao da hiptese.

Construa um grfico com os valores previstos (Clulas B43:B52) da tabela de resduos no
eixo das abscissas e com os resduos (Clulas C43:C52) no eixo das ordenadas

O grfico dever ficar igual ao apresentado abaixo:

Grfico 1.1


14

Como os pontos esto distribudos de forma aleatria em torno da reta horizontal que passa pela
origem e no apresentam nenhum padro definido, aceita-se a hiptese como atendida, classifica-
se tambm o modelo como homocedstico
1
.

Quarta hiptese: Os erros so variveis aleatrias com distribuio normal.

Um grfico de resduos padronizados versus preo previsto, apresentando 95% dos pontos no
intervalo [-1,96;+1,96] um indicador favorvel a verificao da hiptese.

Construa um grfico com os valores previstos (Clulas B43:B52) da tabela de resduos no
eixo das abscissas e resduos padronizados (Clulas D43:D52) no eixo das ordenadas.

O grfico dever ficar igual ao apresentado abaixo:

Tabela 1.2

Como 100% dos pontos esto distribudos no intervalo [-1,96;+1,96] se aceita a quarta hiptese.

Quinta hiptese: Os erros so no correlacionados, isto , so independentes sob a condio
de normalidade.

A verificao feita com o auxilio da razo de Von Neumann, que foi tabelada por Durbin
Watson para os nveis de significncia de 5%, 2,5% e 1%, considerando modelos com 15 a 100
observaes com at seis variveis (Ver Anexo 1).

A estatstica de Von Neumann pode ser calculada atravs do PHStat.. Na barra de ferramentas
abra o menu Suplementos, clique em PHStat, clique em Regression e clique em
Simple Linear Regression. Informe o intervalo de clulas das variveis dependentes e
independentes, e selecione a opo Durbin-Watson Statistic, em seguida clique em OK, o

1
Homocedstico: Quando os pontos apresentam disperso totalmente aleatria em torno de uma reta horizontal que
passa pela origem e sem nenhum padro definido.

15

menu dever ficar como o apresentado na Figura 1.7. O PHStat criar uma nova planilha com o
valor da Razo de Von Neumann (Durbin-Watson Statistic).

Figura 1.7

Durbin-Watson Calculations

Sum of Squared Difference of
Residuals 1138,727801
Sum of Squared Residuals 833,9808559

Durbin-Watson Statistic 1,365412399

Tabela 1.8

Para que a quinta hiptese seja satisfeita: du < Durbin-Watson Statistic < (4 - du), onde du o
valor tabelado por Durbin-Watson (ver Anexo 1) . Escolhe-se o valor de du para 15 observaes
(du no foi tabelado para 10 observaes) e 1 varivel independente ao nvel de significncia de
1%.
07 , 1 =
tab
du

16

Como:
1,07 < Durbin-Watson Statistic < (4 -1,07)
1,07 < 1,37 < 2,93

Aceita-se a quinta hiptese.

Desta forma podemos concluir que a equao encontrada para a regresso
P = 184,161 0,04026*DIST, vlida para inferncia do valor do preo unitrio, quando a
distncia do terreno ao ponto valorizante for igual a 2100 m.

Obs. Neste exemplo assim como no seguinte, estamos supondo a amostra j saneada, isto ,
isenta de dados supostamente discrepantes. Mais tarde ser ilustrado como proceder para sanear
uma amostra utilizando o critrio de Chauvenet.

3. Regresso Linear Mltipla

3.1. Consideraes preliminares

recomendado ao leitor que s inicie a leitura deste capitulo aps ter lido o capitulo que trata de
regresso linear simples, pois necessrio o total conhecimento de regresso linear simples para
proceder a analise de regresso mltipla.

Para aplicao da metodologia, ser apresentada a avaliao do valor de aluguel de um
apartamento, no exemplo foram escolhidas varias variveis independentes e o objetivo
selecionar quais variveis explicam melhor a variao do valor de mercado do aluguel do imvel.
Os atributos de diferenciao levantados compreendem:

-Variveis quantitativas
- Nmero de quartos
- Nmero de banheiros
- Nmero de vagas de garagem.

Variveis dicotmicas:
-rea de lazer (Recebe valor 1 se o apartamento possuir, e 0 em caso contrrio)

Variveis qualitativas:
-Estado de conservao (Recebe valor 1 para bom, 2 para regular e 3 para ruim),
considerada como qualitativa, mas na verdade uma varivel tricotmica.

de grande importncia o avaliador verificar aps a regresso se os coeficientes
encontrados para cada varivel condiz com a realidade conforme o exemplo:
Ex: O coeficiente de uma varivel com valor da rea no pode ser negativo, pois sabe-se que
quanto maior a rea do imvel maior seu valor.

O imvel avaliando possui as seguintes caractersticas:
- Numero de quartos: 3

17

-Numero de banheiros: 2
- Numero de vagas de garagem: 1
-rea de lazer: No possui (Recebe valor 0)
-Estado de conservao: Regular (Recebe valor 2)

Desta forma, tentar-se- obter uma equao de regresso mltipla relacionando o preo unitrio
(PU) com as variveis descritas anteriormente. A equao ser do tipo:

PU
i
= B
o
+ B
1
X
1
+ B
2
X
2
+ ....+ B
n
X
n

Os dados coletados do mercado para a avaliao so os descritos na tabela abaixo:

N. de
registro
Preo
Numero de
quartos
(X1)
Nmero de
banheiros
(X2)
Vagas de
garagem
(X3)
Estado de
conservao
(X4)
rea de
lazer (X5)
1 450 3 2 1 2 0
2 400 3 1 1 3 1
3 500 3 2 1 2 1
4 500 3 2 2 3 0
5 350 2 1 1 2 0
6 600 3 2 2 1 0
7 350 2 1 1 2 0
8 300 2 1 1 2 0
9 450 2 1 1 1 0
10 350 2 1 1 2 0
11 500 3 2 1 2 0
12 500 3 2 1 2 0
13 500 3 2 2 2 0
14 350 2 1 1 2 0
15 400 2 1 1 2 0
16 300 2 1 1 2 0
17 500 3 2 1 2 1
18 450 2 1 1 1 0
19 400 2 1 1 2 0
20 480 3 2 1 3 1
21 420 3 2 1 3 0
Tabela 2.1
Na regresso mltipla deve-se atentar a correlao entre variveis independentes, que se for alta
pode prejudicar a estimativa dos parmetros do modelo, gerando um modelo tendencioso que no
explica de fato o comportamento dos valores de mercado.


18

3.2. Verificao da colinearidade entre variveis independentes

Inicialmente ser verificado a correlao entre as variveis utilizando a tabela de correlao
do Excel e o fator inflacionrio de varincia (FIV) obtido atravs do PHStat. A tabela de
correlao fornece a correlao das variveis uma a uma, enquanto o FIV fornece a correlao de
uma varivel com todas as outras variveis do modelo.
O FIV dado por:
2
1
1
j
r
FIV
= , onde:

j
r - Correlao entre uma varivel independente com as variveis independentes restantes.
Portanto quando
j
r =0,9, o FIV aproximadamente 5. Alguns autores consideram como valor
critico para o FIV o valor 5, outros consideram crtico o valor 10, nesta apostila consideraremos
como valor crtico o FIV igual a 5 (LEVINE et al, 2005).

No menu Dados clique em Anlise de Dados.
Na caixa de dilogo Anlise de Dados d um duplo clique em Regresso.

Com o Excel ativo, e com os dados j dispostos em sua rea de trabalho (Tabela 2.1), no menu
Dados clique em Anlise de Dados.

Figura 2.1

Na caixa de dilogo Anlise de Dados escolha Correlao e clique em OK.


19

No campo Intervalo de Entrada deve ser fornecido o intervalo que contm todas as variveis
envolvidas na regresso, que neste exemplo so seis: PU, X1, X2, X3, X4 e X5. Portanto,
selecione B1 e arraste at G22.

Marque a opo Rtulos na primeira linha, pois em nossa seleo inclumos com os dados seus
respectivos rtulos.
Marque em Opes de sada o boto Intervalo de sada. Para inserir a referncia para a clula
superior esquerda da tabela de sada, clique no campo que est imediatamente direita do boto
intervalo de sada e insira a referncia de clula A24. Clique em OK.
O resultado ser uma tabela de Correlao como a mostrada na Figura 2.2:

Figura 2.2

De posse das Correlaes entre os dados, deve-se verificar se h alguma correlao superior a
0,70 entre variveis independentes. Segundo Dantas (2005) correlaes acima de 0,7 podem ser
prejudiciais ao modelo. No exemplo, as variveis nmero de banheiros e numero de quartos
apresentam correlao igual a 0,90, o que prejudicial ao modelo, uma das duas variveis deve
ser excluda do modelo. Para determinar qual varivel a ser excluda ser calculado o FIV atravs
do PHStat.

Para o clculo do FIV utilizaremos o PHStat2. Na barra de ferramentas abra o menu
Suplementos, clique em PHStat, clique em Regression e clique em Multiple
Regression

Configure o PHStat conforme mostrado na Figura 2.3, selecione a opo Variance
inflationary factor (VIF) e clique em OK

20

O PHStat criar varias planihas contendo o FIV de cada varivel, deve-se verificar se existe
alguma variavel com FIV maior que 5, caso exista, deve-se excluir a variavel. Caso exista 2
variveis com FIV maior que 5 deve-se excluir a variavel com maior FIV e aps proceder uma
nova verificao do FIV at que no haja nenhuma varivel com FIV maior que 5.

Figura 2.3

Os FIVs calculados so:
-Numero de quartos: FIV = 10,119
-Numero de banheiros: FIV = 7,448
-Vagas de garagem: FIV = 1,532
-Estado de conservao: FIV = 1,385
-rea de lazer: FIV = 1,893

As variaveis nmero de quartos e numero de banheiros possuem FIV maior que 5, porm o
FIV da variavel numero de quartos maior, deve-se excluir a variavel numero de quartos e
fazer nova verficao do FIV.

Aps a excluso da varivel numero de quartos a planilha deve ficar como a Tabela 2.2:

21

N. de
registro
Preo
Nmero de
banheiros (X1)
Vagas de
garagem
(X2)
Estado de
conservao
(X3)
rea de
lazer (X4)
1 450 2 1 2 0
2 400 1 1 3 1
3 500 2 1 2 1
4 500 2 2 3 0
5 350 1 1 2 0
6 600 2 2 1 0
7 350 1 1 2 0
8 300 1 1 2 0
9 450 1 1 1 0
10 350 1 1 2 0
11 500 2 1 2 0
12 500 2 1 2 0
13 500 2 2 2 0
14 350 1 1 2 0
15 400 1 1 2 0
16 300 1 1 2 0
17 500 2 1 2 1
18 450 1 1 1 0
19 400 1 1 2 0
20 480 2 1 3 1
21 420 2 1 3 0
Tabela 2.2

Aps refazer os clculos do FIV, devem-se obter os seguintes resultados:

-Numero de banheiros: FIV = 1,495
-Vagas de garagem: FIV = 1,407
-Estado de conservao: FIV = 1,207
-rea de lazer: FIV = 1,358

Como todos os FIVs so menores que 5 no h problema de colinearidade no modelo com 4
variveis independentes.

3.3. Calculo das Estatsticas de Regresso e Anova

No menu Dados clique em Anlise de Dados. Na caixa de dilogo Anlise de Dados
escolha Regresso e clique em OK.
O Excel exibir a caixa de dilogo Regresso. No campo Intervalo Y de entrada, vamos inserir
as referncias de clulas que contm os dados da varivel dependente, que neste exemplo
Preo. Clique em B1 e arraste o mouse at B22.

22

No campo Intervalo X de entrada, vamos inserir as referncias de clulas que contm os dados
das variveis dependentes, que neste exemplo so X1, X2, X3 e X4. Clique no campo Intervalo
X de entrada. Selecione a clula C1 e arraste o mouse at a clula F22, a referncia de clula
aparecer automaticamente no referido campo.

Como na referncia dos dados dependentes e independentes, nos referimos aos dados com seus
respectivos rtulos, marque a opo Rtulos.

Dado que estamos trabalhando com um intervalo de confiana de 80% marque o boto Intervalo
de confiana e substitua o valor padro de 95% por 80%. Em Opes de sada marque o boto
Intervalo de sada para introduzir uma referncia de clula.

Selecione as opes: Resduos, Resduos Padronizados e Plotar Resduos

Clique no campo direita do boto. Selecione a clula A31. A configurao da caixa de dilogo
Regresso se parecer como a mostrada na Figura 2.4. Clique em OK.

Figura 2.4

O resultado ser a tabela de regresso como mostrada na Figura 2.5:

23

Figura 2.5

As tabelas de Regresso, Anova, Resduos e Correlao gerada pelo Microsoft Excel esto
apresentadas abaixo:


R mltiplo 0,91573
R-Quadrado 0,83856
R-quadrado ajustado 0,79821
Erro padro 35,39676
Observaes 21

ANOVA

gl SQ MQ F
F de
significao
Regresso 4 104134,06220 26033,51554 20,77810 3,55556E-06
Resduo 16 20046,89023 1252,93064

Total 20 124180,95240


24

Coeficientes Erro padro Stat t valor-P
95%
inferiores
95%
superiores
Interseo 302,88334 39,27305 7,71224 8,89007E-07 219,62820 386,13849
Nmero de
banheiros (X1) 108,66723 18,91222 5,74587 3,00723E-05 68,57510 148,75937
Vagas de garagem
(X2) 61,80280 26,18965 2,35982 0,031321044 6,28322 117,32238
Estado de
conservao (X3) -55,24505 14,75194 -3,74493 0,001766555 -86,51778 -23,97232
rea de lazer (X4) 53,25881 22,92891 2,32278 0,033699697 4,65167 101,86595

Inferior
80,0%
Superior
80,0%
250,38482 355,38187
83,38618 133,94829
26,79360 96,81201
-74,96482 -35,52528
22,60841 83,90921


Observao Previsto(a) Preo Resduos
Resduos
padro
1 471,53 -21,53052 -0,68005
2 360,87 39,12295 1,23572
3 524,78 -24,78933 -0,78299
4 478,08 21,91172 0,69209
5 362,86 -12,86328 -0,40629
6 588,57 11,42161 0,36076
7 362,86 -12,86328 -0,40629
8 362,86 -62,86328 -1,98558
9 418,11 31,89165 1,00732
10 362,86 -12,86328 -0,40629
11 471,53 28,46947 0,89923
12 471,53 28,46947 0,89923
13 533,33 -33,33333 -1,05285
14 362,86 -12,86328 -0,40629
15 362,86 37,13671 1,17299
16 362,86 -62,86328 -1,98558
17 524,78 -24,78933 -0,78299
18 418,10 31,89165 1,00732
19 362,86 37,13671 1,17299
20 469,54 10,45571 0,33025
21 416,29 3,71453 0,11732


25

Atravs das estatsticas de regresso e da tabela Anova, obtivemos a seguinte equao de
regresso:

4 26 , 53 3 25 , 55 2 80 , 61 1 66 , 108 88 , 302 X X X X P + + + =

Substituindo os valores das variveis independentes do imvel avaliando:

-Numero de banheiros (X1): 2
- Numero de vagas de garagem (X2): 1
-Estado de conservao (X3): 2
-rea de lazer (X4): 0

Temos que o valor previsto para o aluguel do imvel :

P = R$ 471,53

3.4. Determinao do Intervalo de Confiana

Para o clculo do Intevalo de confiana utilizaremos o PHStat2. Na barra de ferramentas abra o
menu Suplementos, clique em PHStat, clique em Regression e clique em Multiple
Regression

Configure o PHStat conforme mostrado na figura 2.6. Clique em OK, o PHStat criar um nova
planilha com nome Intervals com os intervalos de confiana para o preo previsto e para uma
nova observao.

Nas clulas B6:B9 deve-se informar os valores das variveis independentes do imvel avaliando.
Para o imvel avaliando desta apostila devem-se preencher os campos como segue descrito na
tabela 2.3:

Data
Confidence Level 80%

1
Nmero de banheiros (X1) given value 2
Vagas de garagem (X2) given value 1
Estado de conservao (X3) given value 2
rea de lazer (X4) given value 0
Tabela 2.3


26

Figura 2.6

Nas clulas A29:B39, o PHStat fornece o valor previsto para o imvel e os intervalos de
confiana para o valor previsto e para uma resposta individual, conforme abaixo.

Predicted Y (YHat) 471,53

For Average Predicted Y (Yhat)

For Individual Response Y
Prediction Interval Lower Limit 419,39
Prediction Interval Upper Limit 523,67
Tabela 2.4


R$ 449,64 < P < R$ 493,43

27

intervalo de confiana de 80% sobre o valor pontual da avaliao.

% 3 , 9 093 , 0
53 , 471
64 , 449 43 , 493
inf sup
= =
=
P
P P
AMPLITUDE

Como a amplitude menor do que 30% ,atravs da Tabela 1.7 podemos classificar a avaliao
com Grau de Preciso 3

O intervalo para uma resposta individual de Y no de interesse para a avaliao (Ver item
2.2 desta apostila).

3.5. Teste de hipteses

Testada a hiptese nula da regresso (
1
= 0) pelo teste F, a mesma foi rejeitada ao nvel de
1%, uma vez que:

01 , 0 10 55 , 3
6
s =

o sifnifica de F

( o significa de F est localizado na clula F42 da tabela do Excel)

OBS: F de significao o nvel de significncia em que se aceita a hiptese nula da regresso.

Caso fosse aceita a hiptese nula da regresso a equao obtida no poderia ser utilizada para
explicar o comportamento dos valores de mercado dos imveis.

Testada a hiptese nula dos regressores (
1
=0), a mesma foi rejeitada ao nvel de 5%, uma vez
que:

(Valor P das variveis est localizado nas clulas E47:E51)

OBS: Valor P o nvel de significncia em que se aceita a hiptese nula dos regressores.

Caso alguma varivel independente tivesse a hiptese nula aceita, ela poderia ser excluda do
modelo, e dever-se-ia recalcular as estatsticas de regresso, tabela Anova, e tabela de resduos.

05 , 0 10 01 , 3 ) 1 (
5
s =

X P Valor
05 , 0 031 , 0 ) 2 ( s = X P Valor
05 , 0 001 , 0 ) 3 ( s = X P Valor
05 , 0 034 , 0 ) 4 ( s = X P Valor

28

3.6. Verificao das hipteses bsicas

Deve-se proceder a verificao das 5 hipteses bsicas descritas na Regresso Linear Simples e
verificar uma nova hiptese que s se aplica a Regresso Mltipla.

Sexta hiptese: No deve existir nenhuma relao exata entre quaisquer variveis
independentes.

Para proceder esta verificao deve-se consultar a tabela de correlaes e assegurar que no
exista nenhuma correlao igual a 1 entre duas variveis independentes.

TABELA DE CORRELAO

Preo
Nmero de
banheiros
Vagas de
garagem
Estado de
conservao
rea de
lazer
Preo 1
Nmero de banheiros 0,794124877 1
Vagas de garagem 0,543532721 0,428174419 1
Estado de conservao -0,14093509 0,252509201 -0,03378687 1
rea de lazer 0,246310115 0,265935942 -0,19802951 0,381375432 1

No modelo no existe nenhum correlao igual a 1 entre duas variveis independentes, ento, se
aceita a sexta hiptese.

Obs. Neste exemplo, estamos supondo a amostra j saneada, isto , isenta de dados supostamente
discrepantes. Mais tarde ser ilustrado como proceder para sanear uma amostra utilizando o
critrio de Chauvenet.

4. Exemplos Resolvidos

4.1. Um corretor de imveis quer saber se em determinado bairro da cidade
(representado pela amostra abaixo - tab. 3.1) se a dimenso da frente de um terreno ou sua
testada, influi ou no na formao de preos unitrios (R$/m
2
). Esse um problema tpico que
pela aplicao de inferncia estatstica, podemos afirmar se a dimenso da frente dos terrenos
influi ou no na formao de seus preos unitrios.

Amostra Frente (m) Profund. (m) R$/m2
1 15,00 31,50 31,75
2 15,00 30,00 44,44
3 15,00 37,65 31,87
4 12,00 30,00 38,85
5 15,00 30,00 51,11
6 12,00 30,00 36,11
Planilha 4.1.1


29

Resoluo:

1) Saneamento da amostra (Critrio de Chauvenet)

Consiste em se eliminar os registros da amostra, cujos preos (P
ori
) distem mais do que um certo
limite (d
lim
) da mdia de preos da amostra, ou seja, elimina-se todos os registros cujos preos
(P
ori
) estiverem fora do intervalo:

(P
ori
- d
lim
) P
ori
(i) (P
ori
+ d
lim
)

Com d
lim
= S
p
x (d/S
p
)
crtico
, onde:

S
p
o desvio padro dos preos da amostra, dado por:

e (d/Sp)
crtico
uma funo da quantidade de registros da amostra, conforme a seguir:

n = 5 6 7 8 9 10
(d/S
p
)
crtico
1,65 1,73 1,80 1,86 1,92 1,96

n = 11 12 13 14 15 16
(d/S
p
)
crtico
1,98 2,03 2,05 2,10 2,12 2,16

n = 17 18 19 20 21 22
(d/S
p
)
crtico
2,18 2,20 2,23 2,24 2,26 2,28

n = 24 26 30 40 50
(d/S
p
)
crtico
2,31 2,35 2,39 2,50 2,58
Tabela 4.1.2

Com a tabela 3.1 inserida no Microsoft Excel, utilize as funes MDIA e DESVPAD para
calcular P
ori
que a mdia aritmtica dos preos unitrios (R$/m
2
) e S
p
que o desvio padro dos
preos da amostra. Da, vem que:

S
p
= 7,59 e P
ori
= 39,02, n = 6 e d
lim
= 7,59*1,73 = 13,13, de modo que o intervalo:

(P
ori
- d
lim
) P
ori
(i) (P
ori
+ d
lim
) igual a:

(39,02

13,13) P
ori
(i) (39,02

+ 13,13) = 25,89 P
ori
(i) 52,15

1
) (
1
2
=

=
n
Pori Pori(i)
Sp
n
i


30

Com isto, conclumos que a amostra no tem nenhum dado supostamente discrepante. Isto , a
amostra j est saneada.

2) Clculo das Correlaes, Regressores e Anova.
Correlaes:
Frente (m) Profund. (m) R$/m2
Frente (m) 1
Profund. (m) 0,38602956 1
R$/m2 0,15734108 -0,56507026 1

R mltiplo 0,69640049
R-Quadrado 0,48497365
R-quadrado
ajustado
0,14162275
Erro padro 7,03174433
Observaes 6
ANOVA
gl SQ MQ F F de significao
Regresso 2 139,680598 69,8402992 1,4124723 0,369610395
Resduo 3 148,336285 49,4454283
Total 5 288,016883
Coeficientes Erro padro Stat t Valor-P 95% inferiores
Interseo 66,2600311 36,8151914 1,79980135 0,1697137 -50,90244869
Frente (m) 2,16161984 2,2004549 0,98235135 0,3983645 -4,84121629
Profund. (m) -1,8239823 1,11402051 -1,63729688 0,2000917 -5,369296092
95%
superiores
Inferior 80,0% Superior
80,0%
183,4225108 5,9661244 126,5539377
9,164455972 -1,44216483 5,765404507
1,721331482 -3,64846416 0,000499551
Tabela 4.1.3

3) Teste de hiptese nula da regresso (1 = 0 e 2 = 0)

Testada a hiptese nula da regresso (1 = 0 e 2 = 0), ambas foram aceitas, uma vez que:

F
calculado
=

1,4124723 < F
()
(k), (n-k-1) = F
(1%)
(2), (3) = 30,81 (tabelado)

Isto significa que
1
e
2
no so variveis influenciantes ao nvel de significncia de 1% ou sua
influncia muito reduzida na formao do preo unitrio dos terrenos. Como a hiptese nula do
teste foi aceita, poderamos concluir nossa anlise nesta etapa. Mas para ilustrar o roteiro
normalmente adotado quando a hiptese nula rejeitada, vamos continuar os testes.


31

4) Teste de hiptese nula dos regressores (1 = 0 ou 2 = 0)

Testada a hiptese nula dos regressores (1 = 0 ou 2 = 0), a primeira foi aceita, uma vez :

|t
1
| = 0,982 < t (n-k-1),
= t (3),5% = 2,3534
Isto significa que 1 no influi decisivamente e suficientemente na formao de preos para ser
includo na equao de regresso. Isto , a equao que melhor representa a formao de preos
dos terrenos desta amostra, uma equao que no envolve a varivel frente do terreno.

|t
2
| = 1,636 < t (n-k-1),
= t (3),5% = 2,3534

Assim temos tambm que 2 no influi decisivamente na formao de preos, com um nvel de
confiana de 90%, para fazer parte da equao que procura descrever a variao de preos no
mercado imobilirio da regio de coleta das amostras. Deste modo, no podemos obter, a partir
dos dados da tab. 3.1, uma equao que represente o preo unitrio dos terrenos de forma
eficiente.

Como espervamos, este teste apenas confirmou o que j havamos concludo no 4. passo:
Entretanto, como a amostra muito pequena, pode acontecer desta no ser representativa, isto ,
corre-se o risco de ser tendenciosa. Da deveramos suspeitar que a amostra no de fato
representativa, tendo em vista que a bibliografia tcnica afirma que a frente ou testada do terreno
influi decisivamente na formao de seu preo unitrio.

4.2. A tabela a seguir se refere a uma pesquisa de terrenos urbanos em uma dada rea
central de uma cidade X. A pesquisa concentrou-se ao longo das Avenidas AP e PF, duas vias de
comrcio intenso e nas ruas transversais at uma distncia mxima de 270m. Registrou-se os
preos dos terrenos em oferta, suas reas e distncia s referidas avenidas. Verifique se pode ou
no obter uma equao de regresso a partir da amostra abaixo.

982 , 0
200 , 2
161 , 2
82 , 46
) 15 , 9 ( 82 , 46 * 12
44 , 49
16161984 , 2
) ( .
2
2
2
2 1 2 1
1
1
= =
=
x
x x x x
SQ
S SQ SQ
QMR
b
t
636 , 1
114 , 1
823 , 1
00 , 12
) 15 , 9 ( 82 , 46 * 12
44 , 49
823 , 1
) ( .
2
1
2
2 1 2 1
2
2
=
=
x
x x x x
SQ
S SQ SQ
QMR
b
t

32

Registro n. VT REA DIST.
1 170000 422 0
2 100000 360 0
3 150000 2055 110 (esquina)
4 180000 901 40 (esquina)
5 1080000 7200 70 (esquina)
6 700000 8057 270 (esquina)
7 50000 430 40
8 20000 280 40
9 55000 360 40
10 18000 200 40
Planilha 4.2.1

Resoluo:

1) Saneamento da amostra (Critrio de Chauvenet)

(P
ori
d
lim
) P
ori
(i) (P
ori
+ d
lim
)

Como: d
lim
= S
p
x (d/S
p
)
crtico

S
p
= 352750,5, P
ori
= 252300, n =10 e (d/S
p
)
crtico
= 1,96

d
lim
= 352750,5 * 1,96 = 691390,94

(P
ori
d
lim
) P
ori
(i) (P
ori
+ d
lim
)

252300 691390,94 P
ori
(i) 252300 + 691390,94

-439090,94 P
ori
(i) 943690,94

Como o registro n. 5 est fora do intervalo acima, conclumos que se trata de um dado esprio,
portanto, ser eliminado e no considerado para fins de inferncia estatstica.
Vamos recalcular novamente o intervalo para o critrio de Chauvenet para verificar se existe
mais algum dado discrepante.

S
p
= 211745,13, P
ori
= 160333,33, n = 9 e (d/S
p
)
crtico
= 1,92

d
lim
= 211745,13*1.92 = 406550,65

(P
ori
d
lim
) P
ori
(i) (P
ori
+ d
lim
)

160333,33 406550,65 P
ori
(i) 160333,33 + 406550.65

-246217 P
ori
(i) 566883,98

33

Desta forma, o registro n 6, tambm constitui um dado esprio, de modo que, deveremos
recalcular um novo intervalo:

S
p
= 66593,52, P
ori
= 92875, n = 8 e (d/S
p
)
crtico
= 1,86

d
lim
= 66593,52*1.86 = 123863,94

(P
ori
d
lim
) P
ori
(i) (P
ori
+ d
lim
)

-30988,94 P
ori
(i) 216738,94

Com isto, a amostra j est saneada.

2) Clculo das Correlaes, Regressores e Anova.

Registro
n.
VT rea DIST.
1 170000 422 0
2 100000 360 0
3 150000 205 110 (esquina)
4 180000 901 40 (esquina)
5 50000 430 40
6 20000 280 40
7 55000 360 40
8 18000 200 40

CORRELAES
VT rea DIST.
VT 1
rea 0,571241 1
DIST. 0,0396682 0,813187 1

R mltiplo 0,926914
R-Quadrado 0,859169
R-quadrado
ajustado
0,802837
Erro padro 29569,56
Observaes 8

ANOVA
gl SQ MQ F F de signific.
Regresso 2 2,67E+10 1,33E+10 15,25179 0,007443
Resduo 5 4,37E+09 8,74E+08

34

Total 7 3,1E+10
Coeficientes Erro
padro
Stat t valor-P 95% inferiores 95%
superiores
Interseo 80100,28 16575,96 4,832317 0,004747 37490,5 122710,1
rea 172,5055 31,26266 5,517941 0,002677 92,14243 252,8686
DIST. -2457,27 564,9533 -4,34951 0,007363 -3909,52 -1005,01
Inferior
80,0%
Superior
80,0%
55636,08 104564,5
126,3654 218,6456
-3291,07 -1623,46

Tabela 4.2.1

3) Teste de hiptese nula da regresso (1 = 0 e 2 = 0)

Testada a hiptese nula da regresso (1 = 0 e 2 = 0), ambas foram aceitas , uma vez que:

F
calculado
= 15,25179 < F
()
(k), (n-k-1) = F
(1%)
(2), (5) = 13,27 (tabelado)

Como rejeitamos a hiptese de nulidade de 1 e 2 , ento, a equao de regresso obtida pela
modelagem significante ao nvel de 1% para explicar o comportamento de mercado.

4.3. A tabela a seguir se refere a uma pesquisa de apartamentos na cidade de
Campo Grande - MS. Registrou-se os preos dos apartamentos em oferta, suas reas, valores de
condomnio, nmero de vagas de garagem, se posui portaria, quadra, piscina e Sacada. Pretende-
se encontrar o valor de mercado de um imvel com as seguintes caractersticas:
rea = 115m
Condomnio = R$ 150,00
Garagem = 1 vaga
Portaria = Possui (Recebe valor 1 por se tratar de uma varivel dicotmica)
Armrio = No Possui (Recebe valor 0 por se tratar de uma varivel dicotmica)
Quadra = Possui (Recebe valor 1 por se tratar de uma varivel dicotmica)
Piscina = No Possui (Recebe valor 0 por se tratar de uma varivel dicotmica)
Sacada = Possui (Recebe valor 1 por se tratar de uma varivel dicotmica)

N
registro
Residencial Valor rea Cond. Garagem Portaria Armrio Quadra Piscina Sacada
1
Cachoeirinha
II
R$ 140.000 118 R$ 255 2 1 1 1 0 0
2 Itacolomi R$ 145.000 98 R$ 350 1 1 1 1 1 1
3 Via Park R$ 185.000 103 R$ 0 2 0 1 0 0 0
4 - R$ 145.000 107 R$ 220 2 1 0 0 1 1
5 Dominica R$ 95.000 73 R$ 180 1 1 0 0 1 1

35

6 Tacuma R$ 195.000 154 R$ 0 2 0 1 0 0 1
7
Cachoeirinha
II
R$ 130.000 102 R$ 255 1 1 1 1 0 0
8 Vitoria R$ 140.000 70 R$ 0 1 0 1 0 0 0
9 - R$ 210.000 122 R$ 240 1 1 0 1 1 1
10
Monte
Castelo
R$ 185.000 116 R$ 260 2 1 0 1 0 1
11 Sevilha R$ 90.000 80 R$ 220 1 1 1 1 0 1
12
Parque dos
coqueiros
R$ 75.000 72 R$ 150 1 0 1 0 0 1
13 Cedro R$ 90.000 78 R$ 215 1 1 1 1 1 1
14
Marques de
Labradil
R$ 110.000 90 R$ 110 1 1 0 0 0 1
15 Las Palmas R$ 95.000 93 R$ 130 1 1 1 0 0 0
16 - R$ 85.000 87 R$ 180 1 1 0 0 0 0
17 Sam Loreno R$ 125.000 76 R$ 275 2 1 0 1 1 1
18 Mangaratiba R$ 85.000 87 R$ 190 1 1 0 0 0 0
19 Nova Sucia R$ 105.000 110 R$ 200 2 1 1 0 0 0
20
Nova
Portugal
R$ 93.000 110 R$ 215 2 1 1 0 0 0
21
Nova
Inglaterra
R$ 100.000 110 R$ 200 2 1 1 0 0 0
Planilha 4.3.1

1) Verificao da colinearidade.

Supondo a amostra j saneada pelo critrio de Chauvenet, calcula-se a tabela de
correlaes obtendo o seguinte resultado:

Valor rea Cond. Garagem Portaria Armrio Quadra Piscina Sacada
Valor 1,00

rea 0,66 1,00

Cond. -0,15 -0,05 1,00

Garagem 0,36 0,58 -0,02 1,00

Portaria -0,29 -0,04 0,78 -0,07 1,00

Armrio -0,10 0,12 -0,21 0,08 -0,38 1,00

Quadra 0,29 0,03 0,66 -0,08 0,38 0,01 1,00

Piscina 0,16 -0,17 0,45 -0,12 0,31 -0,37 0,37 1,00

Sacada 0,22 -0,05 0,22 -0,14 0,02 -0,36 0,36 0,60 1,00
Tabela 4.3.1


36

Verifica-se que a varivel condomnio possui uma correlao alta com a varivel
portaria, faremos o clculo dos FIVs para verificar se alguma varivel deve ser excluda do
modelo.
Os FIVs calculados so:

- rea: FIV = 1,66
- Condomnio: FIV = 4,78
- Garagem: FIV = 1,64
- Portaria: FIV = 3,72
- Armrio: FIV = 1,66
- Quadra: FIV = 2,24
- Piscina: FIV = 1,99
- Sacada: FIV = 2,09

Como todos os FIVs so menores que 5 no h problema de colinearidade no modelo.

2) Calculo da estatstica de regresso e anova.



R mltiplo 0,935055217

R-quadrado
ajustado 0,790547097


Observaes 21

ANOVA

gl SQ MQ F
F de
significao

Regresso 8 2,87E+10 3,59E+09 10,44 0,0002353

Resduo 12 4,125E+09 3,44E+08

Total 20 3,282E+10

Coeficientes
Erro
padro Stat t valor-P 95% inferiores
95%
superiores
Interseo 61518,859 25665,059 2,397 0,034 5599,498 117438,219
rea 1328,125 256,993 5,168 0,000 768,186 1888,064
Cond. -141,130 98,052 -1,439 0,176 -354,768 72,508
Garagem 1530,987 10479,344 0,146 0,886 -21301,543 24363,516
Portaria -50393,393 19875,963 -2,535 0,026 -93699,397 -7087,390
Armrio -33156,881 10723,162 -3,092 0,009 -56520,644 -9793,117
Quadra 51370,673 12464,005 4,122 0,001 24213,938 78527,407
Piscina 29013,363 12644,275 2,295 0,041 1463,853 56562,872

37

Sacada -18193,101 11705,927 -1,554 0,146 -43698,125 7311,923
Tabela 4.3.2

3) Teste de hiptese nula da regresso

Pelo teste F, a mesma foi rejeitada ao nvel de 1%, uma vez que:

01 , 0 0002353 , 0 s = o sifnifica de F (O modelo significativo)

4) Teste de hiptese nula dos regressores

Testando as variveis ao nvel de 20%, tem-se:

rea - 20 , 0 00 , 0 s = P Valor (Significativa para o modelo)
Condominio - 20 , 0 18 , 0 s = P Valor (Significativa para o modelo)
Garagem - 20 , 0 88 , 0 > = P Valor (No significativa para o modelo)
Portaria - 20 , 0 03 , 0 s = P Valor (Significativa para o modelo)
Armrio - 20 , 0 01 , 0 s = P Valor (Significativa para o modelo)
Quadra - 20 , 0 00 , 0 s = P Valor (Significativa para o modelo)
Piscina - 20 , 0 04 , 0 s = P Valor (Significativa para o modelo)
Sacada - 20 , 0 15 , 0 s = P Valor (Significativa para o modelo)

5) Anlise crtica dos valores obtidos na regresso

Ao trmino do calculo das estatsticas de regresso e dos testes de hipteses devemos verificar se
o modelo realmente serve para explicar o comportamento real do mercado imobilirio. A priori
esta tudo correto em nosso modelo, mas vamos nos atentar aos coeficientes obtidos para as
variveis: Portaria, Armrio e Sacada.

Coeficientes:
-Portaria = R$ -50393,39
-Armrio = R$ -33156,88
-Sacada = R$ -18193,10

Os coeficientes negativos para estas variveis no condizem com a realidade. Podemos ver
atravs do exemplo:

Um apartamento que no possua Armrio Embutido tem um valor de mercado, se o seu
proprietrio resolver investir na instalao de Armrio Embutido no apartamento seu
apartamento, este investimento ira agregar valor ao imvel, ao contrrio do que diz o modelo,
cujo diz que se o proprietrio investir na instalao de armrio embutido o valor do imvel ir
diminuir em R$ 33156,88.
Para tentar descobrir o que esta afetando o modelo de regresso plota-se grficos das variveis
explicativas versus varivel explicada, conforme demonstrado a seguir:

38

Grfico 4.3.1

Pontos indicados pelas setas correspondem as amostras: 3, 6, 8, 9 e 10

Grfico 4.3.2

Pontos indicados pelas setas correspondem as amostras: 3, 6, 9 e 10


39

Grfico 4.3.3


Grfico 4.3.4



40

Grfico 4.3.5


Grfico 4.3.6



41

Grfico 4.3.7


Grfico 4.3.8


A plotagem desses grficos feita para verificar a existncia de pontos influenciantes. Entende-
se por pontos influenciantes aqueles com pequenos resduos, em algumas vez at nulos, mas que
se distanciam da massa de dados, podendo alterar completamente as tendncias naturais indicadas
pelo mercado (DANTAS, 2005, p. 113).

42

Pode-se concluir ento que as amostras 3, 6, 9, 10 so pontos influenciantes no modelo, a soluo
excluir esses dados de nossa amostra e proceder a analise de regresso novamente.

Aps a excluso a planilha deve ficar como a planilha 4.3.2:

N
registro
1
Cachoeirinha
II
R$ 140.000 118 R$ 255 2 1 1 1 0 0
2 Itacolomi R$ 145.000 98 R$ 350 1 1 1 1 1 1
3 - R$ 145.000 107 R$ 220 2 1 0 0 1 1
4 Dominica R$ 95.000 73 R$ 180 1 1 0 0 1 1
5
Cachoeirinha
II
R$ 130.000 102 R$ 255 1 1 1 1 0 0
6 Vitoria R$ 140.000 70 R$ 0 1 0 1 0 0 0
7 Sevilha R$ 90.000 80 R$ 220 1 1 1 1 0 1
8
Parque dos
coqueiros
R$ 75.000 72 R$ 150 1 0 1 0 0 1
9 Cedro R$ 90.000 78 R$ 215 1 1 1 1 1 1
10
Marques de
Labradil
R$ 110.000 90 R$ 110 1 1 0 0 0 1
11 Las Palmas R$ 95.000 93 R$ 130 1 1 1 0 0 0
12 - R$ 85.000 87 R$ 180 1 1 0 0 0 0
13 Sam Loreno R$ 125.000 76 R$ 275 2 1 0 1 1 1
14 Mangaratiba R$ 85.000 87 R$ 190 1 1 0 0 0 0
15 Nova Sucia R$ 105.000 110 R$ 200 2 1 1 0 0 0
16
Nova
Portugal
R$ 93.000 110 R$ 215 2 1 1 0 0 0
17
Nova
Inglaterra
R$ 100.000 110 R$ 200 2 1 1 0 0 0
Planilha 4.3.2

*Observe que o nmero de registro das amostras foram alterados para que no haja confuso
quanto ao nmero real de amostras do modelo.

Verificando se ainda existem pontos influenciantes no modelo, plota-se o grfico do Valor x rea
(Grfico 4.3.9), que supostamente a varivel que mais influencia no modelo.

Como demonstrado no grfico 4.3.9, ainda existem pontos influenciantes no modelo.


43

Grfico 4.3.9


Procedendo novamente a excluso das amostras que foram consideradas como pontos
influenciantes, temos uma nova planilha:

N
registro
1
Cachoeirinha
II
R$ 140.000 118 R$ 255 2 1 1 1 0 0
2 - R$ 145.000 107 R$ 220 2 1 0 0 1 1
3 Dominica R$ 95.000 73 R$ 180 1 1 0 0 1 1
4
Cachoeirinha
II
R$ 130.000 102 R$ 255 1 1 1 1 0 0
5 Sevilha R$ 90.000 80 R$ 220 1 1 1 1 0 1
6
Parque dos
coqueiros
R$ 75.000 72 R$ 150 1 0 1 0 0 1
7 Cedro R$ 90.000 78 R$ 215 1 1 1 1 1 1
8
Marques de
Labradil
R$ 110.000 90 R$ 110 1 1 0 0 0 1
9 Las Palmas R$ 95.000 93 R$ 130 1 1 1 0 0 0
10 - R$ 85.000 87 R$ 180 1 1 0 0 0 0
11 Mangaratiba R$ 85.000 87 R$ 190 1 1 0 0 0 0
12 Nova Sucia R$ 105.000 110 R$ 200 2 1 1 0 0 0
13
Nova
Portugal
R$ 93.000 110 R$ 215 2 1 1 0 0 0
Planilha 4.3.3

6) Calculo da estatstica de regresso e anova para a nova planilha.

44



R mltiplo 0,97

R-Quadrado 0,94

R-quadrado
ajustado 0,83

Erro padro 9070,31

Observaes 13,00

ANOVA

gl SQ MQ F
F de
significao

Regresso 8 5,58E+09 6,98E+08 8,48396 0,02767

Resduo 4 3,29E+08 8,23E+07

Total 12 5,91E+09

95%
inferiores
95%
superiores
Interseo -100482,85 55292,778 -1,817 0,143
-
254000,212 53034,513
rea 2810,96 599,113 4,692 0,009 1147,557 4474,366
Cond. 30,86 162,813 0,190 0,859 -421,186 482,899
Garagem -38747,74 19758,679 -1,961 0,121 -93606,632 16111,143
Portaria -23408,23 14971,673 -1,564 0,193 -64976,258 18159,800
Armrio -12745,33 9749,310 -1,307 0,261 -39813,757 14323,090
Quadra 10060,42 17584,117 0,572 0,598 -38760,919 58881,752
Piscina 18423,20 10288,165 1,791 0,148 -10141,328 46987,722
Sacada 19958,17 12599,302 1,584 0,188 -15023,101 54939,439
Tabela 4.3.3

Como possumos apenas 13 amostras devemos escolher no mximo 3 variveis para o
modelo, pois a norma exige que ) 1 ( 3 + > k n , onde k o numero de variveis independentes.
Sero escolhidas as variveis: rea, piscina e sacada, pois apresentem coeficiente com sinal
coerente com a realidade de mercado e so significantes ao nvel de 20%.

Temos ento uma nova planilha contendo apenas as 3 variveis escolhidas.


45

N
registro
Residencial Valor rea Piscina Sacada
1
Cachoeirinha
II
R$ 140.000 118 0 0
2 - R$ 145.000 107 1 1
3 Dominica R$ 95.000 73 1 1
4
Cachoeirinha
II
R$ 130.000 102 0 0
5 Sevilha R$ 90.000 80 0 1
6
Parque dos
coqueiros
R$ 75.000 72 0 1
7 Cedro R$ 90.000 78 1 1
8
Marques de
Labradil
R$ 110.000 90 0 1
9 Las Palmas R$ 95.000 93 0 0
10 - R$ 85.000 87 0 0
11 Mangaratiba R$ 85.000 87 0 0
12 Nova Sucia R$ 105.000 110 0 0
13
Nova
Portugal
R$ 93.000 110 0 0
Planilha 4.3.4

7) Calculo da estatstica de regresso e anova para planilha com 3 variveis.



R mltiplo 0,853295582


R-quadrado
ajustado 0,637484466


Observaes 13

ANOVA

gl SQ MQ F
F de
significao

Regresso 3 4,31E+09 1435092742 8,034 0,0065

Resduo 9 1,61E+09 178627205,5

Total 12 5,91E+09


46

95%
inferiores
95%
superiores
Interseo -43408,756 32710,009 -1,327 0,217
-
117403,937 30586,425
rea 1466,565 319,976 4,583 0,001 742,728 2190,401
Piscina 10511,655 11045,229 0,952 0,366 -14474,389 35497,698
Sacada 16772,531 11286,761 1,486 0,171 -8759,895 42304,958


Observao Previsto(a) Valor Resduos Resduos padro
1 129645,89 10354,11 0,89
2 140797,86 4202,14 0,36
3 90934,66 4065,34 0,35
4 106180,85 23819,15 2,06
5 90688,96 -688,96 -0,06
6 78956,44 -3956,44 -0,34
7 98267,48 -8267,48 -0,71
8 105354,60 4645,40 0,40
9 92981,77 2018,23 0,17
10 84182,38 817,62 0,07
11 84182,38 817,62 0,07
12 117913,37 -12913,37 -1,12
13 117913,37 -24913,37 -2,15
Tabela 4.3.4

Observe que temos duas amostras com resduos altos. Deve-se verificar a amostra quanto a
presena de outliers. Entende-se por outlier um dado que contm grande resduo em relao aos
demais que compe a amostra. Estes pontos ponde ser detectados com facilidade atravs de uma
anlise grfica dos resduos padronizados versus os valores previsto (DANTAS, 2005, p. 112).

Plota-se o grfico 4.3.10 Resduos padro x Previsto(a) Valor, atravs de uma analise visual
possvel identificar a presena de dois outliers indicados pelas setas correspondentes as amostras
4 e 13. Para prosseguir deve-se excluir as duas amostras do modelo, e conseqente deve-se
excluir tambm uma varivel, pois como teremos apenas 11amostras quando a norma exige no
mnimo 12 amostras para um modelo com 3 variveis. Excluiremos a varivel piscina, pois a
nica das 3 variveis que no significante para o modelo.


47

Grfico 4.3.10

Aps a excluso das amostras 4 e 13 e da varivel piscina, a planilha ficara como a planilha
4.3.5.

N
registro
Residencial Valor rea Sacada
1
Cachoeirinha
II
R$ 140.000 118 0
2 - R$ 145.000 107 1
3 Dominica R$ 95.000 73 1
4 Sevilha R$ 90.000 80 1
5
Parque dos
coqueiros
R$ 75.000 72 1
6 Cedro R$ 90.000 78 1
7
Marques de
Labradil
R$ 110.000 90 1
8 Las Palmas R$ 95.000 93 0
9 - R$ 85.000 87 0
10 Mangaratiba R$ 85.000 87 0
11 Nova Sucia R$ 105.000 110 0
Planilha 4.3.5

Continuaremos verificando a presena de outliers, para isso calculamos novamente a tabela de
resduos da planilha 4.3.5.



48

Observao
Previsto(a)
Valor Resduos
Resduos
padro
1 133096,72 6903,28 0,94
2 139567,84 5432,16 0,74
3 83921,08 11078,92 1,51
4 95377,77 -5377,77 -0,73
5 82284,41 -7284,41 -0,99
6 92104,43 -2104,43 -0,29
7 111744,46 -1744,46 -0,24
8 92179,98 2820,02 0,39
9 82359,97 2640,03 0,36
10 82359,97 2640,03 0,36
11 120003,36
-
15003,36 -2,05
Tabela 4.3.5

Plota-se novamente o grfico Resduos padro x Previsto(a)

Grfico 4.3.11

Atravs de uma analise visual possvel identificar a presena de dois outliers indicados pelas
setas, correspondentes as amostras 3 e 11. Para prosseguir deve-se excluir do modelo as amostras
3 e 11 e fazer nova verificao.

A nova planilha ficar como a planilha a seguir:

49

N
registro
1
Cachoeirinha
II
R$ 140.000 118 0
2 - R$ 145.000 107 1
3 Sevilha R$ 90.000 80 1
4
Parque dos
coqueiros
R$ 75.000 72 1
5 Cedro R$ 90.000 78 1
6
Marques de
Labradil
R$ 110.000 90 1
7 Las Palmas R$ 95.000 93 0
8 - R$ 85.000 87 0
Planilha 4.3.6

Calculando novamente a tabela de resduos:


Observao
Previsto(a)
Valor Resduos
Resduos
padro
1 142164,20 -2164,20 -1,26
2 142632,03 2367,97 1,38
3 91841,99 -1841,99 -1,07
4 76793,09 -1793,09 -1,04
5 88079,77 1920,23 1,12
6 110653,12 -653,12 -0,38
7 95136,38 -136,38 -0,08
8 83849,71 1150,29 0,67
9 83849,71 1150,29 0,67
Tabela 4.3.6


50

Plota-se novamente o grfico Resduos padro x Previsto(a)

Grfico 4.3.12

Atravs da analise visual, verifica-se que no h presena de outliers. Adota-se ento este
conjunto de amostras para compor o modelo.

8) Calculo da estatstica de regresso e Anova para planilha com 2 variveis e 9 amostras.

N
registro
1
Cachoeirinha
II
R$ 140.000 118 0
2 - R$ 145.000 107 1
3 Sevilha R$ 90.000 80 1
4
Parque dos
coqueiros
R$ 75.000 72 1
5 Cedro R$ 90.000 78 1
6
Marques de
Labradil
R$ 110.000 90 1
7 Las Palmas R$ 95.000 93 0
8 - R$ 85.000 87 0
Planilha 4.3.7



51

R mltiplo 0,998

R-Quadrado 0,995
R-quadrado
ajustado 0,994
Erro padro 1986,536

Observaes 9

ANOVA

gl SQ MQ F
F de
significao

Regresso 2 4,98E+09 2,49E+09 630,50 1,06E-07

Resduo 6 2,37E+07 3,95E+06

Total 8 5,00E+09

Coeficientes
Erro
padro Stat t valor-P
95%
inferiores
95%
superiores
Interseo -79807,07 5195,15 -15,36 4,81E-06 -92519,2 -67095,0
rea 1881,11 52,98 35,51 3,33E-08 1751,5 2010,7
Sacada 21160,07 1451,30 14,58 6,53E-06 17608,9 24711,3
Tabela 4.3.7

Pode-se observar que os coeficientes referentes as variveis so positivos o que condizem
com a realidade de mercado. Percebe-se tambm que com a excluso dos pontos
influenciantes e outliers do modelo, conseguiu-se uma melhora significativa no modelo de
regresso.

9) Teste de hiptese nula da regresso

Pelo teste F, a mesma foi rejeitada ao nvel de 1%, uma vez que:

01 , 0 07 - 1,06E s = o sifnifica de F (O modelo significativo)

10) Teste de hiptese nula dos regressores

Testando as variveis ao nvel de 1%, tem-se:

rea - 01 , 0 08 - 3,33E s = P Valor (Significativa para o modelo)
Sacada - 01 , 0 06 - 6,53E s = P Valor (Significativa para o modelo)

11) Determinao do valor de mercado do imvel e intervalo de confiana


52

Como descrito no enunciado do exerccio, o imvel possui as seguintes caractersticas:

rea = 115m
Sacada = Possui (Recebe valor 1 por se tratar de uma varivel dicotmica)

Data
Confidence Level 80%

1
rea given value 115
Sacada given value 1

Predicted Y (YHat) 157680,9
For Average Predicted Y (Yhat)

07 , 79807 07 , 21160 11 , 1881 + = Sacada rea P

Substituindo os valores das variveis independentes do imvel avaliando, temos que o valor
previsto para o imvel :

P = R$ 157680,90


R$ 155086,00 < P < R$ 160275,90

intervalo de confiana de 80% sobre o valor pontual da avaliao.

% 3 , 3 033 , 0
90 , 157680
00 , 155086 90 , 160275
inf sup
= =
=
P
P P
AMPLITUDE

Como a amplitude menor do que 30% ,atravs da Tabela 1.7 podemos classificar a avaliao
com Grau de Preciso 3.

Obs: Fica a cargo do leitor realizar a verificao das hipteses bsicas do modelo.
5. Bibliografia

DANTAS, Rubens Alves (2005) Engenharia de avaliaes: uma introduo a metodologia cientfica. 2.
ed. rev. de acordo com a NBR-14653-2:2004. So Paulo: PINI.

53

GUNST, Richard F., MASON, Robert L., Regression Analysis and its application: A data-Oriented
Approach. Nova York: MARCEL DEKKER, INC.

Levine, David M e outros (2005). Estatstica Teoria e aplicaes usando o Microsoft Excel em
portugus. Trad. Eduardo Benedito Curtolo e Teresa Cristina Padilha de Souza. 3 ed. Rio de Janeiro:
LTC.

NBR 14653 Norma Brasileira para Avaliao de Bens. ABNT.

Acedido em 18 de agosto de 2009, no Web site da: Universidade Federal de Santa Catarina:
http://www.inf.ufsc.br/~ogliari/arquivos/regressao_linear_multipla.ppt#33

Acedido em 21 de agosto de 2009, no Web site da: Universidade Federal do Pernambuco:
http://www.de.ufpe.br/~gjaa/Introreg.doc

Acedido em 27 de agosto de 2009, no Web site da: Universidade Federal do Pernambuco:
http://www.cin.ufpe.br/~rmcrs/ESAP/arquivos/RegressaoMultipla.pdf

6. Anexo 1


54

.
(DANTAS, 2005, p. 238)

Regressão linear simples entre preço unitário e distância

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Regressão linear simples entre preço unitário e distância

Enviado por

Direitos autorais:

Formatos disponíveis

UFMS - Universidade Federal de Mato Grosso do Sul

CCET - Centro de Cincias Exatas e Tecnologia

Você também pode gostar