Você está na página 1de 41

Avaliação de Imóveis Urbanos com a utilização da variável

Data do Evento e a
Estatística de Durbin Watson

Com o uso da Regressão Linear e das Redes Neurais Artificiais

Taxa de Ocupação

100%

90%

80%
y = 0,0287Ln(x) + 0,5936
70%
R2 = 0,0301
60%

50% ― Eng. Civil e Mecânico Antonio Pelli Neto ―


40%
Mestre em Inteligência Computacional
30%

20%
0 5 10 15 20 25 30 35 40 45

1
Preços Hedônicos

Modelagem de Dados

P = f (L, E,T ,w ,wP ) + ε


Considerando:
 P – o preço do bem como função de seus atributos
 f – forma funcional

 L – localização (macrolocalização e microlocalização)


 E – estruturais (físicas)
 T – temporais
 w – matriz de pesos espaciais
 wP – variável de defasagem espacial

2
Mercado Imobiliário

Revisão NBR 14.653-2

O diagnóstico de mercado deve ser elaborado (NBR


14653), considerando os seguintes itens:

 estrutura do mercado;

 conduta do mercado;

 desempenho do mercado.

3
Mercado Imobiliário – Dr. Domingos Saboya

Revisão NBR 14.653-2

Desempenho do Mercado

 Evolução considerando tendências com ou sem crescimento do valor

agregado do mercado de capitais aplicado no segmento imobiliário;


 Evolução da indústria da construção: quantitativo e formação de
capital de empresas de urbanização, de construção, de gerenciamento
de projetos e de comercialização de empreendimentos imobiliários;
 Surgimento e evolução de empreendimentos especializados no setor
imobiliário: hiper-mercados, shoppings genéricos e especializados
(sinalizando maior capacidade de absorção);
 Evolução de estruturas condominiais diferenciadas: residenciais e
comerciais

4
Estatística inferencial

Origem dos dados

 Séries Temporais – uma ou mais variáveis, coletadas com determinada

freqüência e de um mesmo elemento ou indivíduo, ao longo do tempo;

 Dados de Corte Transversal – dados coletados onde se despreza

possíveis alterações de valores em conseqüência da data de coleta das

informações;

 Dados de Painel – dados de diversos elementos coletados ao longo do

tempo. Os mesmos elementos são pesquisados no tempo;

 Agrupamento de Dados – dados de corte transversal coletados com

determinada freqüência ao longo do tempo.

5
Series Temporais

Definição: Uma série temporal é qualquer conjunto de observações coletadas

e ordenadas no tempo:

 Valores diários de temperatura na cidade de Belo Horizonte;

 Valores mensais de poluição na cidade do Rio de Janeiro;

 Índices diários da Bolsa de Valores de São Paulo;

 Taxas de Ocupação de um resort no Nordeste do Brasil;

 Diárias médias deste mesmo resort;

 Dados com série histórica sobre economia regional, finanças públicas,

indicadores monetários e de crédito, economia internacional, etc (Banco

Central do Brasil).

6
Séries Temporais - Regressão Linear

Series Temporais

 A característica mais importante deste tipo de dados é que as

observações vizinhas são dependentes e estamos interessados em

analisar e modelar esta dependência.

 Enquanto em modelos de regressão a ordem das observações é

irrelevante, para a análise, em séries temporais a ordem dos dados é

crucial. Vale notar também que o tempo pode ser substituído por outra

variável como espaço, profundidade, etc.

7
Series Temporais

 Regressão Linear – os procedimentos estatísticos foram desenvolvidos para analisar


Observações independentes;
 Estudo de séries temporais – requer o uso de técnicas específicas (características
particulares a este tipo de dados):
 Observações correlacionadas são mais difíceis de analisar e requerem técnicas
específicas.
 Precisamos levar em conta a ordem temporal das observações.
 Fatores complicadores como presença de tendências e variação sazonal ou
cíclica podem ser difíceis de estimar ou remover.
 A seleção de modelos pode ser bastante complicada, e as ferramentas podem
ser de difícil interpretação.
 É mais difícil de lidar com observações perdidas e dados discrepantes devido à
natureza seqüencial.

8
Series Temporais

 As séries temporais podem ser contínuas ou discretas;


 Em muitos casos as series temporais discretas são obtidas das séries temporais
contínuas;
 Os valores são obtidos em intervalos de tempo iguais, ∆t

T
N=
∆t

 Onde T é o período em estudo e N o número de pontos (observações)

9
Series Temporais – Enfoques básicos

 Domínio Temporal – modelos paramétricos (número finito de

parâmetros)

 Modelos ARIMA

 Domínio de Freqüências – modelos não paramétricos

 Análise Espectral (decomposição da série em componentes de

freqüências)

10
Objetivos do estudo

Series Temporais

 Em algumas situações o objetivo pode ser fazer previsões de valores futuros enquanto
em outras a estrutura da série ou sua relação com outras séries pode ser o interesse
principal. De um modo geral, os principais objetivos são:

 Descrição – Descrever propriedades da série, e.g., o padrão de tendência, existência


de variação sazonal ou cíclica, observações discrepantes (outliers), alterações estruturais
(e.g. mudanças no padrão da tendência ou da sazonalidade), etc.

 Explicação – Usar a variação em uma série para explicar a variação em outra série.

 Predição – predizer valores futuros com base em valores passados. Aqui assume-se
que o futuro envolve incerteza, ou seja as previsões não são perfeitas. Porém devemos
tentar reduzir os erros de previsão.

 Controle – Os valores da série temporal como medida da “qualidade” de um processo


de manufatura e o objetivo é o controle do processo.

11
Componentes da Série

Séries Temporais

Média

Tendência
Linear

Sazonal

Cíclica

Aleatória

12
Séries temporais

Série com valor médio sem tendências

1750

1700
Precipitacao [mm]

1650

1600

1550

1500

1450
0 20 40 60 80 100
Tempo [anos]

13
Séries temporais

Série com média móvel

1680

1660
Media Movel [mm]

1640

1620

1600

1580

1560

1540
0 20 40 60 80 100
Tempo [anos]

14
Séries temporais

Série com tendência de crescimento

1900
1850
1800
1750
P [mm]

1700
1650
1600
1550
1500
0 20 40 60 80 100
Tempo [anos]

15
Correlação entre variáveis independentes

Regressão Linear

 O objetivo é medir a correlação entre as variáveis independentes:

∑(x i − x )( y i − y )
rxy = i =1

n n
2
1/ 2

∑ ( x i − x ) .∑ ( y i − y ) 
2

 i =1 i =1 

16
Coeficiente de autocorrelação amostral

Séries Temporais – Autocorrelação

 O objetivo é medir a correlação entre as observações defasada no tempo de uma


mesma variável:

n −1

∑(x t − x1 )( xt +1 − x 2 )
r1 = t =1

 n −1 n −1
2
1/ 2

∑ ( xt − x1 ) .∑ ( xt +1 − x 2 ) 
2

 t =1 t =1 

17
Aplicação nas avaliações de empreendimentos

• Avaliação Complexo Hoteleiro

- Avaliação de Empreendimentos – NBR 14.653


- Estimativa do Fluxo de Caixa
- Construção de Cenários e Identificação do Valor

18
Avaliação de Empreendimento Hoteleiro

Taxa Ocupação - Série Histórica

100%
90%
80%
70%
60%
50%
40%
30%
20%
0 10 20 30 40 50

Tx. Ocupação Prevista Média Mínimo Máximo DP CV %


Hotel 68% 68% 36% 95% 15% 21% 1,24

19
Serie temporal

Resíduos da Regressão

Residuos Estim ativa

-1

-2

62 64 66 68 70 72 74

Durbin Watson – Autoregressão positiva

20
‘Serie temporal

Resíduos da RNA

Resíduos x Valores Ajustados

-1

-2

45 50 55 60 65 70 75 80 85

21
Aderência – Regressão Linear

95
90
85
80
Valor Estimado

75
70
65
60
55
50
45
40
35
40 45 50 55 60 65 70 75 80 85 90 95
Observado

22
Aderência – RNA

95
90
85
80
Valor Estimado

75
70
65
60
55
50
45
40
35
40 45 50 55 60 65 70 75 80 85 90 95
Observado

23
Séries Temporais

Projeção Taxa de Ocupação

Seq Tx Ocup Mês Data Estimada


1 82% 1 jan/04 0,64 y = 1,4074Ln(x) - 14,198
2 74% 2 fev/04 0,64 R2 = 0,0223
3 73% 3 mar/04 0,65 100%
90%
... ... ... ... ...
80%
47 66% 11 nov/07 0,69
48 70% 12 dez/07 0,70 70%
49 84% 1 jan/08 0,70 60%
50 76% 2 fev/08 0,70
50%
51 70% 3 mar/08 0,70
52 62% 4 abr/08 0,70
40%
53 56% 5 mai/08 0,70 30%
54 49% 6 jun/08 0,70 Projeção dez/03 abr/05 ago/06 jan/08
55 79% 7 jul/08 0,70
RNA
56 67% 8 ago/08 0,70
57 66% 9 set/08 0,70 Mês Mês 1 Mês 2 Mês 3 Mês 4 Mês 5 Mês 6
Data projeção jan/07 fev/07 mar/07 abr/07 mai/07 jun/07
58 68% 10 out/08 0,71 Tx prevista 68,31% 68,42% 68,52% 68,63% 68,74% 68,85%
59 66% 11 nov/08 0,71 % Crescimento 0,16% 0,15% 0,16% 0,16% 0,16% 0,16%

60 70% 12 dez/08 0,71

24
Projeção Taxa de Ocupação

Previsão
Regressão
Mês de projeção Linear Previsão RNA
1 jan/08 94% 84%
2 fev/08 73% 76%
3 mar/08 69% 70%
4 abr/08 69% 62%
5 mai/08 68% 56%
6 jun/08 68% 49%
7 jul/08 68% 79%
8 ago/08 68% 67%
9 set/08 68% 66%
10 out/08 68% 68%
11 nov/08 68% 66%
12 dez/08 68% 70%
Média 71% 68%

25
Séries Temporais

1º. Conclusão

Séries temporais têm características próprias, não podem ser analisadas

como amostras aleatórias simples ou estratificadas em níveis das

variáveis explanatórias, sob risco de inferências equivocadas.

26
1º. Conclusão

Soluções para a modelagem:

 Redes Neurais Artificiais

 Média Móvel

 Modelos AR

 Modelos ARMA

 Modelos ARIMA

27
Mercado Imobiliário

O Agrupamento de Cortes Transversais ao Longo do Tempo

 Análise de Regressão:
 Dados puros de corte transversal
 Séries Temporais

 Conjunto de dados com as duas dimensões


Corte transversal e séries temporais

28
Mercado Imobiliário

O Agrupamento de Cortes Transversais ao Longo do Tempo

3.500

3.000

2.500
Unitário

2.000

1.500

1.000

500
2 4 6 8 10 12 14 16
Data_Evento

29
Series Temporais × Dados Corte Transversal

 Séries temporais têm uma ordenação temporal;

 Passado pode afetar o futuro;

 Há aleatoriedade em dados temporais?

 Processo estocástico ou processo de série temporal;

 Não há amostras aleatórias de indivíduos, apenas a realização de um único

processo estocástico.

 O tamanho da amostra de um conjunto de dados de séries temporais é o número

de períodos em que observamos as variáveis de interesse.

30
Agrupamento independente de Dados de Corte

 Este é obtido fazendo-se uma amostragem aleatória de dados de uma


população grande, em diferentes períodos de tempo (geralmente, mas não
necessariamente, em meses diferentes).

 Macromodelos

 Em cada mês podemos extrair uma amostra aleatória de preços de imóveis,


possuindo uma característica importante:
Observações amostrais coletadas independentemente
(pressuposto: inexistência de correlação entre as diferentes observações)

 Autocorrelação temporal

Agrupamento de dados ≠ Dados de Painel

31
Agrupamento independente de Dados de Corte

Motivação:

 Aumentar o tamanho da amostra (banco de dados)

Cuidado especial:

 A população pode ter distribuições diferentes em períodos de tempo

diferentes

Alteração do intercepto inclusão de variáveis dummy (dicotômicas)

32
Durbin Watson – Agrupamento de Dados

∑ (e t − et −1 ) 2

d= t =2
n

∑e
2
t
t =1

Análise de resíduos: Teste de Durbin Watson verifica a hipótese de

independência entre as observações versus a presença de correlação serial.

O teste de Durbin Watson não se aplica a agrupamento de dados

33
Durbin Watson – Variáveis Discretas

Dados x Y

1 0 3

2 1 2

3 1 1

4 2 1

5 1 3

34
1º. Modelo

Welcome to Minitab, press F1 for help.

Regression Analysis: C2 versus C1


The regression equation is
C2 = 3,00 - 1,00 C1
Predictor Coef SE Coef T P
Constant 3,0000 0,6831 4,39 0,022
C1 -1,0000 0,5774 -1,73 0,182
S = 0,816497 R-Sq = 50,0% R-Sq(adj) = 33,3%
Analysis of Variance
Source DF SS MS F P
Regression 1 2,0000 2,0000 3,00 0,182
Residual Error 3 2,0000 0,6667
Total 4 4,0000

35
1º. Modelo

Durbin-Watson statistic = 1
Região não conclusiva
Dados x Y

1 1 1

2 2 1

3 1 2

4 0 3

5 1 3

36
2º. Modelo

Durbin-Watson statistic = 1,5


Não autoregressão
Dado x Y
s
1 0 3

2 1 2

3 1 1

4 2 1

5 1 3

37
3º. Modelo

Durbin-Watson statistic = 2
Não autoregressão
Dados x Y

1 2 1

2 1 1

3 1 2

4 1 3

5 0 3

38
4º. Modelo

Durbin-Watson statistic = 3
Região não conclusiva
Dados x Y

1 0 3

2 1 2

3 1 1

4 1 3

5 2 1

39
5º. Modelo

Durbin-Watson statistic = 2
Não autoregressão
Dados x Y

1 0 3

2 1 1

3 1 2

4 1 3

5 2 1

40
Conclusão

Agrupamento de Dados Independentes:

 Todos os pressupostos básicos da regressão linear


devem ser atendidos

 O teste de Durbin Watson não se aplica

 Alteração na estrutura, conduta e desempenho


devem ser investigada com a utilização de variáveis
dummy (intercepto), testando a interação entre as
variáveis independentes (inclinação)

41