27/03/2020

Engenharia de Avaliações:
Método comparativo direto
de dados de mercado
- tratamento científico dos dados-
Prof. Dr. Lutemberg Florencio

UNIDADES I e II

1. Introdução à Engenharia de Avaliações

2. Conceitos básicos |Métodos de avaliação
3. Método da quantificação de custo
4. Método da capitalização da renda
5. Método involutivo
6. Método evolutivo
7. Método comparativo direto de dados de mercado
8. Elaboração de laudos de avaliação

1
 27/03/2020

Escopo
1. MCDDM
1.1 Tratamento científico dos dados
1.1.1 Análise de regressão
1.1.2 Modelo de regressão linear simples
1.1.3 Validação do modelo
1.3.1 Verificação dos pressup. básicos do mod. de regr.
1.3.2 Verificação de pontos atípicos
1.3.3 Análises de: gráficos, medidas de diag., testes e
intervalos estatísticos voltados para a qualidade do
ajustamento
1.3.4 Verificação da adequação teórica e lógica do
modelo

Método comparativo direto de dados de mercado

Aplicação
Estime o valor de mercado de um terreno com área de 1.000 m²
que está a 1,5 km do centro urbano. Os seguintes dados de
mercado (oferta) foram coletados.
PREÇO TOTAL PREÇO UNIT.
DADO ÁREA DISTÂNCIA (Km)
(R$) (R$/m²)
1 1000 0 300.000,00 300,00
2 1000 1 200.000,00 200,00
3 1000 1 150.000,00 150,00
4 1000 2 100.000,00 100,00
5 1000 3 50.000,00 50,00
6 1000 4 20.000,00 20,00

 = 259,07 − 66,77. X


 = 259,07 − 66,77.1,5


 = 158,91 $⁄

  = 158,92 x 1000 = 158.920,00



2
 27/03/2020

Método comparativo direto de dados de mercado

Tratamento dos dados – tratamento científico

A heterogeneidade dos dados é tratada a partir do uso de metodologia

científica (suportada por técnicas apropriadas da Estatística), que leve à
indução de modelo validado para o comportamento do mercado.
 = 259,07 − 66,77. X



Verificação dos pressupostos

básicos do modelo

Técnicas apropriadas da
Verificação de pontos atípicos

Estatística
Validação do Análises de: medidas de
modelo diagnóstico, gráficos, testes e
intervalos estatísticos voltados
para a qualidade do ajustamento
Verificação da adequação teórica
e lógica do modelo

Método comparativo direto de dados de mercado

Validação do modelo – Análises de: gráficos, medidas de diagnóstico,
testes e intervalos estatísticos voltados para a qualidade do
ajustamento

Medidas de Intervalo de
diagnóstico confiança

Testes de
hipóteses

3
 27/03/2020

Método comparativo direto de dados de mercado

Validação do modelo – Análises de: gráficos, medidas de diagnóstico,
testes e intervalos estatísticos voltados para a qualidade do
ajustamento

 Medidas de diagnóstico

1. Coeficiente de determinação (R)

O coeficiente de determinação (R) indica a proporção de variação do

preço em torno da média aritmética que é explicada, conjuntamente,
pelas variáveis independentes. Diz-se que a qualidade do ajustamento
é melhor quanto mais próximo de 1 se situar R.

∑ (Yˆ − Y )
2
SQR i
R = =
∑ (Y − Y )
2
SQT
i i

SQR = Soma dos quadrados explicados pela regressão

SQT = Soma dos quadrados total

Método comparativo direto de dados de mercado

Validação do modelo – Análises de: gráficos, medidas de diagnóstico,
testes e intervalos estatísticos voltados para a qualidade do
ajustamento
 Medidas de diagnóstico
1. Coeficiente de determinação (R)

(Yi − Y ) = (Yˆi − Y ) + (Yi − Yˆi )

∑ (Y ∑ (Yˆ ∑ (Y ∑ (Yˆ − Y )
2
i − Y )2 = i − Y )2 + i − Yˆi ) 2 SQR i
R = =
∑ (Y − Y )
2
SQT
(SQT) (SQR) (SQE) i i

4
 27/03/2020

Método comparativo direto de dados de mercado

Validação do modelo – Análises de: gráficos, medidas de diagnóstico,
testes e intervalos estatísticos voltados para a qualidade do
ajustamento

 Medidas de diagnóstico

1. Coeficiente de determinação (R)

SQR 48.296
R= = = 0,91
SQT 53.333

Tem-se que cerca de 91% das variações (variabilidade) observadas

nos preços são explicadas pelo modelo.

Método comparativo direto de dados de mercado

Validação do modelo – Análises de: gráficos, medidas de diagnóstico,
testes e intervalos estatísticos voltados para a qualidade do
ajustamento

 Medidas de diagnóstico
2. Desvio padrão do modelo
Entre dois modelos satisfatórios, deve-se escolher aquele de menor
variância , uma vez que fornecerá estimativas mais precisas.
n

∑ (Y − Yˆ )
2
i i
i =1
Se = k – número de variáveis independentes
n − k −1

Para o caso de uma reta:

∑ (Y − Yˆ )
2 5036,92
i i Se = = 35,49
Se = 6−2
n−2

5
 27/03/2020

Método comparativo direto de dados de mercado

Validação do modelo – Análises de: gráficos, medidas de diagnóstico,
testes e intervalos estatísticos voltados para a qualidade do
ajustamento

Medidas de Intervalo de
diagnóstico confiança

Testes de
hipóteses

Método comparativo direto de dados de mercado

Validação do modelo – Análises de: gráficos, medidas de diagnóstico,
testes e intervalos estatísticos voltados para a qualidade do
ajustamento

 Testes de hipóteses
 Testes de hipóteses consistem em testar uma afirmação sobre
características da população, a partir de estatísticas amostrais.
 O ponto central é verificar se a diferença entre o valor alegado
de um parâmetro populacional e o valor de uma estatística amostral
pode ser razoavelmente atribuído a variabilidade amostral ou se a
discrepância é demasiadamente grande para ser encarada assim.

6
 27/03/2020

Método comparativo direto de dados de mercado

Validação do modelo – Análises de: gráficos, medidas de diagnóstico,
testes e intervalos estatísticos voltados para a qualidade do
ajustamento

 Testes de hipóteses

 A estrutura dos testes de hipóteses consiste na definição e

avaliação da hipótese nula versus a hipótese alternativa:

•  - Hipótese nula:
Aceita como verdadeira até haver prova estatística em contrário.

•  - Hipótese alternativa:
Hipótese que será aceita se os dados mostrarem evidências
suficientes para a rejeição da hipótese nula. Geralmente, é a própria
hipótese da pesquisa. Deve ser especificada em termos de
parâmetros populacionais, usando =, > ou <.

Método comparativo direto de dados de mercado

Validação do modelo – Análises de: gráficos, medidas de diagnóstico,
testes e intervalos estatísticos voltados para a qualidade do
ajustamento

 Passos para se realizar um teste de hipóteses:

1. Definição das hipóteses ( e  )

2. Especificação do nível de significância ( )
3. Identificar a distribuição amostral adequada para o teste
4. Calcular a estatística do teste
5. Tomar a decisão (regra de decisão)

14

7
 27/03/2020

Método comparativo direto de dados de mercado

Validação do modelo – Análises de: gráficos, medidas de diagnóstico,
testes e intervalos estatísticos voltados para a qualidade do
ajustamento

Significância individual dos

parâmetros
TESTES DE
HIPÓTESES
Significância do modelo

Método comparativo direto de dados de mercado

Validação do modelo – Análises de: gráficos, medidas de diagnóstico,
testes e intervalos estatísticos voltados para a qualidade do
ajustamento

 Teste de hipótese – significância individual do parâmetro

Passo 1: Definição das hipóteses
Ho : A variável ! (distância) não é importante na formação do preço
H1 : A variável ! (distância) é importante na formação do preço

Yi Yi
H0 H1

X ki X ki

H 0 : β1 = 0, contra
Estatisticamente, tem-se: 
H 1 : β1 ≠ 0

8
 27/03/2020

Método comparativo direto de dados de mercado

Validação do modelo – Análises de: gráficos, medidas de diagnóstico,
testes e intervalos estatísticos voltados para a qualidade do
ajustamento

 Teste de hipótese – significância individual do parâmetro

Passo 2: Especificação do nível de significância

Em um teste de hipóteses, pelo fato da decisão ser baseada em uma

amostra ao invés de ser baseada na população inteira, há sempre a
possibilidade de tomar uma decisão equivocada:

1. Rejeitar Ho em favor de H1 quando, na verdade, Ho é verdadeira. Este

erro é denominado de erro tipo I, também conhecido por nível de
α);
significância (α

OBS.: Para o exemplo, vamos estabelecer = 5%

Método comparativo direto de dados de mercado

Validação do modelo – Análises de: gráficos, medidas de diagnóstico,
testes e intervalos estatísticos voltados para a qualidade do
ajustamento

 Teste de hipótese – significância individual do parâmetro

Passo 3: Identificar a estatística de teste e a respectiva distribuição
amostral
Demonstra-se que t*, sob a hipótese  , tem
βˆ j − β j
t *j = distribuição t de Student com n-k-1 graus de liberdade,
( )
s βˆ j onde n é o número de dados e k é o número de
variáveis independentes. Isto é, para o modelo de
regressão linear simples: n-2 graus de liberdade.
Estatística de
teste

2 2

9
 27/03/2020

Método comparativo direto de dados de mercado

Validação do modelo – Análises de: gráficos, medidas de diagnóstico,
testes e intervalos estatísticos voltados para a qualidade do
ajustamento

 Teste de hipótese – significância individual do parâmetro

Passo 4: Calcular a estatística do teste

Calcula-se:

βˆ j − β j βˆ j
t *j = t calc =
( )
s βˆ j ( )
s βˆ j

1. #(%&' ) - desvio padrão correspondente ao parâmetro estimado %&' .

2
 
1 ∑  Y i − Yˆi 
S ( βˆ j ) = S e , onde Se =
∑ (x i − x)2
n − k −1

Método comparativo direto de dados de mercado

Validação do modelo – Análises de: gráficos, medidas de diagnóstico,
testes e intervalos estatísticos voltados para a qualidade do
ajustamento

 Teste de hipótese – significância individual do parâmetro

Passo 4: Calcular a estatística do teste

βˆ j − 66 , 77
t calc = =
( )
s βˆ j s ( βˆ ) 1

1 1
s ( βˆ1 ) = S e → 35 , 49 × = 10 ,78
∑ ( x − x) i
2 10 ,83

− 66,77
t calc = = 6,19
10,78

10
 27/03/2020

Método comparativo direto de dados de mercado

Validação do modelo – Análises de: gráficos, medidas de diagnóstico,
testes e intervalos estatísticos voltados para a qualidade do
ajustamento

 Teste de hipótese – significância individual do parâmetro

Passo 5: Tomar a decisão (regra de decisão)

* Regra de decisão
Se |*+,-+ | . */,0 , rejeita-se  .

Método comparativo direto de dados de mercado

Validação do modelo – Análises de: gráficos, medidas de diagnóstico,
testes e intervalos estatísticos voltados para a qualidade do
ajustamento

 Teste de hipótese – significância individual do parâmetro

Passo 5: Tomar a decisão (regra de decisão)

Para encontrar o */,0 , define-se o nível de significância α (no

exemplo, estabelecido em 5%) e com o número de graus de
liberdade (n–k–1), encontra-se na tabela da Distribuição t de
Student:

t tab = t (α; n-k-1)

t (0,05; 4) =

11
 27/03/2020

Método comparativo direto de dados de mercado

Validação do modelo – Análises de: gráficos, medidas de diagnóstico,
testes e intervalos estatísticos voltados para a qualidade do
ajustamento

Método comparativo direto de dados de mercado

Validação do modelo – Análises de: gráficos, medidas de
diagnóstico, testes e intervalos estatísticos voltados para a
qualidade do ajustamento

 Teste de hipótese – significância individual do parâmetro

Passo 5: Tomar a decisão (regra de decisão)

Para encontrar o */,0 , define-se o nível de significância α (no

exemplo, estabelecido em 5%) e com o número de graus de
liberdade (n–k–1), encontra-se na tabela da Distribuição t de
Student:

t tab = t (α; n-k-1) = t (0,05; 4) = 2,776

12
 27/03/2020

Método comparativo direto de dados de mercado

Validação do modelo – Análises de: gráficos, medidas de
diagnóstico, testes e intervalos estatísticos voltados para a
qualidade do ajustamento

 Teste de hipótese – significância individual do parâmetro

Passo 5: Tomar a decisão (regra de decisão)
* Regra de decisão βˆ j − 66 , 77
t calc = = = 6 ,19
Se |*+,-+ | . */,0 , rejeita-se  . ( )
s βˆ j
10 , 78

t tab = t (0,05; 6-1-1) = t (0,05; 4) = 2,776

Como tc > t 234 , concluí-se que o

parâmetro populacional
considerado é significante ao
nível de 5%. Rejeita-se  , ou
seja, há indícios de que a
distância ao centro urbano influi
Pergunta: Seria o parâmetro na formação dos preços ao nível
populacional significante ao nível de 1%? de confiança de 95%.

Método comparativo direto de dados de mercado

Validação do modelo – Análises de: gráficos, medidas de
diagnóstico, testes e intervalos estatísticos voltados para a
qualidade do ajustamento

Significância individual dos

parâmetros
TESTES DE
HIPÓTESES
Significância do modelo

13
 27/03/2020

Método comparativo direto de dados de mercado

Validação do modelo – Análises de: gráficos, medidas de diagnóstico,
testes e intervalos estatísticos voltados para a qualidade do
ajustamento

 Passos para se realizar um teste de hipóteses:

1. Definição das hipóteses ( e  )

2. Especificação do nível de significância ( )
3. Identificar a distribuição amostral adequada para o teste
4. Calcular a estatística do teste
5. Tomar a decisão (regra de decisão)

27

Método comparativo direto de dados de mercado

Validação do modelo – Análises de: gráficos, medidas de diagnóstico,
testes e intervalos estatísticos voltados para a qualidade do
ajustamento

 Teste de hipótese – significância do modelo

Passo 1: Definição das hipóteses
> Caso geral

Ho : Nenhuma das variáveis independentes selecionadas para construção do

modelo é importante para explicar a variabilidade dos preços
H1 : Pelo menos uma das variáveis independentes escolhidas contribui
significativamente para explicar a variabilidade dos preços

Estatisticamente, tem-se:

 H 0 : β 1 = β 2 = ... = β k = 0



 H 1 : Pelo menos um β j ( j = 1,..., k )
 é diferente de zero


14
 27/03/2020

Método comparativo direto de dados de mercado

Validação do modelo – Análises de: gráficos, medidas de diagnóstico,
testes e intervalos estatísticos voltados para a qualidade do
ajustamento

 Teste de hipótese – significância do modelo

> Caso da regressão linear simples
 H 0 : β 1 = 0 , contra

H 1 : β1 ≠ 0
Ho : O mercado deve ser explicado por uma reta horizontal (média dos
preços)
H1 : O mercado deve ser explicado por um reta inclinada, função da
covariável ! (distância)

Yi Yi
H0 H1

X ki X ki

Método comparativo direto de dados de mercado

Validação do modelo – Análises de: gráficos, medidas de
diagnóstico, testes e intervalos estatísticos voltados para a
qualidade do ajustamento

 Teste de hipótese – significância do modelo

Passo 2: Especificação do nível de significância

Em um teste de hipóteses, pelo fato da decisão ser baseada em uma

amostra ao invés de ser baseada na população inteira, há sempre a
possibilidade de tomarmos uma decisão equivocada:

1. Rejeitar Ho em favor de H1 quando, na verdade, Ho é verdadeira. Este

erro é denominado de erro tipo I, também conhecido por nível de
α);
significância (α

OBS.: Para o exemplo, vamos estabelecer 5 = %

15
 27/03/2020

Método comparativo direto de dados de mercado

Validação do modelo – Análises de: gráficos, medidas de
diagnóstico, testes e intervalos estatísticos voltados para a
qualidade do ajustamento

 Teste de hipótese – significância do modelo

Passo 3: Identificar a estatística de teste e a respectiva distribuição
amostral
Demonstra-se que 6 ∗ , sob a hipótese 8 , tem
* Vexp distribuição de Snedecor com k graus de liberdade no
F =
Vnexp numerador e (n-k-1) no denominador. Isto é, para o
modelo de regressão linear simples: 1 grau de
liberdade no numerado e n-2 no denominador.
Estatística de
teste

Método comparativo direto de dados de mercado

Validação do modelo – Análises de: gráficos, medidas de
diagnóstico, testes e intervalos estatísticos voltados para a
qualidade do ajustamento

 Teste de hipótese – significância do modelo

Passo 4: Calcular a estatística do teste

Calcula-se:
∑(Yˆ −Y ) × n − k −1
2
* Vexp i
F = Fcalc =
∑(Y −Yˆ ) K
Vnexp 2
i i
 Tabela de ANOVA
Variação Soma dos Graus de Variância
Quadrados Liberdade
( )
2
Explicada (
$ −Y
SQR = ∑ Y i ) k 2
V exp = ∑ Yˆi − Y /k
(Modelo)

Não
Explicada (
SQE = ∑ Y i − Yˆi ) 2 n-k-1 (
Vn exp = ∑ Yi − Yˆ ) 2
/(n-k-1)
(Erro)
Total SQT = ∑(Yi −Y )2 n-1 Vtot = ∑(Yi − Y ) 2 /(n-1)

16
 27/03/2020

Método comparativo direto de dados de mercado

Validação do modelo – Análises de: gráficos, medidas de
diagnóstico, testes e intervalos estatísticos voltados para a
qualidade do ajustamento
 Tabela de ANOVA
Variação Soma dos Graus de Variância
Quadrados Liberdade
( )
2
Explicada $ −Y
SQR = ∑ Y i ( ) k 2
V exp = ∑ Yˆi − Y /k
(Modelo)

Não
Explicada (
SQE = ∑ Y i − Yˆi ) 2 n-k-1 (
Vn exp = ∑ Yi − Yˆ ) 2
/(n-k-1)
(Erro)
Total SQT = ∑(Yi −Y )2 n-1 Vtot = ∑(Yi − Y ) 2 /(n-1)
Variação Soma dos Graus de Variância Fc
Quadrados Liberdade
Explicada 48296,41 1 48296,41 38,35
(Modelo)

Não 5036,92 4 1259,23

Explicada
(Erro)
Total 53333,33 5

Método comparativo direto de dados de mercado

Validação do modelo – Análises de: gráficos, medidas de
diagnóstico, testes e intervalos estatísticos voltados para a
qualidade do ajustamento

 Teste de hipótese – significância do modelo

Passo 4: Calcular a estatística do teste

∑(Yˆ −Y ) × n − k −1
2
Vexp i
*
F = Fcalc = = 38,35
∑(Y −Yˆ ) K
Vnexp 2
i i

17
 27/03/2020

Método comparativo direto de dados de mercado

Validação do modelo – Análises de: gráficos, medidas de diagnóstico,
testes e intervalos estatísticos voltados para a qualidade do
ajustamento

 Teste de hipótese – significância do modelo

Passo 5: Tomar a decisão (regra de decisão)

* Regra de decisão
Se 6+,-+ . 6/,0 , rejeita-se  .

Método comparativo direto de dados de mercado

Validação do modelo – Análises de: gráficos, medidas de
diagnóstico, testes e intervalos estatísticos voltados para a
qualidade do ajustamento

 Teste de hipótese – significância do modelo

Passo 5: Tomar a decisão (regra de decisão)

Para encontrar o 6/,0 , define-se o nível de significância α (no

exemplo, estabelecido em 1%) e com com k graus de liberdade no
numerador e (n-k-1) no denominador, encontra-se na tabela da
Distribuição F de Snedecor:

F tab = F (α;
9 ; 9 )

F (0,01;1; 4) =

18
 27/03/2020

Método comparativo direto de dados de mercado

Validação do modelo – Análises de: gráficos, medidas de
diagnóstico, testes e intervalos estatísticos voltados para a
qualidade do ajustamento

Método comparativo direto de dados de mercado

Validação do modelo – Análises de: gráficos, medidas de
diagnóstico, testes e intervalos estatísticos voltados para a
qualidade do ajustamento

 Teste de hipótese – significância do modelo

Passo 5: Tomar a decisão (regra de decisão)

Para encontrar o 6/,0 , define-se o nível de significância α (no

exemplo, estabelecido em 1%) e com com k graus de liberdade no
numerador e (n-k-1) no denominador, encontra-se na tabela da
Distribuição F de Snedecor:

F tab = F (α; = F (0,01;1; 4) = 21,2

9 ; 9 )

19
 27/03/2020

Método comparativo direto de dados de mercado

Validação do modelo – Análises de: gráficos, medidas de
diagnóstico, testes e intervalos estatísticos voltados para a
qualidade do ajustamento
 Teste de hipótese – significância do modelo
* Regra de decisão ∑ (Yˆ − Y )
2
Vexp i n − k −1
Fc = → Fc = ×
Se 6+,-+ . 6/,0 , rejeita-se  . ∑ (Y − Yˆ )
2
Vnexp K
i i

Fc = 38,35

F tab = F (α ; 1 ; 4) = 21,2

Como Fc > Ftab, o modelo é

significante ao nível de 1%.
Rejeita-se  , ou seja, há indícios
de que é preferível trabalhar com
o modelo de regressão proposto
a utilizar a média dos preços.

Método comparativo direto de dados de mercado

Validação do modelo – Análises de: gráficos, medidas de diagnóstico,
testes e intervalos estatísticos voltados para a qualidade do
ajustamento

Medidas de Intervalo de
diagnóstico confiança

Testes de
hipóteses

20
 27/03/2020

Método comparativo direto de dados de mercado

Validação do modelo – Análises de: gráficos, medidas de
diagnóstico, testes e intervalos estatísticos voltados para a
qualidade do ajustamento

 Intervalo de confiança
Tipo de estimativa intervalar em que se estabelece um intervalo em torno de
um estimador pontual. Um intervalo de confiança define dois limites, LI e LS.

Método comparativo direto de dados de mercado

Validação do modelo – Análises de: gráficos, medidas de
diagnóstico, testes e intervalos estatísticos voltados para a
qualidade do ajustamento

 Intervalo de confiança

 No Intervalo de confiança, a
probabilidade de estabelecer um
intervalo de valores que contenha
o verdadeiro parâmetro
populacional é de 1− . Essa
probabilidade é chamada de nível
de confiança, denotada por 1-α α,
sendo α o nível de significância
(probabilidade de erro).

21
 27/03/2020

Método comparativo direto de dados de mercado

Validação do modelo – Análises de: gráficos, medidas de
diagnóstico, testes e intervalos estatísticos voltados para a
qualidade do ajustamento

 Intervalo de confiança

 O intervalo de confiança a um nível de (1-α), em torno de um

ponto (! , : ) sobre a reta de regressão, é calculado por:

. = = :> ± * @; BCDC . #(:; )

Onde #(:; ) é o desvio padrão calculado em torno do ponto (! , : ).

Para um modelo de regressão linear simples, tem-se a seguinte
expressão:
1 (xo − x)2
I.C = :; ± t (α; n - 2 ) . #< . + ,
n ∑
(xi − x)2
n

∑ (Y )
2
i − Yˆi
onde i =1
Se =
n−2

Método comparativo direto de dados de mercado

Validação do modelo – Análises de: gráficos, medidas de
diagnóstico, testes e intervalos estatísticos voltados para a
qualidade do ajustamento

 Intervalo de confiança

Para o caso prático do exemplo, tem-se:

1 (xo − x)2 1 (1,5 −1,83)2

I.C(µ;80%) = :; ± t (α; n - 2 ) . #< . + , + = 0,42
n ∑
(xi − x)2 6 10,83
n

∑ (Y ) 2
i − Yˆi
i =1 35 , 49
Se =
n−2
. =(µ;80%) = 158,92 ± * ,; E . 35,49.0,42

. =(µ;80%) = 158,92 ± * ,; E . 14,93

22
 27/03/2020

Método comparativo direto de dados de mercado

Validação do modelo – Análises de: gráficos, medidas de diagnóstico,
testes e intervalos estatísticos voltados para a qualidade do
ajustamento

Método comparativo direto de dados de mercado

Validação do modelo – Análises de: gráficos, medidas de
diagnóstico, testes e intervalos estatísticos voltados para a
qualidade do ajustamento
 Intervalo de confiança
. =(µ;80%) = :> ± * @; BCDC . #(:; )
. =$µ;80%(  158,92 ? * ,; E . 14,93
. =$µ;80%(  158,92 ? 1,533.14,93

. =$µ;80%(  158,92 ? 22,88

• Limite superior = R$ 181,80/m²

• Limite inferior = R$ 136,04/m²

PERGUNTA: Pode-se afirmar que a estimativa pontual obtida é

precisa dado o intervalo de confiança calculado? Em outras palavras,
o modelo permitiu uma estimativa confiável?

23
 27/03/2020

Método comparativo direto de dados de mercado

Especificação da avaliação
A precisão será estabelecida quando for
 Grau de precisão possível medir o grau de certeza e o nível de
erro tolerável numa avaliação.
Tabela 5 – Grau de precisão nos casos de utilização de modelos
de regressão linear ou do tratamento por fatores

. =$µ;80%(  158,92 ? 22,88

• Limite superior = R$ 181,80/m²

• Limite inferior = R$ 136,04/m²
STUL*PJ PO =
HIJKLMãO PQ JM*LQ*LRQ 
:;
181,80  136,04
HIJKLMãO PQ JM*LQ*LRQ   28,80%
158,92

Método comparativo direto de dados de mercado

Tratamento dos dados – tratamento científico
A heterogeneidade dos dados é tratada a partir do uso de metodologia
científica (suportada por técnicas apropriadas da Estatística), que leve à
indução de modelo validado para o comportamento do mercado.
 = 259,07 − 66,77. X



Verificação dos pressupostos

básicos do modelo
normativas da NBR 14653
Técnicas apropriadas da
Estatística e diretrizes

Verificação de pontos atípicos

Validação do Análises de: gráficos, medidas de
modelo diagnóstico, testes e intervalos
estatísticos voltados para a
qualidade do ajustamento
Verificação da adequação teórica
e lógica do modelo

24
 27/03/2020

Método comparativo direto de dados de mercado

Validação do modelo – verificação dos pressupostos do modelo

 Hipóteses básicas do modelo de regressão linear

1. Os erros são variáveis aleatórias com distribuição normal.

Erros
aleatórios
Y i = βˆ 0 + βˆ 1 X i + eˆ i ou
Yi resíduos
Yo do modelo
eˆ 0 = Y 0 − Yˆ0
Yˆi = βˆ 0 + βˆ1 X i

Yˆ0

Xo Xi

Método comparativo direto de dados de mercado

Validação do modelo – verificação dos pressupostos do modelo
 Normalidade
 Distribuição normal
Uma variável aleatória contínua X tem distribuição normal com média
µ e variância V  , se sua função de densidade é dada por:

( x − µ )2
1 −
2σ 2
f ( x) = e , x∈R
σ 2π

Notação : X ~ N ( µ , σ 2 ).

25
 27/03/2020

Método comparativo direto de dados de mercado

Validação do modelo – verificação dos pressupostos do modelo

 Normalidade
 Distribuição normal

P (µ − σ ≤ X ≤ µ + σ ) ≅ 0 , 68
P ( µ − 1 , 64 σ ≤ X ≤ µ + 1 , 64 σ ) ≅ 0 , 90
P ( µ − 1 , 96 σ ≤ X ≤ µ + 1 , 96 σ ) ≅ 0 , 95

Método comparativo direto de dados de mercado

Validação do modelo – verificação dos pressupostos do modelo

 Normalidade

 Verificação

> A partir da comparação da frequência relativa dos resíduos

amostrais padronizados nos intervalos [-1; +1], [-1,64; +1,64], [-1,96;
+1,96], com as probabilidades da distribuição normal padrão nos
mesmos intervalos, ou seja, 68%, 90% e 95%.

26
 27/03/2020

Método comparativo direto de dados de mercado

Validação do modelo – verificação dos pressupostos do modelo

 Hipóteses básicas do modelo de regressão linear

1. Os erros são variáveis aleatórias com distribuição normal;

2. Os erros são variáveis aleatórias com valor esperado nulo e
variância constante (homocedasticidade), isto é, W JX = 0 e
Var JX = V  , respectivamente.

Método comparativo direto de dados de mercado

Validação do modelo – verificação dos pressupostos do modelo

 Homoscedasticidade
 Verificação
> A partir da análise gráfica dos resíduos padronizados versus valores
ajustados pelo modelo de regressão. Os pontos devem estar
distribuídos aleatoriamente em torno de uma reta horizontal que
passa na origem, sem nenhum padrão definido.

ei ei
O O
<

<

Yi Yi
Modelo homoscedástico Modelo heteroscedástico
( variância constante ) ( variância não constante )

27
 27/03/2020

Método comparativo direto de dados de mercado

Validação do modelo – verificação dos pressupostos do modelo

 Hipóteses básicas do modelo de regressão linear

1. Os erros são variáveis aleatórias com distribuição normal;

2. Os erros são variáveis aleatórias com valor esperado nulo e variância
constante, isto é, E (ε i) = 0 e Var (ε i) = σ2, respectivamente;
3. Os erros não são correlacionados, isto é, são independentes sob a
condição de normalidade.
> O conceito de independência dos resíduos está ligado à independência
dos dados de mercado.

Método comparativo direto de dados de mercado

Validação do modelo – verificação dos pressupostos do modelo

 Autocorrelação

 Verificação
A partir da análise gráfica dos resíduos padronizados versus valores
ajustados pelo modelo de regressão, que deve apresentar pontos
dispersos aleatoriamente, sem nenhum padrão definido.

ei ei
O O
<

<

Yi Yi
Ausência de autocorrelação Indícios de autocorrelação

28
 27/03/2020

Método comparativo direto de dados de mercado

Validação do modelo – verificação dos pressupostos do modelo

 Hipóteses básicas do modelo de regressão linear

1. Os erros são variáveis aleatórias com distribuição normal;

2. Os erros são variáveis aleatórias com valor esperado nulo e variância
constante, isto é, E (ε i) = 0 e Var (ε i) = σ2, respectivamente;
3. Os erros não são correlacionados, isto é, são independentes sob a
condição de normalidade;
4. Não deve existir nenhuma relação exata entre quaisquer variáveis
independentes: colinearidade ou multicolinearidade (somente aplicável na
regressão linear múltipla).

Método comparativo direto de dados de mercado

Validação do modelo – Colinearidade ou multicolinearidade

 Colinearidade ou multicolinearidade

 Trata-se de um forte dependência linear entre duas

(colinearidade) ou mais (multicolinearidade) variáveis
independentes que pode provocar degenerações no modelo e limitar
sua utilização.

> Deve-se analisar a matriz das correlações, que espelha as

dependências lineares de primeira ordem entre as variáveis
explicativas consideras no modelo.

> NBR 14653-2, Anexo A, item A.2.1.5.2: atenção especial para

resultados superiores a 0,80.

> NBR 14653-2, Anexo A, item A.2.1.5.4: Nos casos em que o imóvel
avaliando segue os padrões estruturais do modelo, a existência de
multicolinearidade pode ser negligenciada.

29
 27/03/2020

Método comparativo direto de dados de mercado

Validação do modelo – verificação dos pressupostos do modelo

 Hipóteses básicas do modelo de regressão linear

1. Os erros são variáveis aleatórias com distribuição normal;

2. Os erros são variáveis aleatórias com valor esperado nulo e variância
constante, isto é, E (ε i) = 0 e Var (ε i) = σ2, respectivamente;
3. Os erros não são correlacionados, isto é, são independentes sob a
condição de normalidade;
4. Não deve existir nenhuma relação exata entre quaisquer variáveis
independentes: colinearidade ou multicolinearidade (somente aplicável na
regressão linear múltipla).

 Hipótese complementar: (i) A relação entre a variável explicada e cada

variável explicativa é linear nos parâmetros.

 = 259,07 − 66,77. X



Método comparativo direto de dados de mercado

Tratamento dos dados – tratamento científico

A heterogeneidade dos dados é tratada a partir do uso de metodologia

científica (suportada por técnicas apropriadas da Estatística), que leve à
indução de modelo validado para o comportamento do mercado.
 = 259,07 − 66,77. X


Verificação dos pressupostos
básicos do modelo
Técnicas apropriadas da

Verificação de pontos atípicos

Estatística

Validação do Análises de: gráficos, medidas de

modelo diagnóstico, testes e intervalos
estatísticos voltados para a
qualidade do ajustamento
Verificação da adequação teórica
e lógica do modelo

30
 27/03/2020

Método comparativo direto de dados de mercado

Verificação de pontos atípicos

 É importante verificar se há presença de pontos atípicos (outliers e

pontos influenciantes).

Pergunta: o que é um outlier? Pergunta: o que é um ponto

influenciante?
Yi Yi

Xi Xi
Outlier é um ponto atípico, Ponto influenciante é um ponto
identificado como estranho à atípico que, quando retirado da
massa de dados. amostra, altera significativamente os
parâmetros estimados ou a
estrutura do modelo.

Método comparativo direto de dados de mercado

Verificação de pontos atípicos

 Outliers

 Verificação
A partir da análise do gráfico dos resíduos padronizados versus
valores ajustados.

ei*
OUTLIER
+2
<

0 Yi
- OUTLIER
2

31
 27/03/2020

Método comparativo direto de dados de mercado

Tratamento dos dados – tratamento científico

A heterogeneidade dos dados é tratada a partir do uso de metodologia

científica (suportada por técnicas apropriadas da Estatística), que leve à
indução de modelo validado para o comportamento do mercado.
 = 259,07 − 66,77. X


Verificação dos pressupostos
básicos do modelo

Técnicas apropriadas da
Verificação de pontos atípicos

Estatística
Validação do Análises de: gráficos, medidas de
modelo diagnóstico, testes e intervalos
estatísticos voltados para a
qualidade do ajustamento
Verificação da adequação teórica
e lógica do modelo

Método comparativo direto de dados de mercado

Validação do modelo – Análises de: gráficos, medidas de diagnóstico,
testes e intervalos estatísticos voltados para a qualidade do
ajustamento

 Verificação da adequação teórica e lógica do modelo

1. Teste da equação (função estimativa): analisar a influência de

cada variável independente no resultado da equação é fundamental
para comprovação das hipóteses formuladas no estudo científico:

- Coerência e análise dos sinais dos parâmetros (todas as variáveis

independentes);
- Testes de sensibilidade. Projeções de valores.

32
 27/03/2020

Método comparativo direto de dados de mercado

Validação do modelo – Análises de: gráficos, medidas de diagnóstico,
testes e intervalos estatísticos voltados para a qualidade do
ajustamento

 Verificação da adequação teórica e lógica do modelo

2. Análise da coluna de valores estimados: não deve apresentar sinal

negativo para nenhum dos dados.

Preços Valores
observados estimados
300 259,08
200 192,31
150 192,31
100 125,54
50 58,77
20 -8,00

Método comparativo direto de dados de mercado

Tratamento dos dados – tratamento científico

A heterogeneidade dos dados é tratada a partir do uso de metodologia

científica (suportada por técnicas apropriadas da Estatística), que leve à
indução de modelo validado para o comportamento do mercado.
 = 259,07 − 66,77. X


Verificação dos pressupostos
básicos do modelo
Técnicas apropriadas da

Verificação de pontos atípicos

Estatística

Validação do Análises de: gráficos, medidas de

modelo diagnóstico, testes e intervalos
estatísticos voltados para a
qualidade do ajustamento
Verificação da adequação teórica
e lógica do modelo

33
 27/03/2020

Escopo
1. MCDDM – Tratamento dos dados
1.1 Análise de regressão
1.2 Coeficiente de correlação
1.3 Modelo de regressão linear simples
1.3.1 Método dos mínimos quadrados
1.4 Validação do modelo
1.4.1 Verificação dos pressup. básicos do modelo de regr.
1.4.2 Verificação de pontos atípicos
1.4.3 Análises de: gráficos, medidas de diagnóstico, testes e
intervalos estatísticos voltados para a qualidade do
ajustamento
1.4.4 Verificação da adequação teórica e lógica do modelo

67

34