17/04/2022

Engenharia de Avaliações:
Método comparativo direto
de dados de mercado
- tratamento científico dos dados-

UNIDADES I e II

1. Introdução à Engenharia de Avaliações

2. Conceitos básicos |Métodos de avaliação
3. Método comparativo de dados de mercado
3.1 Regressão linear simples
3.2 Regressão linear múltipla

1
 17/04/2022

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. X୧
ܸ‫ݑ‬

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

O princípio

 Resíduo (erro)

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

2
 17/04/2022

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
Gráficos
diagnóstico

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

 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

3
 17/04/2022

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

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.

4
 17/04/2022

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

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
3. Resíduos

3.1 Resíduo absoluto

3.2 Resíduo relativo

10

5
 17/04/2022

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
Gráficos
diagnóstico

Testes de
hipóteses

11

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

 Gráficos

1. Gráfico dos preços observados versus valores estimados pelo

modelo

> Este gráfico permite verificar com rapidez o poder de predição do

modelo. Os pontos mais distantes da diagonal (bissetriz do primeiro
quadrante) são os dados mais discrepantes.

12

6
 17/04/2022

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
Gráficos
diagnóstico

Testes de
hipóteses

13

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.

14

7
 17/04/2022

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:

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

• ࡴ૚ - 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 <.

15

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 (‫ܪ‬଴ e ‫ܪ‬ଵ )

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

16

16

8
 17/04/2022

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

17

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 ܺଵ (distância) não é importante na formação do preço
H1 : A variável ܺଵ (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

18

9
 17/04/2022

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 ߙ = 5%

19

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 ‫ܪ‬଴ , 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

ߙ
2

ߙ ߙ
2 2

20

10
 17/04/2022

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. ܵ(ߚመ௝ ) - desvio padrão correspondente ao parâmetro estimado ߚመ௝ .

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

21

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

22

11
 17/04/2022

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 |‫ݐ‬௖௔௟௖ | > ‫ݐ‬௧௔௕ , rejeita-se ‫ܪ‬଴ .

23

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 ‫ݐ‬௧௔௕ , 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) =

24

12
 17/04/2022

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

25

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 ‫ݐ‬௧௔௕ , 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

26

13
 17/04/2022

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 |‫ݐ‬௖௔௟௖ | > ‫ݐ‬௧௔௕ , rejeita-se ‫ܪ‬଴ . ( )
s βˆ j
10 , 78

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

Como tc > t ୲ୟୠ , concluí-se que o

parâmetro populacional
considerado é significante ao
nível de 5%. Rejeita-se ‫ܪ‬଴ , 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%.

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
 Valor-p (p-value)
Def. Estatística: É a probabilidade de que a estatística do teste tenha
valor extremo em relação ao valor observado quando a hipótese nula
é verdadeira. Em outras palavras: é o menor valor do nível de
significância para o qual rejeitamos a hipótese nula.

Considere:

• Nível de significância (α) = 1%

Valor-p = 0,00345
• Estatística de teste t* ∼ t de Student
• t ୡୟ୪ୡ = −6,19
• ‫୲ݐ‬ୟୠ = 4,604
• Regra de decisão:
Se |‫ݐ‬௖௔௟௖ |> ‫ݐ‬௧௔௕ , rejeita-se ‫ܪ‬଴ .

28

14
 17/04/2022

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

29

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 (‫ܪ‬଴ e ‫ܪ‬ଵ )

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

30

30

15
 17/04/2022

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


31

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 ܺଵ (distância)

Yi Yi
H0 H1

X ki X ki
32

16
 17/04/2022

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 ࢻ = %

33

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 G ∗ , sob a hipótese I , 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

34

17
 17/04/2022

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)

35

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

36

18
 17/04/2022

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

37

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 G!"#! > G%"& , rejeita-se  .

38

19
 17/04/2022

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 G%"& , 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;
J ; JK )

F (0,01;1; 4) =

39

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

40

20
 17/04/2022

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 G%"& , 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

J ; JK )

41

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 = ×
∑ (Y − Yˆ )
2
Se G!"#! > G%"& , rejeita-se  . Vnexp i i
K

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
Pergunta: Seria o modelo
a utilizar a média dos preços.
significante ao nível de 0,5%?
P-valor = F de significação

42

21
 17/04/2022

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

43

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

44

22
 17/04/2022

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 L K , 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 ).

45

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

46

23
 17/04/2022

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%.

47

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, M NO = 0 e
Var NO = L K , respectivamente.

48

24
 17/04/2022

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 )

49

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.

50

25
 17/04/2022

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

51

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).

52

26
 17/04/2022

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.
53

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



54

27
 17/04/2022

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

55

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.

56

28
 17/04/2022

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

57

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

58

29
 17/04/2022

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.

59

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 Resíduo

observados estimados relativo
300 259,08 14%
200 192,31 4%
150 192,31 -28%
100 125,54 -26%
50 58,77 -18%
20 -8,00 140%

60

30