4-Regressao Linear Multipla

AVALIAÇÃO DE IMÓVEIS
URBANOS POR
INFERÊNCIA ESTATÍSTICA
Módulo 4 – Regressão Linear Múltipla
Copyright © 2015 CERTIFIC NET Treinamento, Capacitação e Certificação Ltda.
Nobre Júnior, Ernesto Ferreira.

Avaliação de Imóveis Urbanos por Inferência Estatística: como avaliar imóveis urbanos por método científico
e apresentar um laudo. Curso. Módulo 4. CERTIFIC NET. Fortaleza, 2015.
142 p.
1. Avaliação. 2. Imóveis Urbanos 3. Inferência Estatística. 4. Curso. I. Título
Todos os direitos reservados. É proibida a reprodução e distribuição total ou parcial desta obra sem a prévia
autorização do autor. A violação dos direitos autorais é crime estabelecido na Lei número 9.610/98 e punido pelo
artigo 184 do Código Penal.
Avaliação de Imóveis Urbanos por Inferência Estatística / Módulo 4 3
ÍNDICE 1 Regressão Linear Múltipla
1.1 Conceito e Modelo Geral

5
Módulo 3 1.2 Obtenção da Equação de Regressão 11
1.3 Estatísticas da Regressão 29
1.4 Testes de Hipóteses 34
1.5 Outros Testes Importantes do Modelo 48
1.6 Inferência 58
2 Tipos de Variáveis Independentes para
Modelos de Avaliações de Imóveis
Urbanos 90
| http://www.certific.net.br/
ÍNDICE
3 Principais Variáveis Independentes por
Tipo de imóvel urbano 97
4 Soluções Sugeridas para os Principais

Módulo 3 Problemas de Falta de Ajuste em Modelos
de Regressão Linear em Avaliação
Imobiliária
103
5 Questões Resolvidas 109
1 REGRESSÃO LINEAR MÚLTIPLA

A Regressão Linear Múltipla consiste

no desenvolvimento de um modelo
para análise da relação entre uma
variável dependente (Y) e várias
variáveis independentes (X1, X2,..., Xn).

Devido à heterogeneidade dos imóveis

no mercado, os seus preços geralmente
são melhor explicados por mais de uma
variável independente/explicativa;
portanto, na prática, utiliza-se muito
mais a Regressão Linear Múltipla para a
avaliação de imóveis.

Enquanto a Regressão Linear Simples

é representada por uma reta em um
plano, a Regressão Linear Múltipla é
melhor representada pelo plano que
passa mais próximo aos pontos
amostrais, no espaço.

No caso de um modelo com duas

variáveis independentes (X1 e
X2), existe um valor Y (preço)
associado a essas duas variáveis.

A partir de 03 variáveis
independentes já se tem um
hiperplano de difícil
visualização.

Um modelo geral de regressão múltipla pode ser entendido como uma

extensão de um modelo de regressão simples e é representado pela equação:
𝑌 = β0 + β1X1+ β2X2 + β3X3 + ...βkXk + ε

Onde:
𝑌 = variável dependente ou explicada, que se constitui no valor avaliado;

X1, X2, ... Xk = variáveis independentes ou explicativas;
β0, β1,... βk = parâmetros da equação de regressão;
ε = erro ou resíduo do modelo. É a expressão de inúmeras pequenas causas
que produzem um desvio do que a variável dependente deveria ser, se a
relação fosse determinística.

1.2 Obtenção da Equação de Regressão
O método mais utilizado para No entanto, para a regressão

obter os parâmetros (as múltipla não há equações
constantes) 𝑏0 , 𝑏1 , 𝑏2 , 𝑏3 , … 𝑏𝑘 prontas que possam ser
de uma equação de regressão utilizadas diretamente para
linear múltipla é o Método dos calcular os parâmetros da
Mínimos Quadrados, o mesmo equação. Cada modelo terá o
método usado para estimar os seu próprio número e conjunto
parâmetros de um modelo de de variáveis, de modo que é
regressão linear simples. preciso obter-se, caso a caso,
um sistema de equações, cujas
soluções serão os coeficientes
procurados.

Na prática cotidiana, os
engenheiros de avaliação geram e
ajustam os modelos de regressão
múltipla nas avaliações imobiliárias
com o auxílio de softwares
especializados em avaliação
imobiliária, tais como o SISDEA
Home, o SAB, ou com softwares de
estatística geral, tais como o R e o
Action.

Para este curso, no entanto,

apresentaremos os
fundamentos da teoria sobre
a geração e o ajuste de um
modelo de regressão
múltipla e demonstraremos a
aplicação do método a um
exemplo simplificado, para
que o aluno tenha noção do
que é realizado pelos
sistemas informatizados.

O Método dos Mínimos Quadrados (MMQ)
Pelo MMQ, procura-se encontrar as

constantes 𝑏0 , 𝑏1 , 𝑏2 , … 𝑏𝑘 para a equação do
modelo de forma que o somatório dos
quadrados das distâncias verticais entre cada
ponto observado e o plano de regressão seja
mínimo.

Derivando-se parcialmente a função geral com relação a cada um dos seus
𝜕𝑓 𝜕𝑓 𝜕𝑓 𝜕𝑓
parâmetros , 𝜕𝑏 , 𝜕𝑏 , ⋯ , obtém-se a seguinte matriz [X] (com k
𝜕𝑏0 1 2 𝜕𝑏𝑘
variáveis independentes):
𝜕𝑓 𝜕𝑓 𝜕𝑓 𝜕𝑓
⋯
𝜕𝑏0 𝜕𝑏1 𝜕𝑏2 𝜕𝑏𝑘
1 𝑋11 𝑋21 … 𝑋𝑘1

1 𝑋12 𝑋22 … 𝑋𝑘2
[X] =
⋮ ⋮ ⋮ ⋮
1 𝑋1𝑛 𝑋2𝑛 … 𝑋𝑘𝑛

[X] é a matriz das variáveis independentes.
1 𝑋11 𝑋21 … 𝑋𝑘1

1 𝑋12 𝑋22 … 𝑋𝑘2
[X] =
⋮ ⋮ ⋮ ⋮
1 𝑋1𝑛 𝑋2𝑛 … 𝑋𝑘𝑛
𝑏0
𝑏1
A matriz dos coeficientes [𝛽] é: [𝛽] = 𝑏2
⋮
𝑏𝑘

A matriz [Y] das variáveis respostas (preços) é:
𝑦1
𝑦2
[𝑌] = 𝑦3
⋮
𝑦𝑘
A matriz dos resíduos [𝜀] é obtida pela expressão:

𝜀 = [𝑋𝛽]−[𝑌]
Onde:
[𝑋𝛽] = produto das matrizes [𝑋] e [𝛽]
[Y] = matriz das variáveis respostas

E a matriz dos parâmetros/coeficientes da equação [𝛽], será
obtida pela expressão:
[𝛽] = [𝑋 ′ 𝑋]−1 ∗ [𝑋′𝑌]
Onde:
[𝛽] = matriz dos parâmetros (ou dos coeficientes da equação)
[𝑋 ′ 𝑋]−1 = matriz inversa do produto entre as matrizes [X’] e [X]
[X’Y] = matriz-produto entre as matrizes [X’] e [Y]
Nota: para uma revisão teórica sobre operações com matrizes ver o pdf no material adicional deste módulo.

Questão Resolvida
Um avaliador pesquisou preços de 05 glebas urbanizáveis (grandes terrenos),
considerando as duas variáveis independentes Distância a polo valorizante
(Dist.) e Área (A), obtendo os dados constantes na tabela a seguir. Pede-se
gerar a equação do modelo de regressão múltipla.
Dados Dist. A P. Unit

1 0,50 10,0 9,00
2 1,00 20,0 6,00
3 3,00 30,0 3,00
4 2,00 15,0 6,00
5 1,00 7,0 8,00

Questão Resolvida
1º Passo: montar as matrizes [X] e [Y] a partir dos dados:
Dados Dist. A P. Unit 1 0,5 10,0 9,00

1 0,50 10,0 9,00 1 1,0 20,0 6,00
2 1,00 20,0 6,00 [X] = [𝑌] =
3 3,00 30,0 3,00 1 3,0 30,0 3,00
4 2,00 15,0 6,00 1 2,0 15,0 6,00
5 1,00 7,0 8,00 1 1,0 7,0 8,00

Questão Resolvida
2º Passo: montar a matriz transposta [X’] e obter os produtos
[X’X] e [X’Y]:
1,0 1,0 1,0 1,0 1,0 5,0 7,5 82,0

[X′] = 0,5 1,0 3,0 2,0 1,0 [X ′ X] = 7,5 15,3 152,0
10,0 20,0 30,0 15,0 7,0 82,0 152,0 1674,0
32,0
[X ′ Y] = 39,5
446,0

1.2 Obtenção da Equação de Regressão (continuação)
Questão Resolvida
3º Passo: obter a matriz inversa de [X’X]:
1,0191 −0,0832 −0,0464

[𝑋 ′ 𝑋]−1 = −0,0382 0,6919 −0,0609
−0,0464 −0,0609 0,0084
4º Passo: calcular a matriz [𝛽] dos coeficientes:

10,3852
[𝛽] = [𝑋 ′ 𝑋]−1 ∗ [𝑋′𝑌] [𝛽] = -1,0782
-1,1444

Questão Resolvida
A matriz dos coeficientes contém os parâmetros “b” do modelo.
10,3852 𝑏0
[𝛽] = -1,0782 𝑏1
-0,1444 𝑏2
A equação de regressão, neste caso, portanto, é:
𝑃. 𝑈𝑛𝑖𝑡. = 10,3852 − 1,0782 ∗ 𝐷𝑖𝑠𝑡. −0,1444 ∗ A

Observação
O exemplo aqui resolvido tem o objetivo de explicar didaticamente o método
de obtenção de uma equação de regressão linear múltipla e por isso possui
um pequeno número de dados (n).
Uma vez compreendido o método, este pode ser aplicado para obtenção de
equações de regressão de modelos com um maior número de dados (n) e com
mais variáveis independentes (𝑋𝑖 ).
Pela norma técnica brasileira, um modelo com duas variáveis explicativas

(caso da questão resolvida) teria que ter no mínimo nove dados amostrais,
para ser fundamentado no grau I.

Questão Resolvida com softwares
Apresentamos a seguir o modelo Logo depois das

de regressão da questão que demonstrações dos resultados,
acabamos de resolver, obtido com constam os links onde os
os softwares Excel, Action e softwares SISDEA e Action
SISDEA. O importante neste podem ser baixados/
momento são os coeficientes da adquiridos.
equação.
Nota: Acompanham o material adicional deste módulo tutoriais sobre a regressão no Excel e no Action, bem
como o tutorial do SISDEA Home.

Questão Resolvida com o Excel / Ferramenta “Regressão”
RESUMO DOS RESULTADOS
Estatística de regressão
R múltiplo 0,984367692
R-Quadrado 0,968979752
R-quadrado ajustado 0,937959504
Erro padrão 0,573423603
Observações 5
ANOVA
gl SQ MQ F F de significação
Regressão 2 20,5423707 10,27119 31,23701 0,031020248
Resíduo 2 0,65762926 0,328815
Total 4 21,2
Coeficientes Erro padrão Stat t valor-P 95% inferiores95% superiores

Inferior 95,0%
Superior 95,0%
Interseção 10,3852459 0,57888119 17,9402 0,003093 7,894521168 12,87597 7,894521 12,87597
Dist. -1,07818411 0,47697241 -2,26047 0,152241 -3,130430757 0,974063 -3,13043 0,974063
A -0,1443884 0,0525767 -2,74624 0,110957 -0,37060769 0,081831 -0,37061 0,081831
Nota: a ferramenta “Regressão” é um suplemento do Excel que normalmente precisa ser instalado.

Questão Resolvida com o Action 2.8 / Modelo / Modelo Linear
Coeficientes
Preditor Estimativa Desvio Padrão Estat.t P-valor
Intercepto 10,3852459 0,57888119 17,94020272 0,003092623
Dist. -1,078184111 0,476972411 -2,26047479 0,152240595
A -0,144388398 0,052576702 -2,74624297 0,110957228
Desvio Padrão dos Resíduos

Desvio Padrão dos Resíduos Graus de Liberdade R^2 R^2 Ajustado
0,573423603 2 0,968979752 0,937959504

Questão Resolvida com o SISDEA (Coeficientes e Equação)
O sistema Action para estatística

funciona a partir do Excel (com macros);
é gratuito e pode ser baixado neste link
<http://www.portalaction.com.br/conte
nt/download-action>.
O SISDEA é um software especializado em

avaliações imobiliárias, adequado à
norma técnica brasileira, e pode ser
adquirido neste website
<http://www.pellisistemas.com/novo/in
dex.php/softwares/sisdea>.

1.3 Estatísticas da Regressão
O 𝑅2 (Coeficiente de Determinação Múltiplo) determina o poder de
explicação do modelo. É a relação entre a variação explicada e a variação
total. É obtido pela expressão:
2
([𝑌] − [𝑌])2
Calculados 𝑅 =
aplicando a ([𝑌] − [𝑌])2
equação de
regressão
8,4023 6,40 9,00

6,4193 6,40 6,00
[𝑌] = 2,8190 𝑌 = 6,40 [𝑌] = 3,00
6,0631 6,40 6,00
8,2963 6,40 8,00

2
([𝑌] − [𝑌])2
𝑅 =
([𝑌] − [𝑌])2
4,0091 6,76
0,0004 0,16
([𝑌] − [𝑌])2 = 12,8233 ([𝑌] − [𝑌])2 = 11,56
0,1135 0,16
3,5961 2,56

([𝑌] − [𝑌])2 20,5424

𝑅 =2 𝑅2 = = 0,96898
([𝑌] − [𝑌])2 21,20
4,0091 6,76
0,0004 0,16
([𝑌] − [𝑌])2 = 12,8233 ([𝑌] − [𝑌])2 = 11,56
0,1135 0,16
3,5961 2,56
([𝑌] − [𝑌])2 = 20,5424 ([𝑌] − [𝑌])2 = 21,20

1.3 Estatísticas da Regressão (conclusão)
𝑅 = 𝑅2 = 0,98437 (Coeficiente de Regressão Múltiplo)
(𝑛 − 1)
𝑅𝑎2 = 1 − (1 − 𝑅 2)
× = 0,93796 (Coeficiente de
(𝑛 − 𝑘 − 1) Determinação Múltiplo
Ajustado)
(𝑌 − 𝑌)2
𝑒= = 0,57342 (Erro Padrão/Desvio Padrão do
(𝑛 − 𝑘 − 1)
Modelo)
𝑒
𝐶𝑉% = × 100 = 8,95974% (Coeficiente de Variação)
𝑌
Nota: os softwares especializados de avaliações e também os gerais de regressão linear calculam

automaticamente as estatísticas da regressão.

1.4 Testes de Hipóteses
Os testes de hipóteses na Os testes t das variáveis

regressão linear múltipla são os independentes consistem em
mesmos da regressão linear verificar se o t calculado de
simples: os testes t das variáveis cada variável é maior do que o t
independentes (𝑋1 , 𝑋2 , … 𝑋𝑘 ) e o crítico/tabelado, para
teste F do modelo. A diferença é determinada significância. E o
que na regressão múltipla há teste F do modelo consiste em
mais de uma variável verificar se o F calculado é
independente e cada uma deve maior do que o F
ser testada isoladamente quanto crítico/tabelado, para
ao t. determinada significância.

Cálculo dos t
A estatística t de cada variável será medida pela razão entre o parâmetro (b)
estimado correspondente e o seu desvio padrão 𝑆𝑏.
𝑏𝑖
𝑡𝑖 =
𝑆𝑏𝑖
Onde 𝑆𝑏𝑖 são as raízes quadradas dos elementos da diagonal da matriz-

produto [𝑋 ′ 𝑋]−1 ∗ 𝑆 2 .
𝑆 2 = 𝑒 2 = 0,573422 = 0,32881

Cálculo dos t (continuação)
𝑆𝑏𝑖 são as raízes quadradas dos elementos da diagonal do produto

[𝑋 ′ 𝑋]−1 ∗ 𝑆 2
𝟎, 𝟑𝟑𝟓𝟏 −0,0126 −0,0153

[𝑋 ′ 𝑋]−1 ∗ 𝑆 2 = −0,0126 0,2275 −0,0200
−0,0153 −0,0200 𝟎, 𝟎𝟎28

𝟎, 𝟑𝟑𝟓𝟏 −0,0126 −0,0153

[𝑋 ′ 𝑋]−1 ∗ 𝑆 2 = −0,0126 0,2275 −0,0200
−0,0153 −0,0200 𝟎, 𝟎𝟎28
𝑆𝑏0 = 0,3351 = 0,57888

𝑆𝑏1 = 0,2275 = 0,47769
𝑆𝑏2 = 0,0028 = 0,05257

Cálculo dos t (conclusão)
𝑏0 10,3852
𝑆𝑏0 = 0,3351 = 0,5789 𝑡0 = = = 17,9402
𝑆𝑏0 0,5789
𝑏1 −1,0782
𝑆𝑏1 = 0,2275 = 0,4777 𝑡1 = = = −2,2605
𝑆𝑏1 0,4777
𝑏2 −0,1444
𝑆𝑏2 = 0,0028 = 0,0526 𝑡2 = = = −2,7462
𝑆𝑏2 0,0526

Teste t das Variáveis Independentes
Determinação do t crítico
Significâncias máximas para os regressores

em função dos graus de fundamentação da
avaliação, pela NBR 14653-2/2011:
Significância Grau de
bicaudal Fundamentação do
( Modelo
30% I
20% II
10% III

Determinação do t crítico
Para realizar o teste t em atendimento à norma técnica, verifica-se qual o

valor t crítico para as significâncias unicaudais ( /2) de 30%, 20% e 10%
respectivamente.
De posse dos valores 𝑡𝑖 calculados para cada variável independente 𝑋𝑖 ,

comparam-se esses valores com os t críticos unicaudais em cada nível de
significância. Se o 𝑡𝑖 calculado for maior do que o t crítico em certo nível, a
hipótese nula é rejeitada para aquele regressor, naquele nível.

Determinação do t crítico para a significância bicaudal de 30%.
A tabela t de Student não possui valores t para a significância de 30%

(possui para 20% e para 10%). Porém o software Excel calcula qualquer t com
a seguinte função: =INV.T(1- /2;n-k-1).
No caso, 1- /2 = 0,85 e n-k-1 = 2.
Portanto, para o exemplo, a função no Excel fica =INV.T(0,85;2)
O Excel retorna para esta função o valor t = 1,386207.

Variável t Calculado t Crítico (30%) t Crítico (20%) t Crítico (20%)
X1 2,2607
1,3862 1,8856 2,9200
X2 2,7462
Neste caso, rejeita-se 𝐻0 para a significância de 30% e de 20%, para todas as

variáveis independentes do modelo e conclui-se que há regressão nesses dois
níveis. No entanto, 𝐻0 é verdadeiro para as variáveis, ao nível de 10%.
Portanto, o modelo só pode ser classificado no grau II de fundamentação.

Teste F do Modelo
Assim como na regressão simples, o Teste F para significância da regressão é
realizado para determinar se há uma relação linear entre a variável resposta
𝑌 e as variáveis regressoras (ou independentes) do modelo.
A estatística F é o resultado da divisão entre a variância explicada e a

variância não explicada do modelo:
(𝑌 − 𝑌)2
𝑉𝑎𝑟𝑖â𝑛𝑐𝑖𝑎 𝑒𝑥𝑝𝑙𝑖𝑐𝑎𝑑𝑎 𝑘
𝐹= 𝐹=
𝑉𝑎𝑟𝑖â𝑛𝑐𝑖𝑎 𝑛ã𝑜 𝑒𝑥𝑝𝑙𝑖𝑐𝑎𝑑𝑎 (𝑌 − 𝑌)2
𝑛−𝑘−1

Teste F do Modelo
Tabela ANOVA
gl (graus de Somas dos Quadrados das F

liberdade) Diferenças Variâncias (calculado)
(𝑌 − 𝑌)2
𝐹= 𝑘
(𝑌 − 𝑌)2 (𝑌 − 𝑌)2 (𝑌 − 𝑌)2
Regressão k 𝑘 𝑛−𝑘−1
(𝑌 − 𝑌)2 (𝑌 − 𝑌)2
Resíduo n-k-1 𝑛−𝑘−1
Soma n-1 (𝑌 − 𝑌)2+ (𝑌 − 𝑌)2

Teste F do Modelo
Tabela ANOVA da questão resolvida
Somas dos
gl (graus de Quadrados das F
liberdade) Diferenças Variâncias (calculado)
Regressão 2 20,5424 10,2712 31,2370
Resíduo 2 0,6576 0,3288
Total 4 21,2000

Teste F do Modelo
A NBR 14.653/2011 determina que a

significância máxima para o teste F
seja de 5% (0,05).
RC
O Teste F, portanto, consiste RA
basicamente em verificar se o F
calculado é maior do que o F crítico Fcrítico
(tabelado) para a significância de 5%
(0,05).

Teste F do Modelo
O software Excel retorna o F crítico para a significância de 5% (1 − 𝛼 = 0,95)
com a seguinte função:
=INV.F(0,95;graus de liberdade da regressão; graus de liberdade do resíduo)
Na questão resolvida, =INV.F(0,95;2;2) retorna o valor 19,0000.
F calculado = 31,2370 e F crítico = 19,0000
Neste caso, F calculado > F crítico. Então, rejeita-se

𝐻0 ao nível de 5% (0,05) e conclui-se que há
regressão.

1.5 Outros Testes Importantes
A NBR 14653-2/2011 define, em seu Anexo A (obrigatório), que os modelos de
regressão linear (simples e múltipla) devem ser testados quanto aos seguintes
aspectos:
Linearidade (item A.2.1.1)

Normalidade (item A.2.1.2)
Homocedasticidade (item A.2.1.3)
Autocorrelação (item A.2.1.4)
Multicolinearidade (item A.2.1.5)
Pontos Outlier ou Influenciantes (item A.2.1.6)

Linearidade
Um modelo de regressão linear Exemplo de pontos com tendência

pressupõe que cada variável linear
independente relaciona-se com a
variável dependente com tendência
linear/reta.
Deve-se verificar se o gráfico de cada
variável independente versus a
variável dependente apresenta uma
tendência linear reta.

Linearidade
Os dados imobiliários geralmente apresentam tendência não linear. Muitas
vezes será preciso aplicar transformações nas escalas das variáveis.
Exemplo de pontos com tendência não linear

Normalidade
Verificar a normalidade dos dados. Sugere-se uma das duas seguintes

verificações:
a) Observar, no gráfico Resíduos

Padronizados versus Valores
Ajustados, se os pontos se
apresentam dispostos
aleatoriamente, com a
grande maioria situados no
intervalo [-2; +2].

Normalidade
Verificar a normalidade dos dados (segunda sugestão para esta verificação):
b) Verificar se as probabilidades da distribuição normal dos resíduos

amostrais estão nos intervalos de [-1; +1], [-1,64; +1,64] e [-1,96; +1,96],
ou seja:
Se [68% a 74%] estão entre [-1; +1],
Se [85% a 95%] estão entre [-1,64; +1,64] e
Se [95 % a 100%] estão entre [-1,96; +1,96].

Homocedasticidade
Verificar se os dados são Homocedasticos (se os resíduos

apresentam variância constante).
Observar, no gráfico Resíduos

aleatoriamente.

Autocorrelação
Verificar se as variáveis independentes não são autocorrelacionadas

serialmente.
Observar, no gráfico Resíduos

aleatoriamente.

Multicolinearidade
Verificar se as variáveis independentes não possuem alta dependência linear
entre si.
Na matriz das correlações de dependências lineares de primeira ordem entre

as variáveis independentes, os resultados não podem ser superiores a 0,80.

Pontos Outlier
Um ponto (ou dado) outlier é um “ponto atípico, identificado como estranho

à massa de dados” (NBR 14653-2/2011).
Pontos outlier podem ser

verificados pelo gráfico Resíduos
Ajustados. Pontos fora do
intervalo [-2; +2 ] são outlier.
A existência de pontos outlier entre os dados amostrais nem sempre prejudica

o modelo. O avaliador deve experimentar retirar os pontos outlier (um de cada
vez) e observar se o ajuste do modelo melhora ou não com a retirada deles.

Pontos Influenciantes
“Ponto influenciante: ponto atípico que, quando retirado da

amostra, altera significativamente os parâmetros estimados ou
a estrutura do modelo” (NBR 14653-2/2011. Item 3.56).
Embora a norma não defina um valor que delimite um ponto como
influenciante, os dados que apresentarem resíduo relativo maior do que 40%
são pontos influenciantes e o avaliador precisa analisar se tais pontos
merecem ser desconsiderados da amostra.
O percentual de resíduo relativo de um dado é calculado com a expressão:
𝑌𝑖 − 𝑌𝑖
𝑅𝑒𝑠í𝑑𝑢𝑜 𝑟𝑒𝑙𝑎𝑡𝑖𝑣𝑜 (%) = × 100
𝑌𝑖
Onde:
𝑌𝑖 = preço observado do dado amostral i
𝑌𝑖 = preço estimado do dado amostral i com a equação de regressão.

1.6 Inferência
Depois que o modelo foi aprovado nos testes, ele pode ser utilizado para a
inferência/estimação do valor avaliado e para determinação do campo de
arbítrio, do intervalo de confiança e do intervalo de predição, conforme se
demonstra a seguir.
Às vezes o modelo não é aprovado, ou é aprovado, mas pode ser melhor

ajustado. Mais à frente, neste módulo, apresentaremos sugestões para
solucionar os principais problemas de falta de ajuste em modelos de
regressão linear.

1.6 Inferência
1.6.1 Estimativa de Tendência Central
A aplicação da equação de regressão obtida às características de um imóvel

avaliando resulta no valor da estimativa de tendência central (𝑌ℎ ) para este
imóvel.
No caso da questão resolvida anteriormente, supondo que deseje-se avaliar
um imóvel com Distância ao polo valorizante de 3,00 Km e com Área de 12,00
ha, tem-se:
𝑃. 𝑈𝑛𝑖𝑡. = 10,3852 − 1,0782 ∗ 𝐷𝑖𝑠𝑡. −1,1444 ∗ A
𝑃. 𝑈𝑛𝑖𝑡. = 10,3852 − 1,0782 ∗ 3,00 − 1,1444 ∗ 12,00 = R$ 5,42/𝑚2

1.6 Inferência
1.6.2 Campo de Arbítrio do Avaliador
Calculada a estimativa de tendência central, o campo de arbítrio do
avaliador será o intervalo de ± 15% em torno dela. No exemplo resolvido,
tem-se que o campo de arbítrio é:
Limite Superior = 5,42 + 5,42 ∗ 0,15 = R$ 6,23
Limite Inferior = 5,42 − 5,42 ∗ 0,15 = R$ 4,61

1.6 Inferência
1.6.3 Intervalo de Confiança
IC
A NBR 14.653-2/2011 (item 9.2.3)
determina que o intervalo de
confiança (1 − 𝛼) em torno da
estimativa de tendência central deve
ser no máximo de 80%.

1.6 Inferência
“Intervalo de valores dentro do qual está contido o parâmetro

populacional com determinada confiança” (NBR 14.653-
2/2011. Item 3.40).
No caso das avaliações imobiliárias, o parâmetro populacional que se deseja

estimar é o preço de mercado, o qual é um valor de tendência central
(média, moda ou mediana) numa população onde o desvio padrão não é
conhecido.

1.6 Inferência
Quando o desvio padrão populacional não é
conhecido (o que ocorre em grandes mercados) a
distribuição adequada para inferência é a
Distribuição t de Student.
A Distribuição t de Student permite a estimação
de um intervalo onde está a média aritmética de
uma população normal, com determinada
confiança, a partir da média aritmética e do
desvio padrão de uma amostra dessa população.

1.6 Inferência
Portanto, tendo a média aritmética e o desvio padrão
de uma amostra de preços de um mercado, com a
Distribuição t de Student estima-se um intervalo de
valores (intervalo de confiança) no qual está a média
daquele mercado (média da população) com
determinada confiança, assumida como preço/valor de
mercado.
A confiança determinada pela NBR 14.653-2/2011 para
avaliação de imóveis urbanos é de 80%. Assim, o t
utilizado para inferência é o 𝑡(0,90;𝑛−𝑘−1).

1.6 Inferência
O intervalo de confiança nas regressões lineares múltiplas, é determinado
com a expressão:
𝐼𝐶 = 𝑌ℎ ± 𝑡(0,90;𝑛−𝑘−1) ∗ 𝑆(𝑌ℎ )
Onde 𝑌ℎ é o valor determinado com a equação de regressão e 𝑆(𝑌ℎ ) é a

variância de 𝑌ℎ .
𝑆(𝑌ℎ ) = 𝑆 2 ∗ 𝑋ℎ ∗ 𝑋 ′ 𝑋 −1 ∗ [𝑋ℎ ′ ]
Os elementos desta equação de 𝑆(𝑌ℎ ) são explicitados a seguir.

1.6 Inferência
𝑆(𝑌ℎ ) é a variância de 𝑌ℎ
𝑆(𝑌ℎ ) = 𝑆 2 ∗ 𝑋ℎ ∗ 𝑋 ′ 𝑋 −1 ∗ [𝑋ℎ ′ ]
Onde:
𝑆 2 = Variância do Modelo
𝑋ℎ = Matriz dos valores 𝑋ℎ do imóvel avaliando
𝑋′𝑋 −1 = Matriz inversa da matriz [X’X]
𝑋ℎ ′ = Matriz transposta da matriz [𝑋ℎ ]

1.6 Inferência
Na questão resolvida, Características

do imóvel
𝑆 2 = 0,3288 avaliando 1,00
𝑋ℎ = [1,00 3,00 12,00] 𝑋ℎ ′ = 3,00

12,00
1,0191 −0,0832 −0,0464
[𝑋 ′ 𝑋]−1 = −0,0382 0,6919 −0,0609
−0,0464 −0,0609 0,0084
𝑆(𝑌ℎ ) = 𝑆 2 ∗ 𝑋ℎ ∗ 𝑋 ′ 𝑋 −1 ∗ 𝑋ℎ ′ = 0,89571

1.6 Inferência
Na questão resolvida,
𝐼𝐶 = 𝑌ℎ ± 𝑡(0,90;𝑛−𝑘−1) ∗ 𝑆(𝑌ℎ )
𝑡 0,90;2 = 1,8856
𝑆(𝑌ℎ ) = 0,8957
𝐿𝑖𝑚𝑖𝑡𝑒 𝑠𝑢𝑝𝑒𝑟𝑖𝑜𝑟 𝑑𝑜 𝐼𝐶 (𝐿𝑠) = 5,42 + 1,8856 ∗ 0,8957 = 7,20
𝐿𝑖𝑚𝑖𝑡𝑒 𝑖𝑛𝑓𝑒𝑟𝑖𝑜𝑟 𝑑𝑜 𝐼𝐶 (𝐿𝑖) = 5,42 − 1,8856 ∗ 0,8957 = 3,63

1.6 Inferência
1.6.3 Intervalo de Predição
“Estimativa de um intervalo de valores, a partir de dados de
mercado observados, dentro do qual novos dados do mesmo contexto
estarão contidos, com determinada probabilidade” (NBR 14.653-
2/2011. Item 3.41).
Para qualquer conjunto de variáveis independentes (𝑋1 , 𝑋2 , … 𝑋𝑘 ) que não

pertençam à amostra, haverá um Y (valor resposta) estimado pela equação
de regressão, o qual estará contido no Intervalo de Predição, com
determinada confiança/probabilidade.

1.6 Inferência
Intervalo de Confiança x Intervalo de Predição
O Intervalo de Confiança (IC) O Intervalo de Predição (ou de
define os limites superior e Previsão ou de Projeção - IP) define
inferior do intervalo provável os limites superior e inferior do
onde está o valor de tendência intervalo provável onde estará
central da população, com base qualquer valor resposta (Y)
nos valores da amostra. associado a um conjunto de
variáveis independentes
semelhantes aos à amostra, mas
que não pertençam a ela.

1.6 Inferência
A equação para determinação do Intervalo de Predição (IP) é semelhante à
equação para determinação do Intervalo de Confiança (IC). No entanto, no
cálculo do IP soma-se a variância do modelo (𝑆 2 ) ao 𝑆(𝑌ℎ ). Por isso o IP é
sempre mais amplo do que o IC.
𝐼𝑃 = 𝑌ℎ ± 𝑡(0,90;𝑛−𝑘−1) ∗ 𝑆 2 + 𝑆(𝑌ℎ )
𝐼𝐶 = 𝑌ℎ ± 𝑡(0,90;𝑛−𝑘−1) ∗ 𝑆(𝑌ℎ )
Nota: o sistema Action 2.8 calcula o Intervalo de Predição denominando-o de “Intervalo de Previsão”.

1.6 Inferência
Na questão resolvida,
𝑌ℎ = 5,42
𝑡 0,90;2 = 1,8856
𝑆 2 = 0,3288
𝑆(𝑌ℎ ) = 0,89571
𝐿𝑠 = 5,42 + 1,8856 ∗ 0,3288 + 0,8957 = 7,50
𝐿𝑖 = 5,42 − 1,8856 ∗ 0,3288 + 0,8957 = 3,33

Estimativa de Tendência Central e Intervalo de Predição
Calculados no Action 2.8
Coeficientes
Intercepto 10,3852459 0,57888119 17,94020272 0,003092623
Dist. -1,078184111 0,476972411 -2,26047479 0,152240595
A -0,144388398 0,052576702 -2,74624297 0,110957228

0,573423603 2 0,968979752 0,937959504
Intervalo de Previsão
Dist. A Valor Ajustado LI LS Desvio Padrão
3 12 5,418032787 3,331444887 7,504620687 0,573423603
Nota: O sistema Action 2.8 calcula o Intervalo de Predição denominando-o de “Intervalo de Previsão”, mas
não calcula o Intervalo de Confiança.

Estimativa de Tendência Central, Intervalo de Confiança e
de Predição calculados no SISDEA

1.6 Inferência
1.6.5 Amplitude do Intervalo de Confiança
𝐿𝑖𝑚. 𝑠𝑢𝑝. −𝑌ℎ

𝐴𝑚𝑝𝑙% = 2 ∗ × 100
𝑌ℎ
Na questão resolvida:
7,20 − 5,42
𝐴𝑚𝑝𝑙% = 2 ∗ × 100 = 65,88%
5,42

1.6 Inferência
A NBR 14.653-2/2011 (item 9.2.3) determina as Amplitudes máximas do
Intervalo de Confiança de 80% em torno da estimativa de tendência central,
de acordo com cada grau de precisão da avaliação:
Grau I II III
Amplitude do IC de 80% em ≤ 50% ≤ 40% ≤ 30%
torno da estimativa de
tendência central
A avaliação, no caso da questão resolvida, possui IC > 50%, portanto, não

pode ser classificada quanto à sua precisão. Neste caso, o modelo precisa
ser melhor ajustado.

1.6 Inferência
A melhoria do modelo, visando a redução da Amplitude do Intervalo de

Confiança, pode ser realizada aumentando-se o número de dados, revendo-
se a pesquisa (dados amostrais) ou aplicando-se transformações nas escalas
das variáveis.

1.6 Inferência
No caso da questão resolvida, ao experimentar-se a transformação 1/x na
variável “Distância a polo valorizante”, verifica-se que o modelo passa a
apresentar estatísticas de regressão melhores e a ter uma amplitude de IC
de 9,39%, conforme demonstra-se a seguir, com resultados obtidos com os
softwares SISDEA e Action.
Obteve-se assim uma redução da amplitude do IC, o que melhor ajusta o

modelo e permite classificá-lo no grau III de precisão.

Modelo da Questão Resolvida com Transformação 1/x Aplicada na
Variável Distância a Polo, Processado no SISDEA.

Variável Distância a Polo, Processado no SISDEA (Projeção).

Como Aplicar a Transformação 1/x na Variável “Distância a Polo”,
Para Processar o Modelo Transformado no Sistema Action
Para gerar o modelo com a transformação 1/x na variável “Distância a polo

valorizante” no Action, recalcula-se a coluna Dist. para 1/Dist. conforme
demonstrado a seguir.
DADOS ORIGINAIS DADOS TRANSFORMADOS

X1 X2 Y 1/X1 X2 Y
Dados Dist. A P. Unit Dados Dist. A P. Unit
1 0,50 10,0 9,00 1 2,00 10,0 9,00
2 1,00 20,0 6,00 2 1,00 20,0 6,00
3 3,00 30,0 3,00 3 0,33 30,0 3,00
4 2,00 15,0 6,00 4 0,50 15,0 6,00
5 1,00 7,0 8,00 5 1,00 7,0 8,00
Dist. A Dist. A
3,00 12,0 0,33 12,0

Variável Distância a Polo, Processado no Action 2.8
Coeficientes
Intercepto 7,782278205 0,310978163 25,02515973 0,00159297
Dist. 1,492669265 0,156521398 9,536518889 0,010817538
A -0,172207117 0,011225034 -15,3413445 0,004221978

0,158594876 2 0,997627138 0,995254276
Dist. A Valor Ajustado LI LS Desvio Padrão
0,333333 12 6,213348728 5,797804683 6,628892772 0,158594876

1.6 Inferência
1.6.6 Valor Pontual da Avaliação
Qual deve ser o valor pontual adotado como valor avaliado?
O avaliador deve adotar como valor avaliado, preferencialmente, o valor de

tendência central (calculado com a equação de regressão).
Porém, se, por algum motivo, uma ou mais variáveis importantes não foram
consideradas no modelo (por exemplo oferta/venda), o avaliador pode
adotar qualquer valor que pertença simultaneamente ao campo de arbítrio e
ao intervalo de confiança ou de predição, desde que justifique isto no seu
laudo.

1.6 Inferência
1.6.6 Valor Pontual da Avaliação – Valores Admissíveis
A NBR 14653-2/2011
determina em seu
Intervalo de Campo de
Anexo A que o valor
Confiança Arbítrio
pontual da avaliação
deve estar contido
simultaneamente no
Intervalo de Confiança Ou
e no Campo de Arbítrio
ou no Intervalo de
Predição e no Campo Intervalo de Campo de
de Arbítrio. Predição (ou Arbítrio
de Previsão)

1.6 Inferência
Dependendo da dispersão dos pontos amostrais, a amplitude do Intervalo de
Confiança ou do Intervalo de Predição pode ser maior ou menor do que a
amplitude do Campo de Arbítrio (a qual é fixada em 30%).
Intervalo de Confiança ou de Predição

Situação 1: Intervalo de
Confiança ou de
Predição mais amplo do Campo de Arbítrio ±15%
que o Campo de
Arbítrio. Neste caso, os Estimativa de Tendência Central
valores admissíveis
devem pertencer ao
Campo de Arbítrio. Valores Admissíveis
www.certific.net.br

1.6 Inferência
Dependendo da dispersão dos pontos amostrais, a amplitude do Intervalo de
Confiança ou do Intervalo de Predição pode ser maior ou menor do que a
amplitude do Campo de Arbítrio (a qual é fixada em 30%).
Situação 2: Campo de Intervalo de Confiança ou de Predição

Arbítrio mais amplo do
que o Intervalo de
Confiança ou o de Campo de Arbítrio ±15%
Predição. Neste caso,

os valores admissíveis Estimativa de Tendência Central
devem pertencer ao
Intervalo de Confiança
ou ao de Predição. Valores Admissíveis
www.certific.net.br

1.6 Inferência
Valor Pontual da Avaliação Para um Modelo sem a Variável
“Transação”
Geralmente, quando o avaliador não dispõe da quantidade mínima de dados

de imóveis vendidos ou efetivamente alugados recomendada pelo Anexo A da
NBR 14653-2/2011 em sua amostra, é preferível não considerar a variável
“transação” no modelo.
Esta variável transação aqui mencionada será melhor definida e
caracterizada nos capítulos 2 e 3 deste módulo.

1.6 Inferência
“Transação”
Neste caso, sugere-se adotar como valor avaliado (em ordem de preferência)
um dos seguintes:
a) Se o imóvel avaliando tiver características diferentes dos imóveis da
amostra (caso mais comum):
• O valor do limite inferior do intervalo de predição (desde que este esteja
dentro do campo de arbítrio);
• O valor do limite inferior do intervalo de confiança (desde que este
esteja dentro do campo de arbítrio);
• O valor do limite inferior do campo de arbítrio.

1.6 Inferência
“Transação”
Neste caso, sugere-se adotar como valor avaliado (em ordem de preferência)
um dos seguintes:
b) Se o imóvel avaliando tiver características iguais a pelo menos um dos
imóveis da amostra:
• O valor do limite inferior do intervalo de confiança (desde que este esteja

• O valor do limite inferior do intervalo de predição (desde que este esteja
• O valor do limite inferior do campo de arbítrio.
2 TIPOS DE VARIÁVEIS INDEPENDENTES

PARA MODELOS DE AVALIAÇÕES DE
IMÓVEIS URBANOS
Na construção dos modelos de regressão

para avaliações de imóveis urbanos, a
norma brasileira recomenda que, sempre
que possível, deve-se adotar variáveis
quantitativas – aquelas que podem ser
medidas ou contadas (área, frente,
número de vagas de garagem, número de
suítes etc.).

IMÓVEIS URBANOS
As diferenças qualitativas das características dos

imóveis podem ser especificadas por meio dos
seguintes tipos de variáveis, em ordem de
prioridade:
a) variáveis dicotômicas
b) variáveis proxy
c) variáveis de códigos alocados

IMÓVEIS URBANOS
a) Variáveis dicotômicas (binárias ou dummy)
São variáveis que expressam características qualitativas por meio de códigos

que assumem somente dois valores: um (1) e zero (0). Um para o caso
afirmativo e zero para o caso negativo.
Exemplo: o imóvel está

numa esquina? Sim =1,
não =0)

IMÓVEIS URBANOS
b) Variáveis proxy
Variáveis utilizadas para expressar características qualitativas por meio de

escalas de valores ou por meio de indicadores, apropriados de tabelas ou
trabalhos científicos publicados.
Exemplo: variável “padrão construtivo” expressa por meio dos valores do CUB
para o tipo de edificação).

IMÓVEIS URBANOS
c) Variáveis de Códigos Alocados
Variáveis utilizadas para expressar características qualitativas por meio de

escalas de códigos alocados, por exemplo: padrão construtivo baixo igual a 1,
normal igual a 2 e alto igual a 3.

IMÓVEIS URBANOS
A escala de códigos alocados deve iniciar com o código 1, utilizando
números naturais e crescentes.
Ex.2: Setor Urbano (bairro)

1 = menos valorizado;
2 = de média valorização;
3 = mais valorizado.

IMÓVEIS URBANOS
Dica para o avaliador:
As variáveis do tipo códigos alocados podem ser transformadas em variáveis do tipo
dicotômicas. Isto poderá melhorar a precisão do modelo. Exemplo:
Variável Valores Transformada em Valores

Códigos 02 Variáveis
Alocados Dicotômicas
Menos valorizado = 1 Imóvel em setor Sim = 1
menos valorizado
Não = 0
Setor De média valorização = 2 Imóvel em setor de Sim = 1
Urbano média valorização
Não = 0
Mais valorizado = 3 -
-
-
3 VARIÁVEIS INDEPENDENTES POR TIPO

DE IMÓVEL URBANO
Tipo de Imóvel Variáveis Independentes (explicativas) Tipo de Variável

Sugeridas
Área do terreno (At) Quantitativa
Área construída (Ac) Quantitativa
Área construída sobre área do terreno (Ac/At) Quantitativa
Vagas de garagem/estacionamento Quantitativa
Distância a polo valorizante Quantitativa
Casas Transação (oferta/venda ou oferta/aluguel) Dicotômica (0 ou 1)
Esquina (sim ou não) Dicotômica (1 ou 0)
Avenida (sim ou não) Dicotômica (1 ou 0)
Padrão construtivo proxy ou códigos alocados
Estado de conservação Proxy ou códigos alocados
Setor urbano (zona ou bairro) Proxy ou códigos alocados
Data Códigos alocados

DE IMÓVEL URBANO
Tipo de Imóvel Variáveis Independentes (explicativas) Tipo de Variável

Sugeridas
Área Quantitativa
Frente Quantitativa
Múltiplas frentes Quantitativa
Terrenos Transação (oferta/venda ou oferta/aluguel) Dicotômica (1 ou 0)
Topografia (plana ou acidentada) Dicotômica (1 ou 0)
Avenida/Estrada (sim ou não) Dicotômica (1 ou 0)
Setor urbano (zona ou bairro) Proxy ou códigos
alocados
Índice fiscal (da planta de valores municipal) Proxy

DE IMÓVEL URBANO
Tipo de Imóvel Variáveis Independentes (explicativas) Sugeridas Tipo de variável

Área privativa Quantitativa
Vagas de garagem Quantitativa
Número de suítes Quantitativa
Apartamentos Altura/pavimento Quantitativa
Revestimento externo cerâmica Dicotômica (1 ou 0)
Transação (oferta/venda ou oferta/aluguel) Dicotômica (1 ou 0)
Setor urbano (zona ou bairro) Proxy ou códigos alocados
Padrão construtivo Proxy ou códigos alocados
Estado de conservação Proxy ou códigos alocados
Área de lazer do condomínio Códigos alocados

DE IMÓVEL URBANO
Tipo de Imóvel Variáveis Independentes (explicativas) Tipo de variável

Sugeridas
Área coberta Quantitativa
Vagas de estacionamento Quantitativa
Distância a Polo Valorizante Quantitativa
Imóveis Corredor Comercial/Avenida Dicotômica (1 ou 0)
comerciais Transação (oferta/venda ou oferta/aluguel) Dicotômica (1 ou 0)
Estado de Conservação Proxy ou códigos alocados
Setor Urbano (zona ou bairro ) Proxy ou códigos alocados

DE IMÓVEL URBANO
Observações adicionais sobre a escolha das variáveis independentes /
explicativas
• A adoção das variáveis explicativas de cada modelo vai depender
principalmente do conhecimento do avaliador sobre as características
valorizantes e desvalorizantes do imóvel avaliando, no mercado e no
período analisado;
• As variáveis explicativas que apresentarem significâncias individuais
maiores do que 30%, devem ser descartadas do modelo, pois não são
importantes na explicação do preço de mercado;
• Todas as variáveis podem ser transformadas, incluindo as de códigos
alocados. Entretanto, as variáveis dicotômicas e aquelas que apresentem
valores 0 (zero) ou negativo, não serão transformadas. As dicotômicas não
alteram o resultado da regressão e as de valores zero ou negativo não
permitem transformações para a forma inversa e Ln.
(continua)

DE IMÓVEL URBANO
Observações adicionais sobre a escolha das variáveis independentes /
explicativas
• Se forem adotadas no modelo variáveis dicotômicas ou de

códigos alocados ou ajustados, deve existir na amostra um
número mínimo de dados com as mesmas características (𝑛𝑖 ),
calculado conforme o algoritmo do Anexo A da NBR 14653-
2/2011, em função do número de elementos amostrais (n):
• para n ≤ 30, 𝑛𝑖 ≥ 3
• para 30 < n ≤ 100, 𝑛𝑖 ≥ 10% n
• para n > 100, 𝑛𝑖 ≥ 10
4 SOLUÇÕES SUGERIDAS PARA OS

PRINCIPAIS PROBLEMAS DE FALTA DE
AJUSTE EM MODELOS DE REGRESSÃO
LINEAR EM AVALIAÇÃO IMOBILIÁRIA
Nesta seção são sugeridas soluções para os

principais problemas de falta de ajuste em
modelos de regressão linear múltiplos
aplicados à avaliação de imóveis urbanos,
tais como micronumerosidade,
heterocedasticidade, multicolinearidade,
pontos influenciantes etc.

PROBLEMA SOLUÇÃO
Micronumerosidade Coletar no mínimo 03 dados para cada valor da escala de códigos alocados ou de
variável dicotômica, quando n ≤ 30
Significância de Variáveis • Eliminar, uma a uma, as variáveis com α ≥ 30%. Eliminar primeiro a que tiver
Independentes > 30% maior 𝛼 e ver como ficou o modelo. Depois, eliminar a que tiver o segundo maior
𝛼 e assim por diante, até não haver nenhuma variável com 𝛼 ≥ 30% no modelo ;
ou
• Rever os dados.
R2 ≤ 0,49 Testar:
1. Transformar as escalas das variáveis;
2. Retirar dados influenciantes (dados com resíduos relativos > 40%);
3. Retirar variáveis (as de maior 𝛼);
4. Operar variáveis correlacionadas (área construída /área do terreno)
5. Incluir mais dados;
6. Incluir novas variáveis;
Significância do Modelo ≥ 0,05 Idem.

PROBLEMA SOLUÇÃO
Resíduos Não Normais Retirar dados outlier e/ou dados influenciantes (dados com resíduos relativos >
40%) um a um. A cada dado retirado, ver como ficou o modelo. Pode-se
substituir esses dados retirados por novos dados.
Multicolinearidade (correlações Experimentar:
isoladas maiores do que 80%) 1. Transformar as escalas das variáveis (principalmente das independentes);
2. Eliminar uma das variáveis correlacionadas (escolher a que tiver menor t em
módulo ou maior 𝛼); ou
3. Operar as duas variáveis correlacionadas (Ex: área construída/área total).
Heterocedasticidade Retirar dados outlier e/ou dados influenciantes (dados com resíduos relativos >
40%), um de cada vez. A cada dado retirado, ver como ficou o modelo. Pode-se

PROBLEMA SOLUÇÃO
Pontos Influenciantes Retirar dados com resíduos relativos > 40%, um de cada vez, começando pelo de
maior resíduo relativo. A cada dado retirado, ver como ficou o modelo. Pode-se
Inversão de Sinais das Variáveis no 1. Ver se as restrições dos sinais das variáveis estão corretamente especificados no
Modelo software, na área de cálculo. Se não, corrigir a especificação dos sinais no
software. Se os sinais das variáveis tiverem sido especificados corretamente e
houver inversão de sinais das variáveis no modelo, reanalisar os dados. Obs.: se a
variável dependente (Y) estiver invertida (1/Y) , os sinais das variáveis
independentes poderão estar invertidos na equação e , mesmo assim, estarem
corretos.
2. Pode-se retirar dados outlier e/ou dados influenciantes (dados com resíduos
relativos > 40%) um de cada vez. A cada dado retirado, ver como ficou o modelo.
Pode-se substituir esses dados retirados por novos dados.;
3. Rever os dados e ver se não está faltando uma variável importante no modelo.

PROBLEMA SOLUÇÃO
Amplitude da Estimativa em Testar:
Torno da Tendência Central ≥ 1. Transformar a escala de uma ou mais variáveis (principalmente das
50% independentes);
2. Aumentar o número de elementos amostrais;
3. Deixar na amostra apenas dados semelhantes ao avaliando em termos
de características das variáveis adotadas no modelo. Ex.: A área de um
imóvel da amostra não deve ser maior do que 100% nem menor do que
50% da área do imóvel avaliando;
4. Retirar dados outlier e/ou dados influenciantes (dados com resíduos
relativos > 40%) um a um. A cada dado retirado, ver como ficou o
modelo. Pode-se substituir esses dados retirados por novos dados.
PRINCIPAIS SOFTWARES ESPECIALIZADOS

EM AVALIAÇÃO IMOBILIÁRIA DISPONÍVEIS
NO MERCADO
SISTEMA CARACTERÍSTICAS PRINCIPAIS ONDE ENCONTRAR
SISDEA Home Para Windows. Software especializado em avaliação http://www.pellisistemas.com/nov

imobiliária por Regressão Linear, Redes Neurais o/index.php/softwares/sisdea
Artificiais e DEA. Adaptado à norma técnica
brasileira.
SAB Para Windows. Software especializado em avaliação http://www.dantasengenharia.co
imobiliária. Possui um módulo específico para m/produtos/categoria/softwares/
Regressão Linear. Adaptado à norma técnica
brasileira.
CASTLER Funciona via internet. Software especializado em http://www.castler.com.br/Default
avaliação imobiliária por regressão linear. Adaptado .aspx
à norma técnica brasileira.
5 QUESTÕES RESOLVIDAS
As questões, neste capítulo, que envolvem cálculos para geração de modelos

de regressão linear foram resolvidas com o uso dos softwares indicados em
cada caso.
Devido ao grande volume de cálculos que são necessários para avaliar

imóveis por regressão linear, é recomendável que o aluno disponha de um
software para melhor compreender as questões aqui resolvidas e para
resolver as questões da avaliação online deste módulo.
4.1 Uma pesquisa de dados para a avaliação de um apartamento pelo método
comparativo de dados de mercado por regressão linear múltipla resultou numa
amostra com 21 dados. O avaliador adotou no seu modelo as variáveis independentes
área privativa, área comum e padrão construtivo. Em sua amostra há 03
apartamentos em edifícios de alto padrão construtivo e 18 apartamentos em edifícios
de padrão construtivo normal.
Julgue a afirmação seguinte:
A amostra está com micronumerosidade e não atende à norma técnica brasileira

vigente.
( ) Certo
( ) Errado
Resposta e comentário da questão 4.1
Embora a amostra não esteja equilibrada, o número de dados de mesma característica com
relação à variável “padrão construtivo” (03 dados) atende ao algoritmo da norma, para uma
amostra de até 30 dados.
Gabarito: Errado
4.2 Um avaliador pesquisou 25 dados para avaliar um terreno urbano e adotou no seu
modelo as seguintes variáveis independentes: Área, Avenida, Setor e Transação.
Ajustado o modelo, nenhuma das variáveis independentes apresentou nível de
significância (bicaudal) maior do que 20% no teste t.
Quanto ao número de dados amostrais em função do número de variáveis

independentes e quanto às significâncias das variáveis independentes, a avaliação
pode ser classificada no grau II de fundamentação.
( ) Certo
( ) Errado
Quanto ao número de dados amostrais, em função do número de variáveis independentes,

para ser classificada no grau II de fundamentação, é preciso atender, no mínimo, à equação:
4(k + 1), onde k é o número de variáveis independentes. No caso, k=4 e o mínimo de dados é
20. Sendo 25 o número de dados amostrais pesquisados, este é superior ao mínimo para o
grau II.
As significâncias individuais das variáveis independentes no teste t precisam ser menores do

que 20%, para que a avaliação seja classificada no grau II de fundamentação, o que é o caso
no problema.
Portanto, pelos dois critérios, a avaliação em pauta pode ser classificada no grau II de
fundamentação.
Gabarito: Certo
4.3 Um modelo de regressão linear múltipla com três variáveis independentes em
escala original (X) foi gerado a partir de 27 dados de imóveis pesquisados no
mercado, para a avaliação de uma casa unifamiliar. Ao analisar o modelo com um
software, o avaliador verificou que há dois pontos outlier e dois pontos
influenciantes na amostra e que a amplitude do intervalo de confiança e do intervalo
de predição a partir da estimativa de tendência central do modelo é superior a 50%.
Para melhor ajuste do modelo, com relação aos pontos outlier e influenciantes,
recomenda-se que o avaliador retire da amostra os pontos influenciantes e, em
seguida experimente retirar da amostra os pontos outlier (um de cada vez) e ver
como ficou o ajuste do modelo. Para reduzir a amplitude dos intervalos de confiança
e de predição, recomenda-se que o avaliador: (1) experimente transformações nas
escalas da variáveis; (2) aumente o número de dados amostrais, incluindo dados com
características mais próximas das do imóvel avaliando.
( ) Certo
( ) Errado
As medidas recomendadas estão de acordo com as orientações do capítulo 4 deste módulo

para melhoria do ajuste de modelos de regressão.
Gabarito: Certo
4.4 Para a avaliação do valor do aluguel de um imóvel comercial, um engenheiro
gerou e ajustou um modelo de regressão linear múltipla com quatro variáveis
independentes (Área privativa, Vagas de estacionamento, Setor urbano e
Transação). Ao projetar as características do imóvel avaliando no software de
avaliação utilizado, o mesmo retornou o valor de tendência central de
R$ 6.328,00. Os limites superior e inferior do campo de arbítrio, portanto, são
R$ 7.277,20 e R$ 5.378,80. O intervalo de confiança, por sua vez, apresentou
uma amplitude de 32,26%.
Os valores pontuais admissíveis de avaliação estão, neste caso, entre os limites

superior e inferior do intervalo de confiança.
( ) Certo
( ) Errado
A amplitude do Intervalo de Confiança (IC), neste caso, está mais ampla do que a amplitude
do Campo de Arbítrio (que sempre é de 30%). Então, os valores admissíveis de avaliação estão
entre os limites superior e inferior do Campo de Arbítrio, e não do IC.
Gabarito: Errado
5 QUESTÕES RESOLVIDAS Area

Lazer
Idade Padrão Valor
privativa real construtivo unitário
47 3 1 2 6.224,26
4.5 Para a avaliação de um apartamento residencial, 124 4 3 3 5.942,74
75 4 3 2 5.977,33
um arquiteto pesquisou apartamentos em um 175 4 3 2 4.872,57
bairro predominantemente residencial, reunindo 62 4 2 3 6.690,32
os 30 dados que estão na tabela ao lado. As 62 4 2 3 6.690,32
62 4 2 3 6.690,32
variáveis explicativas adotadas no modelo 77 4 2 3 6.415,58
foram: Área privativa (Ap); Equipamentos de 77 4 2 3 6.415,58
lazer (Lz); Idade real (Id); e Padrão construtivo 74 4 2 3 6.281,08
68 4 2 3 6.441,18
(Pdr). Os dados do imóvel avaliando são: Ap = 55 3 4 2 5.995,45
140 m2, Lz = 3, Idade = 5 anos, Pdr = 2 (normal). 55 3 4 2 5.995,45
47 3 3 2 6.204,00
Julgue a afirmação seguinte: 129 4 3 3 5.626,05
129 4 3 3 5.626,05
67 4 3 2 5.901,49
O modelo gerado sem transformação de variáveis 73 4 3 3 6.049,32
apresentou multicolinearidade, verificando-se alta 60 4 3 2 6.261,40
57 3 3 2 5.928,07
correlação entre as variáveis Lazer e Idade real. 57 3 3 2 5.927,37
55 3 4 2 5.890,91
( ) Certo 67 4 3 2 5.908,96
140 2 15 3 5.028,57
( ) Errado 150 2 16 3 4.688,00
150 2 17 2 4.688,00
130 2 20 3 4.993,08
120 3 5 2 5.323,00
80 4 4 2 6.022,50
| http://www.certific.net.br/ 66 4 3 2 6.145,45
Entrando os dados no sistema Action e no SISDEA, obteve-se o seguinte modelo:
Valor unitário = 5418,153682 - 11,35013106*Area privativa + 194,2948081*Lazer -

19,04811917*Idade real + 354,2412159*Padrão construtivo
Coeficientes (P-valor*100)
Preditor Estimativa Desvio Padrão Estat.t P-valor Significância
Intercepto 5418,153682 251,6105241 21,53389133 1,17569E-17
Area_privativa -11,35013106 0,951823154 -11,92462172 8,22087E-12 0,00
Lazer 194,2948081 71,70942687 2,709473727 0,011992174 1,20
Idade_real -19,04811917 12,18810072 -1,562845567 0,130660197 13,07
Padrão_construtivo 354,2412159 56,34693706 6,286787434 1,40651E-06 0,00

Desvio Padrão dos ResíduosGraus de Liberdade R^2 R^2 Ajustado
136,2809959 25 0,950365425 0,942423893
Area_privativa Lazer Idade_real Padrão_construtivo Valor Ajustado LI LS Desvio Padrão
140 3 5 2 5025,261594 4821,303778 5229,21941 136,2809959
Nota: veja o tutorial do Action que consta no material adicional deste módulo.
Resposta e comentário da questão 4.5 (conclusão)
Observando a tabela de correlações individuais entre as variáveis, verifica-se que a

correlação entre as variáveis Lazer e Idade está alta (0,82), ultrapassando o limite
permitido pela norma (0,80).
Gabarito: Certo
Nota: veja o tutorial do Action que consta no material adicional deste módulo.
4.6 Com os mesmos dados e variáveis da questão 4.5, gere um modelo com
transformação Ln(x) da variável Idade real e julgue a afirmação seguinte:
O modelo gerado com esta transformação de variável ficou melhor ajustado e

atendeu ao prescrito pela norma técnica brasileira.
( ) Certo
( ) Errado
5 QUESTÕES RESOLVIDAS Area

Lazer
Ln Idade Padrão Valor
privativa real construtivo unitário
47 3 0,000000 2 6.224,26
Resposta e comentário da questão 4.6 124 4 1,098612 3 5.942,74
75 4 1,098612 2 5.977,33
Transforma-se a variável Idade real com o Action 175 4 1,098612 2 4.872,57
62 4 0,693147 3 6.690,32
aplicando Ln nos dados da coluna “Idade real”, obtendo-
62 4 0,693147 3 6.690,32
se a nova coluna “Ln Idade real” como na tabela ao lado. 62 4 0,693147 3 6.690,32
Aplica-se Ln também no dado do imóvel avaliando, 77 4 0,693147 3 6.415,58
relativo à Idade real como na tabela abaixo. 77 4 0,693147 3 6.415,58
74 4 0,693147 3 6.281,08
Dados do imóvel avaliando 68 4 0,693147 3 6.441,18
Area Ln Idade Padrão 55 3 1,386294 2 5.995,45
Lazer
privativa real construtivo 55 3 1,386294 2 5.995,45
140 3 1,609438 2 47 3 1,098612 2 6.204,00
129 4 1,098612 3 5.626,05
Processando-se os novos dados no sistema Action, 129 4 1,098612 3 5.626,05
67 4 1,098612 2 5.901,49
obteve-se o seguinte modelo: 73 4 1,098612 3 6.049,32
60 4 1,098612 2 6.261,40
Valor unitário = 5579,437577 - 10,95328402*Area 57 3 1,098612 2 5.928,07
privativa + 190,3855326*Lazer - 59,5522496 * ln (Idade 57 3 1,098612 2 5.927,37
55 3 1,386294 2 5.890,91
real) + 324,7170092*Padrão construtivo. 67 4 1,098612 2 5.908,96
140 2 2,708050 3 5.028,57
150 2 2,772589 3 4.688,00
150 2 2,833213 2 4.688,00
130 2 2,995732 3 4.993,08
120 3 1,609438 2 5.323,00
80 4 1,386294 2 6.022,50
66 4 1,098612 2 6.145,45
Resposta e comentário da questão 4.6 (continuação)
Observa-se que no modelo transformado com Ln(Idade) as estatísticas da regressão são melhores
do que no modelo sem transformação de variável (o desvio padrão é menor, a amplitude do IP é
menor), e que no modelo transformado não há correlação maior do que 0,80 entre variáveis
independentes.

Desvio Padrão dos ResíduosGraus de Liberdade R^2 R^2 Ajustado
130,5217387 25 0,954471912 0,947187418
Area_privativa Lazer Ln_Idade_real Padrão_construtivo Valor Ajustado LI LS Desvio Padrão
140 3 1,609437912 2 5009,778991 4820,553726 5199,004257 130,5217387
Colinearidade
Area_privativa Lazer Ln_Idade_real Padrão_construtivo
Area_privativa 1 -0,32259849 0,624537835 0,273659396
Lazer -0,322598485 1 -0,783927493 0,136480208
Ln_Idade_real 0,624537835 -0,78392749 1 0,017172713
Padrão_construtivo 0,273659396 0,136480208 0,017172713 1
Este modelo passa nos testes exigidos pela NBR 14653-2/2011, quanto à significância do modelo
pelo teste F, significâncias das variáveis pelo teste t, linearidade, normalidade,
homocedasticidade, multicolinearidade, outliers, pontos influenciantes, e Amplitude do
intervalo de confiança ou de predição. O modelo também se mostra coerente quanto aos sinais
das variáveis independentes.
Gabarito: Certo
4.7 Para a avaliação do preço de venda de uma casa de um pavimento, um avaliador
pesquisou casas em quatro diferentes bairros predominantemente residenciais,
reunindo os 17 dados que estão na tabela na próxima página. Foram
experimentadas diversas variáveis explicativas, porém as adotadas no modelo
final foram: Setor urbano e Área construída sobre Área do terreno (Acon/At). As
variáveis do imóvel avaliando são: Setor urbano = 2, Acon/At = 0,48.
O modelo gerado sem transformação de variáveis apresenta boas estatísticas,

portanto, pode ser adotado como modelo definitivo de avaliação, sem necessidade de
experimentar transformações nas variáveis.
( ) Certo
( ) Errado
17 dados pesquisados, referentes à questão 4.7.
Acon sobre Valor

Dado Setor
At unitário
1 1 0,53 1.259,54
2 1 0,44 1.162,19
3 3 0,46 2.331,00
4 3 0,88 2.003,68
5 1 0,87 1.357,00
6 3 0,51 2.385,32
7 2 0,56 1.724,13
8 3 0,58 1.814,88
9 3 0,42 1.734,58
10 3 0,41 1.497,01
11 2 0,9 1.500,00
12 3 0,51 2.446,48
13 3 0,41 1.818,18
14 4 0,7 2.500,00
15 4 0,95 3.000,00
16 2 0,49 1.515,00
17 4 0,95 2.393,16
Alguns resultados do modelo da questão 4.7, obtidos com o Action:
Coeficientes
Preditor Estimativa Desvio Padrão Estat.t P-valor Significâncias teste t
Intercepto 538,3421508 266,9391505 2,016722349 0,063325235
Setor 426,6014992 72,40302549 5,892039681 3,9218E-05 0,00 < 30 = Ok.
Acon_sobre_At 387,2531668 351,6631835 1,101204746 0,289380758 28,94 < 30 = Ok.

281,8451163 14 0,743455117 0,706805847
Setor Acon_sobre_At Valor Ajustado LI LS Desvio Padrão
2 0,48 1577,426669 1178,905228 1975,94811 281,8451163 Ampl. IP 50,53%
Apesar de que o modelo, devido às suas estatísticas, passa nos testes da norma
técnica, os dados imobiliários normalmente estão em escala logarítmica Ln(x) e/ou
inversa (1/x); por isto, deve-se sempre testar transformar as escalas de algumas
variáveis para ver se é possível conseguir um melhor ajuste do modelo.
Gabarito: Errado
4.8 Com os mesmos dados e variáveis da questão 4.7, gere um modelo com
transformação 1/x na variável Acon/At e Ln(y) na variável Vu e julgue a
afirmação seguinte:
O modelo gerado com essas transformações de variáveis apresentou melhor 𝑅2 ,

atendeu ao prescrito pela norma técnica brasileira quanto aos demais testes e
apresenta amplitude do IC menor do que 50%.
( ) Certo
( ) Errado
Alguns resultados do modelo da questão 4.8 obtidos com o Action:
Coeficientes
Preditor Estimativa Desvio Padrão Estat.t P-valor Signif. teste t
Intercepto 7,049813469 0,161268983 43,71462719 2,26175E-16
Setor 0,232820647 0,03375 6,898389574 7,343E-06 0,00
Inverso_Acon_sobre_At -0,083316479 0,065533299 -1,271360982 0,224317106 22,43

0,132416427 14 0,793942173 0,76450534
Setor Inverso_Acon_sobre_At Valor Ajustado LI LS Desvio Padrão
2 2,083333333 7,341878765 7,154929043 7,528828487 0,132416427
Como o Valor unitário está em escala Ln, para obtermos a equação, aplicamos
exponencial. A equação deste modelo, então, é:
0,083316479
(7,049813469 + 0,232820647∗𝑆𝑒𝑡𝑜𝑟 − 𝐴𝑐𝑜𝑛 )
𝑉𝑎𝑙𝑜𝑟 𝑢𝑛𝑖𝑡á𝑟𝑖𝑜 = 𝑒 𝐴𝑡
Resposta e comentário da questão
4.8 (continuação) Outliers em X Outliers em X
0.55
0.35 0.50
0.45 Critério = 0.47
0.30 0.40
hii (Leverage)
hii (Leverage)
0.35
0.25
0.30
0.20 0.25
0.20
0.15 0.15
0.10
0.10 0.05
0.00
Gráfico “Resíduos
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
Observações
Padronizados x Valores
Ajustados” do modelo Res. Padronizado vs Valores Ajustados Res. Studentizado vs Valores Ajustados
indicam normalidade e 2.0 2.0
homocedasticidade.
Resíduos Studentizados
Resíduos Padronizados
1.5 1.5
1.0 1.0
0.5 0.5
0.0 0.0
-0.5 -0.5
-1.0 -1.0
-1.5 -1.5
-2.0 -2.0 10
7.1
7.2
7.3
7.4
7.5
7.6
7.7
7.8
7.9
7.1
7.2
7.3
7.4
7.5
7.6
7.7
7.8
7.9
Valor Ajustado Valor Ajustado
Como se pode ver, o 𝑅2 deste modelo é 0,7939 (mais alto do que o do modelo sem
transformações de variáveis). O modelo não apresenta nenhuma variável
independente com significância maior do que 30% no teste t. Não há correlação entre
as variáveis independentes maior do que 0,80.
Colinearidade
Setor Inverso_Acon_sobre_At
Setor 1 -0,175448858
Inverso_Acon_sobre_At -0,175448858 1
Não há outliers nem pontos influenciantes. Além disso, os sinais das variáveis do
modelo estão coerentes com o comportamento esperado no mercado.
Falta só conferir as amplitudes do IP e do IC.
Cálculo do IP
Como a variável Y (Valor unitário) está em escala Ln, para encontrarmos o real valor
de tendência central (Yh), aplicamos exponencial ao Valor Ajustado obtido no Action:
𝑌ℎ = 𝑒 𝑉𝑎𝑙𝑜𝑟 𝐴𝑗𝑢𝑠𝑡𝑎𝑑𝑜 = 𝑒 7,34187876527829
𝑌ℎ = 1.543,61
Também aplicamos exponencial ao LI e LS obtidos no Action, para determinarmos o
Limite superior (Ls) e o Limite inferior (Li) do IP:
𝐿𝑠 = 𝑒 𝐿𝑆 = 𝑒 7,52882848712983 = 1.860,92
𝐿𝑖 = 𝑒 𝐿𝐼 = 𝑒 7,15492904342675 = 1.280,40
Cálculo da Amplitude do IP
𝑌ℎ = 1.543,61
(𝐿𝑠 − 𝑌ℎ )
Ampl. % = 2 × 100 𝐿𝑠 = 1.860,92
𝑌ℎ
(1860,92 − 1543,61)
Ampl. % = 2 × 100 = 41,11%
1543,61
O modelo, portanto, apresenta melhor 𝑅2 , atendeu ao prescrito pela norma técnica

brasileira quanto aos demais testes e apresenta amplitude do IP menor do que 50%.
Como, por definição, a amplitude do IC é sempre menor do que a do IP, conclui-se
que a amplitude do IC deste modelo é menor do que 50% (sendo menor do que o
máximo permitido pela norma técnica).
Gabarito: Certo
4.9 Sabe-se que a variável “Transação” é importante na avaliação de imóveis, pois mede a
variação média entre os valores de imóveis em oferta e os efetivamente
comercializados.
Tendo em vista que no modelo da questão 4.8 a variável “Transação” não foi considerada,
julgue a afirmação seguinte.
O valor pontual a ser adotado pelo avaliador como valor avaliado unitário deve ser
R$ 1.280,40.
( ) Certo
( ) Errado
Como a amplitude do Campo de Arbítrio sempre, por norma, é de 30%, este é um caso em que o
Intervalo de Predição é mais amplo do que o Campo de Arbítrio. Em tal situação, os valores
admissíveis estarão contidos nos limites do Campo de Arbítrio (𝑌ℎ ± 15%) e, como no modelo
não foi considerada a variável Transação, deve-se adotar como valor pontual de avaliação, o
Limite inferior do Campo de Arbítrio.
Cálculo do Li do Campo de Arbítrio
𝐿𝑖 𝑑𝑜 𝐶𝐴 = 𝑌ℎ − (𝑌ℎ *0,15)
𝐿𝑖 𝑑𝑜 𝐶𝐴 = 1543,61 − 1543,61 ∗ 0,15 = 𝑅$ 1.312,07
O valor pontual a adotar como valor unitário avaliado é R$ 1.312,07 e não R$ 1.280,40.
Gabarito: Errado
4.10 Para a avaliação do preço de aluguel de um imóvel comercial, um avaliador
pesquisou imóveis semelhantes no mesmo bairro do imóvel avaliando, reunindo
os 17 dados que estão na tabela na próxima página. Foram experimentadas
diversas variáveis explicativas, porém as adotadas no modelo final foram:
Ln(Área construída) e 1/Vagas de estacionamento. As variáveis características do
imóvel avaliando são dadas na próxima página.
O modelo gerado é Valor unitário = 102,150261-12,46548965*Ln(Área construída)-

41,96607628/Vagas de estacionamento e passa nos testes de hipóteses, mas
apresenta heterocedasticidade e multicolinearidade, portanto não deve ser usado
para avaliação.
( ) Certo
( ) Errado
17 dados pesquisados, referentes à questão 4.10.
Inverso Vagas
Ln Área Valor
de
construída unitário
estacionamento
Dados
1 6,5582 0,1429 15,60
4 6,0162 0,3333 10,24
5 5,4381 0,2500 21,74
6 6,6846 0,2500 11,25 Dados característicos do imóvel avaliando.
8 6,2146 0,2000 13,00
9 7,0901 0,1000 8,33 Inverso Vagas
Área Vagas de Ln Área
10 6,1092 0,2500 13,33 de
construída estacionamento construída
11 6,4677 0,2000 13,98 estacionamento
12 6,6333 0,2500 10,53 329,00 14 5,80 0,071428571
14 5,8861 0,5000 9,72
15 6,1092 0,1000 23,33
17 6,9078 0,1429 10,00
18 5,3279 0,2500 29,13
19 5,7807 0,2500 21,60
20 6,3969 0,2500 11,67
23 5,5215 0,2000 24,00
26 6,0355 0,3333 10,05
Coeficientes
Preditor Estimativa Desvio Padrão Estat.t P-valor Significância teste t
Intercepto 102,150261 8,709681442 11,72835789 1,2542E-08
Ln_Área_construída -12,46548965 1,278624467 -9,749140559 1,27844E-07 0,00
Inverso_Vagas_de_estacionamento -41,96607628 6,728451527 -6,237107619 2,17354E-05 0,00

2,354998136 14 0,87801661 0,860590412
Ln_Área_construída Inverso_Vagas_de_estacionamento Valor Ajustado LI LS Desvio Padrão
5,796057751 0,071428571 26,90198622 23,14568515 30,6582873 2,354998136
Colinearidade
Ln_Área_construída Inverso_Vagas_de_estacionamento
Ln_Área_construída 1 -0,416673048
Inverso_Vagas_de_estacionamento -0,416673048 1
Outliers em X Outliers em X
0.65
0.60
0.5 0.55
10
0.50
0.45 Critério = 0.47
hii (Leverage)
hii (Leverage)
0.4
0.40
0.35
0.3 0.30
0.25
0.2 0.20
0.15
0.10
0.1 0.05
0.00
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
Observações
Res. Padronizado vs Valores Ajustados Res. Studentizado vs Valores Ajustados
2.0 2.5
2.0 13
Resíduos Studentizados
Resíduos Padronizados
1.5
1.5
1.0
1.0
0.5 0.5
0.0 0.0
-0.5 -0.5
-1.0
-1.0
-1.5
-1.5 -2.0
-2.0 -2.5
8
10
12
14
16
18
20
22
24
8
10
12
14
16
18
20
22
24
Valor Ajustado Valor Ajustado
O modelo gerado passa nos testes de hipóteses e não apresenta heterocedasticidade

nem multicolinearidade, portanto pode ser usado para avaliação.
Gabarito: Errado
Você acaba de estudar o conteúdo do Módulo 4. Agora, efetue logon no site da

CERTIFIC NET (www.certific.net.br) com o seu e-mail e senha e realize a
avaliação do módulo, para avançar no curso.
Lembre-se que, se tiver dificuldades na avaliação, o tutor deste curso está à

sua disposição para lhe ajudar. Você pode postar as suas dúvidas no Fórum
online do curso e aguardar a resposta do professor. Caso persistam
dúvidas, entre em contato via e-mail (cursos@certific.net.br).
No próximo módulo você aprenderá a classificar as avaliações quanto

aos graus de fundamentação e de precisão e a elaborar laudos de
avaliações de imóveis urbanos.

4-Regressao Linear Multipla

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

4-Regressao Linear Multipla

Enviado por

Direitos autorais:

Formatos disponíveis

AVALIAÇÃO DE IMÓVEIS

Nobre Júnior, Ernesto Ferreira.

1. Avaliação. 2. Imóveis Urbanos 3. Inferência Estatística. 4. Curso. I. Título

ÍNDICE 1 Regressão Linear Múltipla

1.1 Conceito e Modelo Geral

Módulo 3 1.2 Obtenção da Equação de Regressão 11

1.3 Estatísticas da Regressão 29

1.4 Testes de Hipóteses 34

1.5 Outros Testes Importantes do Modelo 48

4 Soluções Sugeridas para os Principais

1 REGRESSÃO LINEAR MÚLTIPLA

A Regressão Linear Múltipla consiste

1 REGRESSÃO LINEAR MÚLTIPLA

Devido à heterogeneidade dos imóveis

1 REGRESSÃO LINEAR MÚLTIPLA

Enquanto a Regressão Linear Simples

1 REGRESSÃO LINEAR MÚLTIPLA

No caso de um modelo com duas

1 REGRESSÃO LINEAR MÚLTIPLA

1 REGRESSÃO LINEAR MÚLTIPLA

Um modelo geral de regressão múltipla pode ser entendido como uma

𝑌 = β0 + β1X1+ β2X2 + β3X3 + ...βkXk + ε

𝑌 = variável dependente ou explicada, que se constitui no valor avaliado;

1 REGRESSÃO LINEAR MÚLTIPLA

O método mais utilizado para No entanto, para a regressão

1 REGRESSÃO LINEAR MÚLTIPLA

1 REGRESSÃO LINEAR MÚLTIPLA

Para este curso, no entanto,

1 REGRESSÃO LINEAR MÚLTIPLA

O Método dos Mínimos Quadrados (MMQ)

Pelo MMQ, procura-se encontrar as

1 REGRESSÃO LINEAR MÚLTIPLA

1 𝑋11 𝑋21 … 𝑋𝑘1

1 REGRESSÃO LINEAR MÚLTIPLA

1 𝑋11 𝑋21 … 𝑋𝑘1

1 REGRESSÃO LINEAR MÚLTIPLA

A matriz dos resíduos [𝜀] é obtida pela expressão:

1 REGRESSÃO LINEAR MÚLTIPLA

[𝛽] = [𝑋 ′ 𝑋]−1 ∗ [𝑋′𝑌]

1 REGRESSÃO LINEAR MÚLTIPLA

Dados Dist. A P. Unit

1 REGRESSÃO LINEAR MÚLTIPLA

Dados Dist. A P. Unit 1 0,5 10,0 9,00

1 REGRESSÃO LINEAR MÚLTIPLA

1,0 1,0 1,0 1,0 1,0 5,0 7,5 82,0

10,0 20,0 30,0 15,0 7,0 82,0 152,0 1674,0

1 REGRESSÃO LINEAR MÚLTIPLA

1,0191 −0,0832 −0,0464

−0,0464 −0,0609 0,0084

4º Passo: calcular a matriz [𝛽] dos coeficientes:

1 REGRESSÃO LINEAR MÚLTIPLA

A equação de regressão, neste caso, portanto, é:

𝑃. 𝑈𝑛𝑖𝑡. = 10,3852 − 1,0782 ∗ 𝐷𝑖𝑠𝑡. −0,1444 ∗ A

1 REGRESSÃO LINEAR MÚLTIPLA

Pela norma técnica brasileira, um modelo com duas variáveis explicativas

1 REGRESSÃO LINEAR MÚLTIPLA

Apresentamos a seguir o modelo Logo depois das

1 REGRESSÃO LINEAR MÚLTIPLA

Coeficientes Erro padrão Stat t valor-P 95% inferiores95% superiores

1 REGRESSÃO LINEAR MÚLTIPLA

Desvio Padrão dos Resíduos

1 REGRESSÃO LINEAR MÚLTIPLA

1 REGRESSÃO LINEAR MÚLTIPLA