Avaliação de Imóveis

Anexo A da norma 14.653-2

Eng. César Rodrigues

Procedimentos para a utilização de modelos de
regressão linear

• Micronumerosidade - É a utilização de um número

reduzido de elementos amostrais.

Para evitar a micronumerosidade, o número mínimo

de dados efetivamente utilizados (n) no modelo deve
obedecer aos seguintes critérios com respeito ao
número de variáveis independentes (k):
n ≥ 3 (K+1)

Para n ≤ 30, ni ≥ 3
Para 30 < n ≤ 100, ni ≥ 10% n
Para n > 100, ni ≥ 10

Onde
ni é o número de dados de mesma característica, no
caso de utilização de variáveis dicotômicas e
variáveis qualitativas expressas por códigos alocados
ou códigos ajustados.
Linearidade

• No modelo linear para representar o mercado, a variável

dependente é expressa por uma combinação linear das
variáveis independentes

• Observa-se claramente que, mesmo que o Coeficiente de

Determinação do modelo apresente valores próximos de
1,00, indicando boa aderência dos dados à equação de
regressão e reduzindo a variação total em torno do valor
médio da amostra, a dispersão destes dados em torno da
equação de regressão pode mostrar-se heterogênea,
indicando trechos em que o valor médio representativo
está acima de todos os imóveis da amostra, e vice-versa.
• Para contornar esta situação, utiliza-se, como
artifício, transformação matemática nas variáveis, no
intuito de linearizar a dispersão. Neste caso, uma
nova variável, com dependência matemática da
variável transformada, é trazida ao processo de
análise.

• No exemplo, a tentativa de linearização será através

da inversão da variável x, na forma: z = 1/ x,
obtendo-se agora, uma dispersão homogênea dos
valores da amostra em torno da equação
representativa da média (y = A + Bz), sinalizando uma
amostragem aleatória.
Homocedasticidade

• O termo homocedasticidade quer dizer igual (homo),

dispersão (cedasticidade), ou igual variância. Os
erros devem ser variáveis aleatórias com variância
constante.

• A análise gráfica dos resíduos versus valores

ajustados devem apresentar pontos dispostos
aleatoriamente, sem nenhum padrão definido.
Pontos influenciantes ou outliers

• Pontos influenciantes => dados discrepantes para a

variável.

• Outlier é um dado que contém grande resíduo em

relação aos demais que compõem a amostra. Como
sugere a norma, estes pontos podem ser detectados
com facilidade através de uma análise gráfica dos
resíduos padronizados versus os valores ajustados
correspondentes.
 Normalidade
• A verificação da normalidade pode ser realizada, entre outras, pelas
seguintes formas:
A) pelo exame de histograma dos resíduos amostrais padronizados, com o
objetivo de verificar se sua forma guarda semelhança com a da curva
normal;
B) pela comparação da frequência relativa dos resíduos
amostrais padronizados nos intervalos de [-1;+1], [-
1,64;+1,64] e [-1,96;+1,96 ], com as probabilidades da
distribuição normal padrão nos mesmos intervalos, ou seja,
68%, 90% e 95%;
• Multicolinearidade

• A norma preconiza o seguinte:

• Uma forte dependência linear entre duas ou mais

variáveis independentes provoca degenerações
no modelo e limita a sua utilização.
• Para verificação da multicolinearidade deve-se,
em primeiro lugar, analisar a matriz das
correlações, que espelha as dependências
lineares de primeira ordem entre as variáveis
independentes, com atenção especial para
resultados superiores a 0,80.
• Uma sugestão para análise, tanto para
correlações isoladas como com influência,
entre variáveis independentes é:
• Até 0,40 - fraca
• Até 0,60 - média
• Até 0,75 – forte
• Até 0,85 – muito forte (sérias restrições de uso)
• > 0,85 – fortíssima
• É natural em algumas amostras a presença de
correlação entre duas variáveis específicas, como
frente e área, ou área e número de dormitórios.
Nestes casos, o modelo pode ser usado para
imóveis com as mesmas características da
amostra.

• Nos demais casos, a colinearidade deve ser

resolvida com a busca de mais dados para
compor a amostra, ou a eliminação de variável
colinear pouco representativa (ex: topografia e
idade; frente e atratividade).
• Intervalo de confiança
A NBR 14.653-2 exige que se determine um
intervalo de confiança de 80% em torno do
valor central da estimativa, que apresenta
bons indicadores da consistência do modelo
de regressão, pois quando o modelo está
baseado em amostra de pouca qualidade,
com números reduzidos de dados ou ainda,
colinearidade entre as variáveis
independentes, o intervalo de confiança
muitas vezes apresenta-se bastante amplo.
• Campo de arbítrio
Segundo a NBR 14.653-2, o campo de arbítrio
corresponde à semi-amplitude de 15% em
torno da estimativa pontual adotada. Caso
não seja adotada a estimativa pontual, o
engenheiro de avaliações deve justificar sua
escolha.
FIM