Академический Документы
Профессиональный Документы
Культура Документы
i
so os parmet ros da popul ao;
i
so os erros al eat ri os
Os erros al eat ri os represent am os i nmeros f at ores que,
conj unt ament e, podem i nt erf eri r nas observaes da vari vel
dependent e Y (Charnet et al . , 1999, p. 170).
32
A represent ao do model o na f orma mat ri ci al Y = X + , onde:
Y =
(
(
(
n
1
Y
Y
M X =
(
(
(
np n1
1p 11
X X 1
X X 1
L
M O M M
L
=
(
(
(
p
0
M =
(
(
(
n
1
M
A f uno de regresso do model o, descri t a em t ermos de val or
esperado, dada por:
E(Y) =
0
+
1
X
1
+
2
X
2
+ . . . +
p
X
p
Nesse model o, x
j
o val or f i xo da vari vel regressora X
j
,
j =1, 2, . . . , p. Os parmet ros
j
so denomi nados coef i ci ent es de
regresso. Podemos i nt erpret ar
j
como a mudana esperada em Y
devi do ao aument o de uma uni dade em X
j
, est ando as out ras vari vei s
X
k
, k j , f i xas.
O coef i ci ent e
0
o i nt ercept o da superf ci e de respost a
(regresso). Se a abrangnci a do model o i ncl ui (0, 0, . . . , 0) ent o
0
represent a a respost a mdi a E(Y) nest e pont o. Em out ras si t uaes,
0
no t em qual quer out ro si gni f i cado como um t ermo separado no model o
de regresso.
Um dos obj et i vos da anl i se de regresso desenvol ver uma
equao que permi t a ao i nvest i gador est i mar respost as para val ores
dados de vari vei s predi t oras. Para descrever a equao necessri o
est i mar os val ores para os coef i ci ent es de regresso e a vari nci a
2
do erro com os dados observados.
Os coef i ci ent es de regresso podem ser est i mados por vri os
mt odos, um dos mai s usados o mt odo de m ni mos quadrados. Est e
mt odo consi st e em encont rar uma est i mat i va para os parmet ros de
f orma que a soma do quadrado dos erros sej a m ni ma. Os est i madores
gerados por est e mt odo so no vi esados e consi st ent es (Net er e
Wasserman, 1974, p. 37, 226).
33
O est i madores para o vet or de parmet ros e para a vari nci a
2
so dados, respect i vament e, por:
b=(X X)
- 1
X Y e S
2
=(Y-Xb) (Y-Xb)/ (n-p-1).
As suposi es exi gi das para o model o de regresso l i near ml t i pl a,
al m das est i mat i vas dos parmet ros, so as segui nt es:
1) as vari vei s i ndependent es so nmeros reai s sem pert urbaes
al eat ri as.
2) o nmero de observaes, n, deve ser superi or ao nmero de
parmet ros, p, est i mados.
3) os erros so vari vei s al eat ri as com as segui nt es suposi es:
- val or esperado zero - E(
i
) = 0;
- vari nci a const ant e - Var(
i
) =
2
;
- no correl aci onados - Cov(
i
,
j
) = 0, i j .
4) a di st ri bui o dos erros normal ,
i
N(0,
2
). Como os erros so
no correl aci onados, pode-se af i rmar, sob a hi pt ese de
normal i dade, que est es so i ndependent es.
5) no deve exi st i r nenhuma rel ao exat a ent re as vari vei s
i ndependent es.
3. 3 - I NFERNCI A ESTAT STI CA
Os parmet ros popul aci onai s so est i mados pont ual ment e a part i r
de uma amost ra, porm necessri o obt er i nf ormaes sobre seu
comport ament o probabi l st i co. Est e est udo real i zado at ravs dos
i nt erval os de conf i ana e t est es de hi pt eses.
34
3. 3. 1 - I nterval os de Confi ana
O i nt erval o de conf i ana f ornece i nf ormao sobre a preci so das
est i mat i vas. o i nt erval o do qual pode-se af i rmar, com cert a conf i ana,
que o verdadei ro val or de um parmet ro popul aci onal est cont i do nel e,
ou sej a, o i nt erval o de conf i ana est abel ece l i mi t es para o val or obj et o
de est udo. Os i nt erval os de conf i ana mai s usuai s em uma anl i se de
regresso so descri t os a segui r.
I nterval o de confi ana para o parmetro
k
: para o model o onde os
erros t m di st ri bui o normal , o i nt erval o de conf i ana para
k
, dado
por
(b
k
t
( 1- / 2 ; n- p- 1)
. S(b
k
) ; b
k
+ t
( 1- / 2 ; n- p- 1)
. S(b
k
))
onde b
k
o est i mador de
k
, t
( 1- / 2 ; n- p- 1)
o val or da est at st i ca t com
si gni f i cnci a e (n-p-1) graus de l i berdade e S(b
k
) o desvi o-padro
est i mado de b
k
. S
2
(b
k
) o k-si mo el ement o da di agonal pri nci pal da
mat ri z:
S
2
(b)=QME(X X)
- 1
I nterval o de confi ana para val ores mdi os predi tos: o val or mdi o
est i mado para um caso (i mvel ) i dado por b X
'
i i
Y
= , ( | |
i
X 1 X =
'
i
). O
i nt erval o de conf i ana para o val or mdi o est i mado cal cul ado por:
(
i
Y
t
( 1- / 2 ; n- p- 1)
. S(
i
Y
) ;
i
Y
+ t
( 1- / 2 ; n- p- 1)
. S(
i
Y
))
onde
k
Y
)
o desvi o-padro de
i
Y
. S
2
(
i
Y
) dada por
S
2
(
i
Y
)=(QME)
'
i
X (X X)
- 1
X
i
=
'
i
X S
2
(b)X
i
Dest a f orma, poss vel comparar o val or observado com o val or
est i mado e a preci so do aj ust e.
35
I nterval o de confi ana para val ores predi tos: o val or predi t o para um
novo caso observado h dado por b X
'
h
=
h
Y
t
( 1- / 2 ; n- p- 1)
. S(pred) ;
h
Y
+ t
( 1- / 2 ; n- p- 1)
. S(pred)).
Onde
h
Y
onde:
SQR = b X Y - n y
2
, SQE = Y Y b X Y e SQT = SQE + SQR
A exi st nci a de uma rel ao de regresso, por si s, no garant e
que predi es t ei s podem ser f ei t as usando est e model o (Net er et al . ,
1996, p. 230). Est e t est e apenas a pri mei ra et apa na veri f i cao de
acei t ao do model o.
Teste de hi ptese para o parmetro
k
: Aps a veri f i cao de que
pel o menos um dos parmet ros
k
si gni f i cat i vo, deve-se t est ar a
si gni f i cnci a de cada um del es, i st o , para cada parmet ro
k
(k=1, . . . , p), t est am-se as hi pt eses:
H
0
:
k
= 0
H
1
:
k
0
O t est e para cada parmet ro f ei t o ut i l i zando a est at st i ca t de
St udent com (n-p-1) graus de l i berdade, o desvi o padro amost ral S(b
k
)
e o est i mador b
k
. A est at st i ca do t est e dada por
37
t * =
) S(b
b
K
K
Se t *( t
( 1- / 2; n- p- 1)
, o t est e no rej ei t a H
0;
caso cont rri o o t est e
rej ei t a H
0
em f avor de H
1
. A rej ei o de H
0
i ndi ca uma cont ri bui o
si gni f i cat i va da vari vel i ndependent e X
k
no model o.
Teste de hi ptese para um subconj unto de parmetros: Aps o t est e
t sugeri r as vari vei s i ndependent es a serem usadas na equao,
i mport ant e exami nar se a vari vel dependent e pode ser expl i cada pel as
vari vei s sugeri das t o adequadament e quant o por t odas as vari vei s.
Para i st o, t est am-se as hi pt eses:
H
0
:
q+1
=
q+2
= . . . =
p- 1
= 0, q<p
H
1
:
k
0, para al gum k=q+1, . . . , p
onde q represent a os coef i ci ent es no usados na equao.
O t est e f ei t o ut i l i zando a est at st i ca F com (p-q, n-p-1) graus de
l i berdade. A est at st i ca do t est e dada por
F =
1) - p - )/(n R - (1
q) )/(p R - (R
2
p
2
q
2
p
.
Onde
2
p
R o coef i ci ent e de det ermi nao obt i do com o model o
chei o, com t odas as p vari vei s i ndependent es e
2
q
R o coef i ci ent e de
det ermi nao obt i do quando o model o aj ust ado para q vari vei s.
Se F F
( p- q; n- p- 1)
, o t est e no rej ei t a H
0;
caso cont rri o o t est e
rej ei t a H
0
em f avor de H
1
. A acei t ao de H
0
i ndi ca que a vari ao da
vari vel dependent e t o adequadament e expl i cada como o conj unt o
de t odas as vari vei s i ndependent es (Chat t erj ee e Pri ce, 1977, p. 65).
3. 4 - PODER DE EXPLI CAO DO MODELO
O coef i ci ent e de det ermi nao, R
2
, mede o quant o a vari abi l i dade
t ot al dos dados expl i cada pel o model o de regresso. Quant o mai or
38
R
2
, mai s a vari ao t ot al de Y reduzi da pel a i nt roduo das vari vei s
predi t oras. O coef i ci ent e R
2
dado por
R
2
=
SQT
SQE
SQT
SQR
eg
= 1
Para a regresso l i near ml t i pl a, o coef i ci ent e de det ermi nao R
2
t ende a aument ar medi da que mai s vari vei s regressoras so
adi ci onadas no model o. Est e f at o l eva a um coef i ci ent e que no mede
mai s a real expl i cao da vari vel i ndependent e Y.
Quando se desej a comparar di f erent es model os, mui t os aut ores
pref erem usar o chamado coef i ci ent e de det ermi nao aj ust ado, com
um aj ust e real i zado para os correspondent es graus de l i berdade de
SQE (soma do quadrado do erro) e SQT (soma do quadrado t ot al ),
como def i ni do abai xo (Draper e Smi t h, 1981, p. 92):
|
|
.
|
\
|
=
p n
1 n
) R (1 1 R
2 2
a
3. 5 - RELACI ONAMENTO ENTRE VARI VEI S
O est udo do rel aci onament o ent re um conj unt o de vari vei s pode
ser real i zado apl i cando di versas t cni cas, desde os coef i ci ent es de
correl ao de Pearson, de Spearman, de Kendal l , at a chamada
Anl i se Fat ori al e a Anl i se de Regresso.
3. 5. 1 - Correl ao
O coef i ci ent e de correl ao l i near de Pearson uma medi da usada
para est udo da rel ao l i near exi st ent e ent re duas vari vei s X e Y,
dada por:
39
| |
1/2
2
i
2
i
i i
XY
) Y (Y ) X (X
) Y )(Y X (X
r
=
Est e val or sempre est ent re 1 e 1. Quant o mai s prxi mo de 1 e 1
mai or a t endnci a de rel ao l i near posi t i va e negat i va
respect i vament e; e quando est i ver prxi mo de zero i ndi ca ausnci a de
correl ao l i near ent re as vari vei s (Dant as, 1998, p. 114).
A mat ri z das correl aes ent re as vari vei s i ndependent es pode ser
ut i l i zada para ori ent ar os pri mei ros passos para a const ruo da
equao de regresso. Um val or do det ermi nant e da mat ri z das
correl aes das vari vei s i ndependent es prxi mo de zero i ndi cao
de mul t i col i neari dade (Dant as, 1998, p. 132, 133).
A regresso e a correl ao est o i nt i mament e rel aci onadas, porm
so mui t o di f erent es concei t ual ment e. O coef i ci ent e de correl ao
mede a i nt ensi dade da associ ao l i near ent re duas vari vei s
al eat ri as, enquant o a regresso t ent a est i mar ou prever o val or mdi o
de uma vari vel al eat ri a com base nos val ores f i xados de out ras
vari vei s f i xadas. A anl i se de correl ao t rat a duas vari vei s
si met ri cament e, no di st i ngue a vari vel dependent e e i ndependent e e
supe as duas al eat ri as. Na regresso h uma assi met ri a em como as
vari vei s dependent e e i ndependent e so t rat adas. A vari vel
dependent e supost a ser est at st i ca, al eat ri a ou est ocst i ca, i st o ,
t er uma di st ri bui o de probabi l i dade (Guj arat i , 2000, p. 9).
A regresso most ra como as vari vei s est o rel aci onadas e a
correl ao most ra o grau de rel aci onament o ent re el as. O nmero
f orneci do pel a correl ao um ret rat o i nst ant neo de quo prxi mo
est o duas vari vei s que vari am j unt as. Al guns economi st as
consi deram a correl ao uma t cni ca pouco poderosa, porm como a
correl ao e a regresso est o i nt i mament e l i gadas mat emat i cament e,
mui t as vezes a correl ao um aux l i o t i l na regresso (Wonnacot t e
Wonnacot t , 1978, p. 98-102).
40
3. 5. 2 - Anl i se Fatori al de Correspondnci as
A Anl i se Fat ori al de Correspondnci as uma das t cni cas
mul t i vari adas que permi t e exami nar rel aes geomt ri cas do
cruzament o ou cont i ngenci ament o de vari vei s cat egri cas, anal i sando
a di st ri bui o de massa de um conj unt o de observaes, t endo como
pri nc pi os bsi cos, a proxi mi dade geomt ri ca e a reduo de
di mensi onal i dade. No um mt odo para prova de hi pt eses, mas si m
uma t cni ca descri t i va e expl anat ri a, ou sej a, nenhum t est e de
si gni f i cado est at st i co cost umei rament e apl i cado aos resul t ados de
uma anl i se f at ori al de correspondnci a, que t em como pri nc pi o
reproduzi r, de f orma si mpl i f i cada, as i nf ormaes de uma grande t abel a
de f reqnci a. Est a t cni ca permi t e est udar uma popul ao de
i ndi v duos descri t a por vari vei s que podem ser do t i po qual i t at i vo,
quant i t at i vo ou uma mescl a de ambos, desde que os dados cont nuos
sej am di scret i zados e rest ri t os a val ores posi t i vos (Perei ra, 2001,
p. 133).
A t ransf ormao de vari vei s cont nuas em qual i t at i vas t em a
f i nal i dade de t ornar homogneo os conj unt os de dados que so
compost os de vari vei s numri cas e de vari vei s qual i t at i vas. Ai nda se
pode t er i nt eresse em real i zar uma codi f i cao qual i t at i va at quando
se di spe de um conj unt o de vari vei s numri cas, sobre o qual se pode
apl i car adequadament e a chamada anl i se de component es pri nci pai s.
Uma anl i se f at ori al de correspondnci a ml t i pl a sobre as mesmas
vari vei s codi f i cadas em cl asses, d out ra aproxi mao para os dados,
poi s permi t e exi bi r, poss vei s rel aes no l i neares ent re as vari vei s.
Tai s f enmenos so i nvi s vei s nos resul t ados de uma anl i se de
component es pri nci pai s, que no l eva em cont a, mai s que rel aes
l i neares (Escof i er e Pags, 1992, p. 7-25).
Para codi f i car uma vari vel cont nua em cl asses, ou sej a, recort ar o
seu i nt erval o de vari ao em subi nt erval os que def i nem out ras
modal i dades, necessri o det ermi nar o nmero de i nt erval os e seus
l i mi t es. Di mi nui ndo o excesso do nmero de cl asses, se agrupam
i ndi v duos cada vez mai s di st i nt os e, por i st o, perde-se mui t a
41
i nf ormao. Por out ro l ado, aument ando o nmero de casos correse o
ri sco de se obt er cl asses com pouca i nf ormao. A experi nci a most ra
que no t i l superar o nmero de oi t o modal i dades na codi f i cao de
vari vei s quant i t at i vas e que quat ro ou ci nco so suf i ci ent es (Escof i er e
Pags, 1992, p. 66-69).
3. 6 - TRANSFORMAES DE VARI VEI S
As vari vei s so um conj unt o de medi das repet i das de um
det ermi nado obj et o de est udo sendo que est as medi das podem ser
real i zadas em di f erent es uni dades, que l evam a cl assi f i c-l as como
quant i t at i vas ou qual i t at i vas (Perei ra, 2001, p. 43, 44).
O pri mei ro aspect o a ser anal i sado com rel ao aos dados,
est udando o t i po, comparando as grandezas e o comport ament o ent re
as vari vei s. Ent o deve-se preparar est es dados para a anl i se de
regresso.
Al gumas vezes se f az necessri o al gum t i po de t ransf ormao nas
vari vei s e t ambm o uso de vari vei s dummy. As t ransf ormaes so
necessri as quando ocorre a f al t a de l i neari dade, vari nci a no-
const ant e dos erros e no-normal i dade dos erros; possi bi l i t ando a
const ruo de model os mai s si mpl es. Por razes prt i cas, model os
mai s si mpl es so mai s f cei s de se est udar a val i dade e t ambm de
serem t est ados.
Geral ment e t ransf ormaes si mpl es da vari vel dependent e, das
vari vei s i ndependent es ou de ambas possi bi l i t am a const ruo de um
model o de regresso l i near apropri ado ao conj unt o de dados
t ransf ormados.
Quando se procura aj ust ar model os a dados i mobi l i ri os, a
t ransf ormao l ogar t mi ca a pref eri da, poi s as vari vei s pert i nent es a
i mvei s pert encem ao campo dos nmeros reai s posi t i vos e os val ores
t ransf ormados t ambm sero, assi m a especi f i cao l ogar t mi ca se
adequa mel hor na descri o dos preos das uni dades em rel ao a
seus respect i vos at ri but os (Macedo, 1998; Dant as, 1998, p. 143).
42
Out ro aspect o que a prpri a ABNT sugere a t ransf ormao
l ogar t mi ca na vari vel respost a porque t orna o model o adi t i vo.
No ent ant o exi st em mui t as possi bi l i dades de t ransf ormaes, e
mui t os model os podem ser descri t os. A escol ha de qual a mel hor
t ransf ormao a se f azer exi ge um conheci ment o do comport ament o
das vari vei s em est udo. A razo pri nci pal para a real i zao das
t ransf ormaes poder f azer uso de um model o de regresso na f orma
mai s si mpl es em vez de uma f orma mai s compl i cada obt i do com as
vari vei s ori gi nai s (Draper e Smi t h, 1981, p. 221).
3. 6. 1 - Li neari dade
A l i neari dade ocorre quando os pont os permi t em um aj ust e at ravs
de um hi perpl ano. I st o pode ser i nvest i gado at ravs do coef i ci ent e de
correl ao cal cul ado ent re a vari vel dependent e e cada vari vel
i ndependent e, e ai nda anal i sando os segui nt es grf i cos:
vari vel dependente versus vari vel i ndependente: havendo vri as
vari vei s regressoras, recomendado o grf i co com cada uma del as,
devendo-se observar se os pont os est o al i nhados, conf orme most ra a
Fi gura 3. 1.
res duos versus vari vel i ndependente: devendo observar se os
pont os est o di spost os al eat ori ament e, sem quai squer t i pos de
t endnci a, conf orme Fi gura 3. 2, devendo t ambm ser const ru do para
cada vari vel i ndependent e.
43
varivel idependente
v
a
r
i
v
e
l
d
e
p
e
n
d
e
n
t
e
Fi gura 3. 1: exempl o de rel ao l i near pel a pl ot agem
da vari vel dependent e versus vari vel i ndependent e.
Dados fictcios.
varivel independente
r
e
s
d
u
o
s
Fi gura 3. 2: exempl o de rel ao l i near pel a pl ot agem
dos res duos versus vari vel i ndependent e.
Dados fictcios.
Quando ocorre a f al t a de l i neari dade, sendo a di st ri bui o dos erros
aproxi madament e normal e com vari nci a razoavel ment e const ant e,
t ransf ormaes na vari vel i ndependent e devem ser t est adas. I st o
porque t ransf ormaes na vari vel dependent e, t al como a
t ransf ormao por rai z quadrada, pode mudar o t i po de di st ri bui o e
44
provocar uma di f erena nas vari nci as dos erros (Net er et al , 1996,
p. 126-128).
As t ransf ormaes para uma vari vel i ndependent e X para a no-
l i neari dade do model o, dent re out ras t ransf ormaes, podem ser:
Logar t mi ca, X = l ogX (na base 10 ou e)
Rai z quadrada, X = X
Quadrt i ca, X = X
2
Exponenci al , X = exp(X)
Rec proca, X = 1/ X
Exponenci al negat i va, X = Exp(X)
3. 6. 2 - Vari nci a no-constante e no-normal i dade dos erros
Quando se comprova a het erogenei dade da vari nci a, as
est i mat i vas das vari nci as dos est i madores dos parmet ros so
t endenci osos, l evando val ores i ncorret os das i nf ernci as. Nest e caso
h necessi dade de est abi l i zar a vari nci a, que pode ser f ei t o at ravs de
t ransf ormaes na vari vel respost a.
A suposi o de normal i dade dos erros deve ser sat i sf ei t a para que
se possa cal cul ar os i nt erval os de conf i ana e f azer i nf ernci as.
Uma vari nci a no-const ant e e a no-normal i dade dos erros
aparecem f reqent ement e ao mesmo t empo, e al guma t ransf ormao
na vari vel respost a deve ser f ei t a. cl aro que uma t ransf ormao na
vari vel respost a t ambm pode resol ver o probl ema de f al t a de
l i neari dade de uma rel ao de regresso. Out ras vezes, uma
t ransf ormao si mul t nea da vari vel respost a e da vari vel predi t ora
ser necessri a para obt er uma rel ao de regresso l i near (Net er et
al . , 1996, p. 129-132).
Exempl os de t ransf ormaes da vari vel respost a Y para a vari nci a
no-const ant e e a no-normal i dade dos erros so:
45
Logar t mi ca, Y = l ogY (na base 10 ou e)
Rai z quadrada, Y = Y
Quadrt i ca, Y = Y
2
Rec proca, Y = 1/ Y
Arco seno, Y = arcsen Y
Box-Cox, Y =Y
.
O procedi ment o de Box-Cox i dent i f i ca aut omat i cament e uma
t ransf ormao da f am l i a de t ransf ormaes de pot nci a sobre Y. O
parmet ro det ermi nado dos dados. Para =0 def i ne-se a
t ransf ormao l ogar t mi ca (Net er et al , 1996, p. 129-132).
3. 6. 3 - Vari vei s Dummy
As vari vei s usadas nas equaes de regresso podem no serem
quant i t at i vas. I st o geral ment e ocorre quando se est uda o
comport ament o do mercado i mobi l i ri o, que al m de ser caract eri zado
por vari vei s quant i t at i vas como val ores de venda ou l ocao e i dade
t ambm caract eri zado por vari vei s qual i t at i vas como presena
de el evador (si m ou no), si t uado na regi o A ou B ou C e padro de
acabament o (t i mo, bom, regul ar ou rui m) dent re out ras. Est as
vari vei s so comument e chamadas de vari vei s dummy (Dant as,
1998, p. 157, 158).
Para as vari vei s que apresent am um aspect o di cot mi co, como por
exempl o a presena de el evador (si m ou no), rel aci ona-se
det ermi nado nmero as caract er st i cas. Geral ment e usa-se o nmero
um quando det ermi nada caract er st i ca est present e e o nmero zero
em caso cont rri o (Morei ra Fi l ho, 1993, p. 85-87).
As vari vei s com mai s de doi s n vei s, como por exempl o as regi es
A, B ou C, podem ser t rabal hadas como duas vari vei s di cot mi cas,
sendo regi o A (si m ou no) e regi o B (si m ou no), est ando a regi o
C cont empl ada na anl i se quando se t em no para a regi o A e no
46
para a regi o B. General i zando, t em-se que uma vari vel com p n vei s
pode ser reescri t a como (p-1) vari vei s di cot mi cas.
Quando se f az uma regresso da vari vel dependent e sobre as
vari vei s i ndependent es dummy, os coef i ci ent es de m ni mos
quadrados das vari vei s dummy so as mdi as das cel as em que
est o t abul ados (Johnst on, 1974, p. 239-241).
3. 7 - MULTI COLI NEARI DADE
Em anl i se de regresso l i near ml t i pl a, exi st e um f reqent e
i nt eresse com rel ao a nat ureza e si gni f i cnci a das rel aes ent re as
vari vei s i ndependent es e a vari vel dependent e. Em mui t as apl i caes
de admi ni st rao e economi a, f reqnt ement e encont ram-se vari vei s
i ndependent es que est o correl aci onadas ent re el as mesmas e,
t ambm, com out ras vari vei s que no est o i ncl u das no model o, mas
est o rel aci onadas vari vel dependent e (Net er e Wasserman, 1974,
p. 339).
Def i ne-se como mul t i col i neari dade a exi st nci a de rel aes l i neares
ent re as vari vei s i ndependent es. Quando a rel ao exat a t em-se o
caso da mul t i col i neari dade perf ei t a.
Na prt i ca at ual , rarament e, encont ramos vari vei s i ndependent es
que so perf ei t ament e rel aci onadas. Est e caso no t raz probl emas,
poi s f aci l ment e det ect ado e pode ser resol vi do si mpl esment e
el i mi nando uma ou mai s vari vei s i ndependent es do model o.
O i nt eresse no que se ref ere a mul t i col i neari de est nos casos em
que el a ocorre com al t o grau, i st o , quando duas vari vei s
i ndependent es est o al t ament e correl aci onadas ou quando h uma
combi nao quase l i near ent re um conj unt o de vari vei s
i ndependent es. Assi m, a mul t i col i neari dade mai s uma quest o de
grau do que de nat ureza (Kment a, 1978, p. 411-423).
O f at o de mui t as f unes de regresso di f erent es proporci onarem
bons aj ust es para um mesmo conj unt o de dados porque os
coef i ci ent es de regresso at endem vri as amost ras onde as vari vei s
47
i ndependent es so al t ament e correl aci onadas. Assi m, os coef i ci ent es
de regresso est i mados vari am de uma amost ra para out ra quando as
vari vei s i ndependent es est o al t ament e correl aci onadas. I st o l eva a
i nf ormaes i mpreci sas a respei t o dos coef i ci ent es verdadei ros (Net er
e Wasserman, 1974, p. 344).
A mul t i col i neari dade geral ment e causada pel a prpri a nat ureza
dos dados, pri nci pal ment e nas reas de economi a com vari vei s que
represent am val ores de mercado. Al gumas vezes a mul t i col i neari dade
pode t ambm ocorrer devi do a amost ragem i nadequada (El i an, 1998).
3. 7. 1 - Efei tos da Mul ti col i neari dade
Ef ei t o da Mul t i col i neari dade nos Coef i ci ent es de Regresso: quando as
vari vei s i ndependent es so correl aci onadas, o coef i ci ent e de
regresso de al guma vari vel i ndependent e depende de qual out ra
vari vel i ndependent e i ncl u da no model o, poi s adi ci onando ou
del et ando uma das vari vei s i ndependent es mudam-se os coef i ci ent es
de regresso. Assi m, um coef i ci ent e de regresso dei xa de ref l et i r os
ef ei t os i nerent es de uma part i cul ar vari vel i ndependent e sobre a
vari vel dependent e, mas ref l et e apenas um ef ei t o parci al .
Not e que o coef i ci ent e de regresso de uma vari vel i ndependent e
X
1
i nal t erado quando uma vari vel i ndependent e X
2
, no
correl aci onada com X
1
, adi ci onada no model o de regresso, poi s,
2
12
r 1
12
.r
y2
.r
2
1
2
)
1
x
i1
(x
2
) y
i
(y
2
)
1
x
i1
(x
) y
i
)(y
1
x
i1
(x
1
b
(
(
(
=
onde r
y2
o coef i ci ent e de correl ao ent re as vari vei s Y e X
2
e r
12
o coef i ci ent e de correl ao ent re as vari vei s X
1
e X
2
.
Se X
1
e X
2
f orem no correl aci onadas, t em-se r
12
=0, e, port ant o,
=
2
)
1
x
i1
(x
) y
i
)(y
1
x
i1
(x
1
b
, que o coef i ci ent e de X
1
na regresso si mpl es de Y
48
sobre X
1
. Logo, se X
1
e X
2
no so correl aci onados, a adi o de X
2
no
model o de regresso no muda o coef i ci ent e de X
1
.
Efei to da Mul ti col i neari dade na Soma de Quadrados de Regresso:
quando vari vei s i ndependent es so correl aci onadas, no exi st e uma
soma de quadrados ni ca que pode ser at ri bu da a uma vari vel
i ndependent e ref l et i ndo o ef ei t o na reduo da vari ao t ot al em Y, ou
sej a, a soma de quadrado associ ada a uma vari vel i ndependent e
vari a, dependendo sobre que vari vel i ndependent e est ej a i ncl u da no
model o.
Efei to da Mul ti col i neari dade nos Testes para os Coefi ci entes de
Regresso: um abuso f reqnt e nos model os de regresso
observado ao se exami nar a est at st i ca t * para cada coef i ci ent e de
regresso. poss vel que quando um conj unt o de vari vei s
i ndependent es est ej a rel aci onado vari vel dependent e, obt endo t odos
os t est es i ndi vi duai s sob os coef i ci ent es de regresso, el es l evaro
concl uso que os coef i ci ent es so i guai s a zero devi do a
mul t i col i neari dade ent re as vari vei s i ndependent es. Os coef i ci ent es de
regresso est i mados i ndi vi dual ment e podem no ser est at i st i cament e
si gni f i cat i vos, ai nda que possa exi st i r uma rel ao est at st i ca ent re a
vari vel dependent e e o conj unt o de vari vei s i ndependent es (Mat os,
2000, p. 124-129).
Apesar das conseqnci as dos ef ei t os da mul t i col i neari dade,
ci t ados ant eri orment e, a al t a Mul t i col i neari dade no , geral ment e, um
probl ema quando o propsi t o da anl i se de regresso f azer
i nf ernci as sobre a f uno respost a ou predi es de novas
observaes, cont ant o que est as i nf ernci as sej am f ei t as dent ro do
mbi t o das observaes (Net er e Wasserman, 1974, p. 345; Net er et al . ,
1996, p. 285, 295).
Para f azer boas previ ses o pesqui sador deve t er conf i ana de que
o cart er e o t amanho do rel aci onament o gl obal se mant er de per odo
para per odo. Not e que, a quest o de conf i ana um probl ema
49
exi st ent e em t odos os model os de previ ses, com ou sem a presena
de mul t i col i neari de (Chat t erj ee e Pri ce, 1977, p. 151-153).
Quando o rel aci onament o ent re as vari vei s i ndependent es se
mant m, no per odo previ st o e no per odo da amost ra, as previ ses so
corret as at mesmo f ora da amost ra (Judge et al . , 1988, p. 859-861).
Not a-se, ent o, que quando os val ores das vari vei s i ndependent es,
para as quai s se desej am as previ ses, obedecem as mesmas
dependnci as da mat ri z ori gi nal , a mul t i col i neari dade no um
probl ema. Como nas apl i caes econmi cas a mul t i col i neari dade,
quando exi st e, uma caract er st i ca da popul ao, a est rut ura
permanece de amost ra para amost ra, no sendo um caso de uma
amost ra si mpl esment e i nf ect ada pel a Mul t i col i neari dade. Port ant o,
pode-se usar a equao de regresso est i mada para f azer i nf ernci as
sobre a f uno respost a ou predi es de novas observaes (Net er et
al . , 1996, p. 285-295).
3. 7. 2 - Detectando a Mul ti col i neari dade
Exi st em mui t as sugest es, ou mt odos propost os, para det ect ar a
mul t i col i neari dade. Os mai s comument e usados so:
coefi ci ente de correl ao si mpl es: uma medi da comument e usada
no caso de duas vari vei s i ndependent es, sendo suf i ci ent e para
det ect ar a col i neari dade. Consi dera-se que um coef i ci ent e de
correl ao mai or que 0, 80 ou 0, 90 i ndi cat i vo de um probl ema sri o de
col i neari dade. Porm, para mai s de duas vari vei s i ndependent es,
mesmo os coef i ci ent es de correl ao sendo bai xos ai nda pode exi st i r a
mul t i col i neari dade, poi s pares de correl aes podem no dar vi so de
i nt ercorrel aci onament os mai s compl exos ent re t rs ou mai s vari vei s
(Judge et al . , 1980, p. 458, 459).
determi nante de (X X): Se as vari vei s i ndependent es est o
padroni zadas, t al que (X X) cont m el ement os que so os coef i ci ent es
50
de correl ao l i near ent re as vari vei s i ndependent es, ent o o
det ermi nant e de (X X) um val or no i nt erval o [ 0; 1] . Caso as vari vei s
i ndependent es no est ej am padroni zadas, mel hor anal i sar o
det ermi nant e da mat ri z de correl aes ent re as vari vei s
i ndependent es, R
x
, que sempre assume val ores no i nt erval o [ 0, 1] . Um
val or dest e det ermi nant e prxi mo de zero i ndi cat i vo de
mul t i col i neari dade (El i an, 1998, p. 125; Net er e Wasserman, 1974,
p. 347).
coefi ci ente de expl i cao do model o, R
2
: o R
2
t endo um val or al t o,
mas os coef i ci ent es de correl ao parci al t endo val ores bai xos, t em-se
a i ndi cao de mul t i col i neari dade.
regresses auxi l i ares: se o val or de R
2
, cal cul ado da regresso de
cada vari vel i ndependent e sobre as out ras (k-1) vari vei s
i ndependent es al t o, ent o h i ndi cat i vo de mul t i col i neari dade.
ra zes caracter sti cas: Sej am
i
, i =1, . . . , p, as ra zes caract er st i cas de
R
x
, t em-se que det (R
x
)=
i
. Bai xos val ores de uma ou mai s ra zes
caract er st i cas, comparado com o mai or val or, so i ndi cat i vos de
mul t i col i neari dade. Um cri t ri o, bem ef i ci ent e, na quant i f i cao da
mul t i col i neari dade, a anl i se do val or de L, dado por
L=
mx
/
m n
,
onde
mx
o mai or val or das ra zes caract er st i cas e
m n
o menor
val or das ra zes caract er st i cas. Se L < 100, consi dera-se no exi st i r
mul t i col i neari dade, se 100 < L < 1000 exi st e mul t i col i neari dade
moderada e se L > 1000 h i ndi cat i vo de mul t i col i neari dade sri a
(El i an, 1998, p. 131).
O grfi co dos res duos: o grf i co dos res duos versus cada vari vel
i ndependent e, i ncl usi ve as vari vei s que no f azem part e da equao
de regresso, i ndi cam a i nexi st nci a de correl aci onament o quando os
51
pont os est i verem di spost os al eat ori ament e, sem qual quer padro. Caso
cont rri o, se apresent arem al gum t i po de t endnci a, h i ndi cat i vo de
correl aci onament o.
3. 7. 3 - Sol ues para o Probl ema de Mul ti col i neari dade
A exi st nci a de mul t i col i neari dade t endo si do det ect ada e
consi derada prej udi ci al , i ndi ca que o pesqui sador deve procurar
sol ues para suavi zar seus ef ei t os rui ns. Vri as medi das corret i vas
t m si do propost as, desde si mpl es s mai s compl exas, para suavi zar
os ef ei t os provocados pel a mul t i col i neari dade (El i an, 1988, p. 131-134;
Judge et al . , 1980, p. 464-468).
Remoo de vari vei s - uma medi da si mpl es remover uma ou vri as
vari vei s i ndependent es, pouco i mport ant es no cont ext o geral , que
venham a di mi nui r a mul t i col i neari dade. Porm, est a ao no aj uda a
aval i ar os ef ei t os da vari vel i ndependent e, poi s nenhuma i nf ormao
obt i da cerca da vari vel removi da, e t ambm porque o val or do
coef i ci ent e de regresso para a vari vel i ndependent e remanescent e
no model o af et ada pel as vari vei s i ndependent es correl aci onadas
no i ncl u das no model o.
Ampl i ao do tamanho da amostra - al gumas vezes poss vel
adi ci onar al gumas observaes na amost ra que el i mi na o padro de
mul t i col i neari dade. Est a medi da usada quando o probl ema causado
por i nf ormao amost ral i nadequada. Porm, em admi ni st rao e
economi a mui t as vari vei s i ndependent es no podem ser cont rol adas
de f orma que novas observaes t endero a most rar o mesmo padro
de i nt ercorrel ao.
Ri dge Regressi on - out ro cri t ri o, para o qual t em-se dado at eno,
Ri dge Regressi on (Regresso em Cumeei ra) que consi st e no uso de
52
est i madores t endenci osos para os coef i ci ent es. O est i mador em cri st a
na verdade uma f am l i a de est i madores dados por:
b(k)=(X X+kI )
- 1
X Y,
onde k um val or pequeno que deve ser escol hi do a cri t ri o do
pesqui sador. Em geral , aument a-se gradat i vament e o val or de k at
que os est i madores dos coef i ci ent es t ornam-se est vei s, no vari am.
Se a escol ha f or k=0, t em-se o est i mador de m ni mos quadrados (Net er
et al . , 1996, p. 411-416; El i an, 1998, p. 133; Draper e Smi t h, 1981,
p. 313-349).
Na presena de mul t i col i neari dade sempre exi st e um val or de k para
o qual os est i madores de Ri dge Regressi on produzem um QME
(quadrado mdi o do erro) menor do que o QME produzi do pel os
est i madores de m ni mos quadrados ordi nri os. A di f i cul dade dest a
quest o que o val or de k vari a de uma apl i cao para out ra e
desconheci do. Assi m, embora exi st a est e val or de k, no exi st e um
cami nho conheci do para obt -l o, mesmo quando obt m-se um k que
produza um MSE menor do que o MSE de m ni mos quadrados
ordi nri os para um probl ema prt i co espec f i co (Draper e Smi t h, 1981,
p. 315, 316).
A f uno de regresso est i mada pel a Ri dge Regressi on produz
predi es de novas observaes que t endem a serem mai s preci sas do
que as predi es f ei t as pel a f uno de regresso est i mada pel o mt odo
de m ni mos quadrados, quando as vari vei s i ndependent es so
correl aci onadas e a nova observao segue o mesmo padro de
mul t i col i neari dade. Est a preci so na predi o de novas observaes
f avoreci da pel a Ri dge Regressi on, especi al ment e quando a
mul t i col i neari dade f ort e (Net er et al . , 1996, p. 411-416).
Componentes pri nci pai s uma out ra f orma que pode ser ut i l i zada
para t rat ar o probl ema causado pel a mul t i col i neari dade a t cni ca de
component es pri nci pai s.
Est a t cni ca permi t e que t odas as vari vei s i ndependent es
part i ci pam de cert a f orma do model o. At ravs dest a t cni ca, poss vel
53
reduzi r um grande nmero de vari vei s i ndependent es em um nmero
razoavel ment e pequeno de novas vari vei s i ndependent es, que so
chamadas de component es e so det ermi nadas pel a combi nao l i near
das vari vei s ori gi nai s. Est as novas vari vei s (ou component es
pri nci pai s) so no correl aci onadas e so usadas para det ermi nar o
model o de regresso.
O obj et i vo da anl i se de component es pri nci pai s represent ar ou
descrever um conj unt o de vari vei s por um out ro conj unt o menor de
novas vari vei s, sem perda si gni f i cat i va da i nf ormao ori gi nal (Rei s,
1997, p. 255). A reduo da di mensi onal i dade das vari vei s consi st e no
f at o de que as pri mei ras component es pri nci pai s possam expl i car a
mai or part e da vari abi l i dade t ot al dos dados ori gi nai s.
A anl i se de component es pri nci pai s permi t e um est udo det al hado
da i mport nci a de cada vari vel , f ornecendo a quant i dade de
expl i cao na component e pri nci pal e seu rel aci onament o com as
demai s vari vei s. Sobre a anl i se de component es pri nci pai s pode ser
vi st o em Escof i er e Pags (1990) e Bouroche e Saport a (1982).
3. 8 - SELEO DE VARI VEI S REGRESSORAS
Um dos probl emas mai s di f cei s e f reqnt es em anl i se de
regresso a sel eo do conj unt o de vari vei s i ndependent es para
serem i ncl u das no model o (Net er e Wasserman, 1974, p. 371).
O i nvest i gador deve especi f i car o conj unt o de vari vei s
i ndependent es a ser empregado para descrever, cont rol ar ou predi zer a
vari vel dependent e.
Um probl ema mui t o di f ci l de rel aci onament o que aparece na
sel eo de vari vei s quando uma equao de regresso const ru da
com o obj et i vo de predi o e envol ve mui t as vari vei s. Tal vez, mui t as
del as, cont ri buam pouco ou nada para preci so da predi o. A escol ha
apropri ada de al gumas del as f ornece a mel hor predi o, porm o
probl ema quant as e quai s vari vei s sel eci onar (Snedecor e Cochram,
1972, p. 412, 413).
54
Em al guns campos, a t eori a pode aj udar na sel eo das vari vei s
i ndependent es a serem empregadas e na especi f i cao da f orma
f unci onal da rel ao de regresso. Em t ai s campos, os experi ment os
podem ser cont rol ados para f ornecer dados sobre a base de que os
parmet ros de regresso podem ser est i mados e a f orma t eri ca da
regresso t est ada. Em mui t os out ros campos, ent ret ant o, model os
t eri cos so raros. Assi m, os i nvest i gadores so f reqnt ement e
f orados a expl orar as vari vei s i ndependent es para que possam
real i zar est udos sobre a vari vel dependent e. Obvi ament e, t ai s
conj unt os de vari vei s i ndependent es so grandes. Al gumas das
vari vei s i ndependent es podem ser removi das sel et i vament e. Uma
vari vel i ndependent e pode no ser f undament al ao probl ema; pode
est ar suj ei t a a grandes erros de medi das; e pode ef et i vament e dupl i car
out ra vari vel i ndependent e da l i st a. Out ras vari vei s i ndependent es,
que no podem ser medi das, podem ser del et adas ou subst i t u das por
vari vei s que est o al t ament e correl aci onadas com est as.
Ti pi cament e, o nmero de vari vei s i ndependent es que permanece,
aps est a sel eo i ni ci al , ai nda grande. Post eri orment e, mui t as
dest as vari vei s est aro al t ament e i nt ercorrel aci onadas. Port ant o, o
i nvest i gador geral ment e desej ar reduzi r o nmero de vari vei s
i ndependent es a serem usadas no model o f i nal . Exi st em vri as razes
para i st o. Um model o de regresso com um nmero grande de vari vei s
i ndependent es caro para se ut i l i zar. Dessa f orma, model os de
regresso com um nmero l i mi t ado de vari vei s i ndependent es so
f cei s para se aval i ar e est udar. Fi nal ment e, a presena de mui t as
vari vei s i ndependent es al t ament e i nt ercorrel aci onadas, podem
adi ci onar pouco ao poder de predi o do model o, enquant o ret i ra suas
habi l i dades descri t i vas e aument a os erros de predi o.
O probl ema ent o como reduzi r a l i st a de vari vei s i ndependent es
de f orma a obt er a mel hor sel eo de vari vei s i ndependent es. Est e
conj unt o preci sa ser suf i ci ent ement e pequeno para que a manut eno
dos cust os de at ual i zao do model o sej am manusevei s e a anl i se
f aci l i t ada, e ai nda, deve ser grande o suf i ci ent e de f orma que sej a
poss vel uma descri o, um cont rol e e uma predi o adequados.
55
Os procedi ment os de procura para se encont rar o mel hor conj unt o
de vari vei s i ndependent es devem ser empregados aps o i nvest i gador
t er est abel eci do a f orma f unci onal da rel ao de regresso, ou sej a, se
as vari vei s dadas est o na f orma l i near, quadrt i ca, et c; se as
vari vei s i ndependent es so pri mei rament e t ransf ormadas, como por
exempl o por t ransf ormao l ogar t mi ca; e se al gum t ermo de i nt erao
f oi i ncl u do. Nest e pont o, os procedi ment os de procura so empregados
para reduzi r o nmero de vari vei s i ndependent es.
Exi st em mui t os procedi ment os de sel eo, mas nenhum del es pode,
comprovadament e, produzi r o mel hor conj unt o de vari vei s
i ndependent es. No exi st e um conj unt o t i mo de vari vei s
i ndependent es, poi s o processo de sel eo das vari vei s possui
j ul gament os subj et i vos. Dent re os procedi ment os, pode-se ci t ar como
os mai s comument e usados: t odas as regresses poss vei s, backward,
f orward e st epwi se.
Todas as regresses poss vei s: est e procedi ment o consi st e em
aj ust ar t odas as poss vei s equaes de regresso. Aps a obt eno de
t odas as regresses, deve-se ut i l i zar os cri t ri os para comparao dos
model os aj ust ados. Al guns cri t ri os que podem ser usados so o R
2
(coef i ci ent e de expl i cao), MSE (quadrado mdi o dos res duos) e C
p
(est at st i ca de Mal l ows).
Para al guns conj unt os de vari vei s, os t rs cri t ri os podem l evar
para o mesmo mel hor conj unt o de vari vei s i ndependent es. Est e no
o caso geral , poi s di f erent es cri t ri os podem sugeri r di f erent es
conj unt os de vari vei s i ndependent es. Dani el e Wood (1971, p. 86)
recomendam, no caso de um grande nmero de equaes al t ernat i vas,
o cri t ri o do erro quadrado t ot al para caract eri zar a equao. A
pri nci pal desvant agem do procedi ment o de procura de t odas as
regresses poss vei s a quant i dade de esf oro comput aci onal
necessri a. J que cada vari vel i ndependent e pot enci al pode ser
i ncl u da ou excl u da, gerando (2P - 1) regresses poss vei s quando
exi st em p vari vei s i ndependent es pot enci ai s (El i an, 1998, p. 139;
Draper e Smi t h, 1981, p. 296).
56
stepwi se (passo a passo): , provavel ment e, o mai s ampl ament e
usado dos mt odos de pesqui sa que no requerem a comput ao de
t odas as regresses poss vei s. El e f oi desenvol vi do para economi zar
esf oros comput aci onai s, quando comparado com a abordagem de
t odas as regresses poss vei s, enquant o at i nge um conj unt o de
vari vei s i ndependent es razoavel ment e bom. Essenci al ment e, est e
mt odo de pesqui sa comput a uma seqnci a de equaes de
regresso, adi ci onando ou del et ando uma vari vel i ndependent e em
cada passo. A rot i na de regresso st epwi se permi t e que uma vari vel
i ndependent e, t razi da para dent ro do model o em um est gi o ant eri or,
sej a removi da subseqent ement e se el a no aj udar na conj uno com
vari vei s adi ci onadas nos l t i mos est gi os. Est a rot i na empregada,
conduz a um t est e para rast rear al guma vari vel i ndependent e que sej a
al t ament e correl aci onada com vari vei s i ndependent es j i ncl u das no
model o. A l i mi t ao da procura da regresso st epwi se que el a
presume a exi st nci a de um ni co conj unt o t i mo de vari vei s
i ndependent es e busca i dent i f i c-l o. Como not ado ant eri orment e, no
exi st e f reqnt ement e um ni co conj unt o t i mo. Out ra l i mi t ao da
rot i na de regresso st epwi se, que el a al gumas vezes surge com um
conj unt o de vari vei s i ndependent es razoavel ment e f raco para
predi es, quando as vari vei s i ndependent es est o al t ament e
correl aci onadas (Draper e Smi t h, 1981, p. 307-312).
Sel eo forward: est e procedi ment o de procura uma verso
si mpl i f i cada da regresso st epwi se, omi t i ndo o t est e, se uma vari vel
uma vez que t enha ent rado no model o deva ser ret i rada. Est e
procedi ment o consi dera, i ni ci al ment e, um model o si mpl es usando a
vari vel de mai or coef i ci ent e de correl ao com a vari vel dependent e.
Uma vari vel por vez i ncorporada at que no haj a mai s i ncl uso, e
as vari vei s sel eci onadas def i nem o model o.
El i mi nao backward: est e procedi ment o de procura opost o
sel eo f orward. El e comea com o model o cont endo t odas as vari vei s
i ndependent es pot enci ai s. O procedi ment o de el i mi nao backward
57
requer mai s comput aes que o mt odo de sel eo f orward, j que el a
comea com o mai or model o poss vel . Ent ret ant o, el a t em uma
vant agem de most rar ao anal i st a as i mpl i caes do model o com mui t as
vari vei s.
3. 9 CUI DADOS NO USO DO MODELO
cl aro que o rast reament o de vari vei s por um processo de sel eo
comput adori zado soment e um passo na const ruo de um model o de
regresso. Uma vez que o conj unt o de vari vei s i ndependent es t em
si do i dent i f i cado o model o resul t ant e necessi t a ser est udado.
Um t est e f ormal para a f al t a de aj ust e pode ser f ei t o e a pl ot agem
dos res duos deve ser empregada para i dent i f i car a nat ureza da f al t a
de aj ust e, pont os di screpant es, e out ras def i ci nci as.
O processo de const ruo de um model o de regresso requer
repet i das anl i ses sobre o conj unt o de dados para checar se o model o
aj ust a-se bem os dados. Um model o rui m pode l evar a predi es
errneas. Est e f at o pode ocorrer devi do a m escol ha das vari vei s
i ndependent es. Uma f orma de medi r as predi es t endenci osas
dei xar al guns dos dados ori gi nai s f ora dos cl cul os para det ermi nao
do model o e us-l os para real i zar o aj ust ament o do poder predi t i vo do
model o (Net er e Wasserman, 1974, p. 388).
3. 10 - RES DUOS
Os res duos so def i ni dos como as n di f erenas ei = Yi -
i
Y
, i =1, . . . , n
onde Yi uma observao e
i
Y
d
u
o
s
Fi gura 3. 3: Exempl o de mdi a zero.
Dados fictcios.
59
i ndependnci a: a i nexi st nci a de aut ocorrel ao dos erros pode ser
i nvest i gada at ravs do grf i co dos res duos versus sequnci a no t empo
(ou sequnci a de col et a de dados), pode-se veri f i car a i ndependnci a
dos res duos quando el es se di st ri buem al eat ori ament e, em t orno de
zero, conf orme f i gura 3. 4.
sequncia de coleta
r
e
s
d
u
o
s
-
-
Fi gura 3. 4: Exempl o de i ndependnci a dos erros pel a
pl ot agem dos res duos.
Dados fictcios.
Uma out ra f orma de veri f i cao da exi st nci a de aut ocorrel ao dos
erros pode ser f ei t a pel a est at st i ca de Durbi n-Wat son.
Ut i l i zando-se da razo,
=
=
=
n
1 i
2
i
n
2 i
1 i i
e
) e (e
d
e f azendo-se uso da di st ri bui o (dos val ores) t abel ada por Durbi n-
Wat son, t est a-se a hi pt ese nul a de que os erros so no
correl aci onados cont ra a hi pt ese al t ernat i va de que os erros so
correl aci onados. O val or de d est est rei t ament e rel aci onado com o
val or da correl ao dos res duos r. Tem-se que:
d 2(1-r).
Se o val or de r prxi mo de zero, ent o a est at st i ca de Durbi n-
Wat son d 2, que i ndi ca que os erros do model o so no
correl aci onados (Hi l l et al . , 1999).
60
Quando det ect ada a aut ocorrel ao dos erros, deve-se consi derar
a possi bi l i dade que vari vei s i ndependent es i mport ant es f oram
excl u das do model o de regresso ou, ai nda, h i ndi cao de que o
model o rui m. I st o l eva est i mat i vas no conf i vei s ou t endenci osas.
A val i dade do t est e de Durbi n-Wat son depende dos erros t erem
mdi a zero e vari nci a const ant e e ai nda as vari vei s i ndependent es
no serem al eat ri as. I st o ocorre quando val ores da vari vel
dependent e def asadas aparecem como vari vei s i ndependent es
(Hof f mann e Vi ei ra, 1983, p. 251, 252).
O probl ema de aut ocorrel ao ent re os res duos cost uma acont ecer
quando as observaes so real i zadas ao l ongo do t empo, que no o
caso usual na amost ragem de aval i ao de i mvei s.
vari nci a constante: a suposi o de vari nci a const ant e ou
homogenei dade de vari nci a veri f i cada f aci l ment e at ravs dos
grf i cos dos res duos versus vari vei s i ndependent es ou res duos
versus val ores predi t os. Quando o grf i co produz f orma de megaf one,
i mpl i ca que a vari nci a no const ant e, conf orme most ra a f i gura 3. 5,
por out ro l ado, quando est o di st ri bu dos al eat ori ament e em t orno de
uma ret a hori zont al que passa pel a ori gem, sem qual quer padro, h
i ndi cao de vari nci a const ant e.
varivel independente
r
e
s
d
u
o
s
Fi gura 3. 5: Exempl o de vari nci a no-const ant e pel a
pl ot agem dos res duos versus vari vel i ndependent e.
Dados fictcios.
61
di stri bui o normal : o grf i co const ru do pel os res duos ordenados
versus os respect i vos val ores t eri cos da di st ri bui o normal , most ra a
normal i dade dos erros quando os pont os se di st ri buem em t orno de
uma l i nha, conf orme most ra a f i gura 3. 6.
valor esperado sob normalidade
r
e
s
d
u
o
s
Fi gura 3. 6: Exempl o de di st ri bui o normal dos erros
pel a pl ot agem dos res duos.
Dados fictcios.
Ai nda, a normal i dade dos erros pode ser i nvest i gada, ut i l i zando-se
os res duos padroni zados e veri f i cando se aproxi madament e 68% del es
est o no i nt erval o [ -1 ; 1] , 90% no i nt erval o [ -1, 64 ; 1, 64] e 95% no
i nt erval o [ -1, 96 ; 1, 96] . Pode-se, ai nda, ut i l i zar-se do hi st ograma dos
res duos e veri f i car se est e apresent a si met ri a e f orma pareci da com o
grf i co da curva normal .
3. 10. 2 - Di agnsti co do Model o
At ravs da anl i se dos grf i cos de res duos, prt i ca est a
i ndi spensvel , poss vel a veri f i cao da adequao do model o,
val ores di screpant es e t ambm a i nvest i gao da at uao das vri as
vari vei s regressoras di spon vei s (Net er et al . , 1996, p. 97-110).
62
varivel independente
r
e
s
d
u
o
s
Fi gura 3. 7: exempl o de no adequao do model o
pel a pl ot agem dos res duos versus vari vel
i ndependent e.
Dados fictcios.
adequao do model o: a veri f i cao de que o model o de regresso
aj ust ado adequado aos dados pode ser det ect ado at ravs dos
grf i cos dos res duos versus vari vei s i ndependent es ou res duos
versus val ores predi t os. Quando est es grf i cos apresent arem al gum
t i po de padro si st emt i co dos pont os, conf orme most ra a f i gura 3. 7, h
i ndi cao de que o model o aj ust ado no adequado.
val ores di screpantes: os grf i cos dos res duos versus vari vei s
i ndependent es ou res duos versus val ores aj ust ados, most ram a
presena de pont os di screpant es ou out l i ers. Consi dera-se um pont o
di screpant e quando mui t o mai or que o rest o em val or absol ut o e
t al vez se est i ver af ast ado de zero por t rs ou mai s desvi os padres,
conf orme most ra a f i gura 3. 8 (Draper e Smi t h, 1981, p. 152; Net er e
Wasserman, 1974, p. 106).
Um pont o di screpant e pode ser ret i rado da anl i se se a causa de
sua exi st nci a f or devi do a erro de medi da ou de t ranscri o de val or.
Caso cont rri o deve ser pesqui sado e o i nvest i gador, conhecedor da
nat ureza das vari vei s, quem deve dar a sol uo.
63
valores ajustados
r
e
s
d
u
o
3Se
-3Se
Fi gura 3. 8: exempl o de val ores di screpant es pel a
pl ot agem dos res duos versus val ores aj ust ados.
Dados fictcios.
omi sso de vari vei s i ndependentes: a i nvest i gao de vari vei s
i ndependent es i mport ant es no i ncl u das no model o pode ser f ei t a pel o
grf i co dos res duos versus cada uma del as. Consi dera-se que vari vel
deva ser i ncl u da no model o quando os pont os apresent arem uma
rel ao l i near, conf orme a f i gura 3. 9 (Net er et al . , 1996, p. 109-111).
varivel independente
r
e
s
d
u
o
Fi gura 3. 9: exempl o da omi sso de vari vei s
regressoras pel a pl ot agem dos res duos versus cada
vari vel i ndependent e no i ncl u da no model o.
Dados fictcios.
64
Not a-se que a anl i se dos res duos de f undament al i mport nci a
na escol ha de um model o de regresso. Est a anl i se dos res duos
permi t e a veri f i cao da val i dade ou de poss vei s vi ol aes das
suposi es do model o adot ado. A val i dade das suposi es essenci al
para a obt eno dos est i madores, const ruo dos i nt erval os de
conf i ana e t est es de hi pt eses.
65
_______________________________________________ Captulo 4
ESTRATGIA PARA A CONSTRUO DO MODELO E
APLICAO EM UM ESTUDO DE CASO
4. 1 ROTEI RO PARA A CONSTRUO DO MODELO
Const rui r um model o de regresso l i near ml t i pl a para expl i car o
preo de um i mvel , demanda uma sri e de et apas a serem real i zadas.
As et apas, ou rot ei ro, que so necessri as na const ruo de um
model o, so apresent ados a segui r.
4. 1. 1 I denti fi cao das Vari vei s I ndependentes
Um dos aspect os mai s i mport ant es na aval i ao de i mvei s a
sel eo das vari vei s i ndependent es que possam ser ut i l i zadas na
regresso, que so aquel as que t em i nf l unci a na f ormao do preo.
As poss vei s vari vei s i ndependent es (ou expl i cat i vas) que podem
i nf l uenci ar no preo de um i mvel , devem ser l i st adas a pri ori . A
def i ni o das vari vei s expl i cat i vas prel i mi narment e, economi za t empo
e di mi nui o cust o de execuo da pesqui sa. As vari vei s expl i cat i vas
para a aval i ao de i mvei s so aquel as ref erent es a t odas as
caract er st i cas f si cas e l ocaci onai s do i mvel . No ent ant o, dent re
t odas as caract er st i cas f si cas e l ocaci onai s rel aci onadas a um i mvel ,
nem t odas so rel evant es f ormao de seu preo.
De f orma geral e prel i mi nar, pode-se ci t ar como rel evant es
f ormao do preo, as segui nt es vari vei s expl i cat i vas: rea t ot al ou
rea t i l , nmero de dormi t ri os, su t e, garagem, dependnci a de
empregada, i dade, el evador, est ado de conservao, padro de
acabament o, regi o de val ori zao i mobi l i ri a, di st nci a escol a,
66
acesso ao t ransport e urbano, et c. Est a l i st a de vari vei s expl i cat i vas
t ende a vari ar de muni c pi o para muni c pi o, dependendo das
caract er st i cas de cada um. Para a ci dade de Cri ci ma SC, a vari vel
mei o ambi ent e rel evant e, poi s Cri ci ma est l ocal i zada em rea
cr t i ca de pol ui o, devi do a expl orao de carvo, curt ume, cermi ca e
met al urgi a dent ro do per met ro urbano. Em Canasvi ei ras SC,
muni c pi o de prai a, a vari vel di st nci a ao mar i ndi spensvel da l i st a
de vari vei s expl i cat i vas rel evant es. Na aval i ao do preo de
resi dnci as no Col orado Est ados Uni das da Amri ca, a vari vel
nmeros de l arei ras rel evant e. Out ras vari vei s que podem vi r a ser
rel evant es, dependendo da especi f i ci dade do muni c pi o a que pert ence
a popul ao a ser est udada, so: vi st a panormi ca, i nsol ao,
vent i l ao, i nf ra-est rut ura urbana, t amanho do t erreno, et c.
responsabi l i dade do pesqui sador, det ermi nar o conj unt o de vari vei s
rel evant es, para que sua pesqui sa at i nj a um resul t ado desej ado.
4. 1. 2 Levantamento dos Dados
O l evant ament o dos dados deve ser f ei t o com mui t o cui dado, poi s
del e depender o sucesso da anl i se est at st i ca. i mport ant e a
real i zao de um pl anej ament o para a real i zao da col et a dos dados.
Nest e pl anej ament o, o pesqui sador deve def i ni r o espao f si co, l ocal
onde est i nseri da a popul ao a ser est udada, e o nmero de i mvei s
a serem pesqui sados. Na mai ori a dos est udos i nvi vel ut i l i zar t odos
os i mvei s da popul ao, i st o por di versas razes, ent re el as o t empo,
o al t o cust o, a di f i cul dade na obt eno das i nf ormaes e out ras. Na
aval i ao de i mvei s, geral ment e se t em uma popul ao mui t o grande,
o l evant ament o das i nf ormaes demanda mui t o t empo e exi st em
mui t os empeci l hos, t ai s como; i mvel desocupado, ausnci a do
morador e out ros. Assi m, na aval i ao de i mvei s deve-se usar o
l evant ament o de dados por amost ragem. Para garant i r a val i dade da
anl i se, o nmero de i mvei s para compor a amost ra deve ser f i xado
com base na preci so desej ada nos resul t ados a serem obt i dos.
67
A composi o da amost ra, ou sej a, a sel eo dos el ement os que
sero observados, deve ser f ei t a sob uma met odol ogi a adequada, de
t al f orma que os resul t ados da amost ra sej am i nf ormat i vos para aval i ar
caract er st i cas de t oda a popul ao. Dest a f orma, na aval i ao de
i mvei s, o que se desej a uma amost ra represent at i va de dados de
mercado de i mvei s com caract er st i cas semel hant es aos el ement os da
popul ao.
No mercado de i mvei s, f requent e a ent rada de dados novos, por
i sso, deve se f azer um novo l evant ament o a cada nova aval i ao para
garant i r a represent ao dos novos dados na amost ra (Dant as, 1998,
p. 50).
4. 1. 3 Transformaes de Vari vei s
As vari vei s que so def i ni das em f uno das caract er st i cas e da
l ocal i zao de um i mvel , so do t i po quant i t at i vas e qual i t at i vas.
Geral ment e, est as vari vei s necessi t am de t ransf ormaes para que
possam ser real i zadas as anl i ses.
As vari vei s qual i t at i vas devem ser quant i f i cadas at ravs de uma
codi f i cao adequada. Em mui t as si t uaes so at ri bu dos apenas duas
si t uaes, t ai s como: pert ence ao pl o de val ori zao A, exi st nci a de
dependnci a de empregada, et c. Nest es casos at ri bui -se o val or 0
(zero) quando no t em a caract er st i ca e 1 (um) caso cont rri o. Assi m
t em-se uma vari vel do t i po dummy, pront a para ser ut i l i zada para
anl i se. As vari vei s que se ref erem as caract er st i cas de qual i dade
dos i mvei s, como por exempl o a conservao do i mvel , (pssi mo,
regul ar, bom e rui m); cl assi f i cao do i mvel (bai xo, normal e al t o) e
out ras, so casos que so resol vi dos t ransf ormando a vari vel em
novas vari vei s do t i po dummy. No ent ant o, quando uma vari vel pode
vi r a gerar um nmero mui t o grande de modal i dades, al gumas vezes,
el a pode ser def i ni da por uma escal a numri ca, at ri bui ndo-se pesos s
modal i dades, geral ment e est es pesos so na ordem crescent e, da
si t uao menos f avorvel para a mai s f avorvel . Est a f orma i ndi cada
68
apenas quando o nmero de modal i dades seri a mui t o grande, para se
t er um model o mai s si mpl es e aument ar os graus de l i berdade.
As vari vei s quant i t at i vas, geral ment e, necessi t am de
t ransf ormaes para resol ver os probl emas de f al t a de l i neari dade e
assi met ri a. A f al t a de l i neari dade pode ser i nvest i gada at ravs do
grf i co de di sperso da vari vel dependent e versus cada vari vel
i ndependent e. J a assi met ri a pode ser i nvest i gada ut i l i zando-se de
hi st ogramas ou di agramas de cai xas.
A t ransf ormao i ndi cada para resol ver os casos ci t ados,
pri nci pal ment e o caso da assi met ri a posi t i va, nat ural para est e t i po de
dados, poi s ocorre mui t o mai s i mvei s pequenos e de bai xo cust o do
que grandes, a t ransf ormao l ogar t mi ca, porm, no resol vendo,
podem ser usadas out ras t ransf ormaes como as ci t adas nas sees
3. 6. 1 e 3. 6. 2 do cap t ul o 3.
4. 1. 4 Anl i se Expl oratri a
Para o est udo de rel aci onament o ent re as vari vei s, pri mei rament e
pode ser ut i l i zado a correl ao l i near de Pearson para as vari vei s
quant i t at i vas e as qual i t at i vas, sendo que no segundo caso, el as devem
ser t ransf ormadas em dummy. O coef i ci ent e de correl ao i ndi ca a
exi st nci a ou no de rel ao l i near ent re as vari vei s i ndependent es e
a vari vel dependent e, i nf ormao necessri a para uso da regresso
l i near. Est es coef i ci ent es, quando apresent am val ores al t os ent re as
vari vei s i ndependent es, i ndi cam a poss vel exi st nci a de
mul t i col i neari dade, e ai nda, o val or do det ermi nant e da mat ri z dest es
coef i ci ent es, quando prxi mo de zero, t ambm i ndi ca a exi st nci a de
mul t i col i neari dade.
Apesar do coef i ci ent e de correl ao l i near de Pearson e do
det ermi nant e da mat ri z dest es coef i ci ent es i ndi carem a exi st nci a da
mul t i col i neari dade, el es no a quant i f i cam. Cont udo, as ra zes
caract er st i cas da mat ri z dos coef i ci ent es de correl aes ai nda podem
ser usadas para quant i f i car a mul t i col i neari dade.
69
Como o coef i ci ent e de correl ao l i near de Pearson no adequado
para i nvest i gar a rel ao l i near ent re a vari vel dependent e e vari vei s
i ndependent es qual i t at i vas, nest e caso sugere-se ut i l i zar o grf i co de
di sperso ou t est e F da ANOVA.
Quando se t em um conj unt o com a presena de vari vei s do t i po
qual i t at i vas, a anl i se f at ori al de correspondnci as adequada e pode
ser usada para o est udo da associ ao ent re as vari vei s. Est a t cni ca
permi t e conhecer quai s as vari vei s que est o f ort ement e (ou
f racament e) associ adas ent re si . I st o apoi a o pesqui sador em duas
si t uaes: a pri mei ra para i ndi car poss vel mul t i col i neari dade; e a
segunda, desde que a vari vel dependent e est ej a na anl i se, pode
most rar vari vei s f ort ement e associ adas vari vel dependent e. Est e
f at o, agregado ao conheci ment o subj et i vo do pesqui sador, sobre a
i mport nci a de det ermi nada vari vel na expl i cao da vari vel
dependent e, so suf i ci ent es para que t al vari vel sej a i ncl u da na
equao de regresso. Ai nda, est a f errament a pode ser usada como um
ref oro, veri f i cando se as vari vei s si gni f i cat i vas, i ncl u das na equao,
pel a anl i se de regresso, apresent am-se associ adas vari vel
dependent e, perant e est a f errament a.
4. 1. 5 Construo do Model o
Aps o est udo do rel aci onament o e da poss vel exi st nci a de
mul t i col i neari dade, bem como as t ransf ormaes necessri as, j se
pode dar i n ci o const ruo do model o.
Quando t m-se um nmero grande de vari vei s i ndependent es e
no exi st e mul t i col i neari dade, pel o menos no f ort e, pode se ut i l i zar,
para a procura da mel hor equao de regresso, o mt odo St epwi se.
Deve-se t omar cui dado nos val ores at ri bu dos para ent rada e sa da de
vari vei s, aconsel hvel usar o val or de ent rada pouco mai or que o de
sa da, para que no moment o da comparao do val or da est at st i ca no
se corra o ri sco de um val or cai r ent re os val ores de ent rada e sa da. O
R
2
aj ust ado e o quadrado mdi o dos erros, QME, devem ser usados
70
para comparar os model os.
Para o caso de exi st nci a de mul t i col i neari dade f ort e, i ndi cado o
uso da f errament a Ri dge Regressi on (regresso em cumeei ra). Aqui
vl i do o uso da Ri dge Regressi on com o mt odo St epwi se, e usar o R
2
aj ust ado e o quadrado mdi o dos erros para comparar as equaes.
Deve-se buscar o val or de k que est abi l i za os coef i ci ent es e o conj unt o
de vari vei s si gni f i cat i vas, i st o , t orna os val ores das est i mat i vas dos
coef i ci ent es const ant es e mant m as mesmas vari vei s si gni f i cat i vas,
para val ores de k num det ermi nado i nt erval o.
4. 1. 6 Anl i se Cr ti ca das Vari vei s
O conheci ment o subj et i vo que o pesqui sador ret m sobre o assunt o,
especi f i cament e sobre as vari vei s, l he permi t e uma anl i se cri t i ca das
vari vei s, t ant o as que est o na equao quant o as que f oram
excl u das. Deve-se anal i sar as vari vei s que f oram excl u das mas que
o pesqui sador j ul gar rel evant es na expl i cao da vari vel dependent e,
ou que se t enha i nt eresse que t al vari vel est ej a na equao. A
i ncl uso de t ai s vari vei s na equao no prej udi ca o poder de
expl i cao do model o, e ai nda pode mel horar o resul t ado da predi o
de novas observaes. O cont rri o t ambm vl i do, vari vei s que
f oram i ncl u das na equao, mas que so consi deradas i rrel evant es
pel o pesqui sador, podem ser anal i sadas est at i st i cament e. Se most rar
que sua excl uso no prej udi ca o model o, ent o est a pode ser excl u da
da equao.
A apl i cao dos vri os mt odos na det ermi nao da equao,
ci t ados no i t em ant eri or, proporci onam ao pesqui sador um grande apoi o
nest a anl i se cr t i ca, ao comparar os grupos de vari vei s present es em
cada equao. Ai nda, com apoi o do R
2
aj ust ado e do quadrado mdi o
do erro, pode-se anal i sar as al t eraes que a i ncl uso ou excl uso de
al gumas vari vei s provocam na equao aj ust ada.
71
4. 1. 7 Anl i se dos Res duos
A i nvest i gao da adequao do model o uma et apa, do
procedi ment o necessri o na anl i se dos dados, t o i mport ant e quant o
sua const ruo. A pl ot agem dos res duos o i nst rument o usado para
exami nar o model o. A anl i se grf i ca dos res duos necessri a para
exami nar o aj ust e do model o, ou sej a, para conf i rmar se el e t em uma
boa aproxi mao do verdadei ro si st ema e para veri f i car se as
suposi es da regresso por m ni mos quadrados no f oram vi ol adas
(Mont gomery, 1997, p. 563-565).
mai s f reqent e o uso dos res duos padroni zados por permi t i rem
mai s i nf ormaes do que os res duos comuns. Pode-se t ambm, f azer
uso dos res duos St udent i zed ou ai nda dos res duos PRESS.
Os res duos padroni zados t em mdi a zero e aproxi madament e
vari nci a ni ca. El e t i l na procura de val ores di screpant es. Em
al guns conj unt os de dados os res duos podem t er desvi os-padres que
di f erem grandement e e, como a padroni zao f ei t a ut i l i zando o desvi o
padro mdi o, nest es casos recomendvel o uso dos res duos
St udent i zed, que t em vari nci a const ant e 1 (um) na regi o onde o
model o corret o. No ent ant o, para grandes conj unt os de dados os
res duos padroni zados e St udent i zed t em pequena di f erena,
of erecendo i nf ormao equi val ent e. Os res duos PRESS t ambm
podem ser t ei s no di agnst i co do model o. Grandes res duos PRESS
i ndi cam observaes que geral ment e so pont os mui t o i nf l uent es. Um
res duo comum mui t o di f erent e de um res duo PRESS geral ment e
i ndi ca um pont o onde o model o aj ust a bem os dados, mas um model o
const ru do sem est e pont o um pobre predi t or. Para mai ores det al hes
sobre est e assunt o consul t ar Mont gomery (1997, p. 563-565).
Os val ores di screpant es, geral ment e present es, devem ser
i nvest i gados, poi s podem represent ar si mpl esment e um dado grande ou
uma regi o do espao da vari vel regressora onde o model o aj ust ado
rui m. Quando exi st em os pont os di screpant es, el es podem ser
comprovados pel o grf i co dos res duos versus val ores predi t os. Nest e
caso, deve-se ref azer t oda a anl i se com a excl uso dest es pont os. Se
72
os pont os di screpant es so em pequeno nmero, comparado com o
t amanho da amost ra, e no af et am os resul t ados, el es no preci sam
ser excl u dos. Se so em pequeno nmero, mas af et am os resul t ados,
ent o podem e devem ser ret i rados para real i zao da anl i se, porm,
merecem uma anl i se cr t i ca por part e do pesqui sador. Sendo est es
pont os em grande nmero, t al que a excl uso compromet e a amost ra e
ou a anl i se, ent o o pesqui sador deve reanal i sar a col et a, a di gi t ao
dos dados e at mesmo real i zar nova amost ragem.
Os res duos ai nda devem ser usados para i nvest i gar a poss vel
excl uso de vari vei s i ndependent es i mport ant es para expl i cao da
vari vel dependent e, que f i caram f ora da equao. I st o pode ser
i nvest i gado com o grf i co dos res duos versus cada vari vel
i ndependent e no i ncl u da na equao.
4. 1. 8 Veri fi cao da Apl i cabi l i dade do Model o
Um l t i mo passo que deve ser real i zado ant es de adot ar o model o
para aval i ao de i mvei s, veri f i car sua apl i cabi l i dade.
I ni ci al ment e, deve se f azer a anl i se de vari nci a para t est ar a
si gni f i cnci a do model o aj ust ado, no ent ant o, i st o por si s no garant e
a qual i dade das predi es.
A qual i dade do aj ust e pode ser t est ada comparando os val ores
predi t os com os val ores observados. O aj ust e t o bom, quant o mai or
f or a quant i dade de val ores predi t os prxi mos dos val ores observados,
i st o , com pequeno erro de predi o.
A cal i brao do model o, ou capaci dade de predi o de novas
observaes, pode ser f ei t a usando uma nova amost ra e comparando
os val ores de predi o com os val ores observados. O percent ual de
predi es nas f ai xas de erro i ndi caro boa ou m capaci dade de
predi o do model o.
73
4. 2 CASO EM ESTUDO
O present e est udo ut i l i za-se de uma base de dados const i t u da de
397 apart ament os da ci dade de Cri ci ma, SC. As vari vei s so do t i po
quant i t at i vas e qual i t at i vas, represent ando as caract er st i cas do i mvel .
Est es dados f oram obt i dos de Zancan (1995).
O Sof t ware ut i l i zado para as anl i ses est at st i cas f oi o St at i st i ca
6. 0, enquant o que para t rabal har com as t ransf ormaes de vari vei s e
cri ao de vari vei s dummy, ut i l i zou-se do Sof t ware Excel .
4. 3 I DENTI FI CAO E APRESENTAO DAS VARI VEI S
A vari vel dependent e o preo, que represent a o val or de venda
do i mvel em dl ares. As vari vei s i ndependent es est o rel aci onadas,
cl assi f i cadas e descri t as nos quadros 4. 1 e 4. 2.
Quadro 4. 1: Descri o das vari vei s i ndependent es quant i t at i vas
VARI VEI S
UNI DADES DE
MEDI DA
DESCRI O
r ea t ot al ( AT) m2 i dent i f i ca a r ea t ot al do i mvel
Consumo de
ener gi a ( CE)
kw r epr esent a o consumo mdi o de ener gi a,
r ef er ent e ao i mvel . No i mvel
desocupado ut i l i zou- se a mdi a de
consumo segundo a r ea r esi denci al
Di st nci a
escol a ( ES)
m di st nci a do i mvel escol a mai s pr xi ma
Acessi bi l i dade
( AC)
m di st nci a do i mvel ao pont o de ni bus
mai s pr xi mo
I dade ( I D) anos r epr esent a a i dade do i mvel aps a
l i ber ao do habi t e- se
Dor mi t r i os ( DO) uni dades i dent i f i ca o nmer o de dor mi t r i os
Mei o Ambi ent e
( MA)
- r epr esent a o n vel de pol ui o, obt i do
at r avs de not as dadas por engenhei r os
de di ver sas r eas e cal cul adas as
est at st i cas descr i t i vas
74
Quadro 4. 2: Descri o das vari vei s i ndependent es qual i t at i vas
VARI VEI S CATEGORI AS DESCRI O
Regi o
Homognea
( RH)
1 11 r egi es de mesma val or i zao
i mobi l i r i a, l evando em consi der ao a
t i pol ogi a const r ut i va, i nf r a- est r ut ur a,
t opogr af i a e i dade das const r ues
Zona Fi scal ( ZF) 1 16 zoneament o f i scal do muni c pi o
Padr o de
Ent r ada ( PE)
bai xo=1
nor mal =2
al t o=3
padr o de vi zi nhana do i mvel
Cl assi f i cao
( CL)
bai xo=1
nor mal =2
al t o=3
padr o const r ut i vo do i mvel
Conser vao
( CO)
pssi mo=1
r egul ar =2
bom=3
t i mo=4
I dent i f i ca o n vel de conser vao do
i mvel
Gar agem ( GA) Sem=0
com=1
i dent i f i ca a exi st nci a de gar agem
Su t e ( SU) sem=0
com=1
i dent i f i ca a exi st nci a de sui t e
Dependnci a de
empr egada ( DE)
sem=0
com=1
i dent i f i ca a exi st nci a de dependnci a de
empr egada
El evador ( EL) sem=0
com=1
i dent i f i ca a exi st nci a de el evador
Pl os de
val or i zao
per t ence=1
no per t ence=0
r epr esent am os sei s pl os de val or i zao
i mobi l i r i a: Bombei r o ( PBO) , Mar i st a
( PMA) , Cent enr i o ( PCE) , Mi chel ( PMI ) ,
Pr aa Congr esso ( PPC) e Comer ci r i o
( PCO)
4. 4 LEVANTAMENTO DE DADOS
Para f ormao da amost ra, Zancan (1995) escol heu i mvei s do t i po
apart ament o, no novos, usando o banco de dados i mobi l i ri o de
75
Cri ci ma, SC, em conf ront o com o cadast ro urbano do muni c pi o.
Foram ut i l i zados 380 i mvei s para a det ermi nao da equao de
regresso e uma amost ra de t amanho 17 f oi ret i rada do conj unt o i ni ci al
de dados para t est ar o aj ust e do poder predi t i vo do model o, conf orme
sugerem Net er e Wasserman (1974, p. 388).
4. 5 TRANSFORMAES DE VARI VEI S
A exi st nci a de vari vei s qual i t at i vas e quant i t at i vas no caso em
est udo, f ez necessri o, pri mei rament e, a t ransf ormao de al gumas
vari vei s, para real i zao do est udo do rel aci onament o ent re el as.
As vari vei s qual i t at i vas preci saram ser t ransf ormadas em vari vei s
do t i po dummy para se cal cul ar os coef i ci ent es de correl ao l i near e
f azer regresso. No ent ant o, as vari vei s regi o homognea (RH) e
zona f i scal (ZF) f oram cl assi f i cadas com um nmero mui t o grande de
cat egori as, o que l evari a a um nmero mui t o grande de vari vei s
dummy. Assi m, est as vari vei s f oram cat egori zadas novament e,
conf orme most ra o quadro 4. 3, baseando-se na anl i se dos grf i cos
das di st ri bui es de f reqnci a com di f erent es nmeros de cat egori as.
Quadro 4. 3: Nova cat egori zao das vari vei s RH e ZF
VARI VEI S CATEGORI AS NOVAS CATEGORI AS
Regi o
Homognea
( RH)
1 11 1 e 2 = 1
3 e 4 = 2
5 e 6 = 3
7 e 8 = 4
9, 10 e 11 = 5
Zona Fi scal ( ZF) 1 16 1 e 2 = 1
3 e 4 = 2
5 e 6 = 3
7 e 8 = 4
76
Com est as novas cat egori as, est as vari vei s puderam,
coerent ement e, serem t ransf ormadas em vari vei s do t i po dummy,
j unt ament e com as demai s vari vei s qual i t at i vas: padro de ent rada
(PE), cl assi f i cao (CL) e conservao (CO), conf orme o quadro 4. 4.
Quadro 4. 4: Transf ormao das vari vei s qual i t at i vas em dummy
VARI VEI S CATEGORI AS
Regi o Homognea 1 ( RH1) per t ence=1
no per t ence=0
Regi o Homognea 2 ( RH2) per t ence=1
no per t ence=0
Regi o Homognea 3 ( RH3) per t ence=1
no per t ence=0
Regi o Homognea 4 ( RH4) per t ence=1
no per t ence=0
Zona Fi scal 1 ( ZF1) per t ence=1
no per t ence=0
Zona Fi scal 2 ( ZF2) per t ence=1
no per t ence=0
Zona Fi scal 3 ( ZF3) per t ence=1
no per t ence=0
Padr o de Ent r ada 1 ( PE1) per t ence=1
no per t ence=0
Padr o de Ent r ada 2 ( PE2) per t ence=1
no per t ence=0
Cl assi f i cao 1 ( CL1) per t ence=1
no per t ence=0
Cl assi f i cao 2 ( CL2) per t ence=1
no per t ence=0
Conser vao 1 ( CO1) per t ence=1
no per t ence=0
Conser vao 2 ( CO2) per t ence=1
no per t ence=0
Conser vao 3 ( CO3) per t ence=1
no per t ence=0
77
Dest a f orma, passou a se t er doi s conj unt os de dados: o pri mei ro
com as vari vei s quant i t at i vas e as qual i t at i vas cat egori zadas, ambas
na f orma ori gi nal (t ot al i zando 21 vari vei s i ndependent es); e o segundo
com as vari vei s quant i t at i vas na f orma ori gi nal e as qual i t at i vas
t ransf ormadas em dummy (t ot al i zando 30 vari vei s i ndependent es).
Para est udo da assi met ri a das vari vei s quant i t at i vas f oram
const ru dos di agramas de cai xa. Os resul t ados so most rados na
Fi gura 4. 1. Observa-se que a vari vel dependent e preo assi mt ri ca
posi t i va. As vari vei s i ndependent es rea t ot al (AT), consumo de
energi a (CE), di st nci a escol a (ES), acessi bi l i dade (AC), mei o
ambi ent e (MA) e i dade (I D), assi m como a vari vel dependent e,
t ambm apresent aram-se assi mt ri cas posi t i va.
Com a t ransf ormao l ogar t mi ca, Fi gura 4. 2, a vari vel Ln(PR)
t ornou-se si mt ri ca. Para as vari vei s i ndependent es apresent adas
aci ma, t ambm f oi ut i l i zada a t ransf ormao l ogar t mi ca, f i cando
Ln(AT), Ln(CE), Ln(ES), Ln(AC), Ln(MA) e Ln(I D). A Fi gura 4. 2 most ra
que para as vari vei s Ln(AT), Ln(ES), Ln(AC) e Ln(MA) a
t ransf ormao l ogar t mi ca ameni zou o probl ema da assi met ri a. Para a
vari vel consumo de energi a e Ln(consumo de energi a), al m do
di agrama de cai xa, f oi const ru do o hi st ograma e o grf i co de
di sperso, ent o f oi poss vel perceber uma pequena mel hora com a
t ransf ormao l ogar t mi ca. Est a pequena mel hora mai s o f at o de que os
val ores da vari vel consumo de energi a di f erem (so mui t o mai ores)
dos val ores das demai s vari vei s, l evam a concl ui r que se deve
t rabal har com est a vari vel t ransf ormada, ou sej a, Ln(CE). Quant o a
vari vel i dade, os est udos at ravs do di agrama de cai xa, hi st ograma e
grf i co de di sperso no most raram haver qual quer mel hora com a
t ransf ormao l ogar t mi ca.
Assi m, para os est udos post eri ores, a vari vel dependent e preo
(PR) e as vari vei s i ndependent es rea t ot al (AT), consumo de energi a
(CE), di st nci a escol a (ES), acessi bi l i dade (AC), mei o ambi ent e (MA)
sero ut i l i zadas com a t ransf ormao l ogar t mi ca e a vari vel i dade
(I D) na f orma ori gi nal .
78
rea total
0
100
200
300
400
500
600
700
consumo de energia
60
80
100
120
140
160
180
200
220
240
260
280
distncia escola
0
200
400
600
800
1000
1200
1400
acessibilidade
-200
0
200
400
600
800
1000
1200
1400
meio ambiente
4,5
5,0
5,5
6,0
6,5
7,0
7,5
8,0
8,5
idade
0
2
4
6
8
10
12
14
16
18
20
22
24
26
28
30
preco
-20000
0
20000
40000
60000
80000
100000
120000
140000
160000
180000
200000
220000
240000
260000
Fi gura 4. 1: Di agramas de cai xa das vari vei s quant i t at i vas
79
Ln(rea total)
3,0
3,5
4,0
4,5
5,0
5,5
6,0
6,5
7,0
Ln(consumo de energia)
4,4
4,6
4,8
5,0
5,2
5,4
5,6
5,8
Ln(distncia escola)
3,5
4,0
4,5
5,0
5,5
6,0
6,5
7,0
7,5
Ln(acessibilidade)
2,5
3,0
3,5
4,0
4,5
5,0
5,5
6,0
6,5
7,0
7,5
Ln(meio ambiente)
1,5
1,6
1,7
1,8
1,9
2,0
2,1
Ln(idade)
0,4
0,6
0,8
1,0
1,2
1,4
1,6
1,8
2,0
2,2
2,4
2,6
2,8
3,0
3,2
3,4
3,6
Ln(preco)
8,0
8,5
9,0
9,5
10,0
10,5
11,0
11,5
12,0
12,5
13,0
Fi gura 4. 2: Di agramas de cai xa das vari vei s quant i t at i vas com
t ransf ormao l ogar t mi ca
80
4. 6 ANLI SE EXPLORATRI A DAS VARI VEI S
Para a anl i se expl orat ri a das vari vei s pode-se usar os
coef i ci ent es de correl ao l i near de Pearson e grf i cos de di sperso.
4. 6. 1 Rel ao da Vari vel Dependente com as I ndependentes
Os coef i ci ent es de correl ao l i near de Pearson ent re a vari vel
dependent e preo e as vari vei s i ndependent es quant i t at i vas, j com
as t ransf ormaes l ogar t mi cas, so most rados na t abel a 4. 1.
Os val ores pequenos, most ram a f al t a de l i neari dade ent re os
pont os. Assi m, no vi vel um aj ust e l i near para est as vari vei s,
sendo, port ant o, necessri o al guma t ransf ormao, ou ai nda, est as
vari vei s no so i mport ant es na expl i cao do preo do i mvel .
Observa-se que as vari vei s Ln(rea t ot al ), Ln(consumo de energi a) e
i dade (I D), so as mai s rel aci onadas l i nearment e com a vari vel preo.
A Fi gura 4. 3 most ra haver rel aci onament o l i near f ort e do Ln(PR) com
Ln(AT) e Ln(CE), f raco com (I D) e no haver qual quer t i po de
rel aci onament o com as demai s vari vei s.
Tabel a 4. 1: Correl ao l i near (Pearson) ent re a vari vel dependent e
l n(preo) e as vari vei s i ndependent es quant i t at i vas
VARI VEI S I NDEPENDENTES
COEFI CI ENTES DE
CORRELAO
VALOR P
Ln(rea t ot al )-Ln(AT) 0, 9432 0, 000
Ln(consumo de energi a)-Ln(CE) 0, 5368 0, 000
Ln(di st nci a escol a)-Ln(ES) -0, 1182 0, 021
Ln(acessi bi l i dade)-Ln(AC) 0, 2374 0, 000
Ln(mei o ambi ent e)-Ln(MA) 0, 1309 0, 011
I dade (I D) -0, 4920 0, 000
Dormi t ri os (DO) 0, 0243 0, 637
81
Ln(preco)
L
n
(
r
e
a
t
o
t
a
l
)
Ln(preco)
L
n
(
c
o
n
s
u
m
o
d
e
e
n
e
r
g
i
a
)
Ln(preco)
L
n
(
d
i
s
t
n
c
i
a
e
s
c
o
l
a
)
Ln(preco)
L
n
(
a
c
e
s
s
i
b
i
l
i
d
a
d
e
)
Ln(preco)
L
n
(
m
e
i
o
a
m
b
i
e
n
t
e
)
Ln(preco)
I
d
a
d
e
Ln(preco)
D
o
r
m
i
t
r
i
o
s
Fi gura 4. 3: Grf i cos de di sperso da vari vel dependent e Ln(preo)
versus vari vei s quant i t at i vas i ndependent es
82
Para i nvest i gar poss vei s rel aes ent re a vari vel dependent e e as
vari vei s i ndependent es qual i t at i vas e dummy, f ez-se uso do t est e F da
ANOVA. A t abel a 4. 2 most ra os resul t ados. Se f or consi derado um n vel
de si gni f i cnci a de 1%, j que n consi deravel ment e grande, apesar de
que a NBR 5679/ 90 permi t e 5%, duas dest as vari vei s podem ser
excl u das da anl i se de regresso, est as vari vei s so pl o bombei ro e
pl o comerci al .
Tabel a 4. 2: Test e F da ANOVA para a vari vel dependent e l n(preo)
versus vari vei s i ndependent es qual i t at i vas
VARI VEI S I NDEPENDENTES
VARI VEL CATEGORI A MDI A
VALORE DE
F
VALOR
P
Regi o
homognea
1
2
3
4
5
9, 3179
9, 8851
10, 4112
10, 8907
11, 3853
83 0, 00
Zona f i scal 1
2
3
4
10, 6224
10, 4024
10, 2503
9, 6617
7 0, 00
Padr o de
ent r ada
1
2
3
9, 4248
10, 3489
11, 2978
35 0, 00
Cl assi f i cao 1
2
3
9, 6072
10, 4221
11, 4839
269 0, 00
Conser vao 1
2
3
4
9, 6099
9, 9150
10, 3226
10, 9039
80 0, 00
Gar agem 0
1
9, 4479
10, 6129
199 0, 00
Su t e 0
1
9, 7541
10, 8347
382 0, 00
83
Cont i nuao . . .
VARI VEI S I NDEPENDENTES
VARI VEL CATEGORI A MDI A
VALOR DE
F
VALOR
P
Dependnci a de
empr egada
0
1
10, 0279
11, 0128
274 0, 00
El evador 0
1
9, 9466
10, 5083
32 0, 00
Pl o bombei r o 0
1
10, 4527
10, 2453
4 0, 04
Pl o Mar i st a 0
1
10, 3540
11, 1481
34 0, 00
Pl o cent enr i o 0
1
10, 5711
10, 1231
34 0, 00
Pl o Mi chel 0
1
10, 4872
9, 5626
46 0, 00
Pl o pr aa do
congr esso
0
1
10, 2709
11, 3573
125 0, 00
Pl o comer ci al 0
1
10, 4016
10, 4900
1 0, 42
Em f ace dos resul t ados obt i dos nest a seo, pode-se deci di r pel a
excl uso das vari vei s i ndependent es quant i t at i vas Ln(di st nci a
escol a), Ln(acessi bi l i dade), Ln(mei o ambi ent e) e Dormi t ri os (DO) e
das vari vei s dummy pl o bombei ro (PBO) e pl o comerci al (PCO).
Not e que, t abel a 4. 1, as vari vei s Ln(di st nci a escol a) e Ln(mei o
ambi ent e) no so si gni f i cat i vament e correl aci onadas a vari vel
Ln(preo) a 1%, porm o coef i ci ent e de correl ao bai xo e a f i gura
4. 3 conf i rma est e f raco correl aci onament o. Tambm, a vari vel
Ln(acessi bi l i dade), apesar de exi st i r correl ao com a vari vel
Ln(preo), el a bai xa e a Fi gura 4. 3 conf i rma est a f al t a de
rel aci onament o. Est es f at os que l evaram a deci so de excl uso
dest as vari vei s.
Assi m, passa a se t er um conj unt o com um nmero menor de
vari vei s i ndependent es, t ercei ro conj unt o, com 24 vari vei s.
84
Ai nda, a anl i se f at ori al de correspondnci as f oi usada como uma
f errament a de apoi o ao est udo do rel aci onament o e i mport nci a das
vari vei s, poi s est a t cni ca permi t e det ect ar as rel aes rec procas,
associ aes e oposi es ent re vari vei s. Para real i zar a anl i se f at ori al
de correspondnci as, as vari vei s quant i t at i vas cont nuas f oram
di scret i zadas. O apndi ce A, most ra a pl ot agem das vari vei s
ut i l i zando-se os f at ores 1, com poder de expl i cao de 40% do t ot al da
i nrci a; e o f at or 2, com poder de expl i cao de 11% do t ot al da
i nrci a. Observa-se que as vari vei s rea t ot al (AT), regi o homognea
(RH), cl assi f i cao (CL), garagem (GA), conservao (CO), consumo de
energi a (CE), el evador (EL) e sui t e (SU), apresent aram-se associ adas
vari vel dependent e preo, i ndi cando que est as vari vei s podem ser
i mport ant es na det ermi nao da equao de regresso. Ai nda pode-se
observar, at ravs do apndi ce A, que a anl i se f at ori al de
correspondnci as que as vari vei s di st nci a escol a (ES),
acessi bi l i dade (AC), mei o ambi ent e (MA), Dormi t ri os (DO), pl o
bombei ro (PBO) e pl o comerci al (PCO) no t m nenhuma associ ao
com a vari vel dependent e preo (PR), i ndi cando, t ambm, como os
resul t ados ant eri ores, a excl uso dest as vari vei s.
4. 6. 2 Mul ti col i neari dade
Para a i nvest i gao da poss vel exi st nci a de mul t i col i neari dade, f oi
ut i l i zado o val or do det ermi nant e da mat ri z das correl aes, Rx. As
correl aes, apndi ce B, f oram cal cul adas usando o t ercei ro conj unt o
com 24 vari vei s i ndependent es.
Os al t os val ores das correl aes i ndi cam exi st nci a de poss vel
mul t i col i neari dade, porm para conj unt os com mui t as vari vei s, mesmo
no havendo al t as correl aes, ai nda pode haver mul t i col i neari dade.
O val or do det ermi nant e da mat ri z das correl aes f oi de 3, 87
.
10
- 7
.
Est e val or, aproxi madament e zero, i ndi cat i vo da exi st nci a de
mul t i col i neari dade, porm, i st o no a quant i f i ca.
85
Out ro cri t ri o ut i l i zado, para det ect ar e t ambm quant i f i car, f oi
at ravs do uso das ra zes caract er st i cas da mat ri z Rx. Observe, na
t abel a 4. 3, que exi st em vri as ra zes caract er st i cas com val or mui t o
bai xo, l evando i ndi cao da exi st nci a de mul t i col i neari dade, porm
no se t em a quant i f i cao dest a mul t i col i neari dade.
Tabel a 4. 3: Ra zes caract er st i cas da mat ri z das correl aes
VARINCIA VARINCIA
EXPLICADA (%) EXP. ACUM. (%)
1
10,7704 44,8767 44,8767
2
5,2213 21,7555 66,6322
3
2,3780 9,9083 76,5405
4
1,2013 5,0052 81,5458
5
0,8620 3,5916 85,1373
6
0,7009 2,9206 88,0579
7
0,5751 2,3962 90,4541
8
0,5157 2,1486 92,6027
9
0,4070 1,6960 94,2987
10
0,3693 1,5385 95,8373
11
0,2692 1,1215 96,9588
12
0,1882 0,7841 97,7429
13
0,1576 0,6569 98,3998
14
0,1086 0,4525 98,8523
15
0,0921 0,3839 99,2362
16
0,0629 0,2623 99,4984
17
0,0454 0,1891 99,6875
18
0,0405 0,1688 99,8563
19
0,0135 0,0561 99,9124
20
0,0092 0,0383 99,9507
21
0,0087 0,0361 99,9868
22
0,0024 0,0100 99,9968
23
0,0008 0,0032 100,0000
AUTOVALORES NMERO
Para descrever o n vel de mul t i col i neari dade usou-se o cri t ri o
descri t o em El i an (1998, p. 131), que consi st e no cl cul o do val or de L,
dado por:
L=
mx
/
m n
= 10, 7704/ 0, 0008 = 13926.
Como o val or de L mai or que 1000, concl ui r-se, segundo El i an
(1998, p. 131), que exi st e mul t i col i neari dade f ort e.
Assi m, f oi necessri o buscar a det ermi nao da equao de
86
regresso, ut i l i zando mt odos espec f i cos para casos da exi st nci a de
mul t i col i neari dade.
4. 7 CONSTRUO DO MODELO
Para cont ornar o probl ema da mul t i col i neari dade, o mt odo
escol hi do f oi o Ri dge Regressi on, poi s, nest e caso de
mul t i col i neari dade f ort e, el e produz um QME (quadrado mdi o do erro)
menor do que o QME produzi do pel os est i madores de m ni mos
quadrados ordi nri os.
A anl i se de regresso f oi real i zada usando o t ercei ro conj unt o de
dados (24 vari vei s i ndependent es) com as vari vei s qual i t at i vas
t ransf ormadas em vari vei s Dummy, as quant i t at i vas rea t ot al (AT) e
consumo de energi a (CE) com a t ransf ormao l ogar t mi ca e a
quant i t at i va i dade (I D) na f orma ori gi nal . A vari vel dependent e preo
f oi usada com a t ransf ormao l ogar t mi ca.
Foram real i zadas i nmeras si mul aes, com o mt odo Ri dge
Regressi on St epwi se St andard, para i dent i f i car o mel hor conj unt o de
vari vei s a ent rarem na equao.
O val or de k = 0, 0001 est abi l i zou os coef i ci ent es, o R
2
aj ust ado e o
quadrado mdi o do erro, i st o , t ornou os val ores das est i mat i vas dos
coef i ci ent es const ant es, mant eve as mesmas vari vei s si gni f i cat i vas,
mant eve prat i cament e i nal t erados os val ores do R
2
aj ust ado e do
quadrado mdi o do erro, para val ores de k prxi mos de 0, 0001.
Porm, a equao det ermi nada apresent ou-se i ncoerent e para a
aval i ao de i mvei s por apresent ar o coef i ci ent e da vari vel
l n(consumo de energi a) com si nal negat i vo. A vari vel consumo de
energi a represent a a vari vel renda f ami l i ar e i st o i mpl i ca que uma
f am l i a com mai or renda f ami l i ar deve t er um i mvel de mai or val or.
Logo est a vari vel ent rou na equao de f orma i ncoerent e e para
corri gi r t al i ncoernci a, f ez-se necessri a a excl uso dest a vari vel .
Anl i ses post eri ores most raram a presena de pont os di screpant es,
sendo doi s pont os af ast ados mai s de 3 desvi os-padres da mdi a,
87
correspondent es s observaes de ordem 28 e 311. Foram real i zadas
anl i ses com a ret i rada dos doi s pont os, havendo uma mel hora no
aj ust e da equao, poi s houve aument o do val or do R
2
aj ust ado e
di mi nui o do val or do quadrado mdi o do erro. Como a amost ra
consi deravel ment e grande, 380 i mvei s, a reduo de 2 observaes
no deve acarret ar probl emas. Assi m, passou-se a t rabal har com est e
novo conj unt o de 378 i mvei s.
As vari vei s si gni f i cat i vas e os respect i vos val ores dos coef i ci ent es
so apresent ados na t abel a 4. 4 e os val ores das medi das ref erent es ao
aj ust e da equao so apresent ados na t abel a 4. 5. Observa-se que os
val ores de R ml t i pl o e R
2
aj ust ado so consi deravel ment e al t os,
i ndi cando al t a correl ao al t a correl ao da vari vel dependent e com
as vari vei s i ndependent es e al t a expl i cao da vari vel dependent e
pel as vari vei s i ndependent es.
Tabel a 4. 4: Ri dge Regressi on para det ermi nao da equao
VARI VEI S
COEF.
ESTI MADOS
VALOR
t
( 366)
VALOR
P
Const ant e 44, 06 5, 839751 0, 000
Regi o Homognea 1 -7, 26 -0, 383533 0, 000
Regi o Homognea 2 -6, 91 -0, 298354 0, 000
Regi o Homognea 3 -5, 39 -0, 201594 0, 000
Regi o Homognea 4 -3, 24 -0, 121817 0, 001
Cl assi f i cao 1 -7, 32 -0, 330161 0, 000
Cl assi f i cao 2 -5, 51 -0, 183774 0, 000
Conservao 1 -6, 66 -0, 239793 0, 000
Conservao 2 -5, 74 -0, 166772 0, 000
Conservao 3 -5, 79 -0, 126998 0, 000
Dependnci a de empregada 2, 32 0, 051752 0, 021
Ln(rea t ot al ) 40, 67 1, 031288 0, 000
Tabel a 4. 5: Medi das ref erent es ao aj ust e da equao
MEDI DAS VALORES
R ml t i pl o 0, 9777
R
2
0, 9559
R
2
aj ust ado 0, 9546
Quadrado Mdi o do Erro 83. 609. 000, 00
88
As vari vei s quant i t at i vas que no est udo real i zado na seo 4. 6. 1,
apresent aram-se rel aci onadas vari vel dependent e preo f oram
l n(AT), l n(CE) e i dade. No ent ant o, a vari vel I D no f oi si gni f i cat i va na
anl i se de regresso, e, como no se t em argument os que j ust i f i que
sua i ncl uso na equao, el a f oi excl u da.
Em rel ao s vari vei s qual i t at i vas que, i ndi vi dual ment e, f oram
consi deradas pel o t est e F da ANOVA serem rel evant es para a
expl i cao da vari vel preo, apenas as vari vei s regi o homognea,
cl assi f i cao, conservao e dependnci a de empregada f oram
si gni f i cat i vas na anl i se de regresso. A vari vel dependnci a de
empregada f oi si gni f i cat i va ao n vel de 2%, as demai s ao n vel de 1%.
Dent re as vari vei s no si gni f i cat i vas, as vari vei s su t e e garagem
merecem at eno, porque al m de apresent aram-se rel evant es na
rel ao com a vari vel preo, conf orme o est udo real i zado na seo
4. 6. 1, so val ori zadas pel o mercado. Porm, em anl i ses real i zadas
com est as vari vei s i ncl u das na equao, no houve mel hora das
medi das do R
2
aj ust ado nem mesmo do quadrado mdi o do erro. Assi m,
est as vari vei s no f oram i ncl u das na equao f i nal .
Port ant o, a equao com o mel hor R
2
aj ust ado e menor quadrado
mdi o do erro f oi obt i da com as vari vei s regi o homognea,
cl assi f i cao, conservao, dependnci a de empregada e l n(rea t ot al ).
A equao aj ust ada f i cou da segui nt e f orma:
Preo = exp { 5, 839751 0, 383533iRegi o Homognea 1
0, 298354iRegi o Homognea 2 0, 201594iRegi o
Homognea 3 0, 121817iRegi o Homognea 4
0, 330161iCl assi f i cao 1 0, 183774iCl assi f i cao 2
0, 239793iConservao 1 0, 166772iConservao 2
0, 126998iConservao 3 + 0, 051752iDependnci a de
Empregada + 1, 031288il n(rea t ot al ) }
Onde:
- Preo represent a o val or de venda do i mvel em dl ares;
89
- DE represent a a vari vel i ndi cadora de dependnci a de empregada;
- Ln(AT) represent a a rea t ot al com t ransf ormao l ogar t mi ca;
- RH1, RH2, RH3 e RH4 represent am as regi es homogneas nas
cat egori as 1, 2, 3 e 4 respect i vament e (RH5 f oi usada como padro);
- CL1 e CL2 represent am as cl assi f i caes nas cat egori as 1 e 2
respect i vament e (CL3 f oi usada como padro);
- CO1, CO2 e CO3 represent am os n vei s de conservao 1, 2 e 3
respect i vament e (CO4 f oi usada como padro).
A anl i se de vari nci a, t abel a 4. 6, most ra que rej ei t amos a hi pt ese
de no haver regresso, i st o , o model o si gni f i cat i vo.
Tabel a 4. 6: Anl i se de vari nci a para a si gni f i cnci a da equao
FONTES DE
VARI AO
SOMA DE
QUADRADOS
GRAUS DE
LI BERDADE
QUADRADO
MDI O
F
0
P
Regresso 198, 18 11 18, 02 721, 32 0, 000
Res duo 9, 14 366 0, 025
Tot al 207, 32 377
4. 8 ANLI SE DE RES DUOS
As suposi es do model o, agora, com a equao de regresso
aj ust ada podem ser veri f i cadas at ravs da anl i se grf i ca, ut i l i zando-se
os res duos.
Vari nci a Constante: a Fi gura 4. 4 apresent a os pont os di st ri bu dos
al eat ori ament e em t orno da l i nha que passa pel a ori gem. Est a
di sposi o dos pont os i ndi ca que a suposi o de vari nci a const ant e
razovel .
90
8,0 8,5 9,0 9,5 10,0 10,5 11,0 11,5 12,0 12,5 13,0
Valores preditos
-0,6
-0,5
-0,4
-0,3
-0,2
-0,1
0,0
0,1
0,2
0,3
0,4
0,5
R
e
s
d
u
o
s
Fi gura 4. 4: Vari nci a const ant e pl ot agem dos
res duos versus val ores predi t os.
Di stri bui o Normal : a Fi gura 4. 5 most ra que os pont os est o
di spost os sob uma l i nha ret a, i ndi cando a normal i dade dos erros. A
t abel a 4. 7 apresent a os percent uai s de pont os exi gi dos, nas
respect i vas f ai xas, para se t er o at endi ment o da suposi o de
normal i dade. O resul t ado obt i do conf i rma a i nt erpret ao grf i ca, poi s
os percent uai s de res duos exi gi dos dent ro de cada f ai xa f oram
at endi dos e, port ant o, a suposi o de normal i dade f oi at endi da.
Tabel a 4. 7: Comparao da di st ri bui o dos res duos padroni zados
com a di st ri bui o normal padro
I NTERVALOS VALOR TERI CO N. DE PONTOS VALOR OBTI DO
[ -1 ; 1] 68% 225 68%
[ -1, 64 ; 1, 64] 90% 340 90%
[ -1, 96 ; 1, 96] 95% 359 95%
91
-0,6 -0,5 -0,4 -0,3 -0,2 -0,1 0,0 0,1 0,2 0,3 0,4 0,5
Resduos
-4
-3
-2
-1
0
1
2
3
4
V
a
l
o
r
n
o
r
m
a
l
e
s
p
e
r
a
d
o
Fi gura 4. 5: Normal i dade pl ot agem dos res duos
versus val ores esperados pel a di st ri bui o normal .
Ai nda, ut i l i zando os res duos da equao aj ust ada, poss vel
i nvest i gar a adequao da equao, a exi st nci a de val ores
di screpant es e a omi sso de vari vei s i ndependent es i mport ant es para
a equao.
Adequao do model o: a Fi gura 4. 4 most ra que a di st ri bui o dos
pont os al eat ri a em t orno de zero, que i ndi ca uma escol ha adequada
da f orma da equao mat emt i ca.
Foi real i zada t ambm a pl ot agem dos res duos versus cada vari vel
i ndependent e part i ci pant e da equao, e nenhum dos grf i cos
apresent ou qual quer padro si st emt i co que l evasse a suspei t a de mal
aj ust e do model o (ver apndi ce C).
Val ores di screpantes: No apareceram res duos padroni zados
mai ores que t rs, ou sej a, t rs desvi os padres af ast ados de zero (a
mdi a). Apareceram al guns val ores af ast ados mai s do que 2 desvi os-
padres, conf orme most ra a Fi gura 4. 6, porm, no se caract eri zam
pont os di screpant es devi do o t amanho da amost ra ser grande no
present e caso.
92
8,0 8,5 9,0 9,5 10,0 10,5 11,0 11,5 12,0 12,5 13,0
Valores preditos
-4
-3
-2
-1
0
1
2
3
4
R
e
s
d
u
o
s
p
a
d
r
o
n
i
z
a
d
o
s
Fi gura 4. 6: Val ores di screpant es pl ot agem dos
val ores predi t os versus res duos padroni zados.
Omi sso de vari vei s i ndependentes: os grf i cos da pl ot agem dos
res duos versus cada vari vel i ndependent e no i ncl u da na equao,
so usados para i nvest i gar se al guma dest as, deva ser i ncl u da. As
vari vei s, que no part i ci param do model o, mas pel as anl i ses
prel i mi nares eram suspei t as de serem i mport ant es, como su t e (SU),
garagem (GA) e i dade (I D), no o so, conf orme pode ser vi st o nas
Fi guras 4. 7, 4. 8 e 4. 9, respect i vament e. Observe que no exi st e
t endnci a que possa j ust i f i car a i ncl uso dest as vari vei s na equao.
-0,2 0,0 0,2 0,4 0,6 0,8 1,0 1,2
Sute
-0,6
-0,5
-0,4
-0,3
-0,2
-0,1
0,0
0,1
0,2
0,3
0,4
0,5
R
e
s
d
u
o
s
Fi gura 4. 7: Omi sso de vari vei s val ores
observados da vari vel sui t e versus res duos
93
-0,2 0,0 0,2 0,4 0,6 0,8 1,0 1,2
Garagem
-0,6
-0,5
-0,4
-0,3
-0,2
-0,1
0,0
0,1
0,2
0,3
0,4
0,5
R
e
s
d
u
o
s
Fi gura 4. 8: Omi sso de vari vei s val ores
observados da vari vel garagem versus res duos
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30
Idade
-0,6
-0,5
-0,4
-0,3
-0,2
-0,1
0,0
0,1
0,2
0,3
0,4
0,5
R
e
s
d
u
o
s
Fi gura 4. 9: Omi sso de vari vei s val ores
observados da vari vel i dade versus res duos
Quant o as demai s vari vei s, nenhuma del as apresent ou qual quer
padro, apenas a vari vel padro de ent rada-1 (PE1) apresent ou uma
suave t endnci a, mas no o suf i ci ent e para ser i ncl u da na equao
94
(ver apndi ce D). Logo, pode-se di zer que o conj unt o de vari vei s
i ncl u das na equao o mai s coerent e.
4. 9 AVALI AO PRTI CA DO MODELO CONSTRU DO
A const ruo de um model o que sat i sf az t odas as suposi es
t eri cas no o suf i ci ent e para garant i r a qual i dade das predi es.
Uma aval i ao prt i ca do model o most rar a sua qual i dade de aj ust e e
capaci dade predi t i va.
val ores predi tos: Os val ores predi t os pel a equao aj ust ada, dent ro
das f ai xas de erros de 5%, 10%, 15%, 20%, 30% 40% e 50%, conf orme
t abel a 4. 8, most ra o aj ust e da equao aj ust ada.
Tabel a 4. 8: Percent ual de val ores predi t os nas f ai xas de 5% a 50%
FAI XAS DE ERRO
N. DE VALORES
PREDI TOS
% DE VALORES
PREDI TOS
5% 96 25, 4%
10% 184 48, 7%
15% 250 66, 1%
20% 301 79, 6%
30% 358 94, 7%
40% 374 98, 9%
50% 378 100%
Not e que 4 i mvei s t i veram val or de predi o com erro superi or a
40%, sendo que o mai or erro i ndi vi dual f oi de 49, 5%.
Para mel hor cl areza e ent endi ment o do que si gni f i cam os resul t ados
da t abel a 4. 8, t omou-se um i mvel de val or R$ 30. 000, 00 e os val ores
predi t os nas respect i vas f ai xas de erro so apresent adas na t abel a 4. 9.
Observe que, em se t rat ando de mercado i mobi l i ri o,
especi f i cament e val or de venda do i mvel , que t em mui t os f at ores no
cont rol ados i nf l uenci ando, o val or de um i mvel de R$ 30. 000, 00 sendo
95
predi t o na pri mei ra f ai xa um excel ent e resul t ado, na segunda f ai xa
um t i mo resul t ado, na t ercei ra f ai xa um bom resul t ado e mesmo na
quart a f ai xa o resul t ado acei t vel . Logo, baseado nos percent uai s de
val ores predi t os em cada f ai xa, pode-se concl ui r que a equao
aj ust ada boa predi t ora.
Tabel a 4. 9: Exempl o da vari ao do preo predi t o de um i mvel de
val or R$ 30. 000, 00
FAI XAS DE
ERRO
VALOR DE
VARI AO
VARI AO DO VALOR
PREDI TO
5% 1. 500, 00 (28. 500, 00 ; 31. 500, 00)
10% 3. 000, 00 (27. 000, 00 ; 33. 000, 00)
15% 4. 500, 00 (25. 500, 00 ; 34. 500, 00)
20% 6. 000, 00 (24. 000, 00 ; 36. 000, 00)
Geral ment e, nos est udos encont rados, os pesqui sadores no
apresent am dados que most ram a qual i dade do aj ust e. Nos est udos
real i zados por Worzal a et al . (1995), so ci t ados resul t ados ent re 24%
e 37% de i mvei s dent ro da f ai xa de 5%. Ai nda ci t ou erro de predi o
i ndi vi dual de 60, 7%. Est as vari aes so, provavel ment e, devi do as
di versas amost ras que o aut or usou, al gumas com conj unt os mai s
homogneos e, t ambm, com amost ras f ei t as em cert as f ai xas de
preos.
Nos est udos real i zados por Zancan (1995), a equao const ru da
proporci onou um aj ust e i nf eri or equao const ru da nest e t rabal ho,
conf orme most ra a t abel a 4. 10. I st o pode t er ocorri do devi do a
exi st nci a de mul t i col i neari dade f ort e, poi s a aut ora no usou t cni cas
para ameni zar os probl emas que el a causa. Ai nda, a aut ora t rabal hou
com as vari vei s qual i t at i vas na f orma cat egori zada, sem t ransf ormar
em vari vei s do t i po dummy. O model o const ru do pel a aut ora produzi u
erro de predi o i ndi vi dual de 72%.
Os resul t ados ci t ados, de Worzal a et al . (1995) e Zancan (1995),
apoi am a concl uso de que o model o encont rado nest e est udo de caso,
com 25, 4% dos i mvei s na f ai xa de 5%, 99% na f ai xa de 40% e mai or
96
erro i ndi vi dual de 49, 5%, pode ser consi derado bom, mesmo porque, a
amost ra usada no parece t er si do col et ada adequadament e, de f orma
al eat ri a.
Tabel a 4. 10: Percent ual de val ores predi t os nas f ai xas de 5% a 40%,
pel o model o const ru do por Zancan (1995)
FAI XAS DE ERRO
N. DE VALORES
PREDI TOS
% DE VALORES
PREDI TOS
5% 92 23, 2%
10% 180 45, 3%
15% 264 66, 5%
20% 310 78, 1%
30% 367 92, 4%
40% 387 97, 5%
50% 393 99, 0%
val ores de predi o: o poder de predi o da equao aj ust ada para
novas observaes, f oi real i zado usando os 17 i mvei s separados
i ni ci al ment e, conf orme ci t ado no i t em 4. 4. Os resul t ados da predi o
so most rados na t abel a 4. 11.
Observa-se, na t abel a 4. 11, que os val ores predi t os para os val ores
dos apart ament os represent am de f at o o que acont ece nas negoci aes
do mercado i mobi l i ri o, onde di versos f at ores subj et i vos sempre est o
i nf l uenci ando na negoci ao do preo e causando as vari aes
most radas na t abel a 4. 11. Observe que o mai or erro i ndi vi dual f oi de
28, 3% e o erro percent ual mdi o f oi de 11, 9%. Pode-se consi derar
11, 9% uma margem de erro acei t vel no mercado i mobi l i ri o. I st o
permi t e concl ui r que a equao aj ust ada est bem, ou razoavel ment e
bem aj ust ada para predi o de novas observaes.
97
Tabel a 4. 11: Predi es de novas observaes pel a equao aj ust ada
PR-NOVO
OBSERVADO
PREDI O ERRO % ERRO
20. 907, 65 22. 151, 79 1244, 135 5, 6%
46. 156, 24 46. 376, 50 220, 2566 0, 5%
100. 000, 00 89. 924, 72 10075, 28 11, 2%
17. 000, 00 22. 015, 09 5015, 091 22, 8%
21. 200, 00 20. 662, 20 537, 799 2, 6%
21. 877, 73 29. 804, 59 7926, 857 26, 6%
12. 500, 00 17. 443, 62 4943, 623 28, 3%
37. 383, 18 37. 477, 54 94, 36189 0, 3%
23. 000, 00 21. 693, 62 1306, 385 6, 0%
18. 000, 00 24. 591, 82 6591, 824 26, 8%
130. 525, 00 118. 373, 60 12151, 37 10, 3%
120. 000, 00 128. 055, 00 8054, 975 6, 3%
33. 503, 65 33. 223, 69 279, 9579 0, 8%
93. 988, 92 99. 895, 27 5906, 349 5, 9%
25. 000, 00 27. 614, 47 2614, 472 9, 5%
66. 038, 62 58. 333, 59 7705, 027 13, 2%
34. 000, 00 27. 183, 15 6816, 846 25, 1%
ERRO PERCENTUAL MDI O DA PREDI O 11, 9%
4. 10 CONSI DERAES
Assi m t ermi nam t odas as i nvest i gaes rel at i vas s suposi es do
model o, ou sej a, anl i se de res duos e i nf ernci as sobre a equao
aj ust ada. Todos os cl cul os real i zados, desde o est udo das vari vei s,
det ermi nao da equao e grf i cos para as anl i ses e i nt erpret aes
f oram f ei t as at ravs do Sof t ware St at i st i ca 6. 0, com apoi o do Sof t ware
Excel .
A est rat gi a propost a nest e t rabal ho f act vel , como i l ust rado em
um caso real , obt endo um model o mel hor do que o model o obt i do por
out ro aut or com o mesmo banco de dados.
98
_______________________________________________ Captulo 5
CONSIDERAES FINAIS
5. 1 CONCLUSES
O val or de um i mvel pode ser represent ado por uma equao de
regresso l i near ml t i pl a, desde que se di sponha de um banco de
dados f ormado por uma amost ra do t i po al eat ri a com i nf ormaes de
preo e das pri nci pai s caract er st i cas dos i mvei s.
O f at o do conj unt o de dados ser compost o por uma mescl a de t i po
de vari vei s, i st o , quant i t at i vas cont nuas e di scret as e qual i t at i vas
cat egori zadas, no i nvi abi l i za a det ermi nao de uma equao de
regresso do t i po l i near ml t i pl a que f ornea bons val ores de predi o.
A Anl i se Fat ori al de Correspondnci as, devi do a part i ci pao de
vari vei s qual i t at i vas, pode ser usada como uma f errament a de apoi o
para det ect ar as associ aes ent re as vari vei s e, assi m, i ndi cando
quai s vari vei s so i mport ant es para part i ci parem da equao de
regresso.
A mul t i col i neari dade f ort e est , geral ment e, present e nos est udos
ref erent es a aval i ao de i mvei s. Nest es casos, a apl i cao dos
mt odos usuai s pode excl ui r, da equao aj ust ada, vari vei s
i mport ant es para a predi o. Assi m, a procura de uma equao que
proporci one uma aval i ao do t i po ri gorosa ou ri gorosa especi al ,
99
segundo a norma NBR-5676/ 90 da ABNT, est ari a mascarada, ou sej a,
no est ari a proporci onando a aval i ao com o ri gor desej ado.
A Ri dge Regressi on uma t cni ca i ndi cada para evi t ar a el i mi nao
de vari vei s i mport ant es quando exi st e mul t i col i neari dade f ort e,
garant i r a qual i dade de predi o da equao aj ust ada e o ri gor da
aval i ao.
Usando a abordagem da Ri dge Regressi on, f oi poss vel const rui r a
segui nt e equao de regresso l i near ml t i pl a para a ci dade de
Cri ci ma:
Preo = exp { 5, 839751 0, 383533iRH1 0, 298354iRH2
0, 201594iRH3 0, 121817iRH4 0, 330161iCL1
0, 183774iCL2 0, 239793iCO1 0, 166772iCO2
0, 126998iCO3 + 0, 051752iDE + 1, 031288iLn(AT) }
Onde:
- Preo represent a o val or de venda do i mvel em dl ares;
- DE represent a a vari vel i ndi cadora de dependnci a de empregada;
- Ln(AT) represent a a rea t ot al com t ransf ormao l ogar t mi ca;
- RH1, RH2, RH3 e RH4 represent am as regi es homogneas nas
cat egori as 1, 2, 3 e 4 respect i vament e (RH5 f oi usada como padro);
- CL1 e CL2 represent am as cl assi f i caes nas cat egori as 1 e 2
respect i vament e (CL3 f oi usada como padro);
- CO1, CO2 e CO3 represent am os n vei s de conservao 1, 2 e 3
respect i vament e (CO4 f oi usada como padro).
100
Est a equao at ende t odas as suposi es t eri cas para sua
exi st nci a. O val or de R
2
aj ust ado de 96%, most rando que a equao
aj ust ada proporci ona uma expl i cao de 96% da vari ao do preo dos
apart ament os est udados. Port ant o, est a pode ser consi derada uma boa
equao de regresso e pode ser usada para f azer predi es dos
preos de out ros apart ament os da ci dade de Cri ci ma, consi derando as
mesmas condi es dos apart ament os anal i sados.
5. 2 SUGESTES PARA NOVAS PESQUI SAS
Const rui r uma equao de regresso l i near ml t i pl a ut i l i zando-se de
uma nova amost ra al eat ri a.
Det ermi nar out ros model os que no l i neares, como por exempl o um
model o de Regresso Li near General i zado.
Apl i cao da est rat gi a propost a em um caso que possa se t er a
sua apl i cao prt i ca, comparando os val ores predi t os pel o model o
com os val ores ef et i vos de venda. I st o permi t i r aval i ar a qual i dade
ef et i va do model o com obj et i vo de predi o.
101
______________________________________ REFERNCIAS
ABNT (Associ ao Brasi l ei ra de Normas Tcni cas). Aval i ao de
i mvei s urbanos (NBR 5676 e NBR 502). Ri o de Janei ro: ABNT, 1989.
AYRES, Ant oni o. Como Aval i ar I mvei s. So Paul o: Edi t ora I mobi l i ri a
S/ C Lmt da, 1996.
BARBOSA FI LHO, D. S. I n: Tcni cas Avanadas de Engenhari a de
Aval i aes. Cai xa Econmi ca Federal , 1988.
BOUROCHE, J. M. ; SAPORTA, G. Anl i se de Dados. Ri o de Janei ro:
Zahar, 1982.
BUNCHAFT, G. ; KELLNER, S. R. O. Estat sti ca sem Mi stri os. 2 ed.
V I I . Pet rpol i s: Edi t ora Vozes, 1999.
CHARNET, R. , FREI RE, C. , CHARNET, E. ; BONVI NO, H. Anl i se de
Model os de Regresso Li near com apl i caes. Campi nas: Uni camp,
1999.
CHATTERJEE, S. ; PRI CE, B. Regressi on Anal ysi s by Exampl e. USA:
John Wi l ey & Sons, 1977.
DANI EL, C. ; WOOD, T. E. Fi tti ng Equati ons to Data. New York: John
Wi l ey & Sons, I nc, 1971.
DANTAS, Rubens A. Engenhari a de Aval i aes I ntroduo
Metodol ogi a Ci ent fi ca. So Paul o: Pi ni , 1998.
102
DRAPER, N. R. & SMI TH, H. Appl i ed Regressi on Anal ysi s. New York:
Jhon Wi l ey & Sons, I nc, 1981.
ELI AN, Si l vi a N. Anl i se de Regresso. So Paul o: I ME, 1988.
ESCOFI ER, B. ; PAGS, J. Anl i si s Factori al es Si mpl es y Ml ti pl es.
Bi l bao: Servi ci o Edi t ori al de l a Uni versi dad del Pai s Vasco, 1992.
FI KER, Jos. Aval i ao de I mvei s Urbanos. 5 ed. , So Paul o: Pi ni ,
1997.
GOLDBERGER, A. S. Teori a Economtri ca. Madri d: Edi t ori al Tcnos,
1970.
GONZLEZ, M. A. S. ; FORMOSO, C. T. Anl i se Concei t ual das
Di f i cul dades na Det ermi nao de Model os de Formao de Preos
At ravs da Anl i se de Regresso. Engenhari a Ci vi l UM, 8: 65-75,
2000.
HI LL, R. C. ; GRI FFI THS, W. E. ; JUDGE, G. G. Econometri a. So
Paul o: Edi t ora Sarai va, 1999.
HOFFMANN, Rodol f o; VI EI RA, Sni a. Anl i se de Regresso: uma
i ntroduo econometri a. So Paul o: HUCI TEC, 1983.
I BAPE-SP (I nst i t ut o Brasi l ei ro de Aval i aes e Per ci as de Engenhari a).
Engenhari a de Aval i aes. So Paul o: Pi ni , 1974.
JOHNSTON, John. Mtodos Economtri cos. So Paul o: At l as, 1974.
JUDGE, G. G. ; GRI FFI THS, E. W. ; HI LL, R. C. ; LEE, T. The Theory
and Practi ce of Econometri cs. New York: John Wi l ey & Sons, 1980.
103
JUDGE, G. G. ; HI LL, R. C. ; GRI FFI THS, E. W. ; LUTKEPOHL, H. ; LEE,
T. I ntroducti on to the Theory and Practi ce of Econometri cs. 2 ed.
USA: John Wi l ey & Sons, 1988.
KMENTA, Jan. El ementos de Econometri a. So Paul o: Edi t ora At l as
S/ A, 1978.
MACEDO, P. B. R. Hedoni c Pri ce Model s wi t h Spat i al Ef f ect s: na
Apl i cat i on t o t he Housi ng Market of Bel o Hori zont e, Brasi l . RBE Ri o de
Janei ro, 52(1): 63-81, Jan. / Mar. 1998.
MATOS, Orl ando C. de. Econometri a Bsi ca. So Paul o: At l as S/ A,
2000.
MONTGOMERY, Dougl as C. Desi gn and Anal ysi s of Experi ments. 4
ed. USA: John Wi l ey, 1997.
MOREI RA, A. L. Pri nc pi os de Engenhari a de Aval i ao. So Paul o,
Ed. Pi ni , 1990.
MOREI RA FI LHO, I . I . ; FRAI NER, J. I . ; MOREI RA, R. M. I . ; MOREI RA, R.
M. I . Aval i ao de Bens por Estat sti ca I nferenci al e Regresses
Ml ti pl as. Port o Al egre: Aval i en, 1993.
MOSCOVI TCH, S. K. Qual i dade de vi da urbana e val ores de i mvei s:
um est udo de caso para Bel o Hori zont e. Nova Economi a, nmero
especi al : 247-279, 1997.
NETER, J. ; WASSERMAN, W. Appl i ed Li near Stati sti cal Model s.
Ri chard D. I rwi n, I nc, I l l i noi s, 1974.
NETER, J. , WASSERMAN, W. , KUTNER, M. H. ; NACHTSHELM, C. J.
Appl i ed Li near Regressi on Model s. 3 ed. , Ti mes Mi rror Hi her Group,
I nc. , Bost on, 1996.
104
PEREI RA, Jl i o C. R. Anl i se de Dados Qual i tati vos. 3 ed. So
Paul o: Edusp, 2001.
REI S, El i zabet h. Estat sti ca Mul ti vari ada Apl i cada. Li sboa: Si l abo,
1997.
ROSEN, S. Hedoni c pri ces and i mpl i ci t market s: product di f f erent i at i on
i n pure compet i t i on. Journal of Pol i t i cal Economy, 22: 34-55, 1974.
SMI TH, L. B. ; ROSEN, K. T. ; FALI S, G. Recent devel opment i n
economi c model s of housi ng market s. Journal of Economi c Li t erat ure,
26: 29-64, 1988.
SNEDECOR, G. W. ; COCHRAN, W. G. Stati sti cal Methods. 6 ed. ,
I owa: Ames, 1972.
TRI VELLONI , Carl os A. P. Met odol ogi a para Aval i ao em Massa de
Apart ament os por I nf ernci a Est at st i ca e Tcni cas de Anl i se
Mul t i vari ada. Di ssert ao de Mest rado. Curso de Ps Graduao em
Engenhari a de Produo, Uni versi dade Federal de Sant a Cat ari na.
Fl ori anpol i s, 1998.
WONNACOTT, Ronal d J. ; WONNACOTT, Thomas H. Econometri a. 2
ed. , Ri o de Janei ro: Li vros Tcni cos e Ci ent f i cos Edi t ora, 1978.
WORZALA, E. ; LENK M. ; SI LVA A. An expl orat i on of neural net works
and i t 6s appl i cat i on t o real est at e val uat i on. The Journal of Real Est at e
Research, 10 (2): 185-201, 1995.
ZANCAN, Evel i se C. Met odol ogi a para Aval i ao em Massa de I mvei s
para Ef ei t o de Cobrana de Tri but os Muni ci pai s Caso de
Apart ament os da Ci dade de Cri ci ma, Sant a Cat ari na. Di ssert ao de
Mest rado. Curso de Ps-Graduao em Engenhari a de Produo.
Uni versi dade Federal de Sant a Cat ari na. Fl ori anpol i s, 1995.