Anexo A (normativo)
| Autor | Carlos Augusto Arantes/Marcelo Suarez Saldanha |
| Páginas | 190-202 |
Page 190
Procedimentos para a utilização de modelos de regressão linear
A.1.1 A técnica mais utilizada quando se deseja estudar o comportamento de uma variável dependente em relação a outras que são responsáveis pela variabilidade observada nos preços é a análise de regressão.
Trata-se da técnica de análise mercadológica que tem por finalidade mensurar as diferenças das informações das características dos dados pesquisados, interpretando a sua variabilidade dos preços.
A.1.2 No modelo linear para representar o mercado, a variável dependente é expressa por uma combinação linear das variáveis independentes, em escala original ou transformadas, e respectivas estimativas dos parâmetros populacionais, acrescida de erro aleatório, oriundo de variações do comportamento humano – habilidades diversas de negociação, desejos, necessidades, compulsões, caprichos, ansiedades, diferenças de poder aquisitivo, entre outros – imperfeições acidentais de observação ou de medida e efeitos de variáveis irrelevantes não incluídas no modelo.
A linearização de um modelo representativo do mercado pode ser expresso simplesmente através da análise por variáveis boleanas, representada pela variável dummy, como o exemplo de avaliação de uma propriedade rural localizada no pampa gaúcho, no Município de Bagé, Estado do Rio Grande do Sul.
A.1.3 Com base em uma amostra extraída do mercado, os parâmetros populacionais são estimados por inferência estatística.
A.1.4 Na modelagem, devem ser expostas as hipóteses relativas aos comportamentos das variáveis dependente e independentes, com base no conhecimento que o engenheiro de avaliações tem a respeito do mercado, quando serão formuladas as hipóteses nula e alternativa para cada parâmetro.
Os maiores erros que se cometem nas avaliações quando se usa metodologia cientifica, se devem à não observância dos pressupos-
Page 191
tos básicos dos modelos de regressão, principalmente quanto a erros de especificação, normalidade, homocedasticidade, multicolinearidade e pontos influenciantes.
A.2.1 Ressalta-se a necessidade, quando se usam modelos de regressão, de observar os seus pressupostos básicos, apresentados a seguir, principalmente no que concerne a sua especificação, normalidade, homocedasticidade, não-multicolinearidade, não-autocorrelação, independência e inexistência de pontos atípicos, com o objetivo de obter avaliações não-tendenciosas, eficientes e consistentes, em especial os seguintes:
As variáveis independentes devem ser não estocásticas, e os cuidados básicos que devem ser verificados nas avaliações, quando se usa a metodologia cientifica (Dantas, 2000), são:
a) para evitar a micronumerosidade, o número mínimo de dados efetivamente utilizados (n) no modelo deve obedecer aos seguintes critérios, com respeito ao número de variáveis independentes (k):
• n - 3 (k+1)
• ni - 5, até duas variáveis dicotômicas ou três códigos alocados para a mesma característica;
• ni - 3, para 3 ou mais variáveis dicotômicas ou quatro ou mais códigos alocados para a mesma característica, onde ni é o número de dados de mesma característica, no caso de utilização de variáveis dicotômicas ou de códigos alocados, ou número de valores observados distintos para cada uma das variáveis quantitativas;
O número de observações deve ser bem superior ao número de parâmetros estimados, isto é, não deve existir problemas de micro-numerosidade;
b) os erros são variáveis aleatórias com variância constante, ou seja, homo-cedásticos;
Os erros são variáveis aleatórias com variância constante, isto é, Var(-i) = -2, ou seja, os erros aleatórios são homocedásticos;
Page 192
c) os erros são variáveis aleatórias com distribuição normal;
Os erros são variáveis aleatórias com distribuição normal e valor esperado nulo, isto é, E(-i)= 0;
d) os erros são não-autocorrelacionados, isto é, são independentes sob a condição de normalidade;
e) não devem existir erros de especificação no modelo, isto é: todas as variáveis importantes devem estar incorporadas – inclusive as decorrentes de interação – e nenhuma variável irrelevante deve estar presente no modelo;
Não devem existir erros de especificação no modelo, isto é: a variável dependente deve se relacionar com cada variável independente através de uma função linear, todas as variáveis importantes devem estar incluídas e nenhuma variável irrelevante deve estar presente no modelo.
f) em caso de correlação linear elevada entre quaisquer subconjuntos de variáveis independentes, isto é, a multicolinearidade, deve-se examinar a coerência das características do imóvel avaliando com a estrutura de multicolinearidade inferida, vedada a utilização do modelo em caso de incoerência;
g) não deve existir nenhuma correlação entre o erro aleatório e as variáveis independentes do modelo.
Não deve existir nenhuma correlação linear elevada entre quaisquer subconjuntos de variáveis independentes, ou seja, as correlações parciais entre as variáveis independentes devem ser baixas, isto é, para não existir multicolinearidade.
h) possíveis pontos influenciantes, ou aglomerados deles, devem ser investigados e sua retirada fica condicionada à apresentação de justificativas.
Não devem existir pontos influenciantes ou outliers na amostra coletada, isto é, pontos com resíduos padrões acima de dois desvios.
A.2.2 Verificação dos pressupostos do modelo
Page 193
A.2.2.1 Linearidade
Deve ser...
Para continuar a ler
PEÇA SUA AVALIAÇÃO