Modelo Hedônico para Estimação do Valor de Imóveis: Aplicação em Nova Friburgo-RJ
DOI:
https://doi.org/10.14295/vetor.v30i1.12879Palavras-chave:
Aprendizado de Máquina, Regressão Linear Múltipla, Avaliação de ImóveisResumo
Com a expansão do mercado imobiliário na Região Serrana do estado do Rio de Janeiro, uma parcela cada vez maior da população precisa tratar com a compra e venda de imóveis. Porém, a avaliação justa de uma unidade imobiliária não é uma tarefa simples e pode ser influenciada por diferentes atributos da edificação. Com o propósito de auxiliar nessa incumbência, o presente trabalho tem como objetivo identificar as características mais importantes na avaliação de um imóvel nessa região e, em seguida, propor um modelo matemático simples capaz de estimar o seu valor de mercado. Para isso, informações sobre valores de comercialização e detalhes construtivos de casas e apartamentos à venda na cidade de Nova Friburgo foram extraídos de portais de anúncios online, formando uma base única de dados imobiliários, sobre a qual foram, posteriormente, aplicadas técnicas de seleção de variáveis e regressão linear múltipla para a obtenção do modelo pretendido. Os resultados obtidos revelaram que a característica de maior influência na determinação do preço de compra e venda de um imóvel na região é a sua área construída. Por outro lado, o modelo matemático construído foi capaz de estimar os preços de comercialização de uma propriedade com aproximadamente 25% de desvio percentual médio da base de testes.
Downloads
Referências
SECOVI RIO, “Cenário do Mercado Imobiliário da Região Serrana do Rio de Janeiro - 2018,” 2018. [Online]. [Acesso em 11 setembro 2020].
M. T. A. C. N. A. B. S. N. &. A. V. Steiner, “Métodos estatísticos multivariados aplicados à engenharia de avaliações,” Gestão & Produção, vol. 15, nº 1, pp. 23-32, 2008. Disponível em: https://www.scielo.br/scielo.php?pid=S0104-530X2008000100004&script=sci_arttext&tlng=pt
D. B. Nunes, J. D. P. B. Neto e S. M. d. Freitas, “Modelo de regressão linear múltipla para avaliação do valor de mercado de apartamentos residenciais em Fortaleza, CE,” Ambiente Construído, vol. 19, nº 1, pp. 89-104, 2019. Disponível em: https://www.scielo.br/scielo.php?script=sci_arttext&pid=S1678-86212019000100089&lng=pt&tlng=pt
J. C. Pereira, S. Garson e E. G. d. Araújo, “Construção de um modelo para o preço de venda de casas residenciais na cidade de Sorocaba-SP,” Gestão da Produção, Operações e Sistemas, vol. 7, pp. 153-167, 2012. Disponível em: https://revista.feb.unesp.br/index.php/gepros/article/view/861
V. S. Rosa, P. B. d. Oliveira e R. L. Pinto, “Modelos de precificação para locação e venda de imóveis residenciais na cidade de João Monlevade-MG via regressão linear multivariada,” Gestão da produção, operações e sistemas., vol. 14, nº 3, pp. 151-167, 2019. Disponível em: https://revista.feb.unesp.br/index.php/gepros/article/view/2614
V. Pinto e R. A. S. Fernandes, “Análise de preços hedônicos no mercado imobiliário residencial de Conselheiro Lafaiete, MG,” Interações, vol. 20, nº 2, pp. 627-643, 5 Julho 2019. Disponível em: https://interacoesucdb.emnuvens.com.br/interacoes/article/view/1788
A. M. Yusof e S. Ismail, “Multiple Regressions in Analysing House Price Variations,” Communications of the IBIMA, vol. 2012, pp. 1-9, 28 Maio 2012. Disponível em: https://ibimapublishing.com/articles/CIBIMA/2012/383101/
Z. Yan e L. Zong, “Spatial Prediction of Housing Prices in Beijing Using Machine Learning Algorithms,” em HPCCT & BDAI 2020: Proceedings of the 2020 4th High Performance Computing and Cluster Technologies Conference & 2020 3rd International Conference on Big Data and Artificial Intelligence, Nova Iorque, 2020. Disponível em: https://dl.acm.org/doi/10.1145/3409501.3409543
H. Wu, H. Jiao, Y. Yu, Z. Li, Z. Peng, L. Liu e Z. Zeng, “Influence Factors and Regression Model of Urban Housing Prices Based on Internet Open Access Data,” Sustainability, vol. 10, pp. 1-17, 22 Maio 2018. Disponível em: https://www.mdpi.com/2071-1050/10/5/1676
S. Walfish, “A review of statistical outlier methods,” Pharmaceutical technology, vol. 30, nº 11, p. 82, 2 Novembro 2006. Disponível em: https://www.pharmtech.com/view/review-statistical-outlier-methods
L. Breiman, “Random Forests,” Machine Learning, vol. 45, pp. 5-32, Outubro 2001. Disponível em: https://link.springer.com/article/10.1023/A:1010933404324
U. Grömping, “Variable Importance Assessment in Regression: Linear Regression versus Random Forest,” The American Statistician, vol. 63, nº 4, pp. 308-319, 1 Janeiro 2009. Disponível em: https://www.tandfonline.com/doi/abs/10.1198/tast.2009.08199
K. J. Archer e R. V. Kimes, “Empirical characterization of random forest variable importance measures,” Computational Statistics & Data Analysis, vol. 52, nº 4, pp. 2249-2260, 10 Janeiro 2008. Disponível em: https://www.sciencedirect.com/science/article/abs/pii/S0167947307003076?via%3Dihub
T. N. Lal, O. Chapelle, J. Weston e A. Elisseeff, “Embedded Methods,” em Feature Extraction: Foundations and Applications, 1 ed., I. Guyon, S. Gunn, M. Nikravesh e L. A. Zadeh, Eds., Berlim, Springer-Verlag Berlin Heidelberg, 2006, pp. 137-165. Disponível em: https://link.springer.com/book/10.1007%2F978-3-540-35488-8
R. A. Jonhson e D. W. Wichern, Applied Multivariate Statistical Analysis, 6 ed., Upper Saddle River, Nova Jersey: Pearson, 2007, p. 360. Disponível em: https://www.pearson.com/us/higher-education/product/Johnson-Applied-Multivariate-Statistical-Analysis-6th-Edition/9780131877153.html?
E. R. Mansfield e B. P. Helms, “Detecting Multicollinearity,” The American Statistician, vol. 36, nº 3a, pp. 158-160, 1982. Disponível em: https://www.tandfonline.com/doi/abs/10.1080/00031305.1982.10482818
F. Pedregosa, G. Varoquaux, A. Gramfort, V. Michel, B. Thirion, O. Grisel, M. Blondel, P. Prettenhofer, R. Weiss, V. Dubourg, J. Vanderplas, A. Passos, D. Cournapeau, M. Brucher, M. Perrot e É. Duchesnay, “Scikit-learn: Machine Learning in Python,” Journal of Machine Learning Research, vol. 12, nº 85, p. 2825−2830, 2011. Disponível em: https://jmlr.csail.mit.edu/papers/v12/pedregosa11a.html
X. Liang, Y. Liu, T. Qiu, Y. Jing e F. Fang, “The effects of locational factors on the housing prices of residential communities: The case of Ningbo, China,” Habitat International, vol. 81, pp. 1-11, 16 Setembro 2018. Disponível em: https://www.sciencedirect.com/science/article/abs/pii/S0197397517311797?via%3Dihub
M. El-Denery e N. I. Rashwan, “Solving Multicollinearity Problem Using Ridge Regression Models,” International Journal of Contemporary Mathematical Sciences, vol. 6, pp. 585-600, 2011. Disponível em: http://www.m-hikari.com/ijcms-2011/9-12-2011/rashwanIJCMS9-12-2011.pdf
Downloads
Publicado
Como Citar
Edição
Seção
