Regressão Linear Múltipla para Avaliação de Imóveis

Este trabalho desenvolve um modelo de Regressão Linear Múltipla na plataforma KNIME Analytics Platform para estimar o valor de imóveis urbanos, reproduzindo a metodologia empregada no Trabalho de Conclusão de Curso de 2015. O objetivo não foi propor um novo modelo, mas verificar se uma plataforma moderna de Ciência de Dados é capaz de reproduzir resultados semelhantes aos obtidos em um software especializado em Engenharia de Avaliações.

Foram utilizados 82 registros — 61 para treinamento e 21 para validação — preservando a estratégia original. O modelo obtido apresentou R² = 0,7507 e R² Ajustado = 0,7329, indicando que cerca de 75% da variabilidade dos preços é explicada pelas variáveis independentes.

A avaliação de imóveis é uma das aplicações mais relevantes da estatística aplicada, com uso intenso em instituições financeiras, órgãos públicos, perícias judiciais e no mercado imobiliário. Modelos de regressão linear múltipla permitem estimar o valor de mercado a partir de características físicas e construtivas, reduzindo a subjetividade do processo e padronizando os resultados.

O TCC de 2015 utilizou regressão múltipla para avaliar imóveis urbanos no município de Arcos-MG, com resultados estatisticamente consistentes. Aqui, a mesma metodologia foi reproduzida no KNIME Analytics Platform — ambiente amplamente usado em Ciência de Dados e Machine Learning — comparando-se as duas abordagens.

Figura — pipeline analítico construído no KNIME para reproduzir o modelo do TCC de 2015. (clique para ampliar)

1. 01Excel ReaderImportação da base de dados
2. 02Table PartitionerDivisão treino/validação (61/21)
3. 03Column FilterSeleção das variáveis explicativas
4. 04Column RenamerPadronização para cálculo de ln(valor)
5. 05Math FormulaTransformação logarítmica natural
6. 06StatisticsEstatísticas descritivas
7. 07Linear CorrelationMatriz de correlação / multicolinearidade
8. 08Scatter PlotDispersão entre variáveis e valor
9. 09Linear Regression LearnerAjuste por mínimos quadrados

Mesma base do TCC original: 82 imóveis urbanos de Arcos-MG. A variável resposta é o valor total do imóvel, transformada por ln(valor) para reduzir assimetria.

O nó Statistics do KNIME confirmou a ausência de valores faltantes e mostrou que área construída e valor total apresentam assimetria positiva — justificativa para a transformação logarítmica adotada.

A área construída apresentou a maior associação linear com o valor do imóvel. As demais variáveis ficaram em faixa moderada, compatível com o esperado.

Os gráficos de dispersão gerados no KNIME confirmaram as relações esperadas: tendência crescente entre área construída e valor, e maior dispersão para área do terreno.

Área construída e padrão construtivo apresentaram elevada significância estatística. A área do terreno ficou em significância limítrofe e o número de quartos teve menor influência individual.

Ambos os modelos partem da mesma base de 82 imóveis, mesma divisão treino/validação e mesma transformação logarítmica. A diferença principal está no tratamento da variável número de quartos: no TCC ela foi usada com transformação inversa (1/x); no KNIME, na forma linear.

Equação — TCC 2015 (SisDEA)

Equação — KNIME 2026

* R² Ajustado do TCC calculado a partir de R² = 0,7563, n = 61 e p = 4 (não apresentado explicitamente no estudo original).

Mesmo em plataformas diferentes, os modelos produziram coeficientes de magnitude semelhante e a mesma hierarquia de importância entre as variáveis. As diferenças observadas decorrem do tratamento da variável número de quartos (1/x no SisDEA, linear no KNIME) e de critérios numéricos internos de cada software. O estudo demonstra que ferramentas modernas de Ciência de Dados podem ser aplicadas com sucesso em Engenharia de Avaliações.

Além de coeficientes consistentes, o KNIME entrega vantagens práticas em relação a softwares tradicionais: construção visual do fluxo, maior transparência das etapas analíticas, fácil replicação dos experimentos e integração com algoritmos de Machine Learning. Todo o pipeline pode ser reexecutado sem reconfiguração, garantindo reprodutibilidade — característica essencial tanto em pesquisa acadêmica quanto em aplicações profissionais.

• TCC original (PDF)Clique para baixar
• Relatório técnico (DOCX)Clique para baixar
• Workflow KNIME (.knwf)Clique para baixar
• Base de dados (XLSX)Clique para baixar