PUBLICAO

Modelos de

precificao
Uma aplicao no setor imobilirio do DF

Sobre o Estudo
Quanto vale um imvel? Quais so os fatores formadores dos preos praticados no mercado imobilirio? Qual o impacto de cada um desses fatores
sobre os preos de mercado? A Odds&Actions analisou quantitativamente a
formao dos preos do mercado imobilirio em apartamentos ofertados no
Distrito Federal para responder essas perguntas. A anlise engloba estatsticas descritivas e estimaes de modelos de precificao, e foi aplicada sobre
uma amostra de 7.932 ofertas de apartamentos, coletada via mecanismos de
web crawler.
Esta obra est licenciada sob a licena Creative Commons AtribuioNoComercial-SemDerivados 3.0 No Adaptada. Para ver uma cpia desta
licena, visite http://creativecommons.org/licenses/by-nc-nd/3.0/.

Autor
Leonardo de Lima Aguirre
Estatstico
CONRE 1 Regio - 9208
leonardo@oddsactions.com.br

Braslia, dezembro de 2012

Sumrio
RESUMO

INTRODUO

OBJETIVOS

JUSTIFICATIVA

FUNDAMENTAO TERICA

METODOLOGIA

10

ANLISE E MODELAGEM ESTATSTICA

12

CONCLUSO

19

REFERNCIAS

20

Resumo
Neste estudo so estimados alguns modelos de precificao de imveis, mais
especificamente de apartamentos localizados nas regies de guas Claras,
Braslia, Cruzeiro, Guar, Samambaia e Taguatinga por meio de tcnicas de
estimao de modelos lineares generalizados para respostas com distribuio gama. Foi utilizada uma amostra de 7.932 ofertas de apartamentos e
fazem parte das variveis explicativas o nmero de quartos, nmero de
sutes, o nmero de garagens, a rea til e variveis indicadoras de bairros.
Os parmetros estimados so bastante heterogneos entre as regies estudadas e os impactos de mudanas unitrias nas variveis independentes
sobre o valor dos imveis chegam a at 18% dependendo da regio em
anlise.

Introduo
O mercado imobilirio um dos mais importantes no mundo. Uma pesquisa
realizada pela Associao de Investidores Estrangeiros no Setor Imobilirio
(Afire, sigla em ingls) apontou que, apesar da crise, o mercado americano
ainda a melhor opo para investimentos em imveis, por ser mais estvel
e seguro. Segundo a mesma pesquisa, So Paulo a quarta cidade mais
atraente para aplicaes em imveis entre as grandes metrpoles internacionais no ano de 2012, perdendo apenas para New York, Londres e
Washington. Para realizar a pesquisa a Afire consultou investidores com um
portflio total de mais de 870 bilhes de dlares em todo o mundo. Entretanto, a pesquisa tambm mostra que o ponto baixo para investimentos
imobilirios em So Paulo que a cidade no promete muita valorizao de
capital, pois os maiores mercados j esto com preos altos.
De acordo com uma reportagem do Wall Street Journal em agosto de 2012, o
crescimento do mercado imobilirio no Brasil j comeou a desacelerar, pois
os emprstimos para projetos imobilirios devem alcanar o crescimento de
cerca de 20% neste ano, valor bem abaixo da tendncia de 50% dos ltimos
anos. A economia brasileira no geral tambm sofreu desacelerao, devido
principalmente crise da dvida europeia, e a expectativa de crescimento foi
reduzida de 4,5% para 1,8%.
No Distrito Federal o cenrio no muito diferente. No existe uma unanimidade sobre o futuro do mercado imobilirio, muito menos sobre a existncia de bolha. Portanto, apesar de ser um mercado muito grande, ainda
cercado por considerveis nveis de incerteza. O presente projeto surge
para dar suporte estatstico imparcial a respeito desse setor que possui uma
grande carncia de estudos analticos.

Objetivos
Objetivo Geral
Compreender a formao de preos do mercado imobilirio no Distrito
Federal.

Objetivos Especficos
1) Estudar os fatores determinantes de preos de apartamentos no DF;
2) Mensurar o impacto de cada fator (localizao, tamanho, nmero de
quartos, nmero de sutes e nmero de garagens) sobre o preo dos apartamentos no DF e avaliar se esse impacto diferente entre as regies do DF;
3) Construir modelos de precificao para cada regio do DF.

Justificativa
O setor imobilirio apresentou um forte crescimento na ltima dcada,
porm esse crescimento vem se retraindo ao longo dos ltimos dois anos.
um setor que se caracteriza por sua dinmica e complexidade, no qual
fatores como a renda, tendncias econmicas, competio e conscincia
ecolgica influenciam seus diversos campos.
Embora exista uma srie de indicadores que mensurem o comportamento
da economia, o mercado imobilirio no dispe de instrumentos diretos de
avaliao. um mercado ainda carente de informaes e estudos analticos,
possivelmente devido ao fato de ser formado em grande parte por empresas
familiares. Em entrevista dada EXAME em outubro de 2012, o economista
coordenador do ndice Fipezap, Eduardo Zylberstajn afirmou que o Brasil
tem carncia de estatsticas de longo prazo referentes ao mercado imobilirio, e ponderou que a perspectiva para o preo dos imveis no longo prazo
no de valorizao constante, pois os preos tendem a se acomodar em
algum momento. Resultados de pesquisa nessa rea so de interesse de
agentes financeiros, construtoras, incorporadoras, proprietrios de imveis,
profissionais liberais do setor, stakeholders, etc.
Nesse contexto, o presente estudo se prope a sanar uma parte da carncia
por estudos cientficos, por meio da estimao de modelos de precificao
para apartamentos ofertados venda nas principais regies do Distrito
Federal.

Fundamentao
terica
O estudo do fenmeno da habitao surgiu no sculo XIX a partir dos
trabalhos de VON THUNEN e SCHWABE, que estudaram o relacionamento
entre os valores da terra e dos aluguis. Estudos posteriores concluram que
a localizao prxima aos centros de produo diminui consideravelmente
os custos de transportes, resultando na maximizao da renda fundiria
urbana. Definido como um problema de localizao espacial, Alonso (1964)
sedimenta o conceito de acessibilidade ao centro de negcios da rea
urbana considerada, fundamental no estudo do bem habitao. A habitao
pode ser vista como um processo em que o homem adiciona terra uma
estrutura fsica e vai ao mercado ofertar o produto final para locao ou
venda.
A atribuio de valor s habitaes surge da relao entre as necessidades
do bem econmico (demanda) e a quantidade existente (oferta). O valor de
um imvel formado a partir de uma avaliao direta do bem, das expectativas do que aquele bem pode produzir de resultados, ou do simples preo de
equilbrio entre a quantidade ofertada e a quantidade demandada (DANTAS,
1998).
Do ponto de vista estatstico, uma das formas de estimar o valor de um bem
dadas suas caractersticas por meio do ajuste de um modelo baseado em
dados coletados a respeito desse mercado, ou seja, possvel encontrar uma
funo que descreva o valor do bem em funo das principais caractersticas
que determinam esse valor.
A estatstica possui suas razes no desenvolvimento do mtodo cientfico
devido importncia das anlises baseadas em estudos empricos para as
descobertas cientficas. Os matemticos Pascal e Fermat estabeleceram
alguns dos fundamentos da probabilidade no incio do sculo XVII, porm a
ideia de correlao entre variveis e regresso surgiu com Pearson (18571936) com o objetivo de avaliar o relacionamento entre variveis com a
presena de um erro estocstico. A modelagem estatstica comeou a ser

9
utilizada com maior frequncia na dcada de 50, quando os economistas
muitas vezes levavam mais de 24 horas para chegar aos resultados de uma
regresso linear normal, dadas as restries tecnolgicas da poca. Anos
depois surgiram algumas alternativas aos modelos lineares normais, bem
como o desenvolvimento do Modelo Linear Generalizado (MLG).
Os modelos lineares generalizados possibilitam uma abordagem unificada
para vrios procedimentos estatsticos usados em aplicaes da estatstica
em reas como agricultura, demografia, economia, engenharia, finanas, entre
outras. O termo Generalized Linear Model foi introduzido por Nelder e
Wedderburn no incio da dcada de 70, e desde ento a utilizao de modelos com essa abordagem vm crescendo cada vez mais, pois engloba uma
classe de variveis discretas e contnuas que originalmente no poderiam ser
modeladas em um modelo linear normal.
Nesse projeto os modelos lineares generalizados sero aplicados no contexto do mercado imobilirio do Distrito Federal, com o objetivo de mensurar
e identificar os fatores determinantes de preos de apartamentos em algumas das principais regies do DF.

10

Metodologia
Por meio de um rob de busca, termo tambm conhecido como web scraping, coletou-se informaes de anncios de imveis na internet e
construiu-se um banco de dados contendo 12.729 ofertas de apartamentos
para venda no Distrito Federal no primeiro dia do ms de outubro de 2012.
Tipicamente, informaes coletadas pela internet possuem inconsistncias.
Para elimin-las foram retirados os imveis com valores ofertados acima do
percentil 95 e abaixo do percentil 5. Alm disso, foram desconsiderados os
anncios de apartamentos que apresentavam mais de 5 quartos, mais de 5
sutes, menos de 60 m2 e mais de 350 m2. A aplicao dessas restries
resultou em um banco de dados com 7.932 ofertas de apartamentos nas
regies de guas Claras (Sul e Norte), Braslia (Asa Norte, Asa Sul, Noroeste, Octogonal, Park Sul e Sudoeste), Cruzeiro (Novo), Guar (I e II), Samambaia (Sul) e Taguatinga (Norte e Sul). Portanto, todas as anlises do estudo
so limitadas a apartamentos com essas caractersticas.
Seja a funo de densidade de probabilidades de uma varivel aleatria
definida como:

(yi; i, ) = exp[{yii - b(i)} + c(yi, )],

(1)

onde E(Yi) = i = b'(i) e Var(Yi) = -1V(i) , em que Vi = V(i) = di/di a

funo de varincia e -1 > 0 o parmetro de disperso.
Os MLGs so definidos por (1) e pela parte sistemtica:

g(i) = i,

(2)

onde
o preditor linear, = (1, ..., p)T, p < n , um vetor de parmetros de a serem estimados, x = (xi1 , ..., xip)T representa os valores das
variveis explicativas e g(.) denominada funo de ligao.

11
A ideia bsica sobre os MLGs consiste em abrir o leque de opes para a
distribuio da varivel resposta, permitindo que ela pertena famlia
exponencial de distribuies, bem como dar maior flexibilidade para a relao funcional entre a mdia da varivel resposta e o preditor linear.
Sobre a populao de imveis de interesse, foram estimados cinco modelos
lineares generalizados (MLGs), um para cada regio do DF. O interesse
avaliar de que forma o nmero de quartos, o nmero de sutes, o nmero de
garagens, a rea til e os bairros, quando possvel, impactam o valor dos
imveis. Apesar do valor do imvel ser influenciado por diversos outros
fatores, como o andar, proximidade a hospitais, escolas e shoppings, a posio com relao ao sol, dentre outros, esses fatores no foram considerados
pois essas informaes no eram disponveis para a amostra coletada. Os
modelos estimados assumem distribuio gama para a varivel resposta
(valor do imvel), j que essa distribuio indicada em casos de respostas
positivas assimtricas. Pode-se mostrar tambm que medida que o parmetro de disperso cresce, a distribuio gama fica mais simtrica em torno
da mdia, e se aproxima de uma distribuio normal. Portanto, a distribuio
gama tambm atrativa em casos de respostas simtricas. As funes de
ligao mais usadas no caso gama so a identidade, logartmica e recproca.
Nesse estudo usaremos a logartmica, pois possibilita o desenvolvimento de
experimentos ortogonais como so bem conhecidos em modelos de regresso normal linear, alm de possibilitar interpretaes interessantes sobre o
impacto em termos percentuais das variveis explicativas sobre a varivel
resposta.
Todas as manipulaes de bancos de dados e anlises estatsticas foram
realizadas no software R, verso 2.14.2.

12

Anlise e Modelagem
Estatstica
Nesta sesso, para algumas regies do DF, sero apresentados resultados
descritivos, alm dos parmetros estimados para os modelos lineares generalizados e os principais resultados encontrados.

Anlise descritiva
A descrio dos dados uma importante etapa do estudo preliminar das
informaes disponveis, pois nos permite avaliar o comportamento das
variveis e de que forma elas se relacionam. Nessa etapa sero apresentadas
estatsticas que descrevem a amostra com relao a alguns fatores, tais quais:
preo do imvel (em R$), preo do m2 (em R$) nmero de quartos, nmero
de sutes, nmero de garagens, rea til (em m2) e regio. A Tabela 1 apresenta as estatsticas mnimo, 1 quartil, mediana, mdia, 3 quartil, mximo e
desvio-padro para as variveis utilizadas no estudo.
Em geral, existem diferenas expressivas entre as caractersticas dos imveis
em cada regio. Em guas Claras e Braslia, aproximadamente 75% dos
imveis tm mais de 80m2, porm, esses imveis geralmente tm mais quartos em guas Claras do que em Braslia, mostrando que o conceito mais
recente das construes de apartamentos com quartos menores. Note
que a variabilidade dos preos praticados em Braslia maior, pois a regio
estudada que engloba a maior quantidade de bairros e, consequentemente,
diferentes tipos de imveis. As demais regies so menos representativas em
termos de nmero de ofertas e possuem menores variabilidades nos preos
ofertados.
O Grfico 1 mostra a distribuio dos preos ofertados segundo regio.
possvel perceber a assimetria nas distribuies, o que justifica a utilizao
da distribuio gama nos modelos ajustados mais adiante. Alm do formato
das distribuies, as mdias tambm so bastante diferentes.

13
Tabela 1. Medidas resumo das variveis disponveis segundo
regio
Estatstica
Varivel

Mnimo

1 quartil

N quartos
N sutes
N garagens
rea til (m2)
Preo (R$)
Preo/m2

1
0
0
60
235.000
1.825

3
1
1
77
360.000
4.432

N quartos
N sutes
N garagens
rea til (m2)
Preo (R$)
Preo/m2

1
0
0
60
360.000
3.870

2
0
0
80
679.000
7.750

N quartos
N sutes
N garagens
rea til (m2)
Preo (R$)
Preo/m2

2
0
0
60
260.000
4.250

3
0
0
63
349.000
5.221

N quartos
N sutes
N garagens
rea til (m2)
Preo (R$)
Preo/m2

1
0
0
60
190.000
1.344

2
0
1
65
350.000
4.750

N quartos
N sutes
N garagens
rea til (m2)
Preo (R$)
Preo/m2

2
0
0
60
180.000
2.381

2
1
1
61,59
225.000
3.365

N quartos
N sutes
N garagens
rea til (m2)
Preo (R$)
Preo/m2

1
0
0
60
179.000
2.000

2
0
0
66,79
220.000
2.984

Mediana Mdia
3 quartil
Mximo
Desvio-Padro
guas Claras (n=3999)
3
2,95
3
5
0,70
1
1,48
2
4
0,95
1
1,51
2
3
0,68
94
104,8
122
350
39,04
450.000 507.100
580.800
1.550.000
209.585
4.801
4.827
5.192
8.442
611,46
Braslia (n=2729)
3
2,77
3
4
0,61
1
0,83
1
4
0,66
1
0,90
1
3
0,75
100
103,2
121
270
27,83
880.000 907.700
1.120.000
1.558.000
277.529
8.899
8.799
9.750
17.330
1466,08
Cruzeiro (n=133)
3
2,89
3
3
0,32
0
0,21
0
1
0,41
0
0,11
0
2
0,41
65
66,87
68
86
5,83
370.000 378.000
400.000
520.000
48.075
5.571
5.671
6.047
7.727
691,86
Guar (n=558)
3
2,66
3
4
0,64
1
0,89
1
4
0,76
1
1,29
2
3
0,64
78
85,02
98
320
28,15
420.000 437.100
525.000
1.399.000
202.479
5.553
5.503
6.250
8.633
1.055
Samambaia (n=148)
3
2,53
3
5
0,54
1
0,99
1
3
0,31
1
1,12
1
3
0,40
68
69,4
71
112,2
9,92
248.000 255.500
278.100
408.000
45.845
3.701
3.681
3.977
4.852
399
Taguatinga (n=365)
3
2,64
3
5
0,63
0
0,61
1
4
0,80
1
0,92
1
3
0,68
74
84,76
90
250,2
32,79
255.000 308.100
330.000
1.150.000
157.559
3.428
3.614
4.238
6.316
860

14
Grfico 1. Histograma dos preos dos apartamentos segundo regio
AGUASCLARAS

600
400
200
0

BRASILIA

150
100
50
0
50

CRUZEIRO

40

Frequncia

30
20
10
0

SAMAMBAIA
TAGUATINGA

60
50
40
30
20
10
0
120
100
80
60
40
20
0

GUARA

100
80
60
40
20
0

500.000

1.000.000

Preo (R$)

1.500.000

O Grfico 2 mostra a distribuio do nmero de ofertas de apartamentos

da amostra segundo bairro. O bairro com menor representatividade a
Octogonal, com 120 ofertas de apartamentos. guas Claras se destaca com
quase 4 mil ofertas.

15
Grfico 2. Quantidade de ofertas de apartamentos segundo bairro.
1993

2006

875
733
550
435
194

l
tin

ua
Ta
g

ga

ga

No

Su

l
Su

tin
ua
Ta
g

Sa

am

ba

ia

ar

II

171

rte

148

123

ar

No
vo

te
Cr

uz
eir
o

es

do
Su

Su
Pa
rk

ste
Oc
to
go
na
l

No
ro
e

Su
a
As

rte
No
a

As

sC

lar
as

Su

rte
No
g

ua

lar
as
sC
ua
g

133

Gu

164

120

Gu

287

Modelos Estimados
Como definido anteriormente, o objetivo principal do estudo avaliar o
impacto das caractersticas de um apartamento sobre seu valor. Uma maneira vivel para alcanar esse objetivo por meio da estimao de MLGs (um
por regio) cujas variveis explicativas sejam o nmero de quartos, o
nmero de sutes, o nmero de garagens, a rea til e dummies de bairro,
quando possvel. A distribuio gama, da famlia exponencial, foi escolhida
devido s assimetrias das variveis resposta, definidas como o preo ofertado do imvel em cada regio.
A Tabela 2 apresenta os resultados dos modelos estimados para cada regio
do Distrito Federal. Em termos de nvel de explicao, os modelos estimados para o Cruzeiro e para Samambaia no foram satisfatrios, pois apresentaram valores de pseudo-R2 iguais a 20,9% e 61,6%, respectivamente. Entretanto, para as demais regies os pseudos-R2 dos modelos estimados so
maiores que 80%. importante ressaltar que os parmetros estimados no
possuem interpretao direta, j que utilizamos a funo de ligao logartmica na estimao do modelo. Portanto, se aplicarmos a funo exponencial
sobre um parmetro estimado, o resultado o fator multiplicativo do preo
no aumento de uma unidade da varivel explicativa a que esse parmetro se
refere. Sendo assim, ceteris paribus, o aumento de um quarto em um apartamento em guas Claras resulta em um acrscimo mdio de (exp(0,066)-1)%,

16
ou seja, 6,9%, no valor do imvel, por exemplo.
O impacto das covariveis sobre o valor dos apartamentos bastante heterogneo entre as regies, o que justifica a estimao de um modelo para
cada regio. Enquanto o acrscimo de uma unidade de garagem em um
apartamento em Braslia aumenta o preo do imvel em 17,3%, em guas
Claras esse impacto menor que 7%. Em Taguatinga e no Guar as sutes
tm um peso importante na precificao de um apartamento, o que j no
ocorre com tanta intensidade em Braslia e guas Claras. Os resultados
tambm foram apresentados de uma forma grfica no Grfico 2, um heat
map no qual a intensidade da cor est diretamente associada ao nvel do
impacto percentual de cada varvel independente sobre o valor do imvel
em cada regio. Ceteris paribus, o aumento de um m2 na rea til de um
apartamento eleva o preo dos imveis de uma maneira mais homognea
entre as regies. O Grfico 3 resume o impacto das covariveis sobre o
preo dos apartamentos, segundo regio.
Grfico 2. Impacto percentual das variveis explicativas sobre o preo
ofertado do imvel segundo regio.

rea til (m2)

0.6

0.7

0.6

0.5

0.5

1.4

N Garagens

6.9

17.3

8.5

9.6

0.7

0.7

N Sutes

3.6

6.1

14.1

16.4

8.4

10.8

N Quartos

6.9

3.6

11.8

11

3.1

0.7

Guar

Taguatinga

Cruzeiro

Samambaia

guas Claras Braslia

Nota 1: Apesar de apresentados no grfico, alguns resultados para as regies

do Cruzeiro e de Samambaia no foram estatisticamente significantes.
Nota 2: As dummies e os interceptos dos modelos estimados foram omitidos
para a representao grfica.

17
Tabela 2 Resultados dos modelos estimados segundo regio

Varivel

Intercepto
N quartos
N sutes
N garagens
rea til (m2)
Dummy Sul
Intercepto
N quartos
N sutes
N garagens
rea til (m2)
Dummy Asa Sul
Dummy Noroeste
Dummy Octogonal
Dummy Park Sul
Dummy Sudoeste
Intercepto
N quartos
N sutes
N garagens
rea til (m2)
Intercepto
N quartos
N sutes
N garagens
rea til (m2)
Dummy Guar II
Intercepto
N quartos
N sutes
N garagens
rea til (m2)
Intercepto
N quartos
N sutes
N garagens
rea til (m2)
Dummy Sul

Estatstica
Limite
Limite
Erro Padro
P-valor
Inferior
Superior
IC(95%)
IC(95%)
guas Claras (n=3999, Pseudo-R2=0,896, Bairro base=Norte)
12,062
0,009
<0,001
12,045
12,080
0,066
0,004
<0,001
0,058
0,074
0,036
0,003
<0,001
0,030
0,041
0,066
0,004
<0,001
0,059
0,074
0,006
0,000
<0,001
0,006
0,006
0,013
0,004
<0,001
0,005
0,021
Braslia (n=2729, Pseudo-R2=0,820, Bairro base=Asa Norte)
12,684
0,014
<0,001
12,657
12,711
0,036
0,006
<0,001
0,023
0,048
0,059
0,005
<0,001
0,048
0,070
0,159
0,005
<0,001
0,149
0,169
0,007
0,000
<0,001
0,007
0,007
0,028
0,007
0,001
0,014
0,042
-0,025
0,011
0,022
-0,046
-0,004
-0,100
0,014
<0,001
-0,127
-0,073
-0,244
0,014
<0,001
-0,271
-0,217
0,005
0,008
0,507
-0,010
0,020
Cruzeiro (n=133, Pseudo-R2=0,209)
12,373
0,137
<0,001
12,102
12,645
0,030
0,033
0,357
-0,034
0,094
0,081
0,026
0,002
0,030
0,132
-0,007
0,025
0,768
-0,055
0,042
0,005
0,002
0,004
0,002
0,009
Guar (n=558, Pseudo-R2=0,820, Bairro base=Guar I)
11,915
0,033
<0,001
11,849
11,981
0,112
0,015
<0,001
0,082
0,142
0,132
0,013
<0,001
0,105
0,158
0,082
0,014
<0,001
0,054
0,110
0,006
0,000
<0,001
0,005
0,006
0,133
0,019
<0,001
0,097
0,170
Samambaia (n=148, Pseudo-R2=0,616)
11,380
0,082
<0,001
11,216
11,542
-0,007
0,019
0,700
-0,045
0,031
0,103
0,033
0,002
0,038
0,168
-0,007
0,027
0,810
-0,060
0,047
0,014
0,001
<0,001
0,012
0,017
Taguatinga (n=365, Pseudo-R2=0,815, Bairro base=Norte)
11,704
0,046
<0,001
11,614
11,794
0,104
0,021
<0,001
0,064
0,145
0,152
0,016
<0,001
0,120
0,185
0,092
0,017
<0,001
0,056
0,127
0,005
0,000
<0,001
0,004
0,006
0,030
0,020
0,142
-0,010
0,069

exp( )

173.216,9
1,069
1,036
1,068
1,006
1,013
322.600,9
1,036
1,061
1,173
1,007
1,028
0,975
0,905
0,783
1,005
236.388,7
1,031
1,084
0,993
1,005
149.465,8
1,118
1,141
1,085
1,006
1,143
87.532,9
0,993
1,108
0,993
1,014
121.077,4
1,110
1,164
1,096
1,005
1,030

18
Alm das interpretaes dos parmetros dos modelos estimados, tambm
possvel estimar o preo esperado de um apartamento dadas suas caractersticas. Considere, por exemplo, que tem-se o interesse de estimar o preo
de um apartamento de 3 quartos, 1 sute, 1 garagem, 100 m2, localizado na
Asa Sul. Conforme o modelo estimado, o valor esperado para esse imvel
igual a
exp(12,684 + 3*0,036 + 1*0,059 + 1*0,159 + 100*0,007 + 1*0,028
+ 0*(-0,025) + 0*(-0,100) + 0*(-0,244) + 0*(0,005))
ou seja, R$ 919.220,90. Em guas Claras Sul, espera-se que um apartamento
com as mesmas configuraes custe R$ 444.353,90, menos da metade do
preo na Asa Sul.

19

Concluso
No presente estudo foi analisado o mercado imobilirio do Distrito Federal
no que diz respeito precificao de apartamentos em diferentes regies do
DF. Utilizando tcnicas estatsticas foi possvel estimar o impacto relativo
das caractersticas dos imveis sobre os seus valores ofertados no mercado.
A precificao de um ativo, do ponto de vista da teoria financeira, baseada
no clculo do Valor Presente Lquido (VPL) dos fluxos de caixa a serem
realizados ao longo dos perodos, resultantes da aquisio do ativo. Do
ponto de vista estatstico, essa precificao pode tambm ser baseada em
informaes de mercado a partir do desenvolvimento de um modelo, de tal
forma que seja possvel estimar o peso de cada atributo sobre a formao
de preos do ativo.
As estimativas dos modelos lineares generalizados com resposta gama
mostram que o processo de formao de preos de imveis nas diferentes
regies do DF bastante heterogneo, ou seja, os atributos dos apartamentos tm diferentes pesos em cada regio estudada. Esse fato est diretamente associado aos diferentes perfis e preferncias dos consumidores que
esto em busca de imveis em cada regio estudada. Isso significa naturalmente que os impactos dos atributos em cada regio tm uma relao
prxima relao oferta-demanda desses atributos nos diferentes locais.

20

Referncias
DANTAS, Rubens Alves; MAGALHAES, Andr Matos; VERGOLINO, Jos
Raimundo de Oliveira. Avaliao de imveis: a importncia dos vizinhos no
caso de Recife. Econ. Apl., Ribeiro Preto, v. 11, n. 2, June 2007.
FAHRMEIR, L. e TUTZ, G. (2001). Multivariate Statistical Modelling Based on
Generalized Linear Models, Second Edition. New York: Springer.
FARAWAY, J. J. (2006). Extending the Linear Model with R. Generalized
Linear, Mixed Effects and Nonparametric Regression Models. London: Chapaman and Hall/CRC.
FAVERO, Luiz Paulo Lopes; BELFIORE, Patrcia Prado; LIMA, Gerlando A. S.
Franco de. Modelos de precificao hednica de imveis residenciais na
regio metropolitana de So Paulo: uma abordagem sob as perspectivas da
demanda e da oferta. Estud. Econ., So Paulo, v. 38, n. 1, Mar. 2008.
FOSTER, D. P.; STINE, R. A. e WATERMAN, R. P. (1998). Business Analysis
using Regression. New York: Springer.
LINDSEY, J.K (2007). Applying Generalized Linear Models. Limburgs Universitair Centrum, Diepenbeek.

www.oddsactions.com.br