Regressão linear na avaliação de imóveis: guia da NBR 14653-2

23 de outubro de 2026 · 6 min de leitura · Equipe Avaliaí

#nbr 14653#regressão linear#inferência estatística#amostras de mercado#grau de fundamentação

A regressão linear na avaliação de imóveis é a forma de tratamento do método comparativo direto que a NBR 14653-2 chama de inferência estatística. Monta-se um modelo em que o preço, ou o preço por metro quadrado, é explicado por variáveis como área, padrão, localização, vagas e idade. Os coeficientes são estimados por mínimos quadrados ordinários (MQO), o modelo é testado e, se passar nos testes, é usado para estimar o valor do imóvel avaliando. É o tratamento que permite os graus de fundamentação mais altos.

Para o contexto geral dos métodos, veja o guia completo de avaliação de imóveis.

O que é a inferência estatística por regressão

A ideia é medir, nas próprias amostras de mercado, quanto cada característica influencia o preço. Em vez de aplicar um fator pronto de área ou de padrão, o modelo estima esse efeito a partir dos dados.

O MQO encontra os coeficientes que minimizam a soma dos quadrados dos resíduos, isto é, das diferenças entre o preço observado de cada amostra e o preço que o modelo prevê para ela.

Um modelo típico tem esta forma:

preço unitário = b0 + b1 × área + b2 × padrão + b3 × localização + b4 × vagas + b5 × idade

Cada coeficiente tem de fazer sentido. Se o modelo diz que mais vagas reduzem o preço, alguma coisa está errada nas amostras ou na especificação.

Escolha das variáveis

As variáveis entram porque explicam o mercado, não porque melhoram o R².

Cuidados na escolha:

• Poucas variáveis bem medidas valem mais que muitas variáveis fracas. Cada variável a mais exige mais dados.
• Evite variáveis redundantes. Área privativa e área total juntas, por exemplo, tendem a ter forte correlação entre si e geram multicolinearidade.
• Códigos alocados (padrão 1, 2, 3) precisam de critério descrito no laudo.
• O avaliando precisa estar dentro do intervalo das amostras em cada variável. Extrapolar fora dessa faixa exige o tratamento previsto na norma.

Transformações

A relação entre preço e variável nem sempre é linear. Transformações ajudam a linearizar e a estabilizar a variância.

• Logaritmo natural (ln): comum no preço e na área. Faz o efeito ser proporcional, e não absoluto.
• Inversa (1/x): útil para área quando o preço unitário cai rápido nas áreas pequenas e se estabiliza nas grandes.
• Raiz quadrada ou potências: alternativas quando ln e inversa não resolvem.

A transformação deve ser escolhida pelo comportamento dos dados e pela lógica do mercado. Testar dezenas de combinações até achar a que dá o maior R² é pescaria estatística. Lembre também de destransformar corretamente a estimativa, quando a variável dependente estiver em log.

O que olhar no modelo

Coeficiente de determinação (R²) e correlação

O R² indica quanto da variação dos preços o modelo explica. O coeficiente de correlação mede a força da relação. Um R² alto não garante modelo bom, e um R² mais baixo não derruba o grau pela norma, mas costuma chamar a atenção do analista. O R² ajustado é mais honesto quando se compara modelos com números diferentes de variáveis.

Significância dos regressores (teste t)

Cada variável precisa ser estatisticamente significativa. O teste t verifica se o coeficiente é diferente de zero com a confiança exigida. Variável sem significância deve sair do modelo ou ser reespecificada. Os limites de significância dependem do grau de fundamentação pretendido e estão definidos na tabela da NBR 14653-2.

Significância do modelo (teste F)

O teste F verifica se o conjunto das variáveis explica o preço melhor do que um modelo sem variáveis. Também aqui o nível exigido depende do grau e está na tabela da norma.

Normalidade dos resíduos

Os resíduos devem ter distribuição aproximadamente normal. Verifica-se por histograma, gráfico de probabilidade normal ou testes de aderência. Assimetria forte pode indicar transformação inadequada ou amostra heterogênea.

Homocedasticidade

A variância dos resíduos deve ser aproximadamente constante. No gráfico de resíduos contra valores ajustados, um formato de funil indica heterocedasticidade, comum quando se mistura imóveis de faixas de preço muito diferentes. Transformação em log costuma ajudar.

Outliers e resíduos

Analise os resíduos padronizados. Pontos muito afastados merecem investigação: erro de digitação, área errada, imóvel com característica não capturada. Ponto influente, que muda os coeficientes sozinho, também precisa ser entendido. A exclusão deve ter motivo técnico registrado, não apenas "estava longe da reta".

Por que filtrar amostra pelo preço é erro

Um erro comum é eliminar amostras porque o preço estava "alto demais" ou "baixo demais" em relação ao que se esperava para o avaliando. Isso é circular. O avaliador usa o valor que quer estimar para escolher os dados que vão estimá-lo.

O efeito é previsível:

• A dispersão cai artificialmente.
• O R² sobe e o intervalo de confiança fica mais estreito.
• O grau de precisão parece melhor do que realmente é.
• O valor final converge para a expectativa inicial do avaliador.

O laudo fica bonito e frágil ao mesmo tempo. A amostra deve ser selecionada pelas características dos imóveis (tipologia, região, área, padrão, data), nunca pelo preço. Outliers são tratados depois, pela análise de resíduos e com justificativa. O tema está detalhado em como escolher amostras comparáveis.

Relação com o grau de fundamentação

O grau de fundamentação pontua itens como a caracterização do avaliando, a quantidade mínima de dados efetivamente utilizados em relação ao número de variáveis, a identificação das amostras, a extrapolação e os níveis de significância dos testes. O grau de precisão depende da amplitude do intervalo de confiança da estimativa.

Ou seja: cada escolha feita na regressão aparece na pontuação final. Variável a mais sem dados suficientes derruba o item de quantidade. Variável sem significância derruba o item de testes. A explicação item por item está em grau de fundamentação na NBR 14653.

A Avaliaí roda a regressão com amostras que têm link e data, elimina variáveis sem significância e calcula os graus de fundamentação e de precisão. O profissional revisa as variáveis, os resíduos e a coerência dos coeficientes antes de assinar.

Perguntas frequentes

O que é regressão linear na avaliação de imóveis?

É o tratamento por inferência estatística do método comparativo direto, previsto na NBR 14653-2. Um modelo estimado por mínimos quadrados explica o preço pelas características dos imóveis e é usado para estimar o valor do avaliando.

Qual R² é aceitável num laudo?

A norma não reprova o laudo só pelo R². O que define o grau são os itens da tabela, incluindo os testes de significância. Ainda assim, R² baixo indica que o modelo explica pouco do mercado e costuma ser questionado pelo analista.

Posso tirar amostras com preço muito diferente do esperado?

Não pelo preço em si. Isso é circular e infla a precisão. A exclusão deve vir da análise de resíduos, com motivo técnico identificado, como erro de cadastro ou característica do imóvel não capturada pelo modelo.

Quando usar transformação logarítmica?

Quando a relação entre preço e variável não é linear ou quando a variância dos resíduos cresce com o preço. O log em preço e área é comum, mas a escolha deve seguir o comportamento dos dados e a lógica do mercado.

📘 Novo no assunto? Leia o guia completo de avaliação de imóveis: métodos, NBR 14653, grau de fundamentação e custo.