Estudo comparativo entre modelos clássicos de regressão e de redes neurais artificiais em avaliação imobiliária na área central de Florianópolis

Abstract

A Rede Neural Artificial (RNA) é um dos métodos citados pela NBR 14653-2 (ABNT, 2011) para realizar avaliação de imóveis. Esse método pode ser usado para inferir as relações entre as variáveis ??independentes e a variável dependente do imóvel a partir de uma amostra de treinamento. A tendência é que a RNA ganhe gradativamente mais espaço em avaliações imobiliárias devido à sua capacidade de lidar com problemas não lineares, ao contrário da Regressão Linear Clássica (RLC). Apesar disso, a RNA ainda tem sido considerada um método ?caixa-preta? e a própria norma NBR 14653-2 (ABNT, 2011) apresenta o método em caráter informativo, sem maiores detalhes, o que dificulta a sua propagação e utilização entre os avaliados . Diante do cenário exposto, é possível compreender a pertinência de um estudo que contribui para o avanço da compreensão do RNA e sua aplicação em avaliações imobiliárias. Assim, o objetivo deste trabalho é realizar uma análise comparativa entre o modelo RLC e modelos de RNA em avaliações imobiliárias na área central do município de Florianópolis. Especificamente, os objetivos são: analisar o desempenho do melhor modelo de RLC obtido com auxílio da abordagem de força-bruta e verificar suas suposições; modelos simulados de RNA com e sem transformações e identificar aqueles com melhor capacidade preditiva ao variar diferentes parâmetros; comparar modelos de RNA com RLC. Para isso foi realizada uma coleta de dados (apartamentos) que foi avaliada em uma amostra total de 231 elementos com 8 variáveis ??independentes. A RLC de referência possui R² de 96,39% e foram verificados a linearidade, normalidade, homocedasticidade, ausência de autocorrelação, de multicolinearidade, de pontos influentes e de outliers. Ao todo, foram realizadas 5.364 simulações com RNA, sendo 1.800 em cenários com aplicação de transformações e 3.564 sem transformações, nas quais foram testadas diferentes interações. Diante dos resultados foi possível perceber que não existem valores fixos para as parâmetros de um RNA que devem ser sempre trabalhados, pois cada problema é único e deve ser tratado segundo suas especialidades. O melhor caminho é fazer o ajuste até as configurações até encontrar modelos com boa capacidade preditiva. Por fim, ao comparar modelos de RNA com RLC, foi possível observar que todos os modelos de RNA utilizados para predição dos valores da amostra de avaliação com resultados superiores à RLC, ou seja, melhor capacidade preditiva, por exemplo, a RNA-1 apresentada RMSE, MAE e MAPE, respectivamente, iguais a 329.338,34, 212.364,91 e 14,00%; a RNA-11 resultou em 333.445,70, 214.502,72 e 13,80%; e o modelo de RLC obteve 408.853,13, 240.121,12 e 14,70%. Com relação à análise de especificação das variáveis, o modelo de RLC e o modelo de RNA-1 apresentaram um melhor comportamento, já o modelo RNA-11 apresentou um comportamento indesejado na variável ?suítes?, que poderia ser descartado. Isso suscita uma reflexão: apesar de análises superiores, Redes neurais podem, na verdade, apresentar comportamento indesejado em alguma variável. Isso mostra que a análise de especificidade deve ser sempre considerada na validação de modelos de RNA.

Abstract: Artificial Neural Network (ANN) is one of the methods cited by NBR 14653-2 (ABNT, 2011) to evaluate properties. This method can be used to infer the relationships between the independent variables and the property's dependent variable from a training sample. The tendency is for ANN to gradually gain more space in real estate valuations due to its ability to deal with non-linear problems, unlike Classical Linear Regression (RLC). Despite this, ANN has still been considered a ?black box? method and the NBR 14653-2 (ABNT, 2011) presents the method in an informative capacity, without further details, which makes its dissemination and use among professionals difficult. Given the above scenario, it is possible to understand the relevance of a study that contributes to advancing the understanding of ANN and its application in real estate valuations. Therefore, the objective of this work is to carry out a comparative analysis between the RLC model and ANN models in real estate valuations in the central area of the city of Florianópolis. Specifically, the objectives are: to analyze the performance of the best RLC model obtained with the help of the brute-force approach and verify its assumptions; simulate ANN models with and without transformations and identify those with better predictive capacity when varying different parameters; compare ANN models with RLC. To this end, data collection was carried out (apartments) which resulted in a total sample of 231 elements with 8 independent variables. The reference RLC has an R² of 96.39% and linearity, normality, homoscedasticity, absence of autocorrelation, multicollinearity, influencing points and outliers were verified. In total, 5,364 simulations were carried out with ANN, 1,800 in scenarios with the application of transformations and 3,564 without transformations, in which different parameters were tested. Given the results, it was possible to realize that there are no fixed values for the parameters of an ANN that must always be used, as each problem is unique and must be treated according to its peculiarities. The best way is to fine-tune the parameters until you find models with good predictive capacity. Finally, when comparing ANN models with RLC, it was possible to observe that all ANN models used to predict the values of the evaluation sample presented results superior to RLC, that is, better predictive capacity, for example, ANN-1 presented RMSE, MAE and MAPE, respectively, equal to 329,338.34, 212,364.91 and 14.00%; RNA-11 provided 333,445.70, 214,502.72 and 13.80%; and the RLC model obtained 408,853.13, 240,121.12 and 14.70%. Regarding the elasticity analysis of the variables, the RLC model and the RNA-1 model showed better behavior, while the RNA-11 model showed undesirable behavior in the ?suites? variable, which could be discarded. This raises a reflection: despite superior metrics, neural networks can, in fact, present undesired behavior in some variable. This shows that elasticity analysis should always be considered when validating ANN models.