Data mining na identificação de atributos valorativos da habitação

• Autor(a) principal: Batista, Paulo Ricardo Lopes
• Data de Publicação: 2010
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
• Texto Completo: http://hdl.handle.net/10773/3640
• topic: Planeamento urbano; Habitação; Mercado imobiliário; Econometria; Armazenamento de dados; Recuperação da informação

A teoria que sustenta o conceito de preço hedónico permitiu desenvolver uma ferramenta econométrica, simples e eficiente, para estudar o tema habitação a partir da informação associada às transacções no mercado. O desafio, associado à aplicação destes modelos, baseia-se na dificuldade de identificar, a partir dos volumes da informação actualmente existente, quais os atributos efectivamente determinantes para o processo de formação do valor de mercado. A incapacidade de incorporar todos os atributos de uma habitação num modelo explicativo do preço não se deve, exclusivamente, às dificuldades e deficiências já conhecidas do funcionamento de mercado. As fontes de informação tradicionais têm disponibilidades de informação limitadas, reservando um papel chave ao conhecimento prévio do investigador. Este conhecimento é fundamental para o desafio de produzir nova informação ou de a recolher, a partir de dados existentes. Neste desafio, recentes técnicas de análise de dados, fornece ferramentas que complementam a recolha e selecção de atributos relevantes por parte de cada investigador. A partir dos dois casos de estudo apresentados, pode concluir-se que a utilização de ferramentas de data mining permite reduzir, de forma mais eficiente que a utilização exclusiva de conhecimento empírico do investigador, o número de atributos necessários para explicitar a formação do preço da habitação. Com a utilização destas ferramentas de análise de dados, a capacidade explicativa dos modelos, que identificam os determinantes do preço, não é afectada de forma substancial. Em muitos casos é possível melhorar a capacidade explicativa, pela eliminação de atributos que introduzem ruído e inconsistências no modelo econométrico. Noutros casos, demonstra-se que em problemas com maior complexidade, permite reduzir o número de atributos sem uma perda significativa de capacidade explicativa.