Micronumerosidade na NBR 14653-2: o que é e como evitar no seu laudo
Ao construir um modelo de regressão para avaliação de imóveis, não basta que as variáveis sejam significantes e o ajuste seja bom. A NBR 14653-2 também exige que cada característica presente no modelo esteja apoiada em uma quantidade mínima de dados. Quando isso não acontece, ocorre a chamada micronumerosidade — um dos motivos mais comuns de questionamento de laudos em revisões técnicas.
O que é micronumerosidade?
Micronumerosidade é a situação em que uma característica utilizada no modelo está representada por poucos dados na amostra.
O termo se aplica em dois níveis:
- Na amostra como um todo: quando o número total de dados é pequeno em relação à quantidade de variáveis do modelo;
- Em uma característica específica: quando uma categoria de variável dicotômica (dummy) ou de código alocado aparece em pouquíssimas observações.
Por que isso é um problema?
Do ponto de vista estatístico, um coeficiente estimado com base em 1 ou 2 observações não mede um comportamento de mercado: ele apenas "decora" aqueles dados específicos.
As consequências práticas são:
- O coeficiente fica instável — a entrada ou saída de um único dado muda drasticamente o resultado;
- Esses poucos pontos ganham enorme alavancagem sobre o modelo, distorcendo inclusive os demais coeficientes;
- O intervalo de confiança da estimativa se alarga, reduzindo a precisão da avaliação;
- O laudo fica vulnerável a impugnação técnica, pois o descumprimento dos limites da norma é objetivo e fácil de demonstrar.
O que a NBR 14653-2 exige
1. Quantidade mínima de dados no modelo
A quantidade mínima de dados de mercado efetivamente utilizados depende do grau de fundamentação pretendido, em função do número de variáveis independentes (k) do modelo:
| Grau de fundamentação | Quantidade mínima de dados |
|---|---|
| Grau III | 6 (k + 1) |
| Grau II | 4 (k + 1) |
| Grau I | 3 (k + 1) |
Exemplo: um modelo com 4 variáveis independentes (k = 4) exige no mínimo 15 dados para Grau I, 20 para Grau II e 30 para Grau III.
2. Quantidade mínima de dados por característica
Para variáveis dicotômicas e variáveis qualitativas expressas por códigos, a norma estabelece o número mínimo de dados de mesma característica (ni) em função do tamanho da amostra (n):
| Tamanho da amostra (n) | Mínimo por característica (ni) |
|---|---|
| n ≤ 30 | ni ≥ 3 |
| 30 < n ≤ 100 | ni ≥ 10% de n |
| n > 100 | ni ≥ 10 |
Ou seja: em uma amostra de 25 dados, cada categoria precisa de pelo menos 3 observações; em uma amostra de 60 dados, pelo menos 6; em uma amostra de 150 dados, pelo menos 10.
Exemplo prático
Suponha uma amostra com 24 dados de terrenos, em que a variável "esquina" foi incluída como dummy:
- 22 terrenos de meio de quadra (dummy = 0)
- 2 terrenos de esquina (dummy = 1)
Como n = 24 (amostra com até 30 dados), o mínimo exigido por característica é 3 observações. Com apenas 2 terrenos de esquina, há micronumerosidade: o coeficiente da dummy estaria apoiado em somente dois dados, e o modelo não atenderia à norma nesse item.
Note que o problema não é a variável ser irrelevante — terrenos de esquina de fato podem valer mais. O problema é que a amostra não tem informação suficiente para medir esse efeito com confiabilidade.
Como resolver a micronumerosidade
1. Ampliar a pesquisa de dados
A solução ideal: buscar mais dados da categoria minoritária. No exemplo acima, encontrar pelo menos mais um terreno de esquina resolveria o problema.
2. Agrupar categorias semelhantes
Quando a variável tem várias categorias e algumas são pouco representadas, categorias com comportamento de mercado equivalente podem ser agrupadas. Por exemplo, bairros vizinhos com o mesmo padrão de valorização podem formar uma única categoria de localização.
O agrupamento deve ter justificativa mercadológica, e não ser feito apenas para "fechar a conta" da norma.
3. Retirar a variável do modelo
Se a característica minoritária não puder ser adequadamente representada, uma alternativa é remover a variável e excluir da amostra os dados que dependiam dela, restringindo o campo de aplicação do modelo. No exemplo, o modelo passaria a avaliar apenas terrenos de meio de quadra — e isso deve ficar explícito no laudo.
4. Tratar a diferença fora do modelo
Em alguns casos, a característica pode ser tratada por fatores fundamentados fora da regressão, desde que com respaldo técnico e dentro do que a norma permite para tratamento por fatores.
Micronumerosidade e variáveis dummy
A micronumerosidade é o principal limitador prático do uso de variáveis dummy. Cada categoria transformada em dummy precisa atender ao mínimo de observações — e é por isso que fragmentar demais uma variável qualitativa (por exemplo, criar uma dummy para cada bairro da cidade) costuma inviabilizar o modelo.
Se você ainda tem dúvidas sobre como criar e interpretar dummies corretamente, veja nosso artigo Como criar variáveis dummy em avaliações imobiliárias.
Erros comuns
- Verificar apenas o tamanho total da amostra e esquecer o mínimo por característica.
- Contar os dados da amostra bruta, e não os dados efetivamente utilizados no modelo (após exclusão de outliers).
- Criar dummies para categorias com 1 ou 2 observações.
- Agrupar categorias sem justificativa de mercado, apenas para atender à norma.
- Pretender Grau III de fundamentação com amostra que só comporta Grau I.
Perguntas frequentes
A micronumerosidade reprova o laudo?
Ela impacta a pontuação do grau de fundamentação e, dependendo do caso, pode descaracterizar o atendimento ao grau mínimo exigido pelo contratante. Além disso, é um ponto objetivo de questionamento em revisões técnicas e perícias.
Os dados excluídos como outliers contam para o mínimo?
Não. Os limites da norma se referem aos dados efetivamente utilizados no modelo final. Se a exclusão de um outlier deixar uma categoria abaixo do mínimo, a micronumerosidade reaparece.
Variáveis quantitativas (área, distância) também sofrem micronumerosidade?
Os limites por característica (ni) se aplicam a variáveis dicotômicas e códigos. Para variáveis quantitativas, a preocupação equivalente é a distribuição dos dados ao longo da escala — concentrações e vazios na amostra geram problemas de extrapolação e alavancagem.
Posso usar código alocado para escapar da micronumerosidade?
Não — os mínimos por característica valem igualmente para códigos alocados. Além disso, o uso de códigos alocados tem reflexos próprios no grau de fundamentação.
Conclusão
Micronumerosidade não é um detalhe burocrático da NBR 14653-2: é uma proteção estatística contra coeficientes apoiados em dados insuficientes. Antes de fechar o modelo, verifique sempre os dois níveis — o mínimo total de dados em função do número de variáveis e o mínimo por característica em função do tamanho da amostra. Quando uma categoria não atinge o mínimo, amplie a pesquisa, agrupe categorias com critério ou restrinja o campo de aplicação do modelo, deixando a decisão documentada no laudo.
