Projeto de Disciplina 26.1

Análise Exploratória de Dados

Author

Anabella Sgarbi Pereira

Published

April 13, 2026

1 Carregando os pacotes

library(tidyverse)
library(skimr)
library(gt)
library(summarytools)
library(ggplot2)
library(corrplot)
library(patchwork)
library(rstatix)
library(gtsummary)
library(janitor)
library(naniar)
library(visdat)
library(DataExplorer)
library(scales)
library(knitr)
library(kableExtra)
library(tidymodels)
library(effectsize)
library(broom)

2 Carregando os dados

Base de dados baixada do Kaggle: https://www.kaggle.com/datasets/allanbruno/airbnb-rio-de-janeiro

dez19 = read_csv("dados/dezembro2019.csv")
jan20 = read_csv("dados/janeiro2020.csv")
fev20 = read_csv("dados/fevereiro2020.csv")
mar20 = read_csv("dados/maro2020.csv")
abr20 = read_csv("dados/abril2020.csv")
maio20 = read_csv("dados/maio2020.csv")

2.1 Descrição das bases de dados

Reúnem informações dos imóveis disponíveis para locação pelo Airbnb no Rio de Janeiro, do período de dezembro de 2019 até maio de 2020.

Possuem 108 colunas, que descrevem desde o preço e o período de disponibilidade de locação até detalhes sobre o host (dono) e do próprio imóvel.

O dicionário dos dados pode ser encontrado no seguinte link: https://docs.google.com/spreadsheets/d/1iWCNJcSutYqpULSQHlNyGInUvHg2BoUGoNRIGa6Szc4/edit?gid=1322284596#gid=1322284596

3 Objetivo da análise

O objetivo da presente análise consiste em identificar as variáveis que mais influenciaram o preço cobrado na locação de imóveis em anúncios do Airbnb no Rio de Janeiro no período disponível na base de dados.

A escolha por este tema de estudo se deu por uma curiosidade pessoal minha acerca da cidade onde moro desde nasci.

4 Limpeza dos dados

4.1 Construção de base única

Para facilitar o trabalho de limpeza e análise, as 6 bases serão unificadas em uma, com adição de uma coluna do mês e ano correspondente.

dez19 = dez19 |>  
  mutate(mes = "2019-12")

jan20 = jan20  |> 
  mutate(mes = "2020-01")

fev20 = fev20 |> 
  mutate(mes = "2020-02")

mar20 = mar20 |> 
  mutate(mes = "2020-03")

abr20 = abr20 |> 
  mutate(mes = "2020-04")

maio20 = maio20 |> 
  mutate(mes = "2020-05")

df_raw = bind_rows(dez19, jan20, fev20, mar20, abr20, maio20)

4.2 Visão geral

# skim(df_raw)

Variável de interesse: price, que determina o preço de aluguel dos imóveis.

A base df_raw possui muitas variáveis descartáveis para a análise, como listing_url, last_scraped, host_thumbnail_url, entre outras.

Sendo assim, abaixo serão selecionadas somente as variáveis que, de fato, podem ter alguma influência no preço do aluguel de um imóvel:

df_clean = df_raw |>
  select(
    price,
    room_type,
    accommodates,
    bedrooms,
    bathrooms,
    neighbourhood_cleansed, 
    number_of_reviews, 
    review_scores_rating, 
    minimum_nights, 
    host_is_superhost, 
    property_type, 
    mes, 
    guests_included
    )

4.3 Investigação inicial

df_clean |> 
  select(where(is.numeric), where(is.factor)) |>
  tbl_summary(
    statistic = list(
      all_continuous() ~ "{median} ({p25}, {p75})",
      all_categorical() ~ "{n} ({p}%)"
    ),
    digits = all_continuous() ~ 2
  ) |>
  modify_header(label ~ "**Variável**") |>
  modify_spanning_header(all_stat_cols() ~ "**Resumo Geral**") |>
  modify_caption("**Tabela 1. Estatística descritiva das variáveis da base de dados**") |>
  bold_labels()

**Tabela 1. Estatística descritiva das variáveis da base de dados**
Variável	Resumo Geral
Variável	N = 213,514¹
accommodates	4.00 (2.00, 5.00)
bedrooms	1.00 (1.00, 2.00)
Unknown	389
bathrooms	1.00 (1.00, 2.00)
Unknown	374
number_of_reviews	1.00 (0.00, 6.00)
review_scores_rating	98.00 (93.00, 100.00)
Unknown	95,105
minimum_nights	2.00 (1.00, 4.00)
guests_included	1.00 (1.00, 2.00)
¹ Median (Q1, Q3)

Há mais de 200 mil observações na nossa base. Nesta primeira descrição geral, destacam-se as seguintes medianas e IQRs de características dos imóveis colocados para locação pelo Airbnb no período de dezembro de 2019 até maio de 2020 no Rio de Janeiro:

Quantidade máxima de pessoas acomodadas (accommodates): 4 (IQR = 2, 5)
Quantidade de reviews (number_of_reviews): 1 (IQR = 0, 6)
Notas das reviews (review_scores_rating): 98 (IQR = 93, 100)
Quantidade mínima de noites a serem alugadas (minimum_nights): 2 (IQR = 1, 4)

Preço (price) não apareceu na lista, o que indica que a variável deve estar erroneamente classificada como categórica.

4.3.1 Tipagem de variáveis

Identificando os tipos de variáveis presentes na base:

df_clean |> 
  summarise(across(everything(), class)) |>
  pivot_longer(everything(),
               names_to = "variavel",
               values_to = "tipo") |> 
  count(tipo, sort = TRUE) |> 
  kbl(col.names = c("Tipo", "Quantidade"), align = "lr") |> 
  kable_styling(bootstrap_options = c("striped", "hover"),
                full_width = FALSE)

Tipo	Quantidade
numeric	7
character	5
logical	1

A base possui o total de 13 variáveis, sendo 7 numéricas, 5 categóricas e 1 lógica.

Checando quais variáveis numéricas são, de fato, numéricas:

df_clean |> 
  select(where(is.numeric)) |> 
  glimpse()

Rows: 213,514
Columns: 7
$ accommodates         <dbl> 5, 2, 3, 2, 2, 13, 1, 10, 3, 6, 12, 2, 6, 4, 6, 4…
$ bedrooms             <dbl> 2, 1, 1, 1, 1, 6, 1, 4, 1, 4, 4, 0, 4, 1, 3, 3, 0…
$ bathrooms            <dbl> 1.0, 1.0, 1.0, 1.5, 1.0, 7.0, 1.0, 3.5, 1.0, 3.0,…
$ number_of_reviews    <dbl> 246, 236, 274, 171, 320, 64, 42, 3, 79, 71, 7, 16…
$ review_scores_rating <dbl> 93, 94, 96, 94, 98, 92, 98, 80, 93, 91, 91, 95, 9…
$ minimum_nights       <dbl> 4, 7, 2, 2, 3, 2, 3, 4, 3, 3, 1, 3, 7, 5, 2, 4, 3…
$ guests_included      <dbl> 2, 2, 2, 2, 2, 7, 1, 8, 2, 4, 1, 2, 5, 2, 3, 2, 2…

review_scores_rating: variável de nível de qualidade percebida = ambíguo (pode ser tanto numérica quanto fator)
bathrooms: variável que carrega informação dupla (quantidade de banheiros completos e lavabos) = será mantida como variável numérica única, pois as informações fazem sentido quando unificadas e facilitam a análise
acommodates, bedrooms, number_of_reviews, minimun_nights e guests_included: variáveis de contagem = numéricas inteiras

Tratando as variáveis:

df_clean = df_clean |>
  mutate(
    across(
      c(accommodates, bedrooms, number_of_reviews,
        minimum_nights, guests_included),
      as.integer
    )
  )

OBS: Optou-se por manter a variável review_scores_rating como numérica (dbl), por representar uma escala contínua de qualidade, preservando maior nível de informação.

Checando quais variáveis categóricas são, de fato, categóricas:

df_clean |> 
  select(where(is.character)) |> 
  glimpse()

Rows: 213,514
Columns: 5
$ price                  <chr> "$323.00", "$159.00", "$266.00", "$368.00", "$1…
$ room_type              <chr> "Entire home/apt", "Entire home/apt", "Entire h…
$ neighbourhood_cleansed <chr> "Copacabana", "Copacabana", "Ipanema", "Ipanema…
$ property_type          <chr> "Condominium", "Apartment", "Apartment", "Apart…
$ mes                    <chr> "2019-12", "2019-12", "2019-12", "2019-12", "20…

price: variável de preço = numérica
mes: variável de mês = data

Tratando as variáveis:

# Tratando price
df_clean = df_clean |>
  mutate(price = parse_number(price))

# Tratando mes
df_clean = df_clean |>
  mutate(mes = ymd(paste0(mes, "-01")))

Verificando tipagem final das variáveis:

df_clean |> 
  glimpse()

Rows: 213,514
Columns: 13
$ price                  <dbl> 323, 159, 266, 368, 131, 3492, 78, 851, 184, 90…
$ room_type              <chr> "Entire home/apt", "Entire home/apt", "Entire h…
$ accommodates           <int> 5, 2, 3, 2, 2, 13, 1, 10, 3, 6, 12, 2, 6, 4, 6,…
$ bedrooms               <int> 2, 1, 1, 1, 1, 6, 1, 4, 1, 4, 4, 0, 4, 1, 3, 3,…
$ bathrooms              <dbl> 1.0, 1.0, 1.0, 1.5, 1.0, 7.0, 1.0, 3.5, 1.0, 3.…
$ neighbourhood_cleansed <chr> "Copacabana", "Copacabana", "Ipanema", "Ipanema…
$ number_of_reviews      <int> 246, 236, 274, 171, 320, 64, 42, 3, 79, 71, 7, …
$ review_scores_rating   <dbl> 93, 94, 96, 94, 98, 92, 98, 80, 93, 91, 91, 95,…
$ minimum_nights         <int> 4, 7, 2, 2, 3, 2, 3, 4, 3, 3, 1, 3, 7, 5, 2, 4,…
$ host_is_superhost      <lgl> TRUE, FALSE, TRUE, TRUE, TRUE, TRUE, TRUE, FALS…
$ property_type          <chr> "Condominium", "Apartment", "Apartment", "Apart…
$ mes                    <date> 2019-12-01, 2019-12-01, 2019-12-01, 2019-12-01…
$ guests_included        <int> 2, 2, 2, 2, 2, 7, 1, 8, 2, 4, 1, 2, 5, 2, 3, 2,…

Agora possuímos 18 variáveis, sendo:

room_type, neighbourhood_cleansed e property_type: categóricas
price, accommodates, bedrooms, bathrooms, number_of_reviews, review_scores_rating, minimum_nights, guests_included: numéricas
host_is_superhost: lógica
mes: data

Tratando a variável lógica (transformando em categórica para facilitar ações futuras):

df_clean = df_clean |>
  mutate(
    host_is_superhost = factor(host_is_superhost, 
                               levels = c(TRUE, FALSE),
                               labels = c("Superhost", "Host"))
  )

Verificando tipagem final das variáveis:

df_clean |> 
  glimpse()

Rows: 213,514
Columns: 13
$ price                  <dbl> 323, 159, 266, 368, 131, 3492, 78, 851, 184, 90…
$ room_type              <chr> "Entire home/apt", "Entire home/apt", "Entire h…
$ accommodates           <int> 5, 2, 3, 2, 2, 13, 1, 10, 3, 6, 12, 2, 6, 4, 6,…
$ bedrooms               <int> 2, 1, 1, 1, 1, 6, 1, 4, 1, 4, 4, 0, 4, 1, 3, 3,…
$ bathrooms              <dbl> 1.0, 1.0, 1.0, 1.5, 1.0, 7.0, 1.0, 3.5, 1.0, 3.…
$ neighbourhood_cleansed <chr> "Copacabana", "Copacabana", "Ipanema", "Ipanema…
$ number_of_reviews      <int> 246, 236, 274, 171, 320, 64, 42, 3, 79, 71, 7, …
$ review_scores_rating   <dbl> 93, 94, 96, 94, 98, 92, 98, 80, 93, 91, 91, 95,…
$ minimum_nights         <int> 4, 7, 2, 2, 3, 2, 3, 4, 3, 3, 1, 3, 7, 5, 2, 4,…
$ host_is_superhost      <fct> Superhost, Host, Superhost, Superhost, Superhos…
$ property_type          <chr> "Condominium", "Apartment", "Apartment", "Apart…
$ mes                    <date> 2019-12-01, 2019-12-01, 2019-12-01, 2019-12-01…
$ guests_included        <int> 2, 2, 2, 2, 2, 7, 1, 8, 2, 4, 1, 2, 5, 2, 3, 2,…

Agora host_is_superhost é fator.

4.3.2 Tratamento de NAs

Identificando a proporção de NAs:

na.summary = df_clean |> 
  summarise(across(everything(), ~ mean(is.na(.)))) |> 
  pivot_longer(everything(),
               names_to = "variavel",
               values_to = "pct_na") |> 
  filter(pct_na > 0) |> 
  arrange(desc(pct_na)) |> 
  mutate(pct_na_fmt = percent(pct_na, accuracy = 0.1))

na.summary |> 
    kbl(col.names = c("Variável", "% NA", "% Formatada"), align = "lrr", caption = "Variáveis com valores ausentes") |> 
  kable_styling(bootstrap_options = c("striped", "hover"),
                full_width = FALSE) |> 
  row_spec(which(na.summary$pct_na > 0.4), background = "#fa93b0")

Variáveis com valores ausentes
Variável	% NA	% Formatada
review_scores_rating	0.4454275	44.5%
bedrooms	0.0018219	0.2%
bathrooms	0.0017516	0.2%
host_is_superhost	0.0006510	0.1%

Visualização:

# Gerando amostragem para possibilitar a geração do gráfico
df_vis = df_clean |> 
  slice_sample(n = 5000)

# Mapa Visual de NAs
vis_miss(
  df_vis, sort_miss = TRUE
) +
  labs(title = "Valores ausentes na base do Airbnb RJ",
       subtitle = "Ordenado por proporção de missings") +
  theme(axis.text.x = element_text(angle = 45, hjust = 1, size = 7))

Observa-se que review_scores_rating é a única variável com mais de 1% de NAs (44,5%).

Analisando cada caso de NAs:

review_scores_rating NAs = não há reviews para o imóvel
bedrooms e bathrooms NAs = números não especificados no anúncio
host_is_superhost NAs = não especificado no anúncio

Tratando os NAs:

Para review_scores_rating, bedrooms e bathrooms, foi imputada a mediana:

df_clean = df_clean |>
  mutate(
    # rating
    review_scores_rating = coalesce(
      review_scores_rating,
      median(review_scores_rating, na.rm = TRUE)
    ),

    # variáveis estruturais
    across(
      c(bedrooms, bathrooms),
      ~ coalesce(., median(., na.rm = TRUE))
    )
  )

Para host_is_superhost, foi imputada a moda:

moda_superhost = names(sort(table(df_clean$host_is_superhost), decreasing = TRUE))[1]

moda_superhost

[1] "Host"

df_clean = df_clean |>
  mutate(
    host_is_superhost = coalesce(host_is_superhost, moda_superhost)
  )

Checagem final da proporção de NAs da base de dados:

# Gerando amostragem para possibilitar a geração do gráfico
df_vis = df_clean |> 
  slice_sample(n = 5000)

# Mapa Visual de NAs
vis_miss(
  df_vis, sort_miss = TRUE
) +
  labs(title = "Valores ausentes na base do Airbnb RJ",
       subtitle = "Ordenado por proporção de missings") +
  theme(axis.text.x = element_text(angle = 45, hjust = 1, size = 7))

NAs foram totalmente removidos da base de dados.

4.3.3 Tratamento de outliers

Identificando outliers:

df_clean |> 
  ggplot(aes(y = price)) +
  geom_boxplot(outlier.alpha = 0.3) +
  scale_y_continuous(
  labels = scales::label_dollar(
    prefix = "R$ ",
    big.mark = ".",
    decimal.mark = ","
  )
) +
  theme_minimal()

Observa-se que há outliers especialmente a partir de mais de R$ 70.000. Há outliers que ultrapassam R$ 125.000.

Identificando o IQR

q1 = quantile(df_clean$price, 0.25)
q3 = quantile(df_clean$price, 0.75)
iqr = q3 - q1
inferior = q1 - 1.5 * iqr
superior = q3 + 1.5 * iqr

Características de price:

Q1 = R$ 157
Q3 = R$ 611
IQR = R$ 454
Inferior = - R$ 524
Superior = R$ 1.292

Identificando quantos imóveis são muito caros:

df_clean |>
  filter(price > superior) |>
  nrow()

[1] 22297

Temos o total de 22.297 imóveis acima do IQR superior. São muitas observações para cortarmos.

Investigando os outliers por bairro:

top_bairros = df_clean |>
  count(neighbourhood_cleansed, sort = TRUE) |>
  slice_head(n = 15) |>
  pull(neighbourhood_cleansed)

df_clean |>
  filter(neighbourhood_cleansed %in% top_bairros) |>
  ggplot(aes(x = neighbourhood_cleansed, y = price)) +
  geom_boxplot() +
  scale_y_continuous(
  labels = scales::label_dollar(
    prefix = "R$ ",
    big.mark = ".",
    decimal.mark = ","
  )
) +
  labs(
    title = "Distribuição de preço por bairro",
    subtitle = "Bairros selecionados: top 15",
    x = "Bairro",
    y = "Preço"
  ) +
  coord_flip() +
  theme_minimal()

Observa-se que Copacana é o bairro com 2 observações de extrema discrepância em relação ao restante.

Investigando estes outliers:

df_clean |>
  filter(neighbourhood_cleansed == "Copacabana") |>
  arrange(desc(price)) |>
  select(price, accommodates, bedrooms, bathrooms, room_type, property_type) |>
  head(5) |> 
  gt()

price	accommodates	bedrooms	bathrooms	room_type	property_type
138262	2	1	1	Private room	Bed and breakfast
131727	2	1	1	Private room	Bed and breakfast
57517	4	2	2	Entire home/apt	Apartment
55305	4	2	3	Entire home/apt	Apartment
54798	4	2	2	Entire home/apt	Apartment

Os dois valores mais altos (R$ 138.262 e R$ 131.727) são relativos a quartos privativos em propriedades de categoria “Bed and breakfast”, com acomodação para 2 pessoas, 1 banheiro e 1 quarto. Há fortes indicativos de erro, uma vez que nem mesmo em hotéis de luxo encontramos esses valores para quartos.

Logo, estes outliers serão removidos, pois também destoam muito da concentração geral de valores.

df = df_clean |>
  filter(price <= 60000)

Checagem final de outliers:

df |> 
  ggplot(aes(y = price)) +
  geom_boxplot(outlier.alpha = 0.3) +
  scale_y_continuous(
  labels = scales::label_dollar(
    prefix = "R$ ",
    big.mark = ".",
    decimal.mark = ","
  )
) +
  theme_minimal()

Agora todas as observações concentram-se em valores até R$ 60.000.

5 Análise Univariada

5.1 Variáveis numéricas

Descrição estatística da variável numérica price, após remoção de outliers:

df |> 
  select(price) |> 
  descr(stats = c("mean", "sd", "min", "med", "max", "iqr"),
    transpose = TRUE)

Descriptive Statistics  
df$price  
N: 213510  

                Mean   Std.Dev    Min   Median        Max      IQR
----------- -------- --------- ------ -------- ---------- --------
      price   701.89   1930.32   0.00   298.00   57517.00   454.00

Trata-se de uma variável com mediana de R$ 298 e média de aproximadamente R$ 702, o que indica que pode se tratar de uma variável com assimetria à direita.

# Criando função para calcular normalidade
plot_normalidade = function(dados, var, bins = 30, xlim = NULL){
  
  var_enquo = rlang::enquo(var)
  
  vetor = dados |> dplyr::pull(!!var_enquo)
  
  media = mean(vetor, na.rm = TRUE)
  mediana = median(vetor, na.rm = TRUE)
  
  p1 = dados |> 
    ggplot(aes(x = !!var_enquo)) +
    geom_histogram(
      aes(y = after_stat(density)),
      bins = bins,
      fill = "lightblue",
      color = "black"
    ) +
    geom_density(color = "darkblue", linewidth = 0.8, alpha = 0.3) +
    theme_minimal() +
    labs(
      title = paste0("Distribuição - ", rlang::as_name(var_enquo)),
      x = rlang::as_name(var_enquo),
      y = "Densidade"
    )
  
  # aplicar limite do eixo x se for especificado
  if(!is.null(xlim)){
    p1 = p1 + coord_cartesian(xlim = xlim)
  }
  
  p2 = dados |> 
    ggplot(aes(sample = !!var_enquo)) +
    stat_qq(size = 2, alpha = 0.6) +
    stat_qq_line(color = "red", linewidth = 1) +
    theme_minimal() +
    labs(
      title = paste0("QQ plot - ", rlang::as_name(var_enquo)),
      x = "Quantis teóricos",
      y = "Quantis amostrais"
    )
  
  p1 + p2
}

df |> 
plot_normalidade(price, bins = 300, xlim = c(0, 10000))

OBS: A quantidade de bins escolhida para o histograma foi o valor encontrado que melhor permite a visualização da distribuição das observações.

Os gráficos acima indicam que, como esperado, a variável price não segue distribuição normal. Trata-se de uma variável assimétrica à direita. Ou seja, a maioria dos preços se concentram em valores abaixo de R$ 1.000, tendo poucas observações com valores extremos. O IQR de R$ 454 (R$ 157 - R$ 611) descreve a variabilidade dos preços mais comuns sem grande influência de valores extremos.

Descrição estatística da variável review_scores_rating:

df |> 
  select(review_scores_rating) |> 
  descr(stats = c("mean", "sd", "min", "med", "max", "iqr"),
    transpose = TRUE)

Descriptive Statistics  
df$review_scores_rating  
N: 213510  

                              Mean   Std.Dev     Min   Median      Max    IQR
-------------------------- ------- --------- ------- -------- -------- ------
      review_scores_rating   96.11      7.28   20.00    98.00   100.00   2.00

Trata-se de uma variável com mediana de 98 e média de aproximadamente 96, o que indica que pode se tratar de uma variável com assimetria à esquerda.

df |> 
plot_normalidade(review_scores_rating, bins = 100)

OBS: A quantidade de bins escolhida para o histograma foi o valor encontrado que melhor permite a visualização da distribuição das observações.

Os gráficos acima indicam que, como esperado, a variável review_scores_rating não segue distribuição normal. Trata-se de uma variável assimétrica à esquerda. Ou seja, a maioria das notas se concentram em valores acima de 90, tendo poucas observações com notas baixas. O IQR de 2 (97, 99) comprova a baixa variabilidade de notas.

Descrição estatística da variável number_of_reviews:

df |> 
  select(number_of_reviews) |> 
  descr(stats = c("mean", "sd", "min", "med", "max", "iqr"),
    transpose = TRUE)

Descriptive Statistics  
df$number_of_reviews  
N: 213510  

                          Mean   Std.Dev    Min   Median      Max    IQR
----------------------- ------ --------- ------ -------- -------- ------
      number_of_reviews   9.69     25.55   0.00     1.00   401.00   6.00

Trata-se de uma variável com mediana de 1 e média de aproximadamente 10, o que indica que pode se tratar de uma variável com assimetria à direita.

df |> 
plot_normalidade(number_of_reviews, bins = 50, xlim = c(0, 100))

OBS: A quantidade de bins escolhida para o histograma foi o valor encontrado que melhor permite a visualização da distribuição das observações.

Os gráficos acima indicam que, como esperado, a variável number_of_reviews não segue distribuição normal. Trata-se de uma variável assimétrica à direita. Ou seja, a maioria dos anúncios possuem menos de 1 review, sendo poucos os anúncios com maior quantidade de avaliações. O IQR de 6 (0, 6) descreve a variabilidade das quantidades de reviews por anúncio mais comuns sem grande influência de valores extremos.

5.2 Variáveis categóricas

Descrição estatística da variável room_type:

df |> 
  select(room_type) |> 
  tbl_summary() |> 
  modify_header(label ~ "**Variável**") |>
  modify_spanning_header(all_stat_cols() ~ "**Proporção**") |>
  modify_caption("**Tabela 3. Proporção de tipos de imóveis**") |>
  bold_labels()

**Tabela 3. Proporção de tipos de imóveis**
Variável	Proporção
Variável	N = 213,510¹
room_type
Entire home/apt	153,028 (72%)
Hotel room	1,278 (0.6%)
Private room	54,591 (26%)
Shared room	4,613 (2.2%)
¹ n (%)

df |>
  filter(!is.na(room_type)) |>
  ggplot(aes(x = reorder(room_type, room_type, function(x) length(x)), fill = room_type)) +
  geom_bar() +
  theme_minimal() +
  labs (
    x = "Tipo de imóvel",
    y = "Frequência",
    title = "Distribuição dos tipos de imóveis",
    subtitle = "Base de dados: df_clean"
  ) +
  theme(legend.position = "none")

Observa-se que mais de 70% dos imóveis para locação são do tipo entire home/apt (casa/apartamento inteiro). A segunda categoria mais comum é private room (quarto privado). As demais categorias (quarto de hotel e quarto compartilhado) representam menos de 3% das observações, mesmo somadas.

Descrição estatística da variável neighbourhood_cleansed:

df |> 
  select(neighbourhood_cleansed) |> 
  mutate(neighbourhood_cleansed = fct_infreq(neighbourhood_cleansed)) |> 
  tbl_summary() |> 
  modify_header(label ~ "**Variável**") |>
  modify_spanning_header(all_stat_cols() ~ "**Proporção**") |>
  modify_caption("**Tabela 4. Proporção de bairros**") |>
  bold_labels()

**Tabela 4. Proporção de bairros**
Variável	Proporção
Variável	N = 213,510¹
neighbourhood_cleansed
Copacabana	55,910 (26%)
Barra da Tijuca	23,989 (11%)
Ipanema	18,385 (8.6%)
Jacarepaguá	12,033 (5.6%)
Botafogo	10,476 (4.9%)
Recreio dos Bandeirantes	10,053 (4.7%)
Leblon	9,764 (4.6%)
Santa Teresa	6,920 (3.2%)
Centro	5,922 (2.8%)
Flamengo	5,518 (2.6%)
Tijuca	4,344 (2.0%)
Laranjeiras	4,278 (2.0%)
Leme	3,722 (1.7%)
Lagoa	2,416 (1.1%)
Glória	2,125 (1.0%)
Catete	2,034 (1.0%)
Jardim Botânico	1,909 (0.9%)
Gávea	1,851 (0.9%)
Humaitá	1,777 (0.8%)
Camorim	1,775 (0.8%)
Maracanã	1,754 (0.8%)
Vila Isabel	1,589 (0.7%)
São Conrado	1,465 (0.7%)
Freguesia (Jacarepaguá)	1,313 (0.6%)
Vargem Pequena	1,149 (0.5%)
Taquara	1,067 (0.5%)
Itanhangá	1,028 (0.5%)
Vidigal	964 (0.5%)
Urca	875 (0.4%)
Vargem Grande	764 (0.4%)
Cosme Velho	693 (0.3%)
Rio Comprido	681 (0.3%)
São Cristóvão	631 (0.3%)
Grajaú	618 (0.3%)
Estácio	555 (0.3%)
Joá	520 (0.2%)
Curicica	516 (0.2%)
Andaraí	504 (0.2%)
Campo Grande	482 (0.2%)
Praça da Bandeira	467 (0.2%)
Engenho de Dentro	460 (0.2%)
Pechincha	437 (0.2%)
Guaratiba	416 (0.2%)
Barra de Guaratiba	405 (0.2%)
Anil	356 (0.2%)
Jardim Guanabara	339 (0.2%)
Alto da Boa Vista	336 (0.2%)
Méier	330 (0.2%)
Engenho Novo	307 (0.1%)
Todos os Santos	242 (0.1%)
Cachambi	225 (0.1%)
Irajá	216 (0.1%)
Praça Seca	206 (<0.1%)
São Francisco Xavier	200 (<0.1%)
Paquetá	188 (<0.1%)
Portuguesa	177 (<0.1%)
Tanque	162 (<0.1%)
Cidade Nova	161 (<0.1%)
Saúde	158 (<0.1%)
Del Castilho	155 (<0.1%)
Riachuelo	154 (<0.1%)
Gardênia Azul	153 (<0.1%)
Rocha	151 (<0.1%)
Brás de Pina	149 (<0.1%)
Gamboa	144 (<0.1%)
Bangu	137 (<0.1%)
Rocinha	134 (<0.1%)
Bonsucesso	128 (<0.1%)
Santa Cruz	128 (<0.1%)
Encantado	126 (<0.1%)
Mangueira	118 (<0.1%)
Penha	116 (<0.1%)
Lins de Vasconcelos	109 (<0.1%)
Santo Cristo	104 (<0.1%)
Vila Valqueire	96 (<0.1%)
Pedra de Guaratiba	90 (<0.1%)
Piedade	90 (<0.1%)
Tauá	90 (<0.1%)
Maria da Graça	83 (<0.1%)
Cidade de Deus	82 (<0.1%)
Campinho	79 (<0.1%)
Marechal Hermes	79 (<0.1%)
Realengo	78 (<0.1%)
Guadalupe	77 (<0.1%)
Quintino Bocaiúva	75 (<0.1%)
Jardim Sulacap	73 (<0.1%)
Vila da Penha	72 (<0.1%)
Cosmos	68 (<0.1%)
Jardim Carioca	68 (<0.1%)
Parque Anchieta	68 (<0.1%)
Bento Ribeiro	67 (<0.1%)
Madureira	63 (<0.1%)
Padre Miguel	63 (<0.1%)
Olaria	61 (<0.1%)
Sampaio	61 (<0.1%)
Higienópolis	60 (<0.1%)
Ramos	60 (<0.1%)
Vasco da Gama	60 (<0.1%)
Benfica	55 (<0.1%)
Cascadura	55 (<0.1%)
Osvaldo Cruz	54 (<0.1%)
Penha Circular	54 (<0.1%)
Cacuia	51 (<0.1%)
Catumbi	51 (<0.1%)
Moneró	51 (<0.1%)
Paciência	51 (<0.1%)
Vicente de Carvalho	50 (<0.1%)
Anchieta	45 (<0.1%)
Inhaúma	45 (<0.1%)
Pilares	45 (<0.1%)
Santíssimo	42 (<0.1%)
Engenho da Rainha	41 (<0.1%)
Freguesia (Ilha)	41 (<0.1%)
Tomás Coelho	41 (<0.1%)
Senador Vasconcelos	40 (<0.1%)
Sepetiba	40 (<0.1%)
Pavuna	39 (<0.1%)
Magalhães Bastos	36 (<0.1%)
Jacaré	34 (<0.1%)
Ricardo de Albuquerque	34 (<0.1%)
Abolição	33 (<0.1%)
Parada de Lucas	33 (<0.1%)
Barros Filho	32 (<0.1%)
Cocotá	31 (<0.1%)
Galeão	31 (<0.1%)
Senador Camará	28 (<0.1%)
Cordovil	26 (<0.1%)
Inhoaíba	26 (<0.1%)
Água Santa	24 (<0.1%)
Pitangueiras	24 (<0.1%)
Praia da Bandeira	22 (<0.1%)
Complexo do Alemão	20 (<0.1%)
Vila Kosmos	19 (<0.1%)
Bancários	18 (<0.1%)
Grumari	18 (<0.1%)
Rocha Miranda	18 (<0.1%)
Coelho Neto	16 (<0.1%)
Colégio	16 (<0.1%)
Ribeira	16 (<0.1%)
Vaz Lobo	16 (<0.1%)
Vila Militar	16 (<0.1%)
Vigário Geral	14 (<0.1%)
Deodoro	12 (<0.1%)
Manguinhos	12 (<0.1%)
Engenheiro Leal	10 (<0.1%)
Caju	7 (<0.1%)
Honório Gurgel	7 (<0.1%)
Vista Alegre	7 (<0.1%)
Campo dos Afonsos	6 (<0.1%)
Cavalcanti	6 (<0.1%)
Gericinó	6 (<0.1%)
Parque Colúmbia	6 (<0.1%)
Jardim América	5 (<0.1%)
Maré	5 (<0.1%)
Cidade Universitária	3 (<0.1%)
¹ n (%)

Observa-se que a partir do 16º bairro, a proporção de anúncios cai para menos de 1%. Por isso, eles serão cortados da visualização do gráfico abaixo:

df |>
  filter(!is.na(neighbourhood_cleansed)) |>
  count(neighbourhood_cleansed, sort = TRUE) |>
  slice_head(n = 15) |>
  ggplot(aes(
    x = reorder(neighbourhood_cleansed, n),
    y = n,
    fill = neighbourhood_cleansed
  )) +
  geom_col() +
  coord_flip() +
  theme_minimal() +
  labs(
    x = "Bairro",
    y = "Frequência",
    title = "Distribuição dos bairros",
    subtitle = "Top 15 bairros com mais anúncios"
  ) +
  theme(legend.position = "none")

Mais de 20% dos anúncios de imóveis para locação são em Copacabana. Leblon, o metro quadrado mais caro do Rio de Janeiro há alguns anos, é o 7º bairro com mais anúncios, ficando com menos de 5% deles. A maior concentração de bairros com anúncios fica na zona sul da cidade, seguida pela zona oeste e pelo Centro.

Descrição estatística da variável property_type:

df |> 
  select(property_type) |> 
  mutate(property_type = fct_infreq(property_type)) |> 
  tbl_summary() |> 
  modify_header(label ~ "**Variável**") |>
  modify_spanning_header(all_stat_cols() ~ "**Proporção**") |>
  modify_caption("**Tabela 5. Proporção de tipos de construção**") |>
  bold_labels()

**Tabela 5. Proporção de tipos de construção**
Variável	Proporção
Variável	N = 213,510¹
property_type
Apartment	163,788 (77%)
House	21,495 (10%)
Condominium	12,563 (5.9%)
Loft	4,186 (2.0%)
Serviced apartment	3,986 (1.9%)
Guest suite	1,323 (0.6%)
Bed and breakfast	861 (0.4%)
Guesthouse	812 (0.4%)
Villa	660 (0.3%)
Hostel	651 (0.3%)
Hotel	621 (0.3%)
Other	480 (0.2%)
Townhouse	381 (0.2%)
Aparthotel	242 (0.1%)
Cottage	231 (0.1%)
Tiny house	226 (0.1%)
Earth house	183 (<0.1%)
Chalet	181 (<0.1%)
Boutique hotel	162 (<0.1%)
Boat	120 (<0.1%)
Cabin	60 (<0.1%)
Nature lodge	57 (<0.1%)
Bungalow	51 (<0.1%)
Casa particular (Cuba)	42 (<0.1%)
Island	29 (<0.1%)
Houseboat	15 (<0.1%)
Castle	12 (<0.1%)
Farm stay	12 (<0.1%)
Tent	12 (<0.1%)
Treehouse	12 (<0.1%)
Campsite	11 (<0.1%)
Dorm	10 (<0.1%)
Hut	10 (<0.1%)
Camper/RV	8 (<0.1%)
Barn	6 (<0.1%)
Yurt	6 (<0.1%)
Vacation home	4 (<0.1%)
Igloo	1 (<0.1%)
¹ n (%)

Observa-se que a partir do 5º tipo, as categorias passam a representar menos de 1% do total. Logo, a visualização abaixo será focada no top 5:

df |>
  filter(!is.na(property_type)) |>
  count(property_type, sort = TRUE) |>
  slice_head(n = 5) |>
  ggplot(aes(
    x = reorder(property_type, n),
    y = n,
    fill = property_type
  )) +
  geom_col() +
  coord_flip() +
  theme_minimal() +
  labs(
    x = "Tipo de construção",
    y = "Frequência",
    title = "Distribuição dos tipos de construção",
    subtitle = "Top 5 tipos de construção mais anunciados"
  ) +
  theme(legend.position = "none")

Observa-se que mais de 70% dos imóveis para locação são do tipo Apartment. A segunda categoria mais comum é House, seguido por Condominium. As demais categorias (Loft e Serviced apartment) representam apenas cerca de 4% das observações, mesmo somadas.

6 Análise Bivariada e Testes de Hipóteses

A análise bivariada e os testes de hipóteses serão realizados com base nas 4 variáveis consideradas de maior potencial explicativo para a variável de interesse (preço de aluguel):

A variável de capacidade de hóspedes (accommodates) foi escolhida para representar características estruturais do imóvel, permitindo avaliar a relação entre tamanho/capacidade e preço, o que possui interpretação econômica direta.
A variável de status de superhost (host_is_superhost) foi incluída por refletir aspectos de reputação do anfitrião, possibilitando investigar se fatores qualitativos influenciam o preço praticado.
A variável de bairro (neighbourhood_cleansed) foi selecionada por representar a localização do imóvel, um dos principais determinantes do valor no mercado imobiliário, permitindo analisar diferenças de preço entre regiões.
Por fim, a variável de mês (mes) foi utilizada para capturar possíveis efeitos sazonais ao longo do tempo, avaliando variações no preço associadas a períodos específicos (algo de extrema importância para turismo).

6.1 `Price` (numérica) x Categóricas

6.1.1 `Price` vs. `neighbourhood_cleansed`

Para analisar o impacto da localização no preço dos imóveis, foi realizada uma comparação entre os bairros com maior número de observações.

Hipóteses:

$H_0$: Não há diferença de preço entre bairros
$H_1$: Há diferença de preço entre pelo menos dois bairros

Analisando os top 15 bairros:

df |> 
  filter(neighbourhood_cleansed %in% top_bairros) |> 
  mutate(neighbourhood_cleansed = fct_reorder(neighbourhood_cleansed, price, .fun = median)) |> 
  ggplot(aes(x = neighbourhood_cleansed, y = price, fill = neighbourhood_cleansed)) +
  geom_boxplot(alpha = 0.75, outlier.alpha = 0.4, outlier.size = 1.2, width = 0.55, show.legend = FALSE) +
  stat_summary(fun = mean, geom = "point", shape = 18, size = 3, color = "#C04828", show.legend = FALSE) +
  scale_fill_manual(values = colorRampPalette(c("#B5D4F4", "#0C447C"))(15)) +
  scale_y_continuous(labels = dollar_format(prefix = "R$")) +
  coord_flip(ylim = c(0, 1000)) +
  labs(title = "Preço de aluguel nos 15 bairros com mais anúncios",
       subtitle = "Ordenado pela mediana | Losango vermelho = média",
       x = "Bairro",
       y = "Preço (Zoom até R$ 1000)") +
  theme_minimal(base_size = 12) +
  theme(plot.title = element_text(face = "bold"),
        panel.grid.minor = element_blank())

df |> 
  filter(neighbourhood_cleansed %in% top_bairros) |> 
  group_by(neighbourhood_cleansed) |> 
  summarise(
    n = n(),
    min = min(price, na.rm = TRUE),
    q1 = quantile(price, 0.25, na.rm = TRUE),
    mediana = median(price, na.rm = TRUE),
    q3 = quantile(price, 0.75, na.rm = TRUE),
    media = mean(price, na.rm = TRUE),
    max = max(price, na.rm = TRUE),
    dp = sd(price, na.rm = TRUE)
  ) |> 
  arrange(desc(mediana)) |> 
  mutate(
    across(c(min, q1, mediana, q3, media, max, dp),
           ~ dollar(., prefix = "R$"))
  ) |> 
  kbl(col.names = c("Bairro", "n", "Mínimo", "Q1", "Mediana", "Q3", "Média", "Máximo", "Desvio Padrão"),
      align = "lrrrrrrrr") |> 
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = TRUE)

Bairro	n	Mínimo	Q1	Mediana	Q3	Média	Máximo	Desvio Padrão
Lagoa	2416	R$49	R$238.75	R$498.50	R$1,097.50	R$1,018.11	R$31,402	R$2,025.27
Leblon	9764	R$48	R$288.00	R$451.00	R$852.00	R$864.45	R$25,002	R$1,472.80
Barra da Tijuca	23989	R$41	R$247.00	R$450.00	R$1,002.00	R$1,117.86	R$54,981	R$2,704.87
Jacarepaguá	12033	R$0	R$189.00	R$413.00	R$979.00	R$801.42	R$49,784	R$2,203.05
Ipanema	18385	R$30	R$237.00	R$399.00	R$789.00	R$790.46	R$45,697	R$1,729.51
Recreio dos Bandeirantes	10053	R$28	R$198.00	R$393.00	R$900.00	R$796.92	R$37,598	R$1,516.67
Leme	3722	R$38	R$173.25	R$298.00	R$550.75	R$604.23	R$35,002	R$1,842.64
Copacabana	55910	R$0	R$159.00	R$250.00	R$498.00	R$562.04	R$57,517	R$1,580.41
Botafogo	10476	R$37	R$130.00	R$220.00	R$449.00	R$435.19	R$35,002	R$1,276.05
Flamengo	5518	R$35	R$122.00	R$218.00	R$401.00	R$485.68	R$35,002	R$1,445.48
Laranjeiras	4278	R$37	R$121.00	R$218.00	R$478.00	R$480.65	R$54,981	R$1,862.18
Tijuca	4344	R$31	R$100.00	R$201.00	R$548.00	R$500.00	R$32,944	R$1,251.79
Santa Teresa	6920	R$35	R$101.00	R$179.00	R$327.00	R$550.04	R$55,315	R$2,328.70
Glória	2125	R$29	R$101.00	R$176.00	R$323.00	R$433.42	R$30,002	R$1,762.49
Centro	5922	R$30	R$100.00	R$151.00	R$298.00	R$425.81	R$25,000	R$1,306.30

Em primeira análise, pode-se supor que existe diferença entre os preços dos 15 bairros mais populares.

Teste para confirmar a diferença de valor:

df_top = df |>
  filter(neighbourhood_cleansed %in% top_bairros)

kruskal.test(price ~ neighbourhood_cleansed, data = df_top) |> 
  tidy() |> 
  gt()

statistic	p.value	parameter	method
18016.2	0	14	Kruskal-Wallis rank sum test

A análise da relação entre o preço dos imóveis e o bairro por meio do teste de Kruskal-Wallis indicou diferença estatisticamente significativa entre os bairros (p < 0,05), levando à rejeição da hipótese nula ($H_0$) em favor da hipótese alternativa ($H_1$), ou seja, há evidências de que pelo menos dois bairros apresentam diferenças nos preços dos imóveis.

Teste post hoc: analisar se os pares são diferentes estatisticamente

dunn_bairros = df_clean |> 
  filter(neighbourhood_cleansed %in% top_bairros) |> 
  dunn_test(price ~ neighbourhood_cleansed, p.adjust.method = "bonferroni") |> 
  filter(p.adj < 0.05) |> 
  select(group1, group2, statistic, p.adj) |> 
  mutate(
    statistic = round(statistic, 2), 
    p.adj = round(p.adj, 4)
  ) |> 
  arrange(p.adj)

dunn_bairros |> 
  kbl(col.names = c("Bairro 1", "Bairro 2", "Estatística Z", "p-valor ajustado"), caption = "Pares de bairros com diferença significativa (p Bonferroni < 0.05)", align = "llrr") |> 
  kable_styling(bootstrap_options = c("Stripped", "hover"), full_width = TRUE)

Pares de bairros com diferença significativa (p Bonferroni < 0.05)
Bairro 1	Bairro 2	Estatística Z	p-valor ajustado
Barra da Tijuca	Botafogo	-61.10	0.0000
Barra da Tijuca	Centro	-72.98	0.0000
Barra da Tijuca	Copacabana	-70.61	0.0000
Barra da Tijuca	Flamengo	-49.72	0.0000
Barra da Tijuca	Glória	-42.77	0.0000
Barra da Tijuca	Ipanema	-11.03	0.0000
Barra da Tijuca	Jacarepaguá	-15.52	0.0000
Barra da Tijuca	Laranjeiras	-41.97	0.0000
Barra da Tijuca	Leme	-24.26	0.0000
Barra da Tijuca	Recreio dos Bandeirantes	-14.97	0.0000
Barra da Tijuca	Santa Teresa	-70.03	0.0000
Barra da Tijuca	Tijuca	-44.91	0.0000
Botafogo	Centro	-21.12	0.0000
Botafogo	Copacabana	16.02	0.0000
Botafogo	Glória	-10.61	0.0000
Botafogo	Ipanema	49.63	0.0000
Botafogo	Jacarepaguá	40.57	0.0000
Botafogo	Lagoa	32.59	0.0000
Botafogo	Leblon	54.03	0.0000
Botafogo	Leme	15.10	0.0000
Botafogo	Recreio dos Bandeirantes	38.52	0.0000
Botafogo	Santa Teresa	-15.49	0.0000
Centro	Copacabana	37.61	0.0000
Centro	Flamengo	16.92	0.0000
Centro	Ipanema	63.64	0.0000
Centro	Jacarepaguá	55.79	0.0000
Centro	Lagoa	44.70	0.0000
Centro	Laranjeiras	18.06	0.0000
Centro	Leblon	66.99	0.0000
Centro	Leme	30.19	0.0000
Centro	Recreio dos Bandeirantes	53.79	0.0000
Centro	Santa Teresa	5.84	0.0000
Centro	Tijuca	15.94	0.0000
Copacabana	Flamengo	-13.98	0.0000
Copacabana	Glória	-19.14	0.0000
Copacabana	Ipanema	51.39	0.0000
Copacabana	Jacarepaguá	36.98	0.0000
Copacabana	Lagoa	27.19	0.0000
Copacabana	Laranjeiras	-9.55	0.0000
Copacabana	Leblon	53.75	0.0000
Copacabana	Leme	6.94	0.0000
Copacabana	Recreio dos Bandeirantes	33.89	0.0000
Copacabana	Santa Teresa	-32.21	0.0000
Copacabana	Tijuca	-12.42	0.0000
Flamengo	Glória	-8.84	0.0000
Flamengo	Ipanema	41.32	0.0000
Flamengo	Jacarepaguá	34.99	0.0000
Flamengo	Lagoa	31.25	0.0000
Flamengo	Leblon	46.72	0.0000
Flamengo	Leme	14.84	0.0000
Flamengo	Recreio dos Bandeirantes	33.69	0.0000
Flamengo	Santa Teresa	-11.81	0.0000
Glória	Ipanema	37.53	0.0000
Glória	Jacarepaguá	33.77	0.0000
Glória	Lagoa	33.22	0.0000
Glória	Laranjeiras	10.23	0.0000
Glória	Leblon	42.30	0.0000
Glória	Leme	19.88	0.0000
Glória	Recreio dos Bandeirantes	33.09	0.0000
Glória	Tijuca	8.59	0.0000
Ipanema	Jacarepaguá	-5.57	0.0000
Ipanema	Lagoa	5.92	0.0000
Ipanema	Laranjeiras	-34.66	0.0000
Ipanema	Leblon	12.19	0.0000
Ipanema	Leme	-17.77	0.0000
Ipanema	Recreio dos Bandeirantes	-5.62	0.0000
Ipanema	Santa Teresa	-60.09	0.0000
Ipanema	Tijuca	-37.49	0.0000
Jacarepaguá	Lagoa	8.68	0.0000
Jacarepaguá	Laranjeiras	-29.39	0.0000
Jacarepaguá	Leblon	16.00	0.0000
Jacarepaguá	Leme	-13.55	0.0000
Jacarepaguá	Santa Teresa	-51.84	0.0000
Jacarepaguá	Tijuca	-32.04	0.0000
Lagoa	Laranjeiras	-28.16	0.0000
Lagoa	Leme	-17.13	0.0000
Lagoa	Recreio dos Bandeirantes	-8.73	0.0000
Lagoa	Santa Teresa	-41.28	0.0000
Lagoa	Tijuca	-29.97	0.0000
Laranjeiras	Leblon	40.41	0.0000
Laranjeiras	Leme	12.00	0.0000
Laranjeiras	Recreio dos Bandeirantes	28.41	0.0000
Laranjeiras	Santa Teresa	-13.32	0.0000
Leblon	Leme	-24.50	0.0000
Leblon	Recreio dos Bandeirantes	-15.65	0.0000
Leblon	Santa Teresa	-63.64	0.0000
Leblon	Tijuca	-43.05	0.0000
Leme	Recreio dos Bandeirantes	13.01	0.0000
Leme	Santa Teresa	-25.98	0.0000
Leme	Tijuca	-14.02	0.0000
Recreio dos Bandeirantes	Santa Teresa	-49.79	0.0000
Recreio dos Bandeirantes	Tijuca	-30.99	0.0000
Santa Teresa	Tijuca	11.10	0.0000
Barra da Tijuca	Leblon	3.71	0.0221
Centro	Glória	3.60	0.0338

O teste de Dunn com ajuste de Bonferroni, para identificar quais pares de bairros diferem entre si, mostra diversas comparações com diferenças estatisticamente significativas, indicando que a variação de preços entre bairros é consistente e não se limita a casos isolados.

Tamanho do efeito: eta quadrado (primo do r)
- 0,01-<0.06 (pequeno),
- 0,06-<0,14 (moderado) e
- 0,14 (grande)

kruskal_effsize(price ~ neighbourhood_cleansed, data = df_top) |> 
  gt()

.y.	n	effsize	method	magnitude
price	175855	0.1023783	eta2[H]	moderate

Adicionalmente, o tamanho de efeito estimado (0,10) foi classificado como moderado, sugerindo que, embora a localização tenha impacto relevante sobre os preços, ela não é o único fator determinante. Assim, conclui-se que o bairro exerce influência significativa sobre o preço dos imóveis, mas outros fatores também contribuem para sua variação.

df |>
  filter(neighbourhood_cleansed %in% top_bairros) |>
  select(neighbourhood_cleansed, price) |> 
  tbl_summary(by = neighbourhood_cleansed) |> 
  add_p()

Characteristic	Barra da Tijuca N = 23,989¹	Botafogo N = 10,476¹	Centro N = 5,922¹	Copacabana N = 55,910¹	Flamengo N = 5,518¹	Glória N = 2,125¹	Ipanema N = 18,385¹	Jacarepaguá N = 12,033¹	Lagoa N = 2,416¹	Laranjeiras N = 4,278¹	Leblon N = 9,764¹	Leme N = 3,722¹	Recreio dos Bandeirantes N = 10,053¹	Santa Teresa N = 6,920¹	Tijuca N = 4,344¹	p-value²
price	450 (247, 1,002)	220 (130, 449)	151 (100, 298)	250 (159, 498)	218 (122, 401)	176 (101, 323)	399 (237, 789)	413 (189, 979)	499 (239, 1,098)	218 (121, 478)	451 (288, 852)	298 (173, 551)	393 (198, 900)	179 (101, 327)	201 (100, 548)	<0.001
¹ Median (Q1, Q3)
² Kruskal-Wallis rank sum test

6.1.2 `Price` vs. `mes`

Para investigar possíveis efeitos sazonais no preço dos imóveis, foi realizada uma análise bivariada entre o preço e o mês de referência.

Hipóteses:

$H_0$: Não há diferença de preço entre os meses
$H_1$: Há diferença de preço entre pelo menos dois meses

Transformando a variável em categórica para que possamos realizar as análises necessárias:

df = df |>
  mutate(mes_cat = factor(format(mes, "%Y-%m"), levels = sort(unique(format(mes, "%Y-%m")))))

Analisando os meses presentes na base:

df |> 
  ggplot(aes(x = mes_cat, y = price, fill = mes_cat)) +
  geom_boxplot(alpha = 0.75, outlier.alpha = 0.4, outlier.size = 1.2, width = 0.55, show.legend = FALSE) +
  stat_summary(fun = mean, geom = "point", shape = 18, size = 3, color = "#C04828", show.legend = FALSE) +
  scale_fill_manual(values = colorRampPalette(c("#B5D4F4", "#0C447C"))(6)) +
  scale_y_continuous(labels = dollar_format(prefix = "R$")) +
  coord_flip(ylim = c(0, 1000)) +
  labs(title = "Preço de aluguel ao longo dos meses",
       subtitle = "Ordenado pela mediana | Losango vermelho = média",
       x = "Mês",
       y = "Preço") +
  theme_minimal(base_size = 12) +
  theme(plot.title = element_text(face = "bold"),
        panel.grid.minor = element_blank())

df |> 
  group_by(mes_cat) |> 
  summarise(
    n = n(),
    min = min(price, na.rm = TRUE),
    q1 = quantile(price, 0.25, na.rm = TRUE),
    mediana = median(price, na.rm = TRUE),
    q3 = quantile(price, 0.75, na.rm = TRUE),
    media = mean(price, na.rm = TRUE),
    max = max(price, na.rm = TRUE),
    dp = sd(price, na.rm = TRUE)
  ) |> 
  arrange(desc(mediana)) |> 
  mutate(
    across(c(min, q1, mediana, q3, media, max, dp),
           ~ dollar(., prefix = "R$"))
  ) |> 
  kbl(col.names = c("Mês", "n", "Mínimo", "Q1", "Mediana", "Q3", "Média", "Máximo", "Desvio Padrão"),
      align = "lrrrrrrrr") |> 
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = TRUE)

Mês	n	Mínimo	Q1	Mediana	Q3	Média	Máximo	Desvio Padrão
2019-12	34551	R$0	R$155	R$299	R$601	R$655.39	R$42,940	R$1,703.17
2020-03	36085	R$0	R$157	R$299	R$599	R$683.30	R$52,763	R$1,922.40
2020-05	35791	R$0	R$159	R$299	R$649	R$787.94	R$57,517	R$2,227.33
2020-01	34754	R$0	R$155	R$298	R$600	R$645.69	R$41,966	R$1,674.25
2020-02	36460	R$0	R$158	R$298	R$632	R$686.07	R$46,085	R$1,854.19
2020-04	35869	R$0	R$158	R$298	R$632	R$750.03	R$55,296	R$2,119.42

Em primeira análise, pode-se afirmar que as medianas permanecem constantes ao longo do período analisado, com pequenas diferenças na dispersão. No entanto, as médias apresentam variações, sugerindo a presença de valores extremos em determinados períodos. Isso indica que, apesar do preço típico dos imóveis se manter estável, alguns meses concentram imóveis com preços mais elevados, aumentando a média.

Teste para confirmar a diferença de valor:

kruskal.test(price ~ mes_cat, data = df) |> 
  tidy() |> 
  gt()

statistic	p.value	parameter	method
21.74215	0.0005861063	5	Kruskal-Wallis rank sum test

A análise da relação entre o preço dos imóveis e o bairro por meio do teste de Kruskal-Wallis indicou diferença estatisticamente significativa entre os bairros (p < 0,05). Não é possível afirmar qual hipótese é a vencedora ainda, uma vez que o resultado do teste contraria o observado em primeira análise.

Teste post hoc: analisar se os pares são diferentes estatisticamente (mostrando somente os pares que são)

dunn_mes = df |>
 dunn_test(price ~ mes_cat, p.adjust.method = "bonferroni") |>
  filter(p.adj < 0.05) |>
  select(group1, group2, statistic, p.adj) |>
  mutate(
    statistic = round(statistic, 2),
    p.adj = round(p.adj, 4)
  ) |>
  arrange(p.adj)

dunn_mes |> 
  kbl(col.names = c("Mês 1", "Mês 2", "Estatística Z", "p-valor ajustado"), caption = "Pares de bairros com diferença significativa (p Bonferroni < 0.05)", align = "llrr") |> 
  kable_styling(bootstrap_options = c("Stripped", "hover"), full_width = TRUE)

Pares de bairros com diferença significativa (p Bonferroni < 0.05)
Mês 1	Mês 2	Estatística Z	p-valor ajustado
2020-01	2020-05	3.81	0.0021
2019-12	2020-05	3.15	0.0245
2020-01	2020-04	3.14	0.0257

O teste de Dunn com ajuste de Bonferroni identificou diferenças estatisticamente significativas entre alguns pares de meses. Em particular, observou-se que janeiro apresenta preços significativamente mais elevados em comparação a maio e abril, enquanto dezembro também apresenta preços superiores aos de maio. Esses resultados indicam que as diferenças ao longo do tempo são pontuais e concentradas em determinados meses, não caracterizando um padrão sazonal uniforme.

Tamanho do efeito: eta quadrado (primo do r)
- 0,01-<0.06 (pequeno),
- 0,06-<0,14 (moderado) e
- 0,14 (grande)

kruskal_effsize(price ~ mes_cat, data = df) |>
  gt()

.y.	n	effsize	method	magnitude
price	213510	7.84161e-05	eta2[H]	small

Embora o teste de Kruskal-Wallis tenha indicado diferença estatisticamente significativa entre os meses (p < 0,05), o tamanho de efeito estimado foi extremamente baixo (0,00008), sendo classificado como pequeno. Isso indica ausência de impacto relevante do período sobre os preços no período analisado.

Ressalta-se, contudo, que a análise foi realizada com base em um subconjunto temporal limitado (6 meses), o que pode restringir a identificação de padrões sazonais mais amplos.

df |>
  mutate(mes_cat = factor(format(mes, "%Y-%m"), levels = sort(unique(format(mes, "%Y-%m")))))|>
  select(mes_cat, price) |> 
  tbl_summary(by = mes_cat) |> 
  add_p()

Characteristic	2019-12 N = 34,551¹	2020-01 N = 34,754¹	2020-02 N = 36,460¹	2020-03 N = 36,085¹	2020-04 N = 35,869¹	2020-05 N = 35,791¹	p-value²
price	299 (155, 601)	298 (155, 600)	298 (158, 632)	299 (157, 599)	298 (158, 632)	299 (159, 649)	<0.001
¹ Median (Q1, Q3)
² Kruskal-Wallis rank sum test

6.1.3 `Price` vs. `host_is_superhost`

Para analisar se anfitriões superhosts possuem preços diferentes dos demais, foi realizada uma comparação entre os dois grupos.

Hipóteses:

$H_0$: Não há diferença de preço entre hosts e superhosts
$H_1$: Há diferença de preço entre hosts e superhosts

Analisando os dados:

df |> 
  ggplot(aes(y = host_is_superhost, x = price, fill = host_is_superhost)) +
  geom_violin(alpha = 0.5, color = NA, show.legend = FALSE) +
  geom_boxplot(width = 0.12, outlier.shape = NA, fill = "white", alpha = 0.8, show.legend = FALSE) +
  stat_summary(fun = mean, geom = "point", shape = 18, size = 3.5, color = "#C04824", show.legend = FALSE) +
  scale_x_continuous(labels = scales::dollar_format(prefix = "R$")) +
  coord_cartesian(xlim = c(0, 1000)) +
  labs(
    x = "Preço",
    y = "Tipo de anfitrião",
    title = "Distribuição dos preços por tipo de anfitrião",
    subtitle = "Zoom até R$1000 | Losango vermelho = média"
  ) +
  theme_minimal()

df |> 
  group_by(host_is_superhost) |> 
  summarise(
    n = n(),
    min = min(price, na.rm = TRUE),
    mediana = median(price, na.rm = TRUE),
    q1 = quantile(price, 0.25),
    q3 = quantile(price, 0.75),
    media = mean(price, na.rm = TRUE),
    max = max(price, na.rm = TRUE),
    dp = sd(price)
  ) |> 
  arrange(desc(mediana)) |> 
  mutate(
    across(c(min, max, mediana, media, dp, q1, q3),
           ~ dollar(., prefix = "R$"))
    ) |> 
    kbl(col.names = c("Anfitrião", "n", "Mínimo", "Mediana", "Q1", "Q3", "Média", "Máximo", "Desvio Padrão"),
        align = "lrrrrrrrr") |> 
  kable_styling(bootstrap_options = c("stripped", "hover"), full_width = TRUE)

Anfitrião	n	Mínimo	Mediana	Q1	Q3	Média	Máximo	Desvio Padrão
Host	186373	R$0	R$299	R$166	R$684	R$726.15	R$57,517	R$1,951.05
Superhost	27137	R$29	R$202	R$131	R$361	R$535.28	R$46,085	R$1,772.52

Em primeira análise, pode-se supor que os superhosts cobram menos (em média) do que os hosts comuns. A mediana de preço de hosts comuns (R$ 299, IQR = R$ 166-684) é cerca de 32% maior do que de superhosts (R$ 202, IQR = R$ 131-361). Também observa-se uma maior variabilidade de preço entre os hosts comuns.

Teste de normalidade da variável:

shapiro.test(sample(df$price, min(nrow(df), 5000))) |> 
  tidy() |> 
  gt()

statistic	p.value	method
0.2648087	1.047293e-88	Shapiro-Wilk normality test

OBS: Foi necessário fazer uma amostragem da base de dados, uma vez que o teste Shapiro-Wilk suporta no máximo 5000 observações.

Confirma-se que a variável price (preço) não é normal, como observado na análise univariada.

Tabela por grupo:

df |> 
  group_by(host_is_superhost) |> 
  summarise(
    n = n(),
    mediana = scales::dollar(median(price, na.rm = TRUE)),
    media = scales::dollar(mean(price, na.rm = TRUE)),
    dp = scales::dollar(sd(price, na.rm = TRUE)),
    q1 = scales::dollar(quantile(price, 0.25, na.rm = TRUE)),
    p_shapiro = shapiro.test(sample(price, min(n(), 4999)))$p.value
  ) |> 
  kbl(
    col.names = c("Grupo", "N", "Mediana", "Média", "DP", "Q1", "p-valor (Shapiro)"),
    align = "lrrrrrr"
  ) |> 
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = TRUE)

Grupo	N	Mediana	Média	DP	Q1	p-valor (Shapiro)
Host	186373	$299	$726.15	$1,951.05	$166	0
Superhost	27137	$202	$535.28	$1,772.52	$131	0

Testando as hipóteses:

wilcox.test(
  price ~ host_is_superhost,
  data = df
) |> 
  tidy() |> 
  gt()

statistic	p.value	method	alternative
3103251280	0	Wilcoxon rank sum test with continuity correction	two.sided

O teste de Wilcoxon indicou diferença estatisticamente significativa entre os preços de imóveis de superhosts e hosts comuns (p < 0,001), levando à suspeita de possível rejeição da hipótese nula.

Esse resultado sugere que o status de superhost está associado a variações nos preços dos imóveis.

Testando o tamanho do efeito:

rank_biserial(price ~ host_is_superhost, data = df) |> 
  tidy()

# A tibble: 4 × 13
  column     n  mean    sd median trimmed   mad   min   max range  skew kurtosis
  <chr>  <dbl> <dbl> <dbl>  <dbl>   <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>    <dbl>
1 r_ran…     1 0.227    NA  0.227   0.227     0 0.227 0.227     0   NaN      NaN
2 CI         1 0.95     NA  0.95    0.95      0 0.95  0.95      0   NaN      NaN
3 CI_low     1 0.220    NA  0.220   0.220     0 0.220 0.220     0   NaN      NaN
4 CI_hi…     1 0.234    NA  0.234   0.234     0 0.234 0.234     0   NaN      NaN
# ℹ 1 more variable: se <dbl>

levels(as.factor(df$host_is_superhost))

[1] "Host"      "Superhost"

O coeficiente rank biserial (r = 0,23) indicou um efeito de magnitude pequena a moderada, sugerindo que imóveis de hosts comuns tendem a apresentar preços mais elevados do que aqueles de superhosts. Apesar da significância estatística observada, a magnitude do efeito indica que essa diferença, embora consistente, não é substancial em termos práticos. Logo, a hipótese nula não foi rejeitada.

6.2 `Price` (numérica) x Numérica

6.2.1 `Price` vs. `accommodates`

Para analisar se imóveis com maior capacidade de hóspedes apresentam preços mais elevados, foi avaliada a relação entre o número de pessoas acomodadas e o preço.

Hipóteses:

$H_0$: Não há correlação entre o número de hóspedes acomodados e o preço (r = 0)
$H_1$: Há correlação entre o número de hóspedes acomodados e o preço (r > 0)

Analisando os dados:

p1 = df |>
  ggplot(aes(x = accommodates, y = price)) +
  geom_point(alpha = 0.25, color = "#185FA5", size = 1.2) +
  geom_smooth(method = "lm", se = FALSE, color = "#C04824", linewidth = 1, linetype = "solid") +
  scale_x_continuous(labels = comma) +
  scale_y_continuous(labels = scales::dollar_format(prefix = "R$")) +
  labs(title = "Capacidade de hóspedes x Preço",
       subtitle = "Vermelho = linear",
       x = "Número de hóspedes (accommodates)",
       y = "Preço") +
  theme_minimal() +
  theme(plot.title = element_text(face = "bold"))

p1

cor(df$accommodates, df$price, method = "pearson")

[1] 0.2464007

cor(df$accommodates, df$price, method = "spearman")

[1] 0.5191272

Segundo o coeficiente de Spearman, há uma correlação moderada (r = 0,51) entre o preço de aluguel e a quantidade de pessoas que o imóvel acomoda. Como observado pelo gráfico, trata-se de uma relação monotônica, não-linear. Por isso, optou-se pelo uso do coeficiente de Spearman para descrever sua força.

7 Conclusão

A análise exploratória da variável preço (price) evidenciou uma distribuição fortemente assimétrica à direita, com presença de outliers expressivos, indicando que poucos imóveis com valores muito elevados impactam significativamente a distribuição. Esse comportamento reforça a adequação do uso de medidas robustas, como mediana e intervalo interquartil, ao longo da análise.

Na análise bivariada, observou-se que o número de hóspedes que o imóvel comporta (accommodates) apresenta associação positiva com o preço, indicando que imóveis com maior capacidade tendem a ser mais caros. No entanto, o scatterplot evidenciou que essa relação não é estritamente linear, sugerindo que o aumento do preço não ocorre de forma constante conforme a capacidade cresce.

Além disso, a análise por bairros revelou diferenças relevantes nos preços dos imóveis, indicando variações espaciais importantes dentro da cidade do Rio de Janeiro. Essas diferenças refletem a heterogeneidade do mercado imobiliário local, em que determinadas regiões concentram imóveis com valores mais elevados.

De forma geral, os resultados mostram que o preço dos imóveis no Airbnb é influenciado principalmente pela capacidade de acomodação e pela localização, evidenciando que tanto características quantitativas quanto fatores espaciais desempenham papel central na definição dos valores.

8 App Shiny

Salvando a base de dados final:

df_modelo = df |> 
  select(price, neighbourhood_cleansed, mes_cat, host_is_superhost, accommodates)

saveRDS(df_modelo, "df_modelo.rds")

Link para o app: https://9ttrpl-anabella-sgarbi0pereira.shinyapps.io/PD_EDA/

9 RPubs

Link para este projeto no RPubs: https://rpubs.com/ana_sgarbi/pd_analise_exploratoria_de_dados

1 Carregando os pacotes

2 Carregando os dados

2.1 Descrição das bases de dados

3 Objetivo da análise

4 Limpeza dos dados

4.1 Construção de base única

4.2 Visão geral

4.3 Investigação inicial

4.3.1 Tipagem de variáveis

4.3.2 Tratamento de NAs

4.3.3 Tratamento de outliers

5 Análise Univariada

5.1 Variáveis numéricas

5.2 Variáveis categóricas

6 Análise Bivariada e Testes de Hipóteses

6.1 Price (numérica) x Categóricas

6.1.1 Price vs. neighbourhood_cleansed

6.1.2 Price vs. mes

6.1.3 Price vs. host_is_superhost

6.2 Price (numérica) x Numérica

6.2.1 Price vs. accommodates

7 Conclusão

8 App Shiny

9 RPubs

6.1 `Price` (numérica) x Categóricas

6.1.1 `Price` vs. `neighbourhood_cleansed`

6.1.2 `Price` vs. `mes`

6.1.3 `Price` vs. `host_is_superhost`

6.2 `Price` (numérica) x Numérica

6.2.1 `Price` vs. `accommodates`