1 Introdução

Contextualização e Justificativa: Este relatório analisa o impacto do fluxo migratório e do poder de compra no crescimento dos preços de habitação nas regiões de Portugal durante o ano de 2023.

Do ponto de vista decisório, entender essas dinâmicas é fundamental para políticas públicas de habitação e planejamento urbano.

library(tidyverse)

2 Base de Dados

Origem e Variáveis: Os dados são reais e foram extraídos de fontes oficiais (INE), consolidados no GitHub. Utilizamos três variáveis principais: * Taxa de Crescimento do Preço da Habitação (1º ao 4º Tri de 2023). * Índice de Poder de Compra Regional. * Fluxo Migratório (2023)

url_migracao      <- "https://raw.githubusercontent.com/mavalente001/planilhasmetodos/main/migracao%20(1).csv"
url_poder_compra  <- "https://raw.githubusercontent.com/mavalente001/planilhasmetodos/main/poderdecompra2023.csv"
url_habitacao     <- "https://raw.githubusercontent.com/mavalente001/planilhasmetodos/main/mediahabitacao2%20(2).csv"

# Importação
df_migracao_bruto <- read_delim(url_migracao, delim = ",", quote = "\"", show_col_types = FALSE)
df_poder_bruto    <- read_delim(url_poder_compra, delim = ",", quote = "\"", show_col_types = FALSE)
df_hab_bruto      <- read_delim(url_habitacao, delim = ",", quote = "\"", show_col_types = FALSE)

# Tratamento, Limpeza e Unificação das Bases
df_migracao <- df_migracao_bruto %>% select(Local, `2023`) %>% filter(!is.na(Local)) %>%
  mutate(Local = str_trim(Local), Fluxo_Migratorio_2023 = as.numeric(str_replace(str_remove_all(as.character(`2023`), "\\."), ",", "."))) %>% select(Local, Fluxo_Migratorio_2023)

df_poder <- df_poder_bruto %>% select(Local, `2023`) %>% filter(!is.na(Local)) %>%
  mutate(Local = str_trim(Local), Poder_Compra_2023 = as.numeric(str_replace(str_remove_all(as.character(`2023`), "\\."), ",", "."))) %>% select(Local, Poder_Compra_2023)

df_habitacao <- df_hab_bruto %>% select(Local, `3Q_1T_2023`, `3Q_4T_2023`) %>% filter(!is.na(Local)) %>%
  mutate(Local = str_trim(Local),
         V1 = as.numeric(str_replace(str_remove_all(as.character(`3Q_1T_2023`), "\\."), ",", ".")),
         V4 = as.numeric(str_replace(str_remove_all(as.character(`3Q_4T_2023`), "\\."), ",", ".")),
         Crescimento_Preco_Pct = ((V4 - V1) / V1) * 100) %>% select(Local, Crescimento_Preco_Pct)

# Unificação
df_final <- df_migracao %>% inner_join(df_poder, by = "Local") %>% inner_join(df_habitacao, by = "Local")

3 Definição das Populações

Definimos duas populações de interesse com base no poder de compra nacional médio como valor de corte.

A comparação é relevante para entender se a pressão inflacionária imobiliária afeta assimetricamente regiões ricas versus regiões mais pobres.

valor_corte_portugal <- df_final %>% filter(Local == "Portugal") %>% pull(Poder_Compra_2023)
if(length(valor_corte_portugal) == 0) { valor_corte_portugal <- 100 }

df_analise_completa <- df_final %>%
  filter(Local != "Portugal" & Local != "Continente" & Local != "Norte") %>%
  filter(Crescimento_Preco_Pct < 100 & Crescimento_Preco_Pct > -90) %>%
  filter(!is.na(Crescimento_Preco_Pct)) %>%
  mutate(Grupo_Poder_Compra = ifelse(Poder_Compra_2023 >= valor_corte_portugal, "Alto Poder de Compra", "Baixo Poder de Compra"))

4 Problema de Pesquisa e Hipóteses

Pergunta: O aumento dos preços da habitação é estatisticamente diferente entre regiões de alto e baixo poder de compra? Existe correlação com a imigração?

Teste T para o Crescimento do Preço:

  • H0 (Nula): Não há diferença na média de crescimento do preço entre os grupos u Alto = u Baixo.

  • H1 (Alternativa): Há diferença significativa no crescimento médio entre os grupos u Alto (diferente de) u Baixo (Teste Bilateral).

5 Análise Estatística

5.1 Estatísticas Descritivas

# Resumo estatístico geral exigido pelo professor
summary(df_analise_completa %>% select(Crescimento_Preco_Pct, Fluxo_Migratorio_2023, Poder_Compra_2023))
##  Crescimento_Preco_Pct Fluxo_Migratorio_2023 Poder_Compra_2023
##  Min.   :-29.258       Min.   :-17.00        Min.   : 71.0    
##  1st Qu.: -3.464       1st Qu.: 62.25        1st Qu.:668.0    
##  Median :  4.217       Median : 99.00        Median :715.0    
##  Mean   :  5.395       Mean   :134.57        Mean   :671.4    
##  3rd Qu.: 12.261       3rd Qu.:180.75        3rd Qu.:773.0    
##  Max.   : 80.303       Max.   :903.00        Max.   :992.0

5.2 Distribuição Visual (Densidade)

ggplot(df_analise_completa, aes(x = Crescimento_Preco_Pct, fill = Grupo_Poder_Compra)) +
  geom_density(alpha = 0.5) +
  scale_fill_manual(values = c("Alto Poder de Compra" = "#2b8cbe", "Baixo Poder de Compra" = "#e34a33")) +
  labs(title = "Distribuição do Aumento dos Preços de Habitação por Poder de Compra", x = "Crescimento do Preço (%)", y = "Densidade", fill = "Grupo:") +
  theme_minimal() + theme(legend.position = "bottom")

5.3 Testes de Hipóteses (Teste T)

t.test(Crescimento_Preco_Pct ~ Grupo_Poder_Compra, data = df_analise_completa)
## 
##  Welch Two Sample t-test
## 
## data:  Crescimento_Preco_Pct by Grupo_Poder_Compra
## t = 0.95329, df = 11.759, p-value = 0.3596
## alternative hypothesis: true difference in means between group Alto Poder de Compra and group Baixo Poder de Compra is not equal to 0
## 95 percent confidence interval:
##  -6.728754 17.154613
## sample estimates:
##  mean in group Alto Poder de Compra mean in group Baixo Poder de Compra 
##                           5.8813401                           0.6684109
# Médias para apoio à decisão
df_analise_completa %>%
  group_by(Grupo_Poder_Compra) %>%
  summarise(N = n(), Media_Crescimento = mean(Crescimento_Preco_Pct), Media_Migracao = mean(Fluxo_Migratorio_2023, na.rm = TRUE))
## # A tibble: 2 × 4
##   Grupo_Poder_Compra        N Media_Crescimento Media_Migracao
##   <chr>                 <int>             <dbl>          <dbl>
## 1 Alto Poder de Compra    107             5.88            131.
## 2 Baixo Poder de Compra    11             0.668           169.

5.4 Correlações de Pearson

# 1. Imigração vs Crescimento do Preço
cor.test(df_analise_completa$Fluxo_Migratorio_2023, df_analise_completa$Crescimento_Preco_Pct)
## 
##  Pearson's product-moment correlation
## 
## data:  df_analise_completa$Fluxo_Migratorio_2023 and df_analise_completa$Crescimento_Preco_Pct
## t = 0.52098, df = 116, p-value = 0.6034
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  -0.1336107  0.2270916
## sample estimates:
##        cor 
## 0.04831554
# 2. Imigração vs Poder de Compra Local
cor.test(df_analise_completa$Fluxo_Migratorio_2023, df_analise_completa$Poder_Compra_2023)
## 
##  Pearson's product-moment correlation
## 
## data:  df_analise_completa$Fluxo_Migratorio_2023 and df_analise_completa$Poder_Compra_2023
## t = -0.31782, df = 116, p-value = 0.7512
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  -0.2091404  0.1520741
## sample estimates:
##        cor 
## -0.0294961

6 Resultados e Conclusão

Os resultados obtidos através da análise estatística permitem uma avaliação crítica sobre a relação entre as variáveis econômicas e a dinâmica imobiliária regional.

Decisão Estatística (Teste T): A análise do valor-p (p-value) resultante do teste t de Student é o fator determinante para a nossa tomada de decisão.

  • Se o p-value<0,05: Rejeitamos a hipótese nula (H0), concluindo que existe uma diferença estatisticamente significativa no crescimento dos preços entre regiões de alto e baixo poder de compra.
  • Se o p-value>0,05: Não há evidências estatísticas suficientes para afirmar que o poder de compra local influencia, por si só, a magnitude da variação de preços no período analisado.