Update src/streamlit_app.py

src/streamlit_app.py

@@ -530,13 +530,97 @@ if st.session_state.page == 'ANOVA':
                 - Para análise multivariada, prossiga para Regressão Linear Múltipla.
                 """)
 
+        # NOVO: Inserir campo para a análise fornecida dentro da seção ANOVA
+        st.header("🔎 Análise de Modelo e Recomendações Exemplo")
+        st.markdown("""
+Foram escolhidas 6 variáveis, incluindo variáveis contínuas e categóricas:
+
+**Contínuas**:
+- **grlivarea**: Área construída (acima do solo) em pés quadrados.
+- **overallqual**: Qualidade geral do imóvel (escala de 1 a 10).
+- **garagecars**: Capacidade da garagem (número de carros).
+
+**Categóricas (convertidas em dummies)**:
+- **neighborhood**: Bairro.
+- **area_faixa**: Faixas da área construída.
+
+📊 **Resultados do Modelo (Regressão Linear Múltipla)**:
+- **R² = 0,7535** → O modelo explica aproximadamente 75,35% da variabilidade do preço de venda dos imóveis, o que é considerado muito bom para dados econômicos/sociais.
+- **RMSE = 39.665** → Erro médio quadrático (desvio padrão dos erros).
+- **MAE = 27.558** → Erro médio absoluto — em média, o modelo erra cerca de 27 mil dólares por previsão.
+
+🏗️ **Coeficientes Estimados (Impacto das Variáveis)**:
+- **grlivarea = 52,32** → Cada aumento de 1 pé² na área construída eleva o preço em 52,32 dólares. Ex.: 100 pés² = +5.232 dólares.
+- **overallqual = 28.190** → Cada ponto a mais na qualidade geral do imóvel (1 a 10) aumenta o preço em 28.190 dólares. Impacto muito significativo.
+- **garagecars = 19.700** → Cada vaga adicional na garagem eleva o preço em 19.700 dólares.
+
+📏 **Análise dos Pressupostos**:
+1. **Linearidade**: ✅  
+   - O gráfico de resíduos vs valores ajustados não apresentou padrões severos, embora haja leve tendência nas caudas, o que é aceitável.
+
+2. **Normalidade dos resíduos**: ❌  
+   - Teste de Shapiro-Wilk: p < 0.0001 → Os resíduos não são normais.  
+   - Contudo, com amostras grandes (> 2000 observações), a normalidade dos resíduos não é um pressuposto crítico para a validade dos coeficientes (teorema central do limite). Impacta mais a construção de intervalos de confiança.
+
+3. **Homocedasticidade**: ❌  
+   - O teste de Levene nas ANOVAs sugere heterocedasticidade (variância dos resíduos não é constante).
+
+4. **Multicolinearidade**: ✅  
+   - VIF (Fator de Inflação da Variância) está baixo para as variáveis:
+     - grlivarea: 1,56  
+     - overallqual: 1,85  
+     - garagecars: 1,64  
+   - Sem risco de multicolinearidade.
+
+🔥 **Principais Insights**:
+- A variável de maior impacto absoluto é **overallqual** (qualidade geral).  
+  → Imóveis de melhor acabamento, materiais, design e estado de conservação são fortemente valorizados.
+
+- **Garagem** também tem peso elevado: cada vaga adicional vale quase 20 mil dólares.
+
+- A **área construída** tem impacto linear relevante: quanto maior o imóvel, maior o preço.
+
+- As variáveis de localização (**neighborhood**) e faixa de área (**area_faixa**) também são importantes, mas os coeficientes não foram mostrados diretamente na tabela (porque são muitas dummies). Sabemos, porém, que bairros premium têm preços bem mais altos.
+
+🔄 **Transformações Logarítmicas (Seriam Necessárias?)**:
+- Dado que há:  
+  - Não normalidade dos resíduos;  
+  - Heterocedasticidade;  
+- ➡️ Seria adequado testar um modelo log-log (`log(preço) ~ log(área) + outras`) para melhorar os pressupostos.
+
+- Vantagem do modelo log-log:  
+  - Os coeficientes passam a ser interpretados como variações percentuais.  
+  - Ex.: Um coeficiente de 0,15 indica que um aumento de 1% na área resulta em um aumento de 0,15% no preço.
+
+**Recomendações**:
+- Foque em imóveis com alta qualidade de construção.  
+  → A cada ponto a mais na qualidade, você valoriza o imóvel em quase 30 mil dólares.
+
+- Invista em melhorar vagas de garagem.  
+  → Acrescentar uma vaga pode agregar aproximadamente 20 mil dólares ao valor.
+
+- Área construída é importante, mas cresce de forma linear.  
+  → Estratégia: Ampliações moderadas são rentáveis até certo ponto.
+
+- Atenção à localização (**Neighborhood**).  
+  → Embora os coeficientes individuais não estejam visíveis no resumo, é sabido que bairros mais valorizados impactam fortemente o preço. Você deve usar essa informação para selecionar imóveis em regiões de maior demanda.
+
+- Para modelagem mais robusta:  
+  → Recomenda-se testar modelos logarítmicos que podem entregar previsões mais estáveis.
+
+- Cuidado com imóveis fora do padrão:  
+  → O modelo tem maiores erros nos extremos — imóveis muito caros ou muito baratos.
+
+📌 **Decisão com Confiança**:
+- Priorize imóveis bem construídos, em bairros consolidados, com boa metragem e pelo menos 2 vagas de garagem.  
+- Foque sua argumentação nesses atributos para justificar o preço do imóvel aos clientes.
+        """)
     else:
         if df_anova is None:
             st.warning("Aguardando carregamento dos dados ou verifique as URLs.")
         elif coluna_preco_anova is None:
             st.error(f"Coluna de preço não encontrada. Verifique as colunas: {todas_colunas_anova}")
 
-
 # --- Página REGRESSÃO ---
 elif st.session_state.page == 'REGRESSAO':
     st.title("🏠 Dashboard de Regressão Imobiliária")
@@ -705,5 +789,3 @@ elif st.session_state.page == 'REGRESSAO':
         else:
             if not colunas_categoricas_reg and not colunas_continuas_reg:
                 st.error("Nenhuma coluna adequada identificada para regressão.")
-
-