Pablo Zavala · Avaliação de segurança de IA · Engenharia de pesquisa

O Que Movimenta o Preço de uma Casa em LA?

Um estudo de big data da University of Chicago Booth, em coautoria com Will Sigal, que precifica 3.804 casas unifamiliares do condado de Los Angeles a partir de atributos estruturais e de vizinhança, e então audita seu próprio resultado principal. Um ensemble empilhado ajustado alcança R-squared fora da amostra de 0,621 sob validação cruzada aleatória e cai para 0,431 quando a pontuação passa a blocos geográficos reservados; no espectro leave-one-region-out separado, a habilidade dos ensembles de árvore decai em direção a zero, enquanto o humilde modelo linear regularizado é o que melhor extrapola no espaço. O Double/Debiased ML com cross-fitting situa o prêmio costeiro direto perto de +29,8% por pé quadrado, enquanto o prêmio ingênuo de escola particular cai para um zero estatístico.

Entre cerca de dez modelos ajustados, o R-squared de CV aleatória, 0,621, cai para 0,431 sob validação por blocos espaciais, e um espectro leave-one-region-out leva a habilidade dos ensembles de árvore rumo a zero; o Double ML estima um prêmio costeiro direto de +29,8% (IC de 95% [0,16; 0,33] pontos logarítmicos) e reduz a diferença ingênua de escola particular para +0,7%.

Repositório público reproduzível + working paper

As leituras causais só se sustentam sob ignorabilidade, a estimativa costeira repousa sobre 100 casas tratadas, e termos de terceiros mantêm as linhas no nível de imóvel fora do repositório, de modo que uma reexecução completa parte da tabela limpa que o código de ingestão versionado reconstrói.

Papel: Trabalho de curso conjunto com Will Sigal: desenho, modelagem e redação compartilhados entre o pacote de análise e o working paper de 22 páginas.

Cartão de avaliação

Resultado principal

Amostra

3.804 imóveis unifamiliares em 152 cidades do condado de LA, uma única tabela de modelagem limpa

Avaliador

R-squared combinado fora da dobra, sob validação cruzada aleatória de 5 dobras, por blocos espaciais e leave-one-region-out; CV aninhada com varredura de ajuste e stacking

Resultado

Um ensemble empilhado ajustado lidera a CV aleatória com R-squared 0,621; os blocos espaciais reduzem seu escore para 0,431, enquanto o elastic net ajustado registra o melhor escore espacial, 0,448; no espectro leave-one-region-out, o modelo linear regularizado é o que melhor extrapola.

Limite

Um único condado e um único instantâneo de imóveis; os blocos espaciais aproximam a implantação real fora da região, mas não a reproduzem integralmente.

Auditoria causal

Amostra

Quatro tratamentos: costa a até meia milha (100 tratadas), escola particular a até 2 milhas, qualquer execução hipotecária a até 1 milha, distância em milhas

Avaliador

Double/Debiased ML com cross-fitting e nuisances estimadas por gradient boosting; bootstrap por blocos espaciais para IC de 95%; sensibilidade ao conjunto de controles

Resultado

Costa +29,8% (IC [0,16; 0,33] pontos logarítmicos); escola particular +0,7% (IC [-0,11; 0,11] pontos logarítmicos); execução hipotecária -7,0% (IC [-0,14; -0,01] pontos logarítmicos), lida como sugestiva; apenas com controles estruturais, o prêmio costeiro total chega a +79,4%.

Limite

Estimativas observacionais ajustadas para confundimento, causais somente sob ignorabilidade, dado o conjunto de controles.

Nível de evidência

Amostra

Repositório público com o working paper, figuras, tabelas, testes e CI

Avaliador

make all regenera cada figura e tabela offline; macros.tex, results.json e results_full.json vinculam o manuscrito à saída do pipeline

Resultado

Todo número citado nesta página aparece nos arquivos de resultados versionados, nas macros geradas, nas tabelas do artigo, no README ou no PDF do artigo hospedado.

Limite

As linhas no nível de imóvel permanecem retidas por termos de terceiros; reconstruir a tabela limpa exige as fontes brutas, além do código de ingestão versionado.

Afiliação

Amostra

University of Chicago Booth, BUSN 41201 (Big Data), maio de 2024

Avaliador

Página de rosto do working paper e README do repositório

Resultado

Trabalho de curso de pós-graduação, escrito em coautoria por Pablo Zavala e Will Sigal, seguindo o toolkit Business Data Science de Taddy.

Limite

Apostilas do curso, enunciados e o contexto de avaliação permanecem privados.

Página atualizada

Amostra

Julho de 2026

Avaliador

Registro de conteúdo do site

Resultado

Entrada redigida em 10 de julho de 2026 a partir do repositório público, de seus resultados versionados e do working paper.

Limite

Os números refletem as saídas versionadas do pipeline, e não uma nova reexecução.

Eixos de avaliação com amostra, avaliador, resultado e limite.

Eixo	Amostra	Avaliador	Resultado	Limite
Resultado principal	3.804 imóveis unifamiliares em 152 cidades do condado de LA, uma única tabela de modelagem limpa	R-squared combinado fora da dobra, sob validação cruzada aleatória de 5 dobras, por blocos espaciais e leave-one-region-out; CV aninhada com varredura de ajuste e stacking	Um ensemble empilhado ajustado lidera a CV aleatória com R-squared 0,621; os blocos espaciais reduzem seu escore para 0,431, enquanto o elastic net ajustado registra o melhor escore espacial, 0,448; no espectro leave-one-region-out, o modelo linear regularizado é o que melhor extrapola.	Um único condado e um único instantâneo de imóveis; os blocos espaciais aproximam a implantação real fora da região, mas não a reproduzem integralmente.
Auditoria causal	Quatro tratamentos: costa a até meia milha (100 tratadas), escola particular a até 2 milhas, qualquer execução hipotecária a até 1 milha, distância em milhas	Double/Debiased ML com cross-fitting e nuisances estimadas por gradient boosting; bootstrap por blocos espaciais para IC de 95%; sensibilidade ao conjunto de controles	Costa +29,8% (IC [0,16; 0,33] pontos logarítmicos); escola particular +0,7% (IC [-0,11; 0,11] pontos logarítmicos); execução hipotecária -7,0% (IC [-0,14; -0,01] pontos logarítmicos), lida como sugestiva; apenas com controles estruturais, o prêmio costeiro total chega a +79,4%.	Estimativas observacionais ajustadas para confundimento, causais somente sob ignorabilidade, dado o conjunto de controles.
Nível de evidência	Repositório público com o working paper, figuras, tabelas, testes e CI	make all regenera cada figura e tabela offline; macros.tex, results.json e results_full.json vinculam o manuscrito à saída do pipeline	Todo número citado nesta página aparece nos arquivos de resultados versionados, nas macros geradas, nas tabelas do artigo, no README ou no PDF do artigo hospedado.	As linhas no nível de imóvel permanecem retidas por termos de terceiros; reconstruir a tabela limpa exige as fontes brutas, além do código de ingestão versionado.
Afiliação	University of Chicago Booth, BUSN 41201 (Big Data), maio de 2024	Página de rosto do working paper e README do repositório	Trabalho de curso de pós-graduação, escrito em coautoria por Pablo Zavala e Will Sigal, seguindo o toolkit Business Data Science de Taddy.	Apostilas do curso, enunciados e o contexto de avaliação permanecem privados.
Página atualizada	Julho de 2026	Registro de conteúdo do site	Entrada redigida em 10 de julho de 2026 a partir do repositório público, de seus resultados versionados e do working paper.	Os números refletem as saídas versionadas do pipeline, e não uma nova reexecução.

Como inspecionar este trabalho

Um escore, três respostas

O artigo pontua seus modelos sob regimes que respondem a perguntas diferentes. A validação cruzada aleatória (R-squared 0,621 para o ensemble ajustado) precifica uma casa cujos vizinhos aparecem no treinamento; a validação por blocos espaciais (0,431) precifica uma região parcialmente reservada; e um espectro leave-one-region-out sobre o LASSO, o random forest e o XGBoost precifica partes genuinamente inéditas do condado, nas quais a habilidade dos ensembles de árvore decai em direção a zero. A diferença entre os regimes mede quanto do resultado principal repousa sobre interpolação.

Causalidade verificada contra associação

Cada afirmação causal aparece ao lado de sua contraparte ingênua. A diferença costeira bruta de 0,904 pontos logarítmicos encolhe para uma estimativa de Double ML de 0,261; a diferença bruta de escola particular de 0,442 encolhe para 0,007, com um intervalo que cruza o zero; e a associação de execução hipotecária inverte o sinal, passando de uma diferença bruta positiva para -7,0% após o ajuste, uma estimativa que o artigo interpreta como sugestiva porque o intervalo termina perto de zero.

Verificação do leitor

Com a tabela de modelagem limpa já em vigor (as linhas no nível de imóvel permanecem retidas sob termos de terceiros), make analysis reconstrói offline as figuras e tabelas de linha de base em cerca de dois minutos, make all regenera tudo, e os resultados versionados registram uma execução completa, somando ajuste e causalidade, de 21,9 minutos. Macros geradas vinculam cada número do manuscrito à saída do pipeline, os testes protegem os contratos de dados enquanto o CI executa a suíte de lógica pura, e a ficha de dados registra a proveniência de cada fonte retida, de modo que cada número citado remonta a código versionado.

Estudo de caso

Problema

O preço por pé quadrado varia diversas vezes dentro do condado de Los Angeles, muitas vezes numa distância de poucas milhas, e um único escore de validação cruzada infla o desempenho aparente de qualquer modelo em dados espaciais; o estudo, portanto, precisa de um protocolo de avaliação que separe estrutura transferível de interpolação entre vizinhos próximos.

Contexto

A tabela de análise reúne 3.804 imóveis unifamiliares em 152 cidades, cada um enriquecido por meio de junções espaciais com sete camadas de vizinhança: número de escolas, criminalidade violenta no nível de setor censitário, renda e densidade do censo, área de parques, restaurantes mais bem avaliados, registros de execução hipotecária de 2021 e distância até a costa. A variável-alvo, log do preço por pé quadrado, ameniza uma cauda direita pesada e permite que os coeficientes sejam lidos como efeitos percentuais aproximados.

Método

Uma varredura ajustada de cerca de dez modelos, coroada por um ensemble empilhado, pontua sobre previsões combinadas fora da dobra sob os regimes de 5 dobras aleatórias e blocos espaciais, enquanto um espectro leave-one-region-out separado estressa o trio não ajustado de LASSO, random forest e XGBoost. Uma regressão hedônica OLS com erros padrão robustos HC3, uma checagem de esparsidade por LASSO, e uma rodada de importância por permutação fora da amostra sobre o random forest cuidam da associação; o Double/Debiased ML com cross-fitting e bootstrap por blocos espaciais cuida do ajuste causal; Moran's I audita o agrupamento dos resíduos.

Resultado

O ensemble empilhado alcança R-squared 0,621 sob CV aleatória e 0,431 sob blocos espaciais; no espectro leave-one-region-out, o XGBoost cai para 0,007 com metade do condado reservada, enquanto o LASSO mantém 0,276. O Double ML situa o prêmio costeiro direto em +29,8% por pé quadrado (IC de 95% [0,16; 0,33] pontos logarítmicos) contra uma diferença ingênua de 0,904, reduz o prêmio de escola particular a um zero estatístico, e inverte a externalidade de execução hipotecária para -7,0%, uma leitura sugestiva, com um intervalo que termina perto de zero.

Limite

As estimativas causais permanecem observacionais, válidas apenas sob ignorabilidade, e o contraste costeiro repousa sobre 100 casas tratadas; os resíduos fora da amostra mantêm estrutura espacial (Moran's I 0,056 sob CV aleatória, 0,346 sob CV espacial), o que aponta para uma modelagem explícita de erro espacial como próximo passo.

Evidência

Com a tabela limpa já em vigor, o repositório público regenera cada figura e tabela offline por meio de make all, vincula os números do manuscrito por meio de macros geradas, e traz testes além de uma suíte de CI de lógica pura; a ficha de dados registra a proveniência e o licenciamento de cada fonte retida.

Resultados principais

• O R-squared de CV aleatória, 0,621, do ensemble empilhado ajustado, cai para 0,431 sob validação por blocos espaciais, e um espectro leave-one-region-out leva a habilidade dos ensembles de árvore rumo a zero
• O LASSO mantém R-squared fora da amostra de 0,276 com metade do condado reservada, enquanto o XGBoost cai para 0,007, de modo que o modelo linear regularizado é o que melhor extrapola
• O Double ML situa o prêmio costeiro direto em +29,8% por pé quadrado (IC de 95% [0,16; 0,33] pontos logarítmicos) contra uma diferença ingênua de 0,904 pontos logarítmicos, com uma leitura de prêmio total de +79,4% apenas sob controles estruturais
• O prêmio ingênuo de escola particular, de 0,442 pontos logarítmicos, cai para +0,7% (IC de 95% [-0,11; 0,11] pontos logarítmicos) após o ajuste para onde as escolas particulares se localizam
• Todo número do manuscrito se regenera offline a partir de uma única tabela limpa por meio de macros geradas, com testes e CI no repositório público

Métodos

• OLS hedônica (HC3-robusta)
• Checagem de esparsidade por LASSO
• CV aninhada com ajuste e stacking
• Validação cruzada por blocos espaciais
• Double/Debiased ML
• Bootstrap por blocos espaciais
• Diagnósticos de Moran's I