* setup version 15.0 capture log close set more off * open log log using Cap7Wooldridge.txt, text replace ****USO DE DUMMIES NA REG. LINAR MULTIPLA**** ***Regressão com uma Informação Qualitatiiva*** **Exemplo 7.1: Hourly Wage Equation** use "/Users/denisardalves/Desktop/EAE 324 2017/DATA SET/WAGE1.DTA", clear reg wage female educ exper tenure *Salário médio das mulheres* reg wage female *Usando o teste de restrições lineares nos coeficientes: lincom female + _cons ***Exemplo 7.2: Effects of Computer Ownership on College GPA use "/Users/denisardalves/Desktop/EAE 324 2017/DATA SET/gpa1.dta",clear reg colGPA PC hsGPA ACT reg colGPA PC ***Exemplo 7.3: Effects of Training Grants on Hours of Training in 1988. use "/Users/denisardalves/Desktop/EAE 324 2017/DATA SET/jtrain.dta", clear reg hrsemp grant lsales lemploy if year==1988 ***Exemplo 7.4: Housing Price Regression use "/Users/denisardalves/Desktop/EAE 324 2017/DATA SET/HPRICE1.DTA", clear reg lprice llotsize lsqrft bdrms colonial ***Example 7.5: Log Hourly Wage Equation use "/Users/denisardalves/Desktop/EAE 324 2017/DATA SET/WAGE1.DTA", clear reg lwage female educ exper expersq tenure tenursq ***Difference between woman's and man's wage*** di exp(_b[female]*1)-1 *Agora vamos criar interações entre variáveis, co exemploe seguinte, *tb usando expressõesw para se criar dummies **Exemplo 7.6: Log Hourly Wage Equation drop single male marrmale marrfem singfem *Formas de se criar Dummies no Stata gen male = 0 replace male = 1 if female==0 *Mas, missing values podem ocorer temos de cuidar deles: drop male gen male = 0 replace male = 1 if female==0 replace male = . if missing(female) *ou drop male gen male = female==1 if !missing(female) *ou drop male gen male = (!female) gen single = (~married) gen marrmale = (married & ~female) gen marrfem = (married & female) gen singfem = (female & ~married) gen singmale = (~female & ~married) reg lwage marrmale marrfem singfem educ exper expersq tenure tenursq *Difference in lwage between married and single women lincom singfem-marrfem reg lwage marrmale singmale singfem educ exper expersq tenure tenursq use "/Users/denisardalves/Desktop/EAE 324 2017/DATA SET/NEdata", clear *calculo da média da renda disponivel percapta de cada estado: mean dpipc, over(state) *Existem diferenças, mas serão significantes? * Segunda forma de se gerar dummies,agora grupos de dummies: tabulate state, generate(NE) regress dpipc NE2-NE6 *Exemplo com tabulate sysuse auto, clear describe sum rep78 * Um comando do Stata que faz a regressão com bloco de dummies é o areg, como vemos a seguir: areg price weight length, absorb(rep78) tabulate rep78, gen(rep78) reg price weight length rep782-rep785 test rep782 rep783 rep784 rep785 ** Regressão com Duas Variáveis Qualitativas** * Dados do National Longitudinal Survey use "/Users/denisardalves/Desktop/EAE 324 2017/DATA SET/nlsw88.dta", clear keep if !missing(wage+race+union) gen lwage=log(wage) sum wage race unio tenure tabulate race, generate(R) reg lwage R1 R2 union test R1 R2 *Supomos independência dos efeitos raça e sindicalização sobre lwage. * Mas, será? *Logo fazemos interação entre os efeitos: *lwage=b1+b2R1+b3R2 2+b4union+b5(R1xunion)+b6(R2xunion)+ u gen R1u=R1*union gen R2u=R2*union reg lwage R1 R2 union R1u R2u test R1u R2u * Quantitativo e qualitativo gen uTen=union*tenure reg lwage R1 R2 union tenure uTen ***MODELO LINEAR DE PTOBABILIDADE*** *Participação da Mulher no Mercado de Trabalho** use "/Users/denisardalves/Desktop/EAE 324 2017/DATA SET/MROZ.DTA", clear reg inlf nwifeinc educ exper expersq age kidslt6 kidsge6 use "/Users/denisardalves/Desktop/EAE 324 2017/DATA SET/WAGE1.DTA", clear reg wage female educ exper tenure reg wage female *Average wage for women lincom female+_cons *Example 7.2: Effects of Computer Ownership on College GPA use "/Users/denisardalves/Desktop/EAE 324 2017/DATA SET/gpa1.dta", clear reg colGPA PC hsGPA ACT *Example 7.3: Effects of Training Grants on Hours of Training in 1988 use "/Users/denisardalves/Desktop/EAE 324 2017/DATA SET/jtrain.dta", clear reg hrsemp grant lsales lemploy if year==1988 *Example 7.4: Housing Price Regression use "/Users/denisardalves/Desktop/EAE 324 2017/DATA SET/HPRICE1.DTA", clear reg lprice llotsize lsqrft bdrms colonial *Example 7.5: Log Hourly Wage Equation use "/Users/denisardalves/Desktop/EAE 324 2017/DATA SET/WAGE1.DTA", clear reg lwage female educ exper expersq tenure tenursq *Difference between woman's and man's wage di exp(_b[female]*1)-1 *Example 7.6: Log Hourly Wage Equation use "/Users/denisardalves/Desktop/EAE 324 2017/DATA SET/WAGE1.DTA", clear drop single male marrmale marrfem singfem gen male = (!female) gen single = (~married) gen marrmale = (married & ~female) gen marrfem = (married & female) gen singfem = (female & ~married) gen singmale = (~female & ~married) reg lwage marrmale marrfem singfem educ exper expersq tenure tenursq *Difference in lwage between married and single women lincom singfem-marrfem *Example 7.8: Effects of Law School Rankings on Starting Salaries use "/Users/denisardalves/Desktop/EAE 324 2017/DATA SET/lawsch85.dta", clear gen r61_100 = (rank>60 & rank<101) reg lsalary top10 r11_25 r26_40 r41_60 r61_100 LSAT GPA llibvol lcost *Diferença no salário inicial entre escolas "top 10"e ""below 100" di exp(_b[top10]*1)-1 reg lsalary rank LSAT GPA llibvol lcost *Example 7.10: Log Hourly Wage Equation use "/Users/denisardalves/Desktop/EAE 324 2017/DATA SET/WAGE1.DTA", clear gen femed = female*educ reg lwage female educ femed exper expersq tenure tenursq *Example 7.11: Effects of Race on Baseball Player Salaries use "/Users/denisardalves/Desktop/EAE 324 2017/DATA SET/mlb1.dta",clear reg lsalary years gamesyr bavg hrunsyr rbisyr runsyr fldperc allstar black hispan blckpb hispph *Diferença em lwage entre negros e brancos em cidades com 10% de blacks lincom _b[black]+_b[blckpb]*10 *Diferença em lwage entre negros e brancos em cidades com 20% de blacks lincom _b[black]+_b[blckpb]*20 *Porcentagem de hispanicos quando salários de hispanicos e brancos são iguais di _b[hispan]*-1/_b[hispph] *Example 7.12: A Linear Probability Model of Arrests use "/Users/denisardalves/Desktop/EAE 324 2017/DATA SET/crime1.dta", clear gen arr86=(~narr86) reg arr86 pcnv avgsen tottime ptime86 qemp86 * Impacto na probabilidade de ser preso se se pcnv aumentarv em .5 lincom _b[pcnv]*.5 *Impacto na probabilidade de ser preso se ptime86 aumentasse para 6 lincom _b[ptime86]*6 *Impacto na probabilidade de ser preso se ptime86 aumentasse para 12 lincom _b[_cons]- _b[ptime86]*12 *Impacto na probabilidade de ser preso se qemp86 aumentasse em 4 lincom _b[qemp86]*4 *Impacto de Dummies de raça na Probailiudade de ser preso reg arr86 pcnv avgsen tottime ptime86 qemp86 black hispan test black hispan *Teste LM de restrições reg arr86 pcnv avgsen tottime ptime86 qemp86 predict res1, residuals reg res1 pcnv avgsen tottime ptime86 qemp86 black hispan scalar LM = e(N)*e(r2) di LM scalar pvalue = chi2tail(2,LM) di pvalue /* Como a varável dependente arr86 não tem distribuição normal, o uso do teste de F é precario, pois a distribuição da estatística F, não é uma distribuição F, mas, pelo Teorema do Limite Central, o estimador OLS converge para uma distribuição assintótica normal, o teste de LM tem distribuição assintótica Chi2, e neste caso é ele que deve ser usado ao invés do teste de F para se testar as restrições impostas no modelo*/ log close