Capitulo 07 P02

Regressão Linear Múltipla: Informações qualitativas e
variáveis binárias, dicotômicas ou dummy

Aula 20, Introdução à Econometria
Prof. Moisés A. Resende Filho
Capítulo 7, parte 02
12 de agosto de 2022
Moisés Resende Filho (ECO/UnB) RLM: variáveis dummy explicativas 12/08/2022 1 / 38

1. Categorias Múltiplas com Variáveis Dummy
Tomemos como ponto de partida o MRLM
lsalarioh = β0 + δ0 feminino + β1 educ +
+ β2 exper + β3 exper 2 + β4 perm + β5 perm2 + u (1)

em que lsalarioh é o logaritmo natural do salário-hora e feminino
recebe 1 se mulher, caso contrário, zero.
Todos os comandos Stata necessários para gerar os resultados nas
seções 1 e 2 desses slides estão no arquivo discriminasexo.do
disponível na página web do curso, ao lado dos slides da Aula 20.

Categorias Múltiplas com Variáveis Dummy
A estimativa MQO do modelo (1) com os dados em wage1 é

. reg lsalarioh feminino educ exper expersq perm permsq, cformat(%9.3f)pformat(%5.4f) sformat(%8.3f)
Source SS df MS Number of obs = 526

F(6, 519) = 68.18
Model 65.3791002 6 10.8965167 Prob > F = 0.0000
Residual 82.9506616 519 .159827864 R-squared = 0.4408
Adj R-squared = 0.4343
Total 148.329762 525 .28253288 Root MSE = .39978
lsalarioh Coef. Std. Err. t P>|t| [95% Conf. Interval]
feminino -0.297 0.036 -8.281 0.0000 -0.367 -0.226

educ 0.080 0.007 11.868 0.0000 0.067 0.093
exper 0.029 0.005 5.916 0.0000 0.020 0.039
expersq -0.001 0.000 -5.431 0.0000 -0.001 -0.000
perm 0.032 0.007 4.633 0.0000 0.018 0.045
permsq -0.001 0.000 -2.493 0.0130 -0.001 -0.000
_cons 0.417 0.099 4.212 0.0000 0.222 0.611
,
Portanto, estimamos que mulheres ganham 29, 7% ou, exatamente,

25, 70% (= 100(exp ( 0, 297 1) 1)) menos que homens.

Consideremos o estado civil dos indivíduos com a variável casado

que recebe 1 se o indivíduo é casado, caso contrário, zero.
Se admitimos que casados são mais produtivos, casado ! lsarioh,
(+)
então casado está no erro do modelo (1).
Ainda, se admitimos que mulheres casadas participam menos do
mercado de trabalho, casado ! feminino, tal que
( )
casado
. &
( ) (+)
feminino ! lsarioh
e, com isso, a hipótese crucial RLM.4.

E (u jfeminino, educ, exper , exper 2 , perm, perm2 ) = 0 é improvável
no MRLM (1).
Para contornar a endogeneidade de feminino no modelo (1) devido à

omissão de casado, utilizaremos o MRLM
lsalarioh = β0 + δ0 feminino + δ1 casado + β1 educ +
+ β2 exper + β3 exper 2 + β4 perm + β5 perm2 + u, (2)

no qual a categoria base ou de referência é homem não casado,
feminino = casado = 0.
Estimamos o modelo (2) com dados de wage1.

De fato, com o comando Stata corr lsalarioh casado, como

. corr lsalarioh casado
(obs=526)
lsalar~h casado
lsalarioh 1.0000
casado 0.2707 1.0000
d (lsalarioh, casado ) = 0.2707, casados ganham mais na amostra.

Corr
Ainda, com o comando Stata corr feminino casado, como
(obs=526)
feminino casado
feminino 1.0000
casado -0.1661 1.0000
d (feminino, casado ) = 0, 1661, mulheres casadas participam

Corr
menos do mercado de trabalho que homens casados na amostra.

A estimativa MQO do modelo (2) com os dados em wage1 é

. reg lsalarioh feminino casado educ exper expersq perm permsq, cformat(%9.3f)pformat(%5.4f) sformat(%8.3f)

F(7, 518) = 58.76
Model 65.6482315 7 9.37831878 Prob > F = 0.0000
Total 148.329762 525 .28253288 Root MSE = .39952
feminino -0.290 0.036 -8.036 0.0000 -0.361 -0.219

casado 0.053 0.041 1.299 0.1947 -0.027 0.133
educ 0.079 0.007 11.640 0.0000 0.066 0.093
exper 0.027 0.005 5.061 0.0000 0.016 0.037
expersq -0.001 0.000 -4.813 0.0000 -0.001 -0.000
perm 0.031 0.007 4.570 0.0000 0.018 0.045
permsq -0.001 0.000 -2.448 0.0147 -0.001 -0.000
_cons 0.418 0.099 4.226 0.0000 0.224 0.612
Portanto, estimamos que mulheres ganham 29, 0% ou, exatamente,

25, 17% (= 100(exp( 0, 290 1) 1)) menos que homens.

Assim, ao não controlarmos para casado, como j 0.297j > j 0.290j,

estaríamos superestimando a diferença salarial devido ao sexo.
A estimativa do prêmio do casamento é 5, 30% ou, exatamente,
5, 44% (= 100(exp(0, 053) 1)), e é estatisticamente signi…cante,
pois o p-valor do teste t de H0 : βcasado = 0 contra H0 : βcasado > 0 é
0.1947 2 = 0.097 < 10% de signi…cância.
Devemos manter casado no modelo?

2. Termo de Interação entre Variáveis Dummy
Questão - Na especi…cação (2) e sob RLM.4.

E (u jfeminino, casado, educ, exper , exper 2 , perm, perm2 ) = 0,
E (lsalarioh jfeminino = 1, casado =
1, educ, ...) E (lsalarioh jfeminino = 1, casado = 0, educ, ...) = δ1 e
E (lsalarioh jfeminino = 0, casado =
1, educ, ...) E (lsalarioh jfeminino = 0, casado = 0, educ, ...) = δ1 .
Ou seja, o prêmio do casamento δ1 é forçosamente igual para
homens e mulheres no modelo (2).
Como modi…car reespeci…car o modelo (2).de modo a permitir que o
prêmio do casamento possa ser diferente para homens e mulheres?

2.1. Flexibilizando o Prêmio do Casamento - Opção 1
Opção 1 - crie as seguintes variáveis de interação:
1 Homem solteiro: hsolteiro (1 feminino ) (1 casado )

2 Homem casado: hcasado = (1 feminino ) casado
3 Mulher solteiro: msolteira feminino (1 casado )
4 Mulher casada: mcasada feminino casado
Regra: se há g categorias, inclua apenas (g 1) dummies de

intercepto, evitando assim a armadilha da variável dummy.

Flexibilizando o Prêmio do Casamento - Opção 1
Em seguida,por exemplo, de…na hsolteiro como a categoria base e

adicione as três outras dummies ao modelo (1), obtendo a
especi…cação
lsalarioh = β0 + δ0 hcasado + δ1 mcasada + δ2 msolteira+
+ β1 educ + β2 exper + β3 exper 2 + β4 perm + β5 perm2 + u (3)

No MRLM (3):
O prêmio do casamento para mulheres é
E (lsalarioh jhcasado = 0, mcasada = 1, msolteira = 0, ...)
E (lsalarioh jhcasado = 0, mcasada = 0, msolteira = 1, ...) = δ1 δ2 .
O prêmio do casamento para homens é
E (lsalarioh jhcasado = 0, mcasada = 0, msolteira = 0, ...) = δ0 .

No MRLM (3):
A diferença salarial entre mulheres e homens casados é
E (lsalarioh jhcasado = 1, mcasada = 0, msolteira = 0, ...) = δ1 δ0 .
A diferença salarial entre mulheres e homens solteiros é
E (lsalarioh jhcasado = 0, mcasada = 0, msolteira = 0, ...) = δ2 .

. reg lsalarioh hcasado mcasada msolteira educ exper expersq perm permsq, cformat(%9.3f) pformat(%5.4f) sformat(%8.3
> f)

F(8, 517) = 55.25
Model 68.3617614 8 8.54522017 Prob > F = 0.0000
Total 148.329762 525 .28253288 Root MSE = .39329
hcasado 0.213 0.055 3.842 0.0001 0.104 0.321

mcasada -0.198 0.058 -3.428 0.0007 -0.312 -0.085
msolteira -0.110 0.056 -1.980 0.0483 -0.220 -0.001
educ 0.079 0.007 11.787 0.0000 0.066 0.092
exper 0.027 0.005 5.112 0.0000 0.017 0.037
expersq -0.001 0.000 -4.847 0.0000 -0.001 -0.000
perm 0.029 0.007 4.302 0.0000 0.016 0.042
permsq -0.001 0.000 -2.306 0.0215 -0.001 -0.000
_cons 0.321 0.100 3.213 0.0014 0.125 0.518

Estimamos que mulheres casadas recebem 19, 8% (= 100 b

δ1 )
menos que homens solteiros ou, exatamente, 17, 96%
(= 100 (exp( 0.198) 1)).
Estimamos que mulheres solteiras recebem 11% (= 100 b
δ2 )
menos que homens solteiros ou, exatamente, 10, 42%
(= 100 (exp( 0.110) 1)).
A estimativa do prêmio do casamento para mulheres é 8, 8%
(= 100 (b δ1 bδ2 ) ) ou, exatamente, 8, 42%
(= (exp( 0.198 ( 0.110)) 1) 100).
A estimativa do prêmio do casamento para homens é 21, 3%
(= 100 b δ0 ) ou, exatamente, 23, 74% (= (exp(0.213) 1) 100).

Testar se o prêmio do casamento é igual para homens e
mulheres, consiste em testar
H0 : ( δ 1 δ2 ) δ0 = 0
contra
H1 : ( δ 1 δ2 ) δ0 < 0.
Com o comando Stata lincom mcasada- msolteira- hcasado,
. lincom mcasada- msolteira- hcasado
( 1) - hcasado + mcasada - msolteira = 0
(1) -.3005931 .071767 -4.19 0.000 -.4415838 -.1596024
a estimativa de (δ1 δ2 ) δ0 é 30, 1% e, como o p-valor do teste

é zero, rejeitamos H0 em favor de H1 : o prêmio do casamento é
menor para mulheres. A estimativa exata de (δ1 δ2 ) δ0 é
25, 99%, = (exp( 0.301) 1) 100.
Testar se não há diferença salarial devido ao sexo no mercado de

trabalho, consiste em testar
H0 : (δ1 δ0 ) = δ2 = 0
contra
H1 : H0 é falsa.
Com o comando Stata test (mcasada - msolteira = 0) (hcasado = 0),
. test (mcasada - msolteira = 0) (hcasado = 0)
( 1) mcasada - msolteira = 0
( 2) hcasado = 0
F( 2, 517) = 9.64
Prob > F = 0.0001 ,
concluímos que há diferença salarial no mercado de trabalho

devido ao sexo.

2.2. Flexibilizando o Prêmio do Casamento - Opção 2
Opção 2 - no caso de duas variáveis dummy, a inclusão no MRLM de

um termo de interação das duas torna possível ao intercepto de uma
categoria variar segundo as categorias da outra variável dummy, como
em
lsalarioh = β0 + δ0 feminino + δ1 casado + δ2 (feminino casado ) +

2
+ β1 educ + β2 exper + β3 exper +
+ β4 perm + β5 perm2 + u (4)
com homem solteiro a categoria base ou de referência.

Sob RLM.4, se o termo de interação é entre duas variáveis dummy, os

interceptos podem diferir por categoria ou grupo, como no modelo
(4) em que:
∂E (lsalarioh j...)
= δ1 + δ2 feminino,
∂casado
mas se H0 : δ2 = 0 pelo teste t, o prêmio do casamento é o
mesmo para homens e mulheres; e
∂E (lsalarioh j...)
= δ0 + δ2 casado,
∂feminino
mas se H0 : δ0 = δ2 = 0 pelo teste F , não há diferença salarial no
mercado de trabalho devido ao sexo.
A diferença salarial entre mulheres e homens casados é δ0 + δ2 e,
entre mulheres e homens não casados, δ0 .

. reg lsalarioh c.feminino##c.casado educ exper expersq perm permsq, cformat(%9.3f) pformat(%5.4f) sformat(%8.3f)

F(8, 517) = 55.25
Model 68.3617614 8 8.54522017 Prob > F = 0.0000
Total 148.329762 525 .28253288 Root MSE = .39329
feminino -0.110 0.056 -1.980 0.0483 -0.220 -0.001

casado 0.213 0.055 3.842 0.0001 0.104 0.321
c.feminino#c.casado -0.301 0.072 -4.188 0.0000 -0.442 -0.160
educ 0.079 0.007 11.787 0.0000 0.066 0.092

exper 0.027 0.005 5.112 0.0000 0.017 0.037
expersq -0.001 0.000 -4.847 0.0000 -0.001 -0.000
perm 0.029 0.007 4.302 0.0000 0.016 0.042
permsq -0.001 0.000 -2.306 0.0215 -0.001 -0.000
_cons 0.321 0.100 3.213 0.0014 0.125 0.518
,
como o p-valor do teste de H0 : δ2 = 0 contra H1 : δ2 < 0 é

0, 0000 2 = 0, concluímos que o prêmio do casamento é 30, 1%
menor para mulheres, ou exatamente, 25, 99% menor,
= (exp( 0.301) 1) 100.
A estimativa do prêmio do casamento para homens é 21, 3%

(= 100 b δ1 ) ou, exatamente, 23, 74% (= (exp(0.213) 1) 100).
A estimativa do prêmio do casamento para mulheres é 8, 8%
(= 100 (b δ0 + b
δ2 ) ) ou, exatamente, 8, 42%
(=(exp(0.213 0.301) 1) 100).

. test (feminino = 0) (c.feminino#c.casado = 0)
( 1) feminino = 0
( 2) c.feminino#c.casado = 0
F( 2, 517) = 42.09
Prob > F = 0.0000
Como o p-valor do teste de H0 : δ0 = δ2 = 0 é 0, 0000 < 5%,

concluímos que há diferença salarial no mercado de trabalho
devido ao sexo.
A estimativa da diferença salarial entre mulheres e homens
casados é 41, 1% (= 100 (b δ0 + bδ2 ) ) ou, exatamente, 33, 70%
(=(exp( 0.11 0.301) 1) 100 = 33.70).
A estimativa da diferença salarial entre mulheres e homens não
casados é 11% (= 100 b δ0 ) ou, exatamente, 10, 42%
(=(exp( 0.11) 1) 100 = 10.42).
3. Termo de Interação com Variável Dummy
A inclusão de um termo de interação no MRLM permite que o efeito

marginal de uma variável dependa do nível da outra.
Logo, no caso do termo de interação ser de uma variável contínua e
uma variável dicotômica, o efeito marginal da variável contínua
passa a poder diferir segundo a categoria ou grupo da variável
dummy.
Por exemplo, se queremos permitir que além dos interceptos, os
efeitos marginais de escolaridade possam diferir entre as categorias
homens e mulheres, especi…camos
lsalarioh = ( β0 + δ0 feminino ) + ( β1 + δ1 feminino )educ + u

| {z } | {z }
Interceptos 6=s Inclinações 6=s

Termo de Interação com Variável Dummy
Assim, o MRLM a ser estimado por MQO é
lsalarioh = β0 + δ0 feminino + β1 educ + δ1 (feminino educ ) + u

(5)
em que, sob RLM.4:
1 Para homens, E (lsalarioh jfeminino = 0, educ ) = β0 + β1 educ; e

2 Para mulheres,
E (lsalarioh jfeminino = 1, educ ) = ( β0 + δ0 ) + ( β1 + δ1 ) educ.

1 Ainda, sob RLM.4., como
∂E (lsalarioh jfeminino, educ )

= β1 + δ1 feminino,
∂educ
se H0 : δ1 = 0 pelo teste t, o retorno da escolaridade é o mesmo
para homens e mulheres.
2 Ademais, sob RLM.4, como
∂E (lsalarioh jfeminino, educ )

= δ0 + δ1 educ,
∂feminino
se H0 : δ0 = δ1 = 0 pelo teste F , não há diferença salarial devido
ao sexo no mercado de trabalho.

salarioh = β0 + δ0 feminino + β1 educ + δ1 (feminino educ ) + u
tal que fazendo β0 + β1 educ = ( β0 + δ0 ) + ( β1 + δ1 ) educ, obtemos

educ = δδ10 na interseção na Figura 7.2.(b).
4. Incorporação de Informação Ordinal na RLM
Temos uma variável ordinal se a ordem dos seus possíveis resultados

traz informação (4 é melhor que 3, 3 é melhor que 2, ..., 1 é melhor
que zero), mas não a diferença. Por exemplo, não sabemos se a piora
de 4 para 3 é a mesma da mudança de 3 e 2,....
Suponha que quiséssemos estimar o efeito da qualidade da dívida dos
governos municipais (CR) nos juros dos títulos municipais (TTM).
A qualidade da dívida é classi…cada em uma escala ordinal
CR 2 f0, 1, 2, 3, 4g, em que 0 é a pior e 4 é a melhor.

Incorporação de Informação Ordinal na RLM
Uma possível especi…cação do modelo seria
TTM = β0 + β1 CR + outros fatores (6)
em que β1 mede a mudança percentual em TTM quanto CR

aumenta em uma unidade, ou seja, quando a dívida do governo sobe
para a classe imediatamente superior.
Limitação: como, sob RLM.4,
∂E (TTM jCR, ...)

= β1
∂CR
a especi…cação (6) impõe que o efeito ceteris paribus de CR em
TTM seja o mesmo em cada nível de CR.

Incorporação de Informação Ordinal na RLM
Já com a especi…cação
TTM = β0 + δ1 CR1 + δ2 CR2 + δ3 CR3 + δ4 CR4 + outros fatores (7)
em que CRj recebe 1 se CR = j, caso contrário, zero, com

j = 1, 2, ..., 4:
1 Sob RLM.4,
∆E (TTM jCR1 , ...)
= δj , j = 1, ..., 4,
∆CRj
é o efeito esperado em TTM em resposta a uma mudança ceteris

paribus de CR = 0 (categoria base) para CR = j; e
2 Com um teste F , testamos H0 : δ2 = 2δ1 , δ3 = 3δ1 , δ4 = 4δ1 (o
modelo restrito (6) é preferível) contra H1 : o modelo irrestrito (7) é
preferível.
5. Testando Diferenças da Função de Regressão entre
Grupos
Objetivo: testar se duas populações ou grupos têm a mesma função
de regressão.
Veremos três maneiras equivalentes de realizar o teste.
Como exemplo, consideremos o modelo restrito
aumfGPA = β0 + β1 SAT + β2 emperc + β3 tothrs + u (8)
em que aumfGPA é a nota média …nal em curso superior, SAT é a

nota de ingresso no curso superior, emperc é o percentil de
classi…cação no curso médio (quanto menor o percentil melhor
colocado é o aluno) e tothrs é o total de horas do curso superior.
Os comandos Stata utilizados nos exemplos a seguir estão todos no
arquivo testedechow.do disponível na página web do curso que está
ao lado dos slides da aula 20.
Questão: o modelo é o mesmo para homens e mulheres?
Testando Diferenças da Regressão entre Grupos
Assim, o modelo irrestrito é
aumfGPA = β0 + δ0 feminino + β1 SAT + δ1 (feminino SAT ) +

+ β2 emperc + δ2 (feminino emperc ) + β3 tothrs +
+δ3 (tothrs feminino ) + u (9)
em que a variável feminino recebe um se o indivíduo é do sexo

feminino e zero, caso contrário.
Qual a categoria base deste modelo? feminino = 0, portanto, homem.

5.1. Teste F Direto
Com o Stata obtemos o teste F direto da hipótese conjunta

H0 : δ0 = δ1 = δ2 = δ3 = 0, vide comandos Stata em testchow.do na
página web do curso:
. test feminino femSAT fememperc femtothrs
( 1) feminino = 0
( 2) femSAT = 0
( 3) fememperc = 0
( 4) femtothrs = 0
F( 4, 358) = 8.18
Prob > F = 0.0000
A variável dummy feminino e suas interações são conjuntamente

signi…cantes ou o modelo é diferente para homens e para mulheres.

5.2. Teste F Indireto
A hipótese de que o modelo é o mesmo para homens e mulheres ou

que o modelo restrito (8) é preferível é formalizada como
H0 : δ 0 = δ 1 = δ 2 = δ 3 = 0 (10)
contra
H1 : pelo menos um delta é diferente de zero,

o modelo irrestrito é preferível
A estatística deste teste F e a sua distribuição são
(Rir2 Rr2 )/(k + 1)

F = F(k +1 ),(n 2 (k +1 ))
(1 Rir2 )/(n 2(k + 1))
em que k é o número de variáveis no modelo restrito.

Teste F Indireto
Com a base gpa3.dta do Wooldridge as estimativas MQO do modelo
irrestrito, vide comandos Stata em testchow.do na página web do
curso:
F(7, 358) = 34.95
Model 53.5391809 7 7.64845442 Prob > F = 0.0000
Total 131.893686 365 .361352564 Root MSE = .46783
aumfGPA Coef. Std. Err. t P>|t| [95% Conf. Interval]
feminino -0.353 0.411 -0.861 0.3898 -1.161 0.454

sat 0.001 0.000 5.807 0.0000 0.001 0.001
femSAT 0.001 0.000 1.949 0.0521 -0.000 0.002
emperc -0.008 0.001 -6.167 0.0000 -0.011 -0.006
fememperc -0.001 0.003 -0.174 0.8621 -0.007 0.006
tothrs 0.002 0.001 2.718 0.0069 0.001 0.004
femtothrs -0.000 0.002 -0.071 0.9433 -0.003 0.003
_cons 1.481 0.207 7.142 0.0000 1.073 1.889
Nenhum variável envolvendo feminino é estatisticamente

individualmente signi…cante a 5%.
Teste F Indireto
As estimativas MQO do modelo restrito são:

F(3, 362) = 65.44
Model 46.3786195 3 15.4595398 Prob > F = 0.0000
Total 131.893686 365 .361352564 Root MSE = .48603
aumfGPA Coef. Std. Err. t P>|t| [95% Conf. Interval]
sat 0.001 0.000 7.191 0.0000 0.001 0.002

emperc -0.010 0.001 -8.000 0.0000 -0.012 -0.008
tothrs 0.002 0.001 3.102 0.0021 0.001 0.004
_cons 1.491 0.184 8.117 0.0000 1.130 1.852
(R 2 R 2 ) / (k +1 ) (0,4059 0,3516 )/4

No entanto, como F = (1 Rir2 )/(rn 2 (k +1 )) = (1 0,4059 )/358 =
ir
8, 18 > F5%;4,358 = 2, 40, rejeitamos H0 : δ0 = δ1 = δ2 = δ3 = 0 (o
modelo restrito é preferível) em favor do modelo irrestrito.
5.3. Teste de Chow
O teste de Chow é uma forma alternativa de se testar

H0 : δ0 = δ1 = δ2 = δ3 = 0.
Em homenagem ao professor Gregory Chow,
http://www.princeton.edu/~gchow/

Teste de Chow
Passo 1: estimamos, separadamente, para a categoria (no caso,
homens h e mulheres m) o modelo:
aumfGPA = β0 + β1 SAT + β2 emperc + β3 tothrs + u
obtendo SQRh , SQRm e a SQR do modelo irrestrito,
SQRir = SQRh + SQRm .
Passo 2: estimamos, usando os dados de todas as categorias juntas,
o modelo restrito
aumfGPA = β0 + β1 SAT + β2 emperc + β3 tothrs + u
obtendo a SQR do modelo restrito, SQRp .
Passo 3: calculamos a estatística do teste
(SQRp (SQRh + SQRm ))/(k + 1)
F = F(k +1 ),(n 2 (k +1 ))
(SQRh + SQRm ) /(n 2(k + 1))
e executamos o teste.
Teste de Chow
Com comandos Stata em testchow.do na página web do curso,
obtemos:
sqr_p = 85.515067
sqr_ir = 78.354505
gl_ir = 358
q = 4
Festatistica = 8.1791117
pvalor = 2.545e-06
Fcrit5 = 2.3968824
Rejeitamos, como antes H0 , concluindo que os modelos para mulheres

e homens são diferentes.
A limitação desta abordagem do teste de Chow é que se H0 for
rejeitada não será possível saber se foi devido a diferenças nos
interceptos, inclinações ou nos dois.
Portanto, a formulação do teste de Chow com o modelo (9) é
preferível, pois permite responder essas questões.

Capitulo 07 P02

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Capitulo 07 P02

Enviado por

Direitos autorais:

Formatos disponíveis

Regressão Linear Múltipla: Informações qualitativas e

variáveis binárias, dicotômicas ou dummy

Prof. Moisés A. Resende Filho

Moisés Resende Filho (ECO/UnB) RLM: variáveis dummy explicativas 12/08/2022 1 / 38

Tomemos como ponto de partida o MRLM

lsalarioh = β0 + δ0 feminino + β1 educ +

+ β2 exper + β3 exper 2 + β4 perm + β5 perm2 + u (1)

Moisés Resende Filho (ECO/UnB) RLM: variáveis dummy explicativas 12/08/2022 2 / 38

A estimativa MQO do modelo (1) com os dados em wage1 é

Source SS df MS Number of obs = 526

lsalarioh Coef. Std. Err. t P>|t| [95% Conf. Interval]

feminino -0.297 0.036 -8.281 0.0000 -0.367 -0.226

Portanto, estimamos que mulheres ganham 29, 7% ou, exatamente,

Moisés Resende Filho (ECO/UnB) RLM: variáveis dummy explicativas 12/08/2022 3 / 38

Consideremos o estado civil dos indivíduos com a variável casado

e, com isso, a hipótese crucial RLM.4.

Para contornar a endogeneidade de feminino no modelo (1) devido à

lsalarioh = β0 + δ0 feminino + δ1 casado + β1 educ +

+ β2 exper + β3 exper 2 + β4 perm + β5 perm2 + u, (2)

Moisés Resende Filho (ECO/UnB) RLM: variáveis dummy explicativas 12/08/2022 5 / 38

De fato, com o comando Stata corr lsalarioh casado, como

d (lsalarioh, casado ) = 0.2707, casados ganham mais na amostra.

d (feminino, casado ) = 0, 1661, mulheres casadas participam

Moisés Resende Filho (ECO/UnB) RLM: variáveis dummy explicativas 12/08/2022 6 / 38

A estimativa MQO do modelo (2) com os dados em wage1 é

Source SS df MS Number of obs = 526

lsalarioh Coef. Std. Err. t P>|t| [95% Conf. Interval]

feminino -0.290 0.036 -8.036 0.0000 -0.361 -0.219

Portanto, estimamos que mulheres ganham 29, 0% ou, exatamente,

Moisés Resende Filho (ECO/UnB) RLM: variáveis dummy explicativas 12/08/2022 7 / 38

Assim, ao não controlarmos para casado, como j 0.297j > j 0.290j,

Moisés Resende Filho (ECO/UnB) RLM: variáveis dummy explicativas 12/08/2022 8 / 38

Questão - Na especi…cação (2) e sob RLM.4.

Moisés Resende Filho (ECO/UnB) RLM: variáveis dummy explicativas 12/08/2022 9 / 38

Opção 1 - crie as seguintes variáveis de interação:

1 Homem solteiro: hsolteiro (1 feminino ) (1 casado )

Regra: se há g categorias, inclua apenas (g 1) dummies de

Moisés Resende Filho (ECO/UnB) RLM: variáveis dummy explicativas 12/08/2022 10 / 38

Em seguida,por exemplo, de…na hsolteiro como a categoria base e

lsalarioh = β0 + δ0 hcasado + δ1 mcasada + δ2 msolteira+

+ β1 educ + β2 exper + β3 exper 2 + β4 perm + β5 perm2 + u (3)

Moisés Resende Filho (ECO/UnB) RLM: variáveis dummy explicativas 12/08/2022 11 / 38

Moisés Resende Filho (ECO/UnB) RLM: variáveis dummy explicativas 12/08/2022 12 / 38

Moisés Resende Filho (ECO/UnB) RLM: variáveis dummy explicativas 12/08/2022 13 / 38

Source SS df MS Number of obs = 526

lsalarioh Coef. Std. Err. t P>|t| [95% Conf. Interval]

hcasado 0.213 0.055 3.842 0.0001 0.104 0.321

Moisés Resende Filho (ECO/UnB) RLM: variáveis dummy explicativas 12/08/2022 14 / 38

Estimamos que mulheres casadas recebem 19, 8% (= 100 b

Moisés Resende Filho (ECO/UnB) RLM: variáveis dummy explicativas 12/08/2022 15 / 38

( 1) - hcasado + mcasada - msolteira = 0

lsalarioh Coef. Std. Err. t P>|t| [95% Conf. Interval]

(1) -.3005931 .071767 -4.19 0.000 -.4415838 -.1596024

a estimativa de (δ1 δ2 ) δ0 é 30, 1% e, como o p-valor do teste

Testar se não há diferença salarial devido ao sexo no mercado de

concluímos que há diferença salarial no mercado de trabalho

Moisés Resende Filho (ECO/UnB) RLM: variáveis dummy explicativas 12/08/2022 17 / 38

Opção 2 - no caso de duas variáveis dummy, a inclusão no MRLM de

lsalarioh = β0 + δ0 feminino + δ1 casado + δ2 (feminino casado ) +

com homem solteiro a categoria base ou de referência.

Moisés Resende Filho (ECO/UnB) RLM: variáveis dummy explicativas 12/08/2022 18 / 38

Sob RLM.4, se o termo de interação é entre duas variáveis dummy, os

Moisés Resende Filho (ECO/UnB) RLM: variáveis dummy explicativas 12/08/2022 19 / 38