Capitulo 07 P03

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

Aula 21, Introdução à Econometria
Prof. Moisés A. Resende Filho
Capítulo 7, parte 03
17 de agosto de 2022
Moisés Resende Filho (ECO/UnB) MPL e APP 17/08/2022 1 / 33

1. O Modelo de Probabilidade Linear
O arquivo aula21.do, ao lado dos slides da aula 21 na página web do

curso, contém todos os comandos Stata utilizados nesta aula.
Qual o signi…cado da RLM quando y 2 f0, 1g, ou seja, quando a
variável dependente y é binária?
Consideremos p Pr(y = 1jx1 , ..., xk ) a probabilidade de sucesso ou
probabilidade do evento ocorrer e (1 p ) a probabilidade de
insucesso ou probabilidade do evento não ocorrer, tal que
y Bernoulli (p ) e, assim,
E (y jx1 , ..., xk ) = 1 p +0 (1 p )
|{z} | {z }
= p

O Modelo de Probabilidade Linear
Portanto, para y variável binária, a esperança de y condicional em

x1 , ..., xk é a própria probabilidade de sucesso,
E (y jx1 , ..., xk ) = Pr(y = 1jx1 , ..., xk ) (1)
Logo, sob RLM.1. y = β0 + β1 x1 + ... + βk xk + u e RLM.4.

E (u jx1 , ..., xk ) = 0,
E (y jx1 , ..., xk ) = β0 + β1 x1 + ... + βk xk
e, assim,
∆ Pr(yi = 1jx1 , ..., xk )
= βj , (2)
∆xj
ou seja, βj é variação da probabilidade de sucesso em resposta a
um aumento ceteris paribus ∆xj = 1 em xj .

O Modelo de Probabilidade Linear
Como sob RLM.1 e RLM.4 e y variável binária, a esperança de y

condicional em x1 , ..., xk é a própria probabilidade de sucesso, o
modelo
y = β0 + β1 x1 + ... + βk xk + u, y 2 f0, 1g
é chamado de modelo de probabilidade linear (MPL), tal que
quando estimado por MQO
yb = b
β0 + b
β1 x1 + ... + b
βk xk .
yb é a probabilidade estimada ou probabilidade prevista de

sucesso.
b
βj é a estimativa da variação da probabilidade de sucesso em resposta
a um aumento ceteris paribus ∆xj = 1 em xj .
Sob RLM.1 a RLM.4., mesmo se y 2 f0, 1g, os estimadores MQO do
MPL são não viesados e consistentes, como quando y 2 R.
1.1 Limitações do Modelo de Probabilidade Linear
As principais limitações do MPL são:
1. As probabilidades estimadas devem estar necessariamente no intervalo

zero e um,
0 b
β0 + b
β1 x1i + ... + b
βk xki 1, i = 1, .., n,
mas a regressão MQO não garante isto.

2. A hipótese RLM.6 u Normal é violada, uma vez que
y Bernoulli (p ).

Limitações do Modelo de Probabilidade Linear
3. O erro no MPL é heterocedástico por construção, pois, como
Var (y jx1 , ..., xk ) E (y 2 jx1 , ..., xk ) E (y jx1 , ..., xk )2

| {z } | {z }
= p 12 + (1 p ) 02 (p 1 + (1 p ) 0)2
= p p2
= p (1 p )
= ( β0 + β1 x1 + ... + βk xk ) (1 ( β0 + β1 x1 + ... + βk xk )),
somente se β1 = β2 = = βk = 0,
Var (u jx1 , ..., xk ) = Var (y jx1 , ..., xk ) = β0 (1 β0 ) é independente de
x1 , ..., xk , logo, homocedástico.

1.2. Exercício de Aplicação
Estamos interessados na probabilidade uma mulher casada estar
no mercado de trabalho.
Estimamos com os comandos Stata bcuse mroz, clear e reg inlf
nwifeinc educ exper expersq age kidslt6 kidsge6, cformat(%9.4f)
pformat(%5.4f) sformat(%8.3f),
. *Baixa o arquivo mroz.dta
. bcuse mroz, clear
. reg inlf nwifeinc educ exper expersq age kidslt6 kidsge6, cformat(%9.4f) pformat(%5.4f) sformat(%8.3f)
Source SS df MS Number of obs = 753

F(7, 745) = 38.22
Model 48.8080578 7 6.97257968 Prob > F = 0.0000
Residual 135.919698 745 .182442547 R-squared = 0.2642
Adj R-squared = 0.2573
Total 184.727756 752 .245648611 Root MSE = .42713
inlf Coef. Std. Err. t P>|t| [95% Conf. Interval]
nwifeinc -0.0034 0.0014 -2.351 0.0190 -0.0062 -0.0006

educ 0.0380 0.0074 5.151 0.0000 0.0235 0.0525
exper 0.0395 0.0057 6.962 0.0000 0.0284 0.0506
expersq -0.0006 0.0002 -3.227 0.0013 -0.0010 -0.0002
age -0.0161 0.0025 -6.476 0.0000 -0.0210 -0.0112
kidslt6 -0.2618 0.0335 -7.814 0.0000 -0.3276 -0.1960
kidsge6 0.0130 0.0132 0.986 0.3244 -0.0129 0.0389
_cons 0.5855 0.1542 3.798 0.0002 0.2828 0.8882

Exercício de Aplicação
Em que, em 1975: inlf é 1 se mulher casada trabalha fora, caso

contrário, zero, nwifeinc é a renda do marido, educ é anos de
escolaridade, age é a idade da mulher em anos, exper é experiência
em anos, kidslt6 é o número de …lhos com menos de 6 anos e kidsge6
é o número de …lhos com idade entre 6 e 18 anos.
Estimamos a probabilidade de 58, 55% para uma mulher casada com
nwifeinc = educ = exper = age = kidslt6 = kidsge6 = 0 estar
trabalhando fora de casa.
Estimamos uma redução de 26, 18% da probabilidade de uma mulher
casada trabalhar fora para cada …lho com menos de 6 anos .
No entanto, a probabilidade de uma mulher casada trabalhar fora não
se altera com um …lho entre 6 e 18 anos, p-valor = 0.3244.
Estimamos um aumento de 3, 8% da probabilidade de uma mulher
casada trabalhar fora por ano de estudo.

Para nwifeinc = 50, exper = 5, age = 30, kidslt6 = 1 e kidsge6 = 0,
d=
inlf 0, 146 + 0, 038educ
d = 0, 5, ou seja, a probabilidade
Por exemplo, para educ = 17, inlf
estimada é de 50% de uma mulher casada com tais características
trabalhar fora.
Fazendo 0, 146 + 0, 038educ = 0, encontramos que, se
educ < 3, 8421 anos, a probabilidade estimada é negativa. Como
pode?
Fazendo 0, 146 + 0, 038educ = 1, encontramos que, se
educ > 30, 158 anos, a probabilidade estimada é maior que um.
Como pode?


Como
. count if yhat < 0
16
.
. count if yhat > 1
17
.
. sum yhat
Variable Obs Mean Std. Dev. Min Max
yhat 753 .5683931 .2547633 -.3451103 1.127151 ,
observamos que 33 (= 16 + 17) das 753 estimativas de y (yhat) ou 4, 3%

dos yb estão fora do intervalo [0, 1], como também mostra o histograma no
próximo slide.

10
8
Percentagem, %
4 2
0 6
-.5 0 .5 1
Valores estimados de y

2. Análise e Avaliação de Políticas e Programas
Variáveis binárias também podem servir para indicar se um indivíduo

(empresa, consumidor, governo,...) recebeu ou não um tratamento
ou intervenção.
Um tratamento pode ser devido a um programa estabelecido
intencionalmente, como um treinamento para o mercado de trabalho,
uma transferência de renda, ...
Um tratamento também pode ser devido ao acaso, um experimento
natural ou quase-experimento, devido a acidentes naturais, como
secas e enchentes, guerras, mudança de regime político, .....

Análise e Avaliação de Políticas e Programas
Estamos interessados em encontrar o efeito ceteris paribus de um

programa ou tratamento com o modelo
y = β0 + δ0 d + u (3)
em que y é a variável resposta, como probabilidade de sucesso,

decisão de procurar emprego,...) e d recebe 1 se recebe o tratamento,
caso contrário, recebe zero.
A questão crucial no MRLM (3) é se RLM.4. E (u jd ) = 0 é válida.

Por exemplo, no MRLM (3), caracter ı́sticas individuais, como

esperteza, ansiedade, determinação, tenacidade, ... que afetam y ,
estão relegadas a u.
Contudo, caracter ı́sticas individuais também afetam preferências
individuais e, assim, as escolhas sobre participar ou não do
experimento ou programa, d.
Em suma, se
caracter ı́sticas individuais

. & ,
d ! y
como Cov (d, u ) 6= 0 devido a autoseleção (self-selection),

E (u jd ) 6= 0.

Se for viável designar os indivíduos aleatoriamente (é ético?) para

receber ou não tratamento, eliminamos autoseleção, tal que, agora
sob RLM.4. E (u jd ) = 0, temos que
E (y jd = 1) E (y jd = 0) = δ0 ,
o efeito esperado do tratamento.

Um tratamento administrado de forma aleatório elimina a
possibilidade de autoseleção.
É possível realizar ensaios randomizados (randomized trials) em
economia? Sim, pesquisadores realizam experimentos de campo,
fornecendo aleatoriamente livros didáticos para escolas, tratamento de
água para domicílios, transferência de renda e treinamento para
indivíduos, ....

É possível realizar ensaios randomizados em economia? Meio que

sim, há quase-experimentos ou experimentos naturais tal que
podemos alegar que indivíduos foram afetados de forma aleatória por
um evento.
O experimento natural de Jonh Snow (1855) é um bom exemplo.
Nesse caso, a natureza, não o pesquisador, administra aleatoriamente
o tratamento.
Muitas vezes, não é de fato viável, ético ou legal realizar ensaios
randomizados.
Ensaios randomizados, apesar de eliminarem autoseleção, ainda
podem apresentar limitações em assegurar RLM.4 devido à mudança
de hábito em resposta ao tratamento.

2.1. Ensaios Randomizados Pareados
Em um experimento ou ensaio randomizado pareado os participantes

são selecionados aleatoriamente e todos recebem tratamento em
t = 1, mas não em em t = 0.
A randomização torna impossível a autoseleção.
Como envolve duas observações dos mesmos indivíduos no tempo é,
por de…nição, um estudo longitudinal, formalizado com o modelo
yit = β0 + δ0 dit + uit , i = 1, 2, ..., n; t = 0, 1. (4)
em que y é a variável resposta e d recebe 1 no pós-tratamento

quando t = 1 e zero, no pré-tratamento, quando t = 0.
Poderíamos ainda incluir efeitos …xos individuais, mas seriam não
correlacionados com participação já que a seleção é aleatória.

Ensaios Randomizados Pareados
Sob RLM.4. E (u jd ) = 0,
E (y jd = 0) = β0 é a média de y no pré-tratamento
E (y jd = 1) = β0 + δ0 é a média de y no pós-tratamento
e, portanto,
E (y jd = 1) E (y jd = 0) = δ0 é o efeito do tratamento
1 A estimativa MQO b β0 é a média amostral de y no pré-tratamento ou

pré-intervenção; e
2 A estimativa MQO b δ0 é a diferença das médias amostrais de y no pós
e pré tratamento, a estimativa do efeito do tratamento nos
tratados (ETT), pois todos terão sido tratados.

Um exemplo de dados obtidos com um ensaio randomizado

pareado com quatro indivíduos é:
Indivíduo yit dit

1 y10 = 1 0
1 y11 = 2 1
2 y20 = 5 0
2 y21 = 8 1
3 y30 = 2 0
3 y31 = 2 1
4 y40 = 1 0
4 y41 = 8 1
b
β0 = (1 + 5 + 2 + 1)/4 = 2, 25 = y 0 e
b
δ0 = (2 + 8 + 2 + 8)/4 2, 25 = 5 2, 25 = y 1 y 0 = 2, 75, como,
de fato, estimamos a seguir com o Stata.
. reg y d, cformat(%9.2f) pformat(%5.2f) sformat(%8.2f)

F(1, 6) = 1.94
Model 15.125 1 15.125 Prob > F = 0.2130
Residual 46.75 6 7.79166667 R-squared = 0.2444
Total 61.875 7 8.83928571 Root MSE = 2.7914
y Coef. Std. Err. t P>|t| [95% Conf. Interval]
d 2.75 1.97 1.39 0.21 -2.08 7.58

_cons 2.25 1.40 1.61 0.16 -1.17 5.67
yb = 2, 25 + 2, 75 d
(1,40 ) (1,97 )

2.2. Efeito Placebo
Se indivíduos são selecionados aleatoriamente, a variável hábitos

individuais não afeta participação, d.
No entanto, hábitos afeta y e, assim, está no erro do modelo (4) e
pode ainda ser afetado por d tal que E (u jd = 0) 6= E (u jd = 1) e,
assim, E (u jd ) 6= 0, RLM.4 é violada. De fato. podemos ter
hábitos
% &
d ! y
Se Indivíduos mudam hábitos em resposta ao tratamento (se d

! hábitos, hábitos é um mediador, vide Pearl, Judea. 2018. Book
of Why, páginas153, 157, 276 e 375).
O efeito do programa na probabilidade de encontrar emprego pode
também ser via mudança de hábitos (efeito placebo) e somente via
efeito direto do programa, d ! y .
Efeito Placebo
O efeito placebo (placebo e¤ect) é controverso, mas aparentemente

ocorre em ensaios clínicos (clinical trials), quando indivíduos do grupo
controle respondem a um tratamento ou intervenção …ctícia, como
tomar uma pílula com amido ou açúcar, quando o tratamento é tomar
uma pílula com uma droga.
Por exemplo, indivíduos podem passar a se exercitar mais em resposta
ao recebimento de um medicamento para diminuir o apetite,
indivíduos podem passar a procurar emprego com mais frequência
após passarem por um programa de treinamento, ....
Uma estratégia para eliminar o efeito placebo, como no caso de
mudança de hábito, é incluir um grupo controle, um grupo que não
recebe o tratamento mesmo após a administração do tratamento.

2.3. Modelo Diferença em Diferenças (DID)
Seleção aleatória dos indivíduos na amostra em t = 0, o que elimina

autoseleção, e tratamento aleatório em t = 1, o que torna possível
controlar para mudança de hábito com o modelo
yit = β0 + β Tit + β2 dit + β3 (Tit dit ) +uit , , i = 1, ..., n; t = 0, 1

| 1{z } | {z }
EF de tempo
(5)
em que y é a variável resposta, T recebe 1 no pós-tratamento
(t = 1) e zero no pré-tratamento (t = 0) e d recebe 1 se o indivíduo
é do grupo tratado e, se é do grupo controle, zero.
Poderíamos incluir efeitos …xos dos indivíduos, mas se a amostra e
tratamento são aleatórios, efeitos …xos são não correlacionados com
participação, d.

Modelo Diferença em Diferenças (DID)
Sob RLM.4, como

∂E (y jd ,T ) β1 , para grupo controle
= β1 + β3 d = , o modelo
∂T β1 + β3 , para grupo tratado
controla para mudança de hábito β1 6= 0.
Sob RLM.4, como
∂E (y jd ,T ) β2 , no pré-tratamento
= β2 + β3 T = , o modelo
∂d β2 + β3 , no pós-tratamento
controla para diferenças pré-existentes entre grupos β2 6= 0.
Se o ensaio é randomizado, esperamos β2 = 0.
Se β1 = β2 = 0, esperamos β3 = δ0 do modelo (4), um experimento
pareado seria tão bom quanto um não pareado.

Sob RLM.4, o efeito esperado do tratamento no grupo tratado é
E (y jd = 1, T = 1) E (y jd = 1, T = 0) =
= ( β0 + β1 + β2 + β3 ) ( β0 + β2 )
= β1 + β3
ou Efeito do Tratamento nos Tratados (ETT ).

Com o modelo (5) sob RLM.4, o efeito esperado do tratamento

no grupo controle ou não tratado é
E (y jd = 0, T = 1) E (y jd = 0, T = 0) =
= ( β0 + β1 ) β0
= β1 ,
o efeito placebo ou Efeito do Tratamento nos Não Tratados

(ETNT ), o qual esperaríamos que fosse zero.

O efeito diferença em diferenças (di¤erence in di¤erences - DID) é
ETT ETNT = ( β1 + β3 ) β1
= β3 ,
o Efeito do Tratamento (ET ).

Portanto, bβ3 é a estimativa MQO DID ou estimativa ETT líquido,
pois se trata da estimativa ETT líquido ou livre do efeito placebo.

Consideremos o seguinte exemplo em que os indivíduos 1 e 3 são grupo

tratado e os indivíduos 2 e 4 são grupo controle:
Indivíduo Tit dit Tit dit yit

1 0 1 0 y10 = 1
1 1 1 1 y11 = 2
2 0 0 0 y20 = 5
2 1 0 0 y21 = 8
3 0 1 0 y30 = 2
3 1 1 1 y31 = 2
4 0 0 0 y40 = 1
4 1 0 0 y41 = 8

Portanto:
b (y jd = 0, T = 0) = b
E β0 , a média da variável resposta nos não
tratados no pré-tratamento, é (5 + 1)/2 = 3 => b β0 = 3.
b (y jd = 0, T = 1) = b
E β0 + b β1 , a média da variável resposta nos não
tratados no pós-tratamento, é (8 + 8)/2 = 8 => b β = 8 3 = 5.
1
b (y jd = 1, T = 0) = b
E β0 + b
β2 , a média da variável resposta nos
tratados no pré-tratamento, é
(1 + 2)/2 = 1, 5 => b β2 = 1, 5 3 = 1, 5.
b (y jd = 1, T = 1) = b
E β0 + b
β1 + b β2 + b
β3 , a média da variável
resposta nos tratados no pós-tratamento, é
(2 + 2)/2 = 2 => b β3 = 2 (3 + 5 1, 5) = 4, 5.
Como, de fato, obtemos por MQO, vide saída do Stata no próximo
slide.

Diferença em Diferenças (DID)
. reg y T d Txd, cformat(%9.2f) pformat(%5.2f) sformat(%8.2f)

F(3, 4) = 8.37
Model 53.375 3 17.7916667 Prob > F = 0.0337
Residual 8.5 4 2.125 R-squared = 0.8626
Total 61.875 7 8.83928571 Root MSE = 1.4577
y Coef. Std. Err. t P>|t| [95% Conf. Interval]
T 5.00 1.46 3.43 0.03 0.95 9.05

d -1.50 1.46 -1.03 0.36 -5.55 2.55
Txd -4.50 2.06 -2.18 0.09 -10.22 1.22
_cons 3.00 1.03 2.91 0.04 0.14 5.86
ybit = 3 + 5Tit 1, 5dit 4, 5 (Tit dit )

Se y é pobreza do município em % e d recebe 1 se o município

participa do programa de transferência de renda.
b
β0 = 3 por cento é a pobreza média nos municípios do grupo
controle no pré-tratamento.
b
β1 = 5 pontos percentuais é a estimativa da variação na pobreza do
pré para o pós tratamento, efeito placebo ou ETNT .
Por exemplo, devido ao "…que em casa a economia a gente vê
depois", estimamos que a pobreza aumenta para 8 por cento no
grupo controle, pois 3 + 5 = 8, e para 6, 5 por cento no grupo
tratado se não tivesse recebido o tratamento (contrafactual),
pois 3 + 5 1, 5 = 6, 5.

Como b β2 = 1, 5, a estimativa da pobreza no grupo tratado é 1, 5

ponto percentual menor que no grupo controle, no pré-tratamento,
mas como é não signi…cante pelo teste t (p-valor de 0, 36),
consideramos que é zero, como o esperado para uma amostra
aleatória.
b
β1 + bβ3 = 0, 5 ponto percentual é a variação prevista na pobreza dos
tratados devido ao tratamento, ETT (efeito de d ! y = 4, 5+
d ! hábitos ! y = 5).
A pobreza teria aumentado 5 pontos percentuais (efeito placebo) sem
o programa, mas aumentou apenas 0, 5 ponto percentual nos
municípios tratados.
b
β3 = 4, 5 pontos percentuais é a estimativa da variação na pobreza
devido ao programa (ET ), efeito direto d ! y .

Capitulo 07 P03

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 P03

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) MPL e APP 17/08/2022 1 / 33

O arquivo aula21.do, ao lado dos slides da aula 21 na página web do

Moisés Resende Filho (ECO/UnB) MPL e APP 17/08/2022 2 / 33

Portanto, para y variável binária, a esperança de y condicional em

E (y jx1 , ..., xk ) = Pr(y = 1jx1 , ..., xk ) (1)

Logo, sob RLM.1. y = β0 + β1 x1 + ... + βk xk + u e RLM.4.

E (y jx1 , ..., xk ) = β0 + β1 x1 + ... + βk xk

Moisés Resende Filho (ECO/UnB) MPL e APP 17/08/2022 3 / 33

Como sob RLM.1 e RLM.4 e y variável binária, a esperança de y

yb é a probabilidade estimada ou probabilidade prevista de

As principais limitações do MPL são:

1. As probabilidades estimadas devem estar necessariamente no intervalo

mas a regressão MQO não garante isto.

Moisés Resende Filho (ECO/UnB) MPL e APP 17/08/2022 5 / 33

3. O erro no MPL é heterocedástico por construção, pois, como

Var (y jx1 , ..., xk ) E (y 2 jx1 , ..., xk ) E (y jx1 , ..., xk )2

Moisés Resende Filho (ECO/UnB) MPL e APP 17/08/2022 6 / 33

Source SS df MS Number of obs = 753

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

nwifeinc -0.0034 0.0014 -2.351 0.0190 -0.0062 -0.0006

Moisés Resende Filho (ECO/UnB) MPL e APP 17/08/2022 7 / 33

Em que, em 1975: inlf é 1 se mulher casada trabalha fora, caso

Moisés Resende Filho (ECO/UnB) MPL e APP 17/08/2022 8 / 33

Para nwifeinc = 50, exper = 5, age = 30, kidslt6 = 1 e kidsge6 = 0,

Moisés Resende Filho (ECO/UnB) MPL e APP 17/08/2022 9 / 33

Moisés Resende Filho (ECO/UnB) MPL e APP 17/08/2022 10 / 33

Variable Obs Mean Std. Dev. Min Max

yhat 753 .5683931 .2547633 -.3451103 1.127151 ,

observamos que 33 (= 16 + 17) das 753 estimativas de y (yhat) ou 4, 3%

Moisés Resende Filho (ECO/UnB) MPL e APP 17/08/2022 11 / 33

Moisés Resende Filho (ECO/UnB) MPL e APP 17/08/2022 12 / 33

Variáveis binárias também podem servir para indicar se um indivíduo

Moisés Resende Filho (ECO/UnB) MPL e APP 17/08/2022 13 / 33

Estamos interessados em encontrar o efeito ceteris paribus de um

em que y é a variável resposta, como probabilidade de sucesso,

Moisés Resende Filho (ECO/UnB) MPL e APP 17/08/2022 14 / 33

Por exemplo, no MRLM (3), caracter ı́sticas individuais, como

caracter ı́sticas individuais

como Cov (d, u ) 6= 0 devido a autoseleção (self-selection),

Moisés Resende Filho (ECO/UnB) MPL e APP 17/08/2022 15 / 33

Se for viável designar os indivíduos aleatoriamente (é ético?) para

o efeito esperado do tratamento.

Moisés Resende Filho (ECO/UnB) MPL e APP 17/08/2022 16 / 33

É possível realizar ensaios randomizados em economia? Meio que

Moisés Resende Filho (ECO/UnB) MPL e APP 17/08/2022 17 / 33

Em um experimento ou ensaio randomizado pareado os participantes

yit = β0 + δ0 dit + uit , i = 1, 2, ..., n; t = 0, 1. (4)

em que y é a variável resposta e d recebe 1 no pós-tratamento

Moisés Resende Filho (ECO/UnB) MPL e APP 17/08/2022 18 / 33

1 A estimativa MQO b β0 é a média amostral de y no pré-tratamento ou

Moisés Resende Filho (ECO/UnB) MPL e APP 17/08/2022 19 / 33

Um exemplo de dados obtidos com um ensaio randomizado

Indivíduo yit dit

. reg y d, cformat(%9.2f) pformat(%5.2f) sformat(%8.2f)

Source SS df MS Number of obs = 8

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

d 2.75 1.97 1.39 0.21 -2.08 7.58

Moisés Resende Filho (ECO/UnB) MPL e APP 17/08/2022 21 / 33

Se indivíduos são selecionados aleatoriamente, a variável hábitos

Se Indivíduos mudam hábitos em resposta ao tratamento (se d