-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathTrabalho Macro.R
668 lines (617 loc) · 30.6 KB
/
Trabalho Macro.R
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
# Pacotes requeridos e Dados ----
library(stats)
library(readxl)
library("dplyr")
library("lmtest")
library("stargazer")
library('stringr')
library('sandwich')
library('car')
library('rstudioapi')
# Importando os dados coletados pela turma
# As duas funções abaixo fazem a mesma coisa
# A primeira escolhe por meio de dialógos
# Se já souber o caminho a segunda é mais rápida
# setwd(selectDirectory())
setwd("/home/pbnnr/Peu/Documentos/UFMG/Econometria I/Trabalho Conjunto/deb")
Turma <- read_excel("turma.xlsx")
# Tratando os Dados # ----
# Removendo Colunas não utilizadas na Regressão:
Turma <- select(Turma, -any_of('capital social'))
# Removendo a tabela de Dummies para corrigir depois das transformações
Turma <- select(Turma, -((ncol(Turma)-nrow(Turma)+1):ncol(Turma)))
# Removendo Linhas que constam N/As
Turma <- na.omit(Turma)
# Recriando tabela de dummies
dum_pais <- diag(nrow(Turma))
colnames(dum_pais) <- Turma$País
# Trocando todas as vírgulas por pontos para que o decimal seja padronizado
i <- c(3:ncol(Turma))
Turma[ ,i] <- apply(Turma[ ,i], 2, function(x) str_replace_all(x, ",", "."))
# Convertendo as dados da turma para númericos
Turma[ ,i] <- apply(Turma[ ,i], 2,function(x) as.numeric(x))
# Convertendo o nome das colunas para nomes convencionais
colnames(Turma)[colnames(Turma)
== "Trust (proxy de capital social)"] <- "trust"
colnames(Turma)[colnames(Turma)
== "Law $ Order"] <- "law"
colnames(Turma)[colnames(Turma)
== "inserção no mercado internacional"] <- "trade"
colnames(Turma)[colnames(Turma)
== "Taxa de Investimento"] <- "s"
colnames(Turma)[colnames(Turma)
== "Taxa de crescimento populacional Geométrica"] <- "n"
colnames(Turma)[colnames(Turma)
== "Escolaridade (anos médio de estudo)"] <- "escola"
colnames(Turma)[colnames(Turma)
== "Coeficiente de Gini"] <- "Gini"
# Regressões # ----
# Estabelecendo variáveis para as regressões com valores propostos por MRW
d <- 0.03
g <-0.02
# Regredindo
modelo <- lm(log(Turma$y) ~ log(Turma$s) + log(Turma$n+g+d))
# Conferindo Heteroscedasticidade
# Se a estatística p do Breusch-Pagan test for baixa
# significa que há heteroscedasticidade
bptest(modelo)
# Essas duas próximas funções demonstram a normalidade dos resíduos
qqnorm(residuals(modelo), main="Solow Clássico")
qqline(residuals(modelo))
# Uma forma mais apresentável de visualizar os resultados da regressão
# Essa função mostra tanto as estatísticas corrigidas pela heterocedasticidade
stargazer(modelo, coeftest(modelo, vcovHC(modelo, type = "HC0")),
type="text", out="default.htm",
covariate.labels=c("Intercepto", "log(s)","log(n+g+d)"),
dep.var.caption =c("log do PIB por trabalhador"),
dep.var.labels = c("OLS","Ajustado por White"),
model.names = FALSE,
intercept.bottom = FALSE,
single.row = TRUE,
title = "Solow Clássico")
# Repetindo os passos regredindo log y contra s, n e escolaridade
modelo_esc <- lm(log(Turma$y) ~ log(Turma$s) + log(Turma$n+g+d)
+ log(Turma$escola))
bptest(modelo_esc)
qqnorm(residuals(modelo_esc), main = "MRW")
qqline(residuals(modelo_esc))
stargazer(modelo_esc, coeftest(modelo_esc, vcovHC(modelo_esc, type = "HC0")),
type="text", out="default.htm",
covariate.labels=c("Intercepto", "log(s)","log(n+g+d)","Escolaridade"),
dep.var.caption =c("log do PIB por trabalhador"),
dep.var.labels = c("OLS","Ajustado por White"),
model.names = FALSE,
intercept.bottom = FALSE,
single.row = TRUE,
title = "MRW")
# Repetindo os passos regredindo log y contra as proxies todas
modelo_y <- lm(log(Turma$y) ~ Turma$trade +
Turma$trust +
Turma$Gini + Turma$Latitude + Turma$law)
bptest(modelo_y)
# stargazer(modelo_y, coeftest(modelo_y, vcovHC(modelo_y, type = "HC0")),
# type="text", out="default.htm",
# covariate.labels=c("Intercepto", "Inserção Internacional",
# "Índice de Confiança", "Índice de Gini",
# "Latitude",
# "Índice Law and Order"),
# dep.var.caption =c("log do PIB por trabalhador"),
# dep.var.labels = c("OLS","Ajustado por White"),
# model.names = FALSE,
# intercept.bottom = FALSE,
# single.row = TRUE,
# title = "PIB contra proxies",
# omit.table.layout = "#")
# Repetindo regressão das proxies contra log k
modelo_k <- lm(log(Turma$k) ~ Turma$trade +
Turma$trust +
Turma$Gini + Turma$Latitude + Turma$law)
bptest(modelo_k)
# stargazer(modelo_k, coeftest(modelo_k, vcovHC(modelo_k, type = "HC0")),
# type="text", out="default.htm",
# covariate.labels=c("Intercepto", "Inserção Internacional",
# "Índice de Confiança", "Índice de Gini",
# "Latitude",
# "Índice Law and Order"),
# dep.var.caption =c("log do Capital por trabalhador"),
# dep.var.labels = c("OLS","Ajustado por White"),
# intercept.bottom = FALSE,
# single.row = TRUE,
# title = "Capital contra proxies",
# model.names = FALSE,
# omit.table.layout = "#")
# Repetindo regressão das proxies contra log h
modelo_h <- lm(log(Turma$h) ~ Turma$trade +
Turma$trust +
Turma$Gini + Turma$Latitude + Turma$law)
bptest(modelo_h)
qqnorm(residuals(modelo_y), main = "PIB contra proxies")
qqline(residuals(modelo_y))
qqnorm(residuals(modelo_k), main = "Capital contra proxies")
qqline(residuals(modelo_k))
qqnorm(residuals(modelo_h), main = "Capital Humano contra proxies")
qqline(residuals(modelo_h))
# stargazer(modelo_h, coeftest(modelo_h, vcovHC(modelo_h, type = "HC0")),
# type="text", out="default.htm",
# covariate.labels=c("Intercepto", "Inserção Internacional",
# "Índice de Confiança", "Índice de Gini",
# "Latitude",
# "Índice Law and Order"),
# dep.var.caption =c("log do Capital Humano"),
# dep.var.labels = c("OLS","Ajustado por White"),
# intercept.bottom = FALSE,
# single.row = TRUE,
# title = "Capital Humano contra Proxies",
# model.names = FALSE,
# omit.table.layout = "#")
# Repetindo regressão das proxies contra log PTF
modelo_a <- lm(log(Turma$PTF) ~ Turma$trade +
Turma$trust +
Turma$Gini + Turma$Latitude + Turma$law)
bptest(modelo_a)
# stargazer(modelo_a, coeftest(modelo_a, vcovHC(modelo_a, type = "HC0")),
# type="text", out="default.htm",
# covariate.labels=c("Intercepto", "Inserção Internacional",
# "Índice de Confiança", "Índice de Gini",
# "Latitude",
# "Índice Law and Order"),
# dep.var.caption =c("log da PTF"),
# intercept.bottom = FALSE,
# single.row = TRUE,
# title = "PTF contra proxies",
# model.names = FALSE,
# omit.table.layout = "#")
# Gráficos de Normalidade dos Resíduos
par(mfrow=c(2,2))
qqnorm(residuals(modelo_y), main = "PIB contra proxies")
qqline(residuals(modelo_y))
qqnorm(residuals(modelo_k), main = "Capital contra proxies")
qqline(residuals(modelo_k))
qqnorm(residuals(modelo_h), main = "Capital Humano contra proxies")
qqline(residuals(modelo_h))
qqnorm(residuals(modelo_a), main = "PTF contra proxies")
qqline(residuals(modelo_a))
# Apresentando todos os gráficos em uma tabela só
# Primeiro pegando o número de coeficientes no modelo
row_count <- nrow(coeftest(modelo_y, vcovHC(modelo_y, type = "HC0")))
# Então atualizando a lista de coeficientes com os erros de White
erros <- list(coeftest(modelo_y, vcovHC(modelo_y,
type = "HC0"))[1:row_count,2])
erros <- c(erros, list(coeftest(modelo_k, vcovHC(modelo_k,
type = "HC0"))[1:row_count,2]))
erros <- c(erros, list(coeftest(modelo_h,vcovHC(modelo_h,
type = "HC0"))[1:row_count,2]))
erros <- c(erros, list(coeftest(modelo_a,vcovHC(modelo_a,
type = "HC0"))[1:row_count,2]))
stargazer(modelo_y,
modelo_k,
modelo_h,
modelo_a,
se = erros,
type="text", out="default.htm",
covariate.labels=c("Intercepto", "Inserção Internacional",
"Índice de Confiança", "Índice de Gini",
"Latitude",
"Índice Law and Order", "Dummy do País"),
dep.var.caption = c("Comparação regressão com proxies"),
dep.var.labels = c("Log Pib"),
column.labels = c("Log(y)", "Log(k)","Log(h)","Log(PTF)"),
model.names = FALSE,
intercept.bottom = FALSE,
single.row = FALSE,
no.space = TRUE,
title = "Diferentes Variáveis Dependentes",
omit.table.layout = "d#",
notes = c("Erros padrão Robustos de White"),
omit.stat = c("ser","f"))
# Repetindo os modelos com as dummies países específicos # ----
# Vetor de Dummies
# Lembre-se de colocar na Lista o(s) nome(s) do(s) seu(s) país(es)
# Igual está na tabela da turma
# Exemplo: Lista <- c('Japão')
# Exemplo 2: Lista <- c('Nigéria', 'Israel)
Lista <- c('Austrália','USA')
for(pais in Lista){
# Regredindo
assign(paste("modelo_dum_",pais, sep=""), lm(log(Turma$y) ~ log(Turma$s) + log(Turma$n+g+d)
+ dum_pais[ , pais]))
#Ajustando por Heteroscedasticidade
bptest(get(paste("modelo_dum_",pais, sep="")))
qqnorm(residuals(get(paste("modelo_dum_",pais, sep=""))), main = "Solow com dummy para país")
qqline(residuals(get(paste("modelo_dum_",pais, sep=""))))
# Uma forma mais apresentável de visualizar os resutlados da regressão
# stargazer(modelo_y, coeftest(get(paste("modelo_dum_",pais, sep="")), vcovHC(get(paste("modelo_dum_",pais, sep="")), type = "HC0")),
# type="text", out="default.htm",
# covariate.labels=c("Intercepto", "log(s)","log(n+g+d)", pais),
# dep.var.caption = paste("log do PIB por trabalhador", pais),
# dep.var.labels = c("OLS","Ajustado por White"),
# model.names = FALSE,
# intercept.bottom = FALSE,
# single.row = TRUE,
# title = "Solow com dummy para país")
# Repetindo os passos regredindo log y contra s, n e escolaridade
assign(paste("modelo_dum_esc",pais, sep=""), lm(log(Turma$y) ~ log(Turma$s) + log(Turma$n+g+d)
+ Turma$escola + dum_pais[ , pais]))
bptest(get(paste("modelo_dum_esc",pais, sep="")))
qqnorm(residuals(get(paste("modelo_dum_esc",pais, sep=""))), main = "MRW com dummy para país")
qqline(residuals(get(paste("modelo_dum_esc",pais, sep=""))))
# stargazer(get(paste("modelo_dum_esc",pais, sep="")),
# coeftest(get(paste("modelo_dum_esc",pais, sep="")), vcovHC(get(paste("modelo_dum_esc",pais, sep="")), type = "HC0")),
# type="text", out="default.htm",
# covariate.labels=c("Intercepto", "log(s)",
# "log(n+g+d)","Escolaridade", pais),
# dep.var.caption = paste("log do PIB por trabalhador", pais),
# dep.var.labels = c("OLS","Ajustado por White"),
# model.names = FALSE,
# intercept.bottom = FALSE,
# single.row = TRUE,
# title = "MRW com dummy para país")
# Repetindo os passos regredindo log y contra as proxies todas
assign(paste("modelo_dum_y",pais, sep=""), lm(log(Turma$k) ~ Turma$trade
+ Turma$trust + Turma$Gini
+ Turma$Latitude + Turma$law
+ dum_pais[ , pais]))
bptest(get(paste("modelo_dum_y",pais, sep="")))
qqnorm(residuals(get(paste("modelo_dum_y",pais, sep=""))), main = "Capital contra proxies e dummy")
qqline(residuals(get(paste("modelo_dum_y",pais, sep=""))))
# stargazer(get(paste("modelo_dum_y",pais, sep="")),
# coeftest(get(paste("modelo_dum_y",pais, sep="")), vcovHC(get(paste("modelo_dum_y",pais, sep="")), type = "HC0")),
# type="text", out="default.htm",
# covariate.labels=c("Intercepto", "Inserção Internacional",
# "Índice de Confiança", "Índice de Gini",
# "Latitude",
# "Índice Law and Order", pais),
# dep.var.caption = paste("Log do PIB por trabalhador", pais),
# dep.var.labels = c("OLS","Ajustado por White"),
# model.names = FALSE,
# intercept.bottom = FALSE,
# single.row = TRUE,
# title = "Pib contra proxies e dummy")
# Repetindo regressão das proxies contra log k
assign(paste("modelo_dum_k",pais, sep=""), lm(log(Turma$k) ~ Turma$trade
+ Turma$trust + Turma$Gini
+ Turma$Latitude + Turma$law
+ dum_pais[ , pais]))
bptest(get(paste("modelo_dum_k",pais, sep="")))
qqnorm(residuals(get(paste("modelo_dum_k",pais, sep=""))), main = "Capital contra proxies e dummy")
qqline(residuals(get(paste("modelo_dum_k",pais, sep=""))))
# stargazer(get(paste("modelo_dum_k",pais, sep="")),
# coeftest(get(paste("modelo_dum_k",pais, sep="")), vcovHC(get(paste("modelo_dum_k",pais, sep="")), type = "HC0")),
# type="text", out="default.htm",
# covariate.labels=c("Intercepto", "Inserção Internacional",
# "Índice de Confiança", "Índice de Gini",
# "Latitude",
# "Índice Law and Order", pais),
# dep.var.caption = paste("Log do Capital por trabalhador", pais),
# dep.var.labels = c("OLS","Ajustado por White"),
# model.names = FALSE,
# intercept.bottom = FALSE,
# single.row = TRUE,
# title = "Capital contra proxies e dummy")
# Repetindo regressão das proxies contra log h
assign(paste("modelo_dum_h",pais, sep=""), lm(log(Turma$h) ~ Turma$trade
+ Turma$trust + Turma$Gini
+ Turma$Latitude + Turma$law
+ dum_pais[ , pais]))
bptest(get(paste("modelo_dum_h",pais, sep="")))
qqnorm(residuals(get(paste("modelo_dum_h",pais, sep=""))), main = "Capital Humano contra proxies e dummy")
qqline(residuals(get(paste("modelo_dum_h",pais, sep=""))))
# stargazer(get(paste("modelo_dum_h",pais, sep="")),
# coeftest(get(paste("modelo_dum_h",pais, sep="")), vcovHC(get(paste("modelo_dum_h",pais, sep="")), type = "HC0")),
# type="text", out="default.htm",
# covariate.labels=c("Intercepto", "Inserção Internacional",
# "Índice de Confiança", "Índice de Gini",
# "Latitude",
# "Índice Law and Order", pais),
# dep.var.caption = paste("log do Capital Humano por trabalhador", pais),
# dep.var.labels = c("OLS","Ajustado por White"),
# model.names = FALSE,
# intercept.bottom = FALSE,
# single.row = TRUE,
# title = "Capital Humano contra proxies e dummy")
# Repetindo regressão das proxies contra log PTF
assign(paste("modelo_dum_a",pais, sep=""), lm(log(Turma$PTF) ~ Turma$trade
+ Turma$trust + Turma$Gini
+ Turma$Latitude + Turma$law
+ dum_pais[ , pais]))
bptest(get(paste("modelo_dum_a",pais, sep="")))
qqnorm(residuals(get(paste("modelo_dum_a",pais, sep=""))), main = "PTF contra proxies e dummy")
qqline(residuals(get(paste("modelo_dum_a",pais, sep=""))))
# stargazer(get(paste("modelo_dum_a",pais, sep="")),
# coeftest(get(paste("modelo_dum_a",pais, sep="")), vcovHC(get(paste("modelo_dum_a",pais, sep="")), type = "HC0")),
# type="text", out="default.htm",
# covariate.labels=c("Intercepto", "Inserção Internacional",
# "Índice de Confiança", "Índice de Gini",
# "Latitude",
# "Índice Law and Order", pais),
# dep.var.caption = paste("log da PTF", pais),
# dep.var.labels = c("OLS","Ajustado por White"),
# model.names = FALSE,
# intercept.bottom = FALSE,
# single.row = TRUE,
# title = "PTF contra proxies e dummy")
}
# Pegando os coeficientes dinâmicos para colocar tudo num atabela só
# Primeiro o erro padrão de White do modelo padrão sem dummies
row_count <- nrow(coeftest(modelo_y, vcovHC(modelo_y, type = "HC0")))
erros_dum <- list(coeftest(modelo_y, vcovHC(modelo_y, type = "HC0"))[1:row_count,2])
# Agora os erros padrão das dummies
for (i in 1:length(Lista)) {
row_count <- nrow(coeftest(get(paste("modelo_dum_y", Lista[i], sep="")),
vcovHC(get(paste("modelo_dum_y", Lista[i], sep="")),
type = "HC0")))
erros_dum <- c(erros_dum,
list(coeftest(get(paste("modelo_dum_y", Lista[i], sep="")),
vcovHC(get(paste("modelo_dum_y", Lista[i], sep="")),
type = "HC0"))[1:row_count,2]))
}
stargazer(modelo_y,
get(paste("modelo_dum_y", Lista[1], sep="")),
get(paste("modelo_dum_y", Lista[2], sep="")),
get(paste("modelo_dum_y", Lista[3], sep="")),
get(paste("modelo_dum_y", Lista[4], sep="")),
get(paste("modelo_dum_y", Lista[5], sep="")),
se = erros_dum,
type="text", out="default.htm",
covariate.labels=c("Intercepto", "Inserção Internacional",
"Índice de Confiança", "Índice de Gini",
"Latitude",
"Índice Law and Order", "Dummy do País"),
dep.var.caption = c("Comparação modelos Dummy"),
dep.var.labels = c("Log Pib"),
column.labels = c("Sem Dummy", Lista),
model.names = FALSE,
intercept.bottom = FALSE,
single.row = FALSE,
no.space = TRUE,
title = "Log(y) contra proxies e dummy",
omit.table.layout = "d#",
notes = c("Erros padrão Robustos de White"),
omit.stat = c("ser","f"))
row_count <- nrow(coeftest(modelo_k, vcovHC(modelo_k, type = "HC0")))
erros_dum <- list(coeftest(modelo_k, vcovHC(modelo_k, type = "HC0"))[1:row_count,2])
# Agora os erros padrão das dummies
for (i in 1:length(Lista)) {
row_count <- nrow(coeftest(get(paste("modelo_dum_k", Lista[i], sep="")),
vcovHC(get(paste("modelo_dum_k", Lista[i], sep="")),
type = "HC0")))
erros_dum <- c(erros_dum,
list(coeftest(get(paste("modelo_dum_k", Lista[i], sep="")),
vcovHC(get(paste("modelo_dum_k", Lista[i], sep="")),
type = "HC0"))[1:row_count,2]))
}
stargazer(modelo_k,
get(paste("modelo_dum_k", Lista[1], sep="")),
get(paste("modelo_dum_k", Lista[2], sep="")),
get(paste("modelo_dum_k", Lista[3], sep="")),
get(paste("modelo_dum_k", Lista[4], sep="")),
get(paste("modelo_dum_k", Lista[5], sep="")),
se = erros_dum,
type="text", out="default.htm",
covariate.labels=c("Intercepto", "Inserção Internacional",
"Índice de Confiança", "Índice de Gini",
"Latitude",
"Índice Law and Order", "Dummy do País"),
dep.var.caption = c("Comparação modelos Dummy"),
dep.var.labels = c("Log k"),
column.labels = c("Sem Dummy", Lista),
model.names = FALSE,
intercept.bottom = FALSE,
single.row = FALSE,
no.space = TRUE,
title = "Log(k) contra proxies e dummy",
omit.table.layout = "d#",
notes = c("Erros padrão Robustos de White"),
omit.stat = c("ser","f"))
row_count <- nrow(coeftest(modelo_h, vcovHC(modelo_h, type = "HC0")))
erros_dum <- list(coeftest(modelo_h, vcovHC(modelo_h, type = "HC0"))[1:row_count,2])
# Agora os erros padrão das dummies
for (i in 1:length(Lista)) {
row_count <- nrow(coeftest(get(paste("modelo_dum_h", Lista[i], sep="")),
vcovHC(get(paste("modelo_dum_h", Lista[i], sep="")),
type = "HC0")))
erros_dum <- c(erros_dum,
list(coeftest(get(paste("modelo_dum_h", Lista[i], sep="")),
vcovHC(get(paste("modelo_dum_h", Lista[i], sep="")),
type = "HC0"))[1:row_count,2]))
}
stargazer(modelo_h,
get(paste("modelo_dum_h", Lista[1], sep="")),
get(paste("modelo_dum_h", Lista[2], sep="")),
get(paste("modelo_dum_h", Lista[3], sep="")),
get(paste("modelo_dum_h", Lista[4], sep="")),
get(paste("modelo_dum_h", Lista[5], sep="")),
se = erros_dum,
type="text", out="default.htm",
covariate.labels=c("Intercepto", "Inserção Internacional",
"Índice de Confiança", "Índice de Gini",
"Latitude",
"Índice Law and Order", "Dummy do País"),
dep.var.caption = c("Comparação modelos Dummy"),
dep.var.labels = c("Log h"),
column.labels = c("Sem Dummy", Lista),
model.names = FALSE,
intercept.bottom = FALSE,
single.row = FALSE,
no.space = TRUE,
title = "Log(h) contra proxies e dummy",
omit.table.layout = "d#",
notes = c("Erros padrão Robustos de White"),
omit.stat = c("ser","f"))
row_count <- nrow(coeftest(modelo_a, vcovHC(modelo_a, type = "HC0")))
erros_dum <- list(coeftest(modelo_a, vcovHC(modelo_a, type = "HC0"))[1:row_count,2])
# Agora os erros padrão das dummies
for (i in 1:length(Lista)) {
row_count <- nrow(coeftest(get(paste("modelo_dum_a", Lista[i], sep="")),
vcovHC(get(paste("modelo_dum_a", Lista[i], sep="")),
type = "HC0")))
erros_dum <- c(erros_dum,
list(coeftest(get(paste("modelo_dum_a", Lista[i], sep="")),
vcovHC(get(paste("modelo_dum_a", Lista[i], sep="")),
type = "HC0"))[1:row_count,2]))
}
stargazer(modelo_a,
get(paste("modelo_dum_a", Lista[1], sep="")),
get(paste("modelo_dum_a", Lista[2], sep="")),
get(paste("modelo_dum_a", Lista[3], sep="")),
get(paste("modelo_dum_a", Lista[4], sep="")),
get(paste("modelo_dum_a", Lista[5], sep="")),
se = erros_dum,
type="text", out="default.htm",
covariate.labels=c("Intercepto", "Inserção Internacional",
"Índice de Confiança", "Índice de Gini",
"Latitude",
"Índice Law and Order", "Dummy do País"),
dep.var.caption = c("Comparação modelos Dummy"),
dep.var.labels = c("Log PTF"),
column.labels = c("Sem Dummy", Lista),
model.names = FALSE,
intercept.bottom = FALSE,
single.row = FALSE,
no.space = TRUE,
title = "log(PTF) contra proxies e dummy",
omit.table.layout = "d#",
notes = c("Erros padrão Robustos de White"),
omit.stat = c("ser","f"))
# Dummies Para os Continentes ----
library("WDI")
library(data.table)
continentes <- read.csv("continentes.csv")
rownames(continentes) <- continentes$País
continentes$País <- NULL
continentes$ameŕica_norte <- NULL
# Rodando modelo utilizando o crescimento da América do Norte (USA + Canadá)
# como a dummy base
modelo_cont <- lm(log(Turma$y) ~ continentes$america_latina
+ continentes$europa + continentes$africa
+ continentes$ásia)
qqnorm(residuals(modelo_cont), main = "PIB contra dummy para continentes")
qqline(residuals(modelo_cont))
stargazer(modelo_cont,
coeftest(modelo_cont, vcovHC(modelo_cont, type = "HC0")),
type="text", out="default.htm",
covariate.labels=c("América do Norte", "América Latina",
"Europa", "África", "Ásia"),
dep.var.caption = paste("log do PIB"),
dep.var.labels = c("OLS","Ajustado por White"),
model.names = FALSE,
intercept.bottom = FALSE,
single.row = TRUE,
title = "PIB contra dummy para continentes")
# Nova Escolaridade ----
# Nova variável para escola calculando
# conforme o método original proposto em MRW
# Tem-se a proporção da população na idade do nível "secondary" que está
# estudando no nível "secondary". Então essa proporção é multiplicada pela
# proporção da população na idade de trabalhar que também está na idade do nível
# "secondary" de educação.
# Pegando número de empregados
pwt10 <- read_xlsx("pwt100.xlsx", sheet = 3)
pwt10 <- select(pwt10, any_of(c('country','year','emp')))
pwt10 <- subset(pwt10, pwt10$year == 2010)
pwt10$year <- NULL
paises <- read.csv("pais.csv")
paises[4, 1] <- c("China, Hong Kong SAR")
eng_pais <- c(as.list(paises[,1]))
pwt10 <- pwt10[c(pwt10$country %in% eng_pais),]
# A proporção da pop do "secondary" que está no "secondary"
# Dados obtidos através da UNESCO (UIS)
second_ratio <- read.csv("second_ratio.csv")
second_ratio$NATMON_IND <- NULL
second_ratio$Indicator <- NULL
second_ratio$LOCATION <- NULL
second_ratio$Time <- NULL
second_ratio$TIME <- NULL
second_ratio$Flag.Codes <- NULL
second_ratio$Flags <- NULL
second_ratio <-second_ratio[c(second_ratio$Country %in% eng_pais),]
# Adicionando países faltantes ou que possuem nomes não condizentes
second_ratio <- rbind(second_ratio, c("Russia", "101.08"))
second_ratio <- rbind(second_ratio, c("China, Hong Kong SAR", "88.03878"))
second_ratio <- rbind(second_ratio, c("United Kingdom", "102.90468"))
second_ratio <- rbind(second_ratio, c("United States", "94.84594"))
second_ratio <- second_ratio[!(second_ratio$Country %in%
c("China, Hong Kong Special Administrative Region",
"United States of America",
"United Kingdom of Great Britain and Northern Ireland")),]
# Dados da população em idade "secondary"
eng_pais <- c(eng_pais)
second_pop <- read.csv("second_pop.csv")
second_pop$NATMON_IND <- NULL
second_pop <-second_pop[c(second_pop$Indicator %in% "School age population, secondary education, both sexes (number)"),]
second_pop$Indicator <- NULL
second_pop$LOCATION <- NULL
second_pop$Time <- NULL
second_pop$TIME <- NULL
second_pop$Flag.Codes <- NULL
second_pop$Flags <- NULL
second_pop <-second_pop[c(second_pop$Country %in% eng_pais),]
second_pop <- rbind(second_pop, c("China, Hong Kong SAR", "577324"))
second_pop <- rbind(second_pop, c("United Kingdom", "5381903"))
second_pop <- rbind(second_pop, c("United States", "25507455"))
second_pop <- second_pop[!(second_pop$Country %in%
c("China, Hong Kong Special Administrative Region",
"United States of America",
"United Kingdom of Great Britain and Northern Ireland")),]
# Tudo numa tabela só
# Fazendo com que todos tenham os mesmos países e ordenados na mesma ordem e
# mesmo nome de coluna
# Atualizando o vetor de países com dados
paises <- paises[c(paises$Country %in% as.list(second_pop$Country)),]
pwt10 <- pwt10[c(pwt10$country %in% as.list(second_pop$Country)),]
second_pop <- second_pop[order(second_pop$Country),]
second_ratio <- second_ratio[order(second_ratio$Country),]
colnames(pwt10)[colnames(pwt10)
== "country"] <- "Country"
pwt10 <- pwt10[order(pwt10$Country),]
colnames(second_pop)[colnames(second_pop)
== "Value"] <- "pop"
colnames(second_ratio)[colnames(second_ratio)
== "Value"] <- "ratio"
second_pop[2] <- apply(second_pop[2], 2,function(x) as.numeric(as.character(x)))
second_ratio[2] <- apply(second_ratio[2], 2,function(x) as.numeric(as.character(x)))
second_pop[2] <- apply(second_pop[2], 2,function(x) as.numeric(as.character(x)))
# Calculando o novo escola de MRW
hc_tabela <- cbind(second_pop, second_ratio, pwt10)
hc_tabela$emp <- hc_tabela$emp*10^6
hc_tabela$hc <- c(hc_tabela$ratio*(hc_tabela$pop/hc_tabela$pop))
# Atualizando tabela com novo valor de escola
Turmahc <- cbind(Turma)
Turmahc <- Turmahc[c(Turmahc$País %in% as.list(paises$País)),]
Turmahc <- Turmahc[order(Turmahc$País),]
paises <- paises[order(paises$País),]
Turmahc <- Turmahc[order(paises$Country),]
paises <- paises[order(paises$Country),]
Turmahc <- cbind(Turmahc, hc_tabela$hc)
colnames(Turmahc)[colnames(Turmahc)
== "hc_tabela$hc"] <- "escolaMRW"
# Porquê pegar uma nova variável?
plot(Turmahc$h,Turmahc$escola)
plot(Turmahc$h, Turmahc$escolaMRW)
cor.test(Turmahc$h, Turmahc$escola)
cor.test(Turmahc$h, Turmahc$escolaMRW)
# Regressão com nova escolaridade
y <- log(Turmahc$y)
s <- log(Turmahc$s)
n <- log(Turmahc$n+g+d)
escola <- log(Turmahc$escolaMRW)
modelo_escMRW <- lm(y ~ s + n + escola)
escola <- log(Turmahc$escola)
modelo_esc <- lm(y ~ s + n + escola)
seMRW <- list(coeftest(modelo_escMRW, vcovHC(modelo_escMRW, type = "HC0"))[1:4,2])
seMRW <- c(seMRW, list(coeftest(modelo_esc, vcovHC(modelo_esc, type = "HC0"))[1:4,2]))
qqnorm(residuals(modelo_escMRW), main = "Modelo MRW com Escolaridade Corrigida")
qqline(residuals(modelo_escMRW))
stargazer(modelo_escMRW, se = seMRW,
modelo_esc,
type="text", out="default.htm",
covariate.labels=c("Intercepto", "log(s)","log(n+g+d)",
"Escolaridade"),
dep.var.caption =c("Comparação entre valores diferentes para Escola"),
dep.var.labels = c("Escola MRW"),
model.names = FALSE,
intercept.bottom = FALSE,
single.row = TRUE,
column.labels = c("Escola MRW", "Anos de Escolaridade"),
omit.table.layout = "d#",
notes = c("Erros padrão Robustos de White"))