lista06 de dados em painel no R-organização de dados

Prévia do material em texto

<p>Curso de Dados em Painel usando o R</p><p>Lista de Exercícios 06</p><p>Vítor Wilher</p><p>Resumo</p><p>Na Seção 06 do nosso curso, vimos como organizar dados em painel dentro da estrutura do R,</p><p>vimos alguns cálculos especí�cos para essa estrutura de dados e o estimador de primeira diferença</p><p>dentro dessa estrutura. Na lista, vamos praticar um pouco mais. Caso você seja aluno dos planos</p><p>intermediário e premium, você deve acessar o arquivo lista06.Rnw, disponível na Área do Aluno, e</p><p>responder a lista dentro desse arquivo. Ao �nal, você deve compilar o arquivo, gerando um pdf, que</p><p>deve ser enviado para o professor no email vitorwilher@analisemacro.com.br. O envio fora dessas</p><p>normas será desconsiderado. O professor responderá a lista, com os devidos feedbacks em até 7 dias,</p><p>contados da data/horário do recebimento do e-mail. A partir da resposta do professor, alunos do</p><p>plano premium que ainda tiverem dúvidas, podem marcar uma conversa via Skype para elucidar</p><p>de vez os questionamentos.1</p><p>Exercício Sugerido</p><p>O exemplo 13.9 do livro de Wooldridge (2013) traz um exercício utilizando 90 municipios da Carolina</p><p>do Norte, dos anos de 1981 a 1987, para estimar um modelo de efeitos não observados da criminalidade.</p><p>Os dados utilizados nesse exercício estão contidos no arquivo crime4.dta, importado como abaixo.</p><p>library(foreign);library(plm)</p><p>crime4 = read.dta("http://fmwww.bc.edu/ec-p/data/wooldridge/crime4.dta")</p><p>O modelo estimado segue a seguinte especi�cação</p><p>log(crmrte) = d83 + d84 + d85 + d86 + d87 + lprbarr + lprbconv + lprbpris+ lavgsen+ lpolpc (1)</p><p>onde crmrte é a taxa de criminalidade (número de crimes por pessoas), há dummies anuais para</p><p>controlar as tendências estaduais das taxas de criminalidade, lprbarr é o log da probabilidade estimada</p><p>de prisão, lprbconv é o log da probabilidade de condenação (tendo ocorrido uma prisão), lprbpris é o</p><p>log da probabilidade de cumprir pena prisional (tendo ocorrido uma condenação), lavgsen é o log da</p><p>duração média da sentenção cumprida e lpolpc é o log do número de policiais per capita. De modo a</p><p>replicar os resultados encontrados em Wooldridge (2013), podemos estimar 1 utilizando um estimador</p><p>de MQO agrupado, via o pacote plm da forma abaixo.</p><p>crime4.p <- pdata.frame(crime4, index=c("county","year") )</p><p>modelo = plm(diff(log(crmrte))~d83+d84+d85+d86+d87+diff(lprbarr)+</p><p>diff(lprbconv)+diff(lprbpris)+diff(lavgsen)+diff(lpolpc),</p><p>data=crime4.p, model='pooling')</p><p>summary(modelo)</p><p>1Em caso de dúvidas nesse processo, consulte a Seção 01 da apostila.</p><p>1</p><p>## Pooling Model</p><p>##</p><p>## Call:</p><p>## plm(formula = diff(log(crmrte)) ~ d83 + d84 + d85 + d86 + d87 +</p><p>## diff(lprbarr) + diff(lprbconv) + diff(lprbpris) + diff(lavgsen) +</p><p>## diff(lpolpc), data = crime4.p, model = "pooling")</p><p>##</p><p>## Balanced Panel: n = 90, T = 6, N = 540</p><p>##</p><p>## Residuals:</p><p>## Min. 1st Qu. Median 3rd Qu. Max.</p><p>## -0.6593588 -0.0783777 0.0029582 0.0750358 0.6830594</p><p>##</p><p>## Coefficients:</p><p>## Estimate Std. Error t-value Pr(>|t|)</p><p>## (Intercept) 0.0077130 0.0170579 0.4522 0.65133</p><p>## d83 -0.0998652 0.0238952 -4.1793 3.421e-05 ***</p><p>## d84 -0.0479370 0.0235021 -2.0397 0.04188 *</p><p>## d85 -0.0046109 0.0234998 -0.1962 0.84452</p><p>## d86 0.0275145 0.0241494 1.1393 0.25507</p><p>## d87 0.0408273 0.0244153 1.6722 0.09508 .</p><p>## diff(lprbarr) -0.3274947 0.0299801 -10.9237 < 2.2e-16 ***</p><p>## diff(lprbconv) -0.2381065 0.0182341 -13.0583 < 2.2e-16 ***</p><p>## diff(lprbpris) -0.1650459 0.0259690 -6.3555 4.488e-10 ***</p><p>## diff(lavgsen) -0.0217608 0.0220909 -0.9851 0.32505</p><p>## diff(lpolpc) 0.3984263 0.0268820 14.8213 < 2.2e-16 ***</p><p>## ---</p><p>## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1</p><p>##</p><p>## Total Sum of Squares: 22.197</p><p>## Residual Sum of Squares: 12.596</p><p>## R-Squared: 0.43251</p><p>## Adj. R-Squared: 0.42179</p><p>## F-statistic: 40.3182 on 10 and 529 DF, p-value: < 2.22e-16</p><p>Uma vez estimado o modelo, pede-se que você interprete cada um dos coe�cientes e seu efeito sobre</p><p>a taxa de criminalidade.</p><p>Referências</p><p>Wooldridge, J. M. Introductory Econometrics: A Modern Approach. Editora Cengage, 2013.</p><p>2</p>