Ao retirar o intercepto( o mesmo que fazer seu valor ser zero) o seu modelo deixa de ser de efeito marginal e passa a ser de medias. Ou seja o modelo y=a+bx on b e a taxa de mudança em y para níveis de x, passa a ser y=BX e assim força o modelo a passar pelo intercepto zero, pois qdo x for zero y tbm sera. Em 28/04/2015 14:10, "Robert Iquiapaza" <[email protected]> escreveu:
> Se é isso o que deseja: > > dumvar1 = table(1:length(var1),as.factor(var1)) > dumvar2 = table(1:length(var2),as.factor(var2)) > > summary(lm(S~0+dumvar1[,-1]+dumvar2[,-1])) > > Coefficients: > Estimate Std. Error t value Pr(>|t|) > dumvar1[, -1]B 0.234001 0.007011 33.38 <2e-16 *** > dumvar1[, -1]C 0.391907 0.007097 55.22 <2e-16 *** > dumvar2[, -1]B 0.182071 0.007258 25.09 <2e-16 *** > dumvar2[, -1]C -0.190209 0.007076 -26.88 <2e-16 *** > --- > Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 > > Att > > Robert > > #cuidado com a interpretação dos coeficientes. > > Em 28 de abril de 2015 13:25, Bernardo Rangel Tura <[email protected]> > escreveu: > >> On 04/28/2015 11:16 AM, Rafael Costa wrote: >> >>> Prezado Tura, >>> >>> var1 e var2 são variáveis qualitativas com 3 categorias cada (dummies >>> multicategóricas). Na 1ª regressão, note que não há estimativas para >>> var1A e var2A explicitamente porque essas categorias são usadas como >>> referência (ou base) em cada variável. Isto é feito para evitar >>> problemas de multicolinearidade perfeita (consulte os livros de >>> econometria do GUJARATI ou do WOOLDRIDGE para rápida compreensão deste >>> problema, conhecido como "armadilha da variável dummy"). O intercepto do >>> 1º modelo é portanto o intercepto da regressão para o grupo de >>> referência em que var1=A e var2=A. Já os coeficientes estimados da >>> variável dummy de um determinado grupo representa a diferença estimada >>> nos interceptos entre aquele grupo e o grupo-base. Por exemplo, 0.16 >>> (valor do coeficiente de var1B) representa a diferença entre o >>> intercepto deste grupo (var1=B e var2=A) e o intercepto do grupo-base >>> (var1=A e var2=A). >>> Na 2ª regressão, ao optar por excluir o intercepto, não há mais a >>> necessidade de retirar uma categoria de cada variável dummy para evitar >>> colinearidade perfeita. Agora pode-se escolher que uma das variáveis >>> mantenham todas a suas categorias, desde que nas demais variáveis >>> dummies se continue excluindo uma categoria que será utilizada como >>> referência ou base. Note que agora o coeficiente var1A na 2ª regressão é >>> justamente o mesmo valor do intercepto na 1ª regressão e os demais >>> coeficientes da var1 são agora a soma dos coeficientes na 1ª regressão >>> com o intercepto (por exemplo, o var1B da 2ª regressão = intercepto da >>> 1ª regressão + var1B da 1ª regressão). >>> >>> Espero ter ajudado, >>> Rafael. >>> >> >> Rafael >> >> Entendo a sua explicação mas acho que você não entendeu o que eu desejo. >> Para o modelo preciso de uma uma regressão que o intercepto tenha valor >> de ZERO, ou seja, >> >> S = 0 + b1*var1=='B' + b2*var1=='C' + b3*var2=='B' + b4*var2=='C' + erro >> >> Entende o modelo que preciso? >> >> Abraços >> >> >> >> >> >> _______________________________________________ >> R-br mailing list >> [email protected] >> https://listas.inf.ufpr.br/cgi-bin/mailman/listinfo/r-br >> Leia o guia de postagem (http://www.leg.ufpr.br/r-br-guia) e forneça >> código mínimo reproduzível. >> >> > > _______________________________________________ > R-br mailing list > [email protected] > https://listas.inf.ufpr.br/cgi-bin/mailman/listinfo/r-br > Leia o guia de postagem (http://www.leg.ufpr.br/r-br-guia) e forneça > código mínimo reproduzível. >
_______________________________________________ R-br mailing list [email protected] https://listas.inf.ufpr.br/cgi-bin/mailman/listinfo/r-br Leia o guia de postagem (http://www.leg.ufpr.br/r-br-guia) e forneça código mínimo reproduzível.
