aula_mpe.R

# MPE  UFC 2024/2
# Autor: Humberto Bezerra de Meneses Júnior
# Data: 27/11/2024
# --------------------------------------------------------------------

# Definir o diretório de trabalho - no R é assim
# setwd("C:/Users/<CAMINHO DO ARQUIVO>/dados_ceara.xlsx")
# getwd() # Verificar o diretório atual

# Carregar as bibliotecas necessárias
library(readxl)   # Para importar arquivos Excel
library(plm)      # Para métodos de dados em painel
library(lmtest)   # Para testes de modelos (ex.: teste de Hausman)
library(dplyr)    # Para manipulação de dados

# Importar o arquivo Excel
dados <- read_excel("dados_ceara.xlsx", sheet = "Painel_Stata")

# Definir a estrutura dos dados em painel
# `id` e `t` são os identificadores do painel; substitua pelos nomes reais das suas variáveis.
pdata <- pdata.frame(dados, index = c("id", "t"))

# Regressão Pooled
pooled_model <- lm(lnpibpc ~ lag(lnpibpc, 1) + lncfpc_mwh + lnch_fpc + lnpartcomer + partcomer_dmetrop, data = pdata)
summary(pooled_model)

# LSDV (Least Squares Dummy Variable)
lsdv_model <- lm(lnpibpc ~ lag(lnpibpc, 1) + lncfpc_mwh + lnch_fpc + lnpartcomer + partcomer_dmetrop + factor(id), data = pdata)
summary(lsdv_model)

# Modelo de Efeitos Fixos (FE)
fe_model <- plm(lnpibpc ~ lag(lnpibpc, 1) + lncfpc_mwh + lnch_fpc + lnpartcomer + partcomer_dmetrop, 
                data = pdata, model = "within")
summary(fe_model)

# Modelo de Primeira Diferença (FD)
# Usar o `dplyr` para criar variáveis em primeira diferença
# Calcular as primeiras diferenças e preencher com NA no início de cada grupo para manter tamanho do vetor
pdata <- pdata %>%
  group_by(id) %>%
  mutate(
    d_lnpibpc = c(NA, diff(lnpibpc)),
    d_L1_lnpibpc = c(NA, diff(lag(lnpibpc, 1))),
    d_lncfpc_mwh = c(NA, diff(lncfpc_mwh)),
    d_lnch_fpc = c(NA, diff(lnch_fpc)),
    d_lnpartcomer = c(NA, diff(lnpartcomer)),
    d_partcomer_dmetrop = c(NA, diff(partcomer_dmetrop))
  ) %>%
  ungroup()

fd_model <- lm(d_lnpibpc ~ d_L1_lnpibpc + d_lncfpc_mwh + d_lnch_fpc + d_lnpartcomer + d_partcomer_dmetrop, 
               data = pdata)
summary(fd_model)


# Identificar possíveis problemas com os índices
any_duplicated_rows <- dados %>%
  group_by(id, t) %>%
  filter(n() > 1) %>%
  nrow() > 0

if (!any_duplicated_rows) {
  print("Nenhum dado duplicado foi encontrado no índice do painel.")
} else {
  duplicated_rows <- dados %>% group_by(id, t) %>% filter(n() > 1)
  print(duplicated_rows)
}


# Redefinir o painel de dados com indices em (id e t) e verifica as dimensões de resultado.
# Este e IF anterior são passos apenas de verificação e não necessários. Serve comop auto estudo.
pdata <- pdata.frame(dados, index = c("id", "t"), drop.index = TRUE, row.names = FALSE)
pdim(pdata)


# Modelo de Efeitos Aleatórios (RE)
re_model <- plm(lnpibpc ~ lag(lnpibpc, 1) + lncfpc_mwh + lnch_fpc + lnpartcomer + partcomer_dmetrop, 
                data = pdata, model = "random")
summary(re_model)


# Teste de Hausman
# Comparação entre os modelos de efeitos fixos e aleatórios
phtest(fe_model, re_model)

# ERRO! Modelo de Efeitos Fixos de Dois Fatores (TWFE)
# método de estimação de efeitos fixos já subtrai automaticamente as médias dentro dos grupos, 
# tornando desnecessária (e conflitante) a adição manual de fatores temporais ou individuais na fórmula.
# twfe_model <- plm(lnpibpc ~ lag(lnpibpc, 1) + lncfpc_mwh + lnch_fpc + lnpartcomer + partcomer_dmetrop + factor(t), 
#                  data = pdata, model = "within")
# summary(twfe_model)


# VALIDO 1! Modelo de Efeitos Fixos de Dois Fatores (TWFE)
# 'Twoways' indica ao pacote que deve considerar efeitos fixos tanto para unidades (id) quanto para períodos (t)
twfe_model <- plm(lnpibpc ~ lag(lnpibpc, 1) + lncfpc_mwh + lnch_fpc + lnpartcomer + partcomer_dmetrop, 
                  data = pdata, model = "within", effect = "twoways")
summary(twfe_model)


# VALIDO 2! Modelo de Efeitos Fixos de Dois Fatores (TWFE) 
# Alternativamente, tranforma e adiciona manualmente as dummies temporais(t) ao modelo! 
# pdata$t <- as.factor(pdata$t)  # Transformar 't' em um fator, assim poderá ser usado na regressão
# twfe_model_manual <- plm(lnpibpc ~ lag(lnpibpc, 1) + lncfpc_mwh + lnch_fpc + lnpartcomer + 
#                           partcomer_dmetrop + t, 
#                         data = pdata, model = "within")
# summary(twfe_model_manual)