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 <tura@centroin.com.br> 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
R-br@listas.c3sl.ufpr.br
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.