Primeira vez aqui? Seja bem vindo e cheque o FAQ!
x

Explorando a base de dados de “Iron Deficiency and Schooling Attainment in Peru”

+1 voto
38 visitas
perguntada Mai 17 em Economia por Tales Lins Costa (36 pontos)  

Chong, Alberto, Isabelle Cohen, Erica Field, Eduardo Nakasone, and Maximo Torero. 2016. "Iron Deficiency and Schooling Attainment in Peru." American Economic Journal: Applied Economics, 8 (4): 222-55.

DOI: 10.1257/app.20140494

link: https://www.aeaweb.org/articles?id=10.1257/app.20140494

Compartilhe

2 Respostas

0 votos
respondida Mai 17 por Tales Lins Costa (36 pontos)  
editado Mai 19 por Tales Lins Costa

1. Motivação

Sabemos que a deficiência nutricional é uma realidade que diversos países ao redor do mundo enfrentam, que muitas vezes é reflexo da pobreza. E, dentro dessa temática, diversos estudos têm sido realizados para saber os impactos da ausência do ferro na alimentação sobre o nosso corpo humano.

Nesse sentido, as discussões feitas nesse artigo vão um pouco além da parte biológica, procurou-se compreender quais são os possíveis efeitos dessa deficiência nutricional para a reprodução da pobreza nesses países, se essa desnutrição pode gerar perdas de ganhos futuros, caindo numa armadilha de pobreza.

O que me interessou a replicar esse artigo foi justamente a importância do tema frente à realidade enfrentada por diversos países subdesenvolvidos e em desenvolvimento. Aplicar políticas públicas pautadas em estudos comprovados ajuda os governos a gastarem seus recursos de forma mais eficiente. Os autores preocuparam com essa questão, pois entendeu-se que suplementar ferro para pessoas que não tem anemia não é efetivo e custoso, e para fazer exames de sangue em todos as crianças é uma realidade pouco tangível em países como o do estudo, Peru.

Dessa forma, foi interessante a forma como autores tentaram solucionar o problema e as suas conclusões econômicas sobre o tema. Nesse estudo, foram disponibilizadas pílulas de suplementação de ferro através de um centro médico em uma área rural do Peru e foi incentivado que adolescentes pegassem por meio de vídeos educativos. Eram mensagens falando a respeito da importância do ferro para o corpo humano. Esse elemento mineral é muito importante, pois sua deficiência pode causar diminuição da circulação de oxigênio no corpo, reduzindo a capacidade aeróbica. Acredita-se que isso pode causar diminuição na capacidade cognitiva, na memória, e déficit de atenção. Logo, é muito importante estudar políticas públicas que evitem tais entraves para o crescimento saudável da população.

2. Revisão de Literatura

Existem alguns estudos, como os de Luo et al. 2011, Pollitt et al. 1985, Hutchinson et al. 1997, Webb and Oski 1973 e Halterman et al. 2001, que mostram evidências de que quando é constatado anemia por deficiência de ferro em crianças e adolescentes, elas se saem piores em testes cognitivos.

Além disso, existem outros, estudos , como os de Seshadri et al. (1982), Pollitt et al. (1985), Soemantri, Pollitt, and Kim (1985), Groner et al. (1986), Kashyap and Gopaldas (1987), Seshadri and Gopaldas (1989), Soemantri (1989) e Bruner et al. (1996), que evidenciam que, além da diminuição da capacidade cognitiva, os indivíduos com anemia acabam fazendo menores pontuações nos testes de memória, aprendizagem e atenção do que quando comparado com não anêmicos.

Sabe-se também que deficiência de ferro tem impactos negativos sobre a produtividade da força de trabalho, mas que ao mesmo tempo a suplementação desse mineral não tem efeitos positivos sobre as taxas de acumulação de capital humano (Thomas et al. 2006). Sobre os impactos no desempenho escolar, vemos que diversos artigos mostraram evidências de que melhores indicadores de saúde influenciam no nível de escolaridade (Alderman and Bleakley, 2013). Além disso, os estudos de Bobonis, Miguel e Puri-Sharma (2006), mostraram que suplementação de ferro e remédios antivermes melhoram a participação escolar em alunos anêmicos na Índia.

3. Base de Dados

A base de dados utilizada nesse artigo foi obtida por meio de um experimento realizado entre 219 alunos de uma escola rural secundária do distrito de Cajamarca, no Peru. Os autores consideraram a escolha desse país pelo fato de que deficiência de ferro é uma realidade nos países em desenvolvimento e o Peru se inclui nesse grupo. Segundo a UNICEF (2008), 39% dos adolescentes da zona rural sofrem desse problema e por isso o distrito escolhido foi o de Cajamarca, por apresentar um dos piores índices de desenvolvimento infantil.

Sobre a pesquisa, participaram alunos das idades de 11 até 19 anos, de 5 diferentes séries, numa proporção de 48% de adolescentes eram meninas e 52% de meninos.

A imagem será apresentada aqui.

Sobre o experimento, foi feita uma distribuição de pílulas de suplementação de ferro em uma clínica do vilarejo, 0,3 km da escola, para os adolescentes participantes da pesquisa. Os pesquisadores treinaram uma enfermeira para distribuir uma pílula de ferra para qualquer aluno que requisitasse em qualquer dia de intervalo em que a pesquisa foi feita. Além disso, a enfermeira também foi orientada conversar com os participantes sobre os benefícios da suplementação de ferro para pessoas com anemia. Vale ressaltar que não foi feito o diagnóstico de anemia para capturar melhor o efeito da distribuição de pílulas para os adolescentes que tinham probabilidade de ter anemia e de serem anêmicos.

Com o intuito de criar uma variação experimental, o estudo usou um projeto de incentivo que variou aleatoriamente a exposição dos alunos a vídeos educativos, mostrando os benefícios da suplementação e encorajando-os a visitar a clínica diariamente para tomar uma dose de ferro. Durante dez semanas os alunos foram expostos a um dos três tipos de vídeo, onde o conteúdo era o seguinte: no primeiro, era um jogador popular encorajando a suplementar ferro para aumentar a energia; o segundo, era um vídeo de um médico mostrando a importância da suplementação de ferro para a saúde de uma forma geral; e o terceiro era um vídeo de uma dentista falando a respeito da importância da higiene bucal. Os dois primeiros vídeos foram usados como variável de tratamento e o terceiro foi considerado o "placebo". A maior parte do estudo abrangeu o final do período letivo de 2009 e o primeiro semestre de 2010, mas foram coletados dados a respeito do desempenho escolar do ano de 2010.

4. Sumário Estatístico

Podemos ver a seguir a Tabela 1, no qual demonstra a média das estatísticas obtidas por diferentes tipos de tratamento. Essa tabela foi replicada e está nos códigos de programação disponibilizados ao final.

A imagem será apresentada aqui.

5. Modelo Econométrico

Para analisar o comportamento das variáveis os autores estimam um modelo básico de regressão linear que vai der dado por:

\(Y_i = a +\beta_1 T_i + \omega \bf{X_i} + e\)

  • \(Y_i\) é a variável dependente de interesse;
  • \( T_i\) é uma variável binária para o grupo de tratamento;
  • \( \bf{X_i}\) é o conjunto de controles usados na regressão.

Para verificar os efeitos dessas variáveis foi colocado como padrão que a regressão linear será feita para dois tipos de grupos, os anêmicos e os não anêmicos, que é básico nessa literatura. Vale aqui ressaltar, que não tem efeito o tratamento para os indivíduos que não são anêmicos. Isso ocorre, e já um fato conhecido pela literatura, de que você dar pílulas de ferro para indivíduos que não precisam não causa nenhuma alteração significativa.

6. Tabelas com os Resultados Econométricos e Discussões

Para melhorar a dinâmica de apresentação, os resultados serão expostos de uma forma mais sintética, mostrando algumas das conclusões sobre as regressões sob o aspecto de diferentes variáveis dependentes. Entretanto, todos os resultados foram rodados no Python e os códigos estarão disponibilizados no final da resposta.

6.1. Tabela 3 - Anemia

A imagem será apresentada aqui.

Nessa tabela 3 a nossa variável dependente é uma dummy que diz se o aluno era anêmico de acordo com os testes de hemoglobina medidos no final do estudo. Como esperado vemos que as mensagens transmitidas nos vídeos não tiveram impacto significativo na taxa de anemia daqueles que não eram anêmicos no início do estudo, mas que houve sim uma redução no grupo que era anêmico no começo da pesquisa.

6.2. Tabela 4 - Função Cognitiva

A imagem será apresentada aqui.

Para a captura do desempenho desse aspecto foi utilizado a soma das pontuações em um jogo cognitivo do Wii. Novamente, o tratamento não impactou significativamente os alunos que não eram anêmicos desde o início do estudo. Vale aqui observar que existe uma evidência forte de que houve uma melhora da função cognitiva para o grupo de tratamento, o que é um resultado consistente com a literatura sobre os efeitos da suplementação de ferro sobre a habilidade cognitiva.

6.3. Tabela 5 - Notas e Promoção de Classe

Notas
A imagem será apresentada aqui.

Nessa parte vemos que os resultados continuam sendo não significativos para os alunos não anêmicos, mas que para os alunos do tratamento que são anêmicos vemos uma melhora das notas escolares, com um acréscimo acima 0,46 desvios padrão. As colunas 1 e 3 mostram esses resultados, que são estatisticamente significantes. As melhorias foram concentradas em inglês, ciências e aulas de ciências sociais, mas que vale ressaltar que os coeficientes do tratamento são positivos em todas as matérias.

Promoção de Classe
A imagem será apresentada aqui.

Podemos resumir os resultados encontrados aqui em dois pontos: o primeiro é que alunos assistiram os vídeos com as recomendações sobre a importância de suplementação de ferro tem probabilidade consideravelmente maior de serem promovidos para o próximo nível de série em 2010; e segundo que a indivíduos anêmicos tem maiores chances de não serem promovidos do que os não anêmicos, mas os estudantes anêmicos que estão no grupo de tratamento tiveram a chance de serem promovidos de classe aumentada em 11 por cento.

6.4. Tabela 6 - Mobilidade Ascendente

A imagem será apresentada aqui.

Nessa pesquisa foi criado um índice de percepção de mobilidade ascendente, no qual foi medido no início e no fim do estudo se o aluno teria o desejo de sair da cidade e/ou continuar os estudos para uma graduação. Esse índice vai de 0 à 1, sendo que cada decisão tem o peso de 0,5. Ou seja, se aluno pretende sair da cidade e não pretende continuar os estudos, esse índice assume valor de 0,5. Dessa forma, os resultados dessa regressão mostraram que a suplementação de ferro trouxe resultados significativos para o grupo de tratamento que sofria de anemia. Eles tiveram uma melhora na percepção de seus planos futuros quando se comparado com início do estudo, sugerindo que pelo menos parte do efeito é uma resposta a melhorias reais na cognição ou no desempenho acadêmico. Dessa forma, pequenas diferenças na capacidade cognitiva têm o potencial de ajudar os indivíduos a obter mobilidade econômica, mesmo quando a reversão ocorre relativamente tarde na vida, quando a identidade individual está razoavelmente bem formada.

Assim, essa parte do estudo fornece novas evidências de que melhorias na própria saúde podem levar a melhorias imediatas nas aspirações de mobilidade futura.

7. Conlusões

Com a ajuda da Tabela 9, segmentando a base de dados em aqueles que tomaram mais de 5 pílulas em média e os que tomaram menos do que isso, podemos ver um resumo dos efeitos do tratamento sobre as médias de uma variada gama de características domiciliares.

A imagem será apresentada aqui.

Sendo assim, além dos benefícios que foram apresentados das regressões passadas, vemos que diante de um cenário em que os países tem restrições orçamentárias, ter uma política de encorajamento do próprio aluno buscar ajuda pode ser muito mais eficiente em termos de custos. Muitas das vezes esses países não podem arcar com políticas de distribuição de pílulas de ferro diretamente aos alunos. Assim, chegou-se a conclusão de que o custo para combater a anemia seria reduzido em mais de 90 por cento, e que o custo de um programa de incentivo por aluno seria menos de um décimo segundo do programa de entrada ao domicílio.

Logo, os resultados desse estudo demonstram que a distribuição passiva de suplementos de ferro por meio de clínicas de saúde pode atingir taxas muito altas de adesão entre adolescentes anêmicos com a utilização de mensagens simples e de baixo custo, que poderia ser uma política pública implementada em escala na maior parte do mundo com custos muito menores do que algumas das políticas atuais.

0 votos
respondida Mai 18 por Tales Lins Costa (36 pontos)  
editado Mai 19 por Tales Lins Costa

8. Código de Programação do Artigo

Os códigos a seguir compreendem a reprodução das Tabelas 1 à 9, incluindo a manipulação da base de dados. Alguns dos códigos possuem "#" por terem sido deixados inativos, facilitando caso queira conferir alguma etapa. Por exemplo, o print() de uma Tabela X ou df.info().

import numpy as np
import pandas as pd
from statsmodels.formula.api import ols
from statsmodels.iolib.summary2 import summary_col
from stargazer.stargazer import Stargazer  #pip install stargazer (rodar isso antes no Console)
from tabulate import tabulate #pip install tabulate

df = pd.read_stata('C:/Users/Tales/OneDrive/Documentos/Python Scripts/Econometria 1/Trabalho Econometria 1/AEJApp2014-0494_data/Chong-et-al-Final-Data-Set.dta')

#print(df.head())
#print(df.info())
#print(df.shape)
#print(df.describe())

#Criando um DataFrame que unifica os dois tratamentos

Soccer_and_physician_to_treatment = {"treatment": {"Physician": "Treatment", "Soccer Player": "Treatment"},
                                     "greater_equal_500": {"Yes": 1, "No": 0}}

df_treatment = df.replace(Soccer_and_physician_to_treatment) #Unifiquei os dois tratamentos

#Criando a coluna que é variável de controle, que são os placebos.

df_treatment['placebo'] = np.where(df['non_placebo1'] == 'Yes', 'No', 'Yes')
df['placebo'] = np.where(df['non_placebo1'] == 'Yes', 'No', 'Yes')
df_treatment['treat_du'] = np.where(df_treatment['treatment'] == 'Treatment', 1, 0)



#-------------------------------------------------Tabela 1----------------------------------------------------------------------------------------------------

dummies_for_mean_by_group_dic = {"male": {"Yes": 1, "No": 0},
                              "anemic_base": {"Yes": 1, "No": 0},
                              "own_land": {"Yes": 1, "No": 0},
                              "father_hh": {"Yes": 1, "No": 0},
                              "has_sib": {"Yes": 1, "No": 0},
                              "hh_elec_re": {"Yes": 1, "No":0},
                              "hh_elec": {"Yes": 1, "No":0},
                              "anemic_base_re": {"Yes": 1, "No":0}}

dummies_for_mean_by_group = df_treatment.replace(dummies_for_mean_by_group_dic)

mean_by_group = dummies_for_mean_by_group.groupby('treatment')[ 'male', 'age_months', 'time_to_school_hr', 'hemo_base', 'anemic_base', 'height_base', 'weight_base', 'num_hh', 'gradesq1', 'class_level', 'hh_total_inc_hun', 'hh_mother_edu', 'own_land', 'father_hh', 'hh_land', 'future_plans', 'has_sib', 'hours_sessions_date', 'hh_elec_re' ].mean()

mean_by_group_t = mean_by_group.transpose() 


#fazendo a Diferença entre o tratamento e o controle

mean_by_group_t['All (T - C)'] = round(mean_by_group_t['Treatment'] - mean_by_group_t['Placebo'], 3)

##Acabou a primeira parte da tabela 1 (1,2,3), vamos para a parte 2(colunas (4,5):

mean_by_group_anemic = dummies_for_mean_by_group[dummies_for_mean_by_group['anemic'] == 'Yes'].groupby(['treatment'])[ 'male', 'age_months', 'time_to_school_hr', 'hemo_base', 'anemic_base', 'height_base', 'weight_base', 'num_hh', 'gradesq1', 'class_level', 'hh_total_inc_hun', 'hh_mother_edu', 'own_land', 'father_hh', 'hh_land', 'future_plans', 'has_sib', 'hours_sessions_date', 'hh_elec_re'].mean()
mean_by_group_anemic_t = mean_by_group_anemic.transpose()

mean_by_group_non_anemic = dummies_for_mean_by_group[dummies_for_mean_by_group['anemic'] == 'No'].groupby(['treatment'])[ 'male', 'age_months', 'time_to_school_hr', 'hemo_base', 'anemic_base', 'height_base', 'weight_base', 'num_hh', 'gradesq1', 'class_level', 'hh_total_inc_hun', 'hh_mother_edu', 'own_land', 'father_hh', 'hh_land', 'future_plans', 'has_sib', 'hours_sessions_date', 'hh_elec_re'].mean()
mean_by_group_non_anemic_t = mean_by_group_non_anemic.transpose()


#Fazendo T-C para Anemics

mean_by_group_anemic_t['Anemic (T-C)'] = round(mean_by_group_anemic_t['Treatment'] - mean_by_group_anemic_t['Placebo'], 3)

#Fazendo T-C para Non Anemics

mean_by_group_non_anemic_t['Non Anemic (T-C)'] = round(mean_by_group_non_anemic_t['Treatment'] - mean_by_group_non_anemic_t['Placebo'], 3)

Tabela_1 = mean_by_group_t.join(mean_by_group_anemic_t['Anemic (T-C)'])
Tabela_1 = Tabela_1.join(mean_by_group_non_anemic_t['Non Anemic (T-C)'])

#print(Tabela_1)
#print(tabulate(Tabela_1, tablefmt='latex'))



#-------------------------------------------------Tabela 2-----------------------------------

Tabela_2_1 = ols('pills_taken ~ placebo', data=df).fit()
Tabela_2_2 = ols('pills_taken ~ treatment + 0', data=df).fit()
Tabela_2_3 = ols('pills_taken ~ treatment + male + hh_total_inc_hun + time_to_school_hr + age_months', data=df_treatment).fit()
Tabela_2_4 = ols('greater_equal_500 ~ treatment', data=df_treatment).fit()
Tabela_2_5 = ols('greater_equal_500 ~ treatment + anemic_base_hh*treatment + anemic_base_hh', data=df_treatment).fit()

#print(Tabela_2_1.params)
#print(Tabela_2_2.params)
#print(Tabela_2_3.params)
#print(Tabela_2_4.params)
#print(Tabela_2_5.params)

Tabela_2 = summary_col([Tabela_2_1, Tabela_2_2, Tabela_2_3, Tabela_2_4, Tabela_2_5],stars=True)
#print(Tabela_2) #Use Tabela_2.as_latex() para exportar como latex.

Tabela_2_S = Stargazer([Tabela_2_1, Tabela_2_2, Tabela_2_3, Tabela_2_4, Tabela_2_5]) #Formato Stargazer
#print(Tabela_2_S.render_latex()) #Codigo do LaTex


#-------------------------------------------------Tabela 3-------------------------------------------------

#Criando o DF para tabela as tabelas XXXX

df_reg_anemic =  dummies_for_mean_by_group[dummies_for_mean_by_group['anemic_base'] == 1]

df_reg_anemic = df_reg_anemic.replace({"anemic": {"Yes": 1, "No": 0},
                                       "promotion": {"Yes": 1, "No": 0},
                                       "leave_home_town": {"Yes": 1, "No": 0},
                                       "cont_school": {"Yes": 1, "No": 0}})

df_reg_non_anemic =  dummies_for_mean_by_group[dummies_for_mean_by_group['anemic_base'] == 0]

df_reg_non_anemic = df_reg_non_anemic.replace({"anemic": {"Yes": 1, "No": 0},
                                               "promotion": {"Yes": 1, "No": 0},
                                               "leave_home_town": {"Yes": 1, "No": 0},
                                               "cont_school": {"Yes": 1, "No": 0}})

#Regressões da Tabela 3

Tabela_3_1 = ols('anemic ~ treatment + male', data=df_reg_anemic).fit()
Tabela_3_2 = ols('anemic ~ treatment + male', data=df_reg_non_anemic).fit()
Tabela_3_3 = ols('anemic ~ treatment + male + hh_total_inc_hun + hh_mother_edu +  hh_elec', data=df_reg_anemic).fit()
Tabela_3_4 = ols('anemic ~ treatment + male + hh_total_inc_hun + hh_mother_edu +  hh_elec', data=df_reg_non_anemic).fit()

#print(Tabela_3_1.params)
#print(Tabela_3_2.params)
#print(Tabela_3_3.params)
#print(Tabela_3_4.params)

Tabela_3 = summary_col([Tabela_3_1, Tabela_3_2, Tabela_3_3, Tabela_3_4],stars=True, model_names=['[A] (1)', '[NA] (2)', '[A] (3)', '[NA] (4)'])
#print(Tabela_3) #Use Tabela_3.as_latex() para exportar como latex.

Tabela_3_S = Stargazer([Tabela_3_1, Tabela_3_2, Tabela_3_3, Tabela_3_4]) #Formato Stargazer
#print(Tabela_3_S.render_latex()) #Codigo do LaTex



#-------------------------------------------------Tabela 4-----------------------------------------


#Regressões da Tabela 4

Tabela_4_1 = ols('wii_total ~ treatment + male', data=df_reg_anemic).fit()
Tabela_4_2 = ols('wii_total ~ treatment + male', data=df_reg_non_anemic).fit()
Tabela_4_3 = ols('wii_total ~ treatment + male + hh_total_inc_hun + hh_mother_edu +  hh_elec', data=df_reg_anemic).fit()
Tabela_4_4 = ols('wii_total ~ treatment + male + hh_total_inc_hun + hh_mother_edu +  hh_elec', data=df_reg_non_anemic).fit()

#print(Tabela_4_1.params)
#print(Tabela_4_2.params)
#print(Tabela_4_3.params)
#print(Tabela_4_4.params)

Tabela_4 = summary_col([Tabela_4_1, Tabela_4_2, Tabela_4_3, Tabela_4_4],stars=True, model_names=['[A] (1)', '[NA] (2)', '[A] (3)', '[NA] (4)'])
#print(Tabela_4) #Use Tabela_4.as_latex() para exportar como latex.

Tabela_4_S = Stargazer([Tabela_4_1, Tabela_4_2, Tabela_4_3, Tabela_4_4]) #Formato Stargazer
#print(Tabela_4_S.render_latex()) #Codigo do LaTex



#-------------------------------------------------Tabela 5-------------------------------------

#Regressões da Tabela 5

Tabela_5_grades_1 = ols('gradesq34 ~ treatment + male', data=df_reg_anemic).fit()
Tabela_5_grades_2 = ols('gradesq34 ~ treatment + male', data=df_reg_non_anemic).fit()
Tabela_5_grades_3 = ols('gradesq34 ~ treatment + male + hh_total_inc_hun + hh_mother_edu +  hh_elec', data=df_reg_anemic).fit()
Tabela_5_grades_4 = ols('gradesq34 ~ treatment + male + hh_total_inc_hun + hh_mother_edu +  hh_elec', data=df_reg_non_anemic).fit()

Tabela_5_promotion_5 = ols('promotion ~ treatment + male', data=df_reg_anemic).fit()
Tabela_5_promotion_6 = ols('promotion ~ treatment + male', data=df_reg_non_anemic).fit()
Tabela_5_promotion_7 = ols('promotion ~ treatment + male + hh_total_inc_hun + hh_mother_edu +  hh_elec', data=df_reg_anemic).fit()
Tabela_5_promotion_8 = ols('promotion ~ treatment + male + hh_total_inc_hun + hh_mother_edu +  hh_elec', data=df_reg_non_anemic).fit()

#print(Tabela_5_grades_1.params)
#print(Tabela_5_grades_2.params)
#print(Tabela_5_grades_3.params)
#print(Tabela_5_grades_4.params)

#print(Tabela_5_promotion_5.params)
#print(Tabela_5_promotion_6.params)
#print(Tabela_5_promotion_7.params)
#print(Tabela_5_promotion_8.params)

Tabela_5 = summary_col([Tabela_5_grades_1, Tabela_5_grades_2, Tabela_5_grades_3, Tabela_5_grades_4, 
                        Tabela_5_promotion_5, Tabela_5_promotion_6, Tabela_5_promotion_7, Tabela_5_promotion_8],stars=True, model_names=['[A] (1)', '[NA] (2)', '[A] (3)', '[NA] (4)', '[A] (5)', '[NA] (6)', '[A] (7)', '[NA] (8)'])


#print(Tabela_5) #Use Tabela_5.as_latex() para exportar como latex.

Tabela_5_S = Stargazer([Tabela_5_grades_1, Tabela_5_grades_2, Tabela_5_grades_3, Tabela_5_grades_4, 
                        Tabela_5_promotion_5, Tabela_5_promotion_6, Tabela_5_promotion_7, Tabela_5_promotion_8]) #Formato Stargazer
#print(Tabela_5_S.render_latex()) #Codigo do LaTex



#-------------------------------------------------Tabela 6-----------------------------------


#Regressões da Tabela 6

Tabela_6_1 = ols('future_plans ~ treatment + male', data=df_reg_anemic).fit()
Tabela_6_2 = ols('future_plans ~ treatment + male', data=df_reg_non_anemic).fit()
Tabela_6_3 = ols('future_plans ~ treatment + male + hh_total_inc_hun + hh_mother_edu +  hh_elec', data=df_reg_anemic).fit()
Tabela_6_4 = ols('future_plans ~ treatment + male + hh_total_inc_hun + hh_mother_edu +  hh_elec', data=df_reg_non_anemic).fit()

#print(Tabela_6_1.params)
#print(Tabela_6_2.params)
#print(Tabela_6_3.params)
#print(Tabela_6_4.params)

Tabela_6 = summary_col([Tabela_6_1, Tabela_6_2, Tabela_6_3, Tabela_6_4],stars=True, model_names=(['[A] (1)', '[NA] (2)', '[A] (3)', '[NA] (4)']))
#print(Tabela_6) #Use Tabela_6.as_latex() para exportar como latex.

Tabela_6_S = Stargazer([Tabela_6_1, Tabela_6_2, Tabela_6_3, Tabela_6_4]) #Formato Stargazer
#print(Tabela_6_S.render_latex()) #Codigo do LaTex

#-------------------------------------------------Tabela 7------------------------------------

#Regressões da Tabela 7 (Leave Home Town = lht) (Continue School = cs)

Tabela_7_lht_5 = ols('leave_home_town ~ treatment + male', data=df_reg_anemic).fit()
Tabela_7_lht_6 = ols('leave_home_town ~ treatment + male', data=df_reg_non_anemic).fit()
Tabela_7_lht_7 = ols('leave_home_town ~ treatment + male + hh_total_inc_hun + hh_mother_edu +  hh_elec', data=df_reg_anemic).fit()
Tabela_7_lht_8 = ols('leave_home_town ~ treatment + male + hh_total_inc_hun + hh_mother_edu +  hh_elec', data=df_reg_non_anemic).fit()

Tabela_7_cs_9 = ols('cont_school ~ treatment + male', data=df_reg_anemic).fit()
Tabela_7_cs_10 = ols('cont_school ~ treatment + male', data=df_reg_non_anemic).fit()
Tabela_7_cs_11 = ols('cont_school ~ treatment + male + hh_total_inc_hun + hh_mother_edu +  hh_elec', data=df_reg_anemic).fit()
Tabela_7_cs_12 = ols('cont_school ~ treatment + male + hh_total_inc_hun + hh_mother_edu +  hh_elec', data=df_reg_non_anemic).fit()


#print(Tabela_7_lht_5.params)
#print(Tabela_7_lht_6.params)
#print(Tabela_7_lht_7.params)
#print(Tabela_7_lht_8.params)

#print(Tabela_7_cs_9.params)
#print(Tabela_7_cs_10.params)
#print(Tabela_7_cs_11.params)
#print(Tabela_7_cs_12.params)

Tabela_7 = summary_col([Tabela_7_lht_5, Tabela_7_lht_6, Tabela_7_lht_7, Tabela_7_lht_8,
                        Tabela_7_cs_9, Tabela_7_cs_10, Tabela_7_cs_11, Tabela_7_cs_12],stars=True)
#print(Tabela_7) #Use Tabela_7.as_latex() para exportar como latex.

Tabela_7_S = Stargazer([Tabela_7_lht_5, Tabela_7_lht_6, Tabela_7_lht_7, Tabela_7_lht_8,
                        Tabela_7_cs_9, Tabela_7_cs_10, Tabela_7_cs_11, Tabela_7_cs_12]) #Formato Stargazer
#print(Tabela_7_S.render_latex()) #Codigo do LaTex


#-------------------------------------------------Tabela 8-------------------------

#Regressões da Tabela 8

Tabela_8_1 = ols('gradesq34 ~ treatment + male + has_sib + has_sib_treat', data=df_reg_anemic).fit()
Tabela_8_2 = ols('gradesq34 ~ treatment + male + has_sib + has_sib_treat', data=df_reg_non_anemic).fit()
Tabela_8_3 = ols('gradesq34 ~ treatment + male + has_sib + has_sib_treat + hh_total_inc_hun + hh_mother_edu +  hh_elec', data=df_reg_anemic).fit()
Tabela_8_4 = ols('gradesq34 ~ treatment + male + has_sib + has_sib_treat + hh_total_inc_hun + hh_mother_edu +  hh_elec', data=df_reg_non_anemic).fit()

#print(Tabela_8_1.params)
#print(Tabela_8_2.params)
#print(Tabela_8_3.params)
#print(Tabela_8_4.params)

Tabela_8 = summary_col([Tabela_8_1, Tabela_8_2, Tabela_8_3, Tabela_8_4],stars=True)
print(Tabela_8) #Use Tabela_8.as_latex() para exportar como latex.

Tabela_8_S = Stargazer([Tabela_8_1, Tabela_8_2, Tabela_8_3, Tabela_8_4]) #Formato Stargazer
#print(Tabela_8_S.render_latex()) #Codigo do LaTex

#-------------------------------------------------Tabela 9----------------------------------

df_tabela_9_treatment = round(dummies_for_mean_by_group[dummies_for_mean_by_group['treatment'] == 'Treatment'].groupby(['five_less_pills_taken'])[ 'male', 'age_months', 'time_to_school_hr', 'hemo_base', 'anemic_base', 'height_base', 'weight_base', 'num_hh', 'gradesq1', 'class_level', 'hh_total_inc_hun', 'hh_mother_edu', 'own_land', 'father_hh', 'hh_land', 'future_plans', 'has_sib', 'hours_sessions_date', 'hh_elec_re'].mean(), 3)
df_tabela_9_treatment_t = df_tabela_9_treatment.transpose()
df_tabela_9_treatment_t.columns = ['Treat (>)','Treat (=<)']
df_tabela_9_treatment_t['Treat (Diff)'] = round(df_tabela_9_treatment_t['Treat (=<)'] - df_tabela_9_treatment_t['Treat (>)'], 3)

df_tabela_9_placebo = round(dummies_for_mean_by_group[dummies_for_mean_by_group['treatment'] == 'Placebo'].groupby(['greater_equal_500'])[ 'male', 'age_months', 'time_to_school_hr', 'hemo_base', 'anemic_base', 'height_base', 'weight_base', 'num_hh', 'gradesq1', 'class_level', 'hh_total_inc_hun', 'hh_mother_edu', 'own_land', 'father_hh', 'hh_land', 'future_plans', 'has_sib', 'hours_sessions_date', 'hh_elec_re'].mean(), 3)
df_tabela_9_placebo_t = df_tabela_9_placebo.transpose()
df_tabela_9_placebo_t.columns = ['Control (>)','Control (=<)']
df_tabela_9_placebo_t['Control (Diff)'] = round(df_tabela_9_placebo_t['Control (=<)'] - df_tabela_9_placebo_t['Control (>)'], 3)


Tabela_9 = df_tabela_9_treatment_t.join(df_tabela_9_placebo_t)
Tabela_9['Diff-in-Diff'] = round(Tabela_9['Treat (Diff)'] - Tabela_9['Control (Diff)'], 3)

#print(Tabela_9)
#print(tabulate(Tabela_9, tablefmt='latex'))
...