Anda di halaman 1dari 4

PERBANDINGAN MODEL REGRESI TOBIT DAN MODEL REGRESI TERPOTONG (Studi Kasus Data Konsumsi Rokok Rumah Tangga

Kota Kediri 2011)


Asri Rizza Umami, Samingun Handoyo, Rahma Fitriani Jurusan Matematika, F.MIPA, Universitas Brawijaya Email : asri.umami@gmail.com
Abstrak. Analisis regresi merupakan salah satu metode statistika yang digunakan untuk mengetahui hubungan antara satu peubah tak bebas dengan beberapa peubah bebas. Model regresi yang digunakan untuk menjelaskan hubungan antara peubah tak bebas dengan beberapa peubah bebas yang memuat data tersensor adalah model regresi Tobit. Data tersensor adalah data yang sebagian besar pengamatan tidak terobservasi sehingga bernilai nol, sedangkan untuk sebagian pengamatan lain mempunyai nilai tertentu yang bervariasi. Data tersensor ini mengikuti sebaran normal tersensor. Model regresi yang digunakan untuk menjelaskan hubungan antara peubah tak bebas dengan beberapa peubah bebas yang memuat data terpotong adalah model regresi terpotong. Data terpotong adalah data dengan peubah tak bebas yang mengalami pembatasan atau pemotongan untuk tujuan tertentu. Data terpotong ini mengikuti sebaran normal terpotong.. Pada penelitian ini akan dibandingkan model regresi Tobit dan model regresi terpotong pada data pengeluaran konsumsi rokok rumah tangga kota Kediri 2011 yang banyak dijumpai zero consumption (rumah tangga yang tidak mengkonsumsi rokok) dengan kriteria perbandingan MSE (Mean Square Error) dan (Akaike Information Criterion) AIC. Model regresi Tobit melibatkan keseluruhan data, sedangkan pada model regresi terpotong data dengan peubah tak bebas tanpa nol yang digunakan (tanpa zero comsumption). Hasil analisis menunjukkan model regresi terpotong yang terbentuk lebih baik dari model regresi Tobit. Kata Kunci : Model Regresi Tobit, Model Regresi Terpotong, Zero Consumption, MSE, AIC

1. PENDAHULUAN Regresi linier klasik menggunakan peubah tak bebas minimal berskala interval, sedangkan bila peubah tak bebas berskala kontinu dengan kisaran nilai lebih besar dari nol menggunakan regresi lain. Peubah tak bebas berskala kontinu dengan kisaran nilai besar sering dijumpai pada survey konsumsi atau pengeluaran rumah tangga pada bidang sosial dan ekonomi. Pada survey tersebut terdapat sebagian rumah tangga tidak mengkonsumsi komoditas tertentu seperti terdapat rumah tangga tidak mengkonsumsi rokok. Kondisi ini disebut dengan zero consumption. Dalam ilmu ekonomi keadaan tersebut berimplikasi peubah tak bebas yang tersensor (peubah tak bebas yang mempunyai nilai nol untuk sebagian pengamatan, sedangkan untuk sebagian pengamatan lain mempunyai nilai tertentu yang bervariasi). Nilai nol pada peubah tak bebas menunjukkan bahwa rumah tangga tersebut tidak mengkonsumsi rokok. Jenis data yang mempunyai varibel tak bebas tersensor dinamakan data tersensor (censored data) (Greene, 1990). Permasalahan regresi yang memuat data tersensor menggunakan regresi Tobit. Dalam bidang ekonomi seringkali dijumpai penelitian dengan peubah tak bebas Y yang dibatasi untuk tujuan tertentu, misalkan saja dibatasi pada titik tertentu. Peubah tak bebas yang mengalami pembatasan atau pemotongan disebut data terpotong. Permasalahan regresi yang memuat data terpotong menggunakan regresi terpotong. Pada penelitian ini akan dibandingkan model regresi Tobit dan model regresi terpotong pada data pengeluaran konsumsi rokok rumah tangga kota Kediri 2011. Model regresi Tobit melibatkan keseluruhan data, sedangkan model regresi terpotong data dengan peubah tak bebas tanpa nol yang digunakan (tanpa zero comsumption). 2. TINJAUAN TEORI Jenis data tersensor merupakan data yang memuat nilai nol pada sebagian pengamatan sedangkan untuk sebagian lain mempunyai nilai tertentu yang bervariasi. Peubah pengamatan dikatakan tersensor bila mengikuti persamaan: { di mana i = 1,2, ... ,n dan n adalah banyaknya observasi dan adalah peubah tak bebas latent. Model Tobit dibentuk dengan mengasumsikan ada hubungan linier antara dengan peubah bebas x yang dinyatakan dengan: di mana: : peubah tak bebas latent yang diamati

233

X : peubah bebas : koefisien vektor yang berukuran kx1 yang tidak diketahui, k adalah banyaknya parameter : residual model yang mengikuti sebaran normal tersensor (0, 2) Model Tobit dengan peubah tak bebas tersensor memiliki distribusi normal tersensor di mana nilai rata-rata Xi dan ragam . Pendugaan parameter regresi Tobit menggunakan metode Maximum Likelihood Estimation (MLE).. Sehingga diperoleh nilai taksiran sebagai berikut. ( ) ( ) dengan : vektor 1 x k : vektor 1 x k :( : :(
( )

) adalah pdf dari distribusi normal standar. )

di mana

: Pendugaan parameter regresi Tobit di atas menghasilkan sebuah persamaan non linier. Untuk menyelesaikan persamaan non linier pada regresi Tobit digunakan metode iterasi Newton Raphson. Regresi terpotong adalah suatu bentuk regresi yang memotong beberapa nilai pengamatan dari sampel. Jika peubah tak bebas y terbatas pada titik tertentu, maka model regresi ini disebut regresi terpotong. Hubungan antara peubah bebas dan peubah tak bebas dinyatakan dalam bentuk: di mana adalah peubah tak bebas, adalah vektor penduga parameter, adalah peubah bebas berukuran kx1, dan adalah sisaan (galat) yang bebas dan berdistribusi normal dengan nilai tengah nol dan ragam 2. Pada model regresi terpotong, pendugaan dilakukan hanya terhadap ( ), dengan a adalah batas pemotong tertentu. Metode untuk melakukan pendugaan parameter regresi terpotong menggunakan Maksimum Likelihood karena lebih efisien dibanding metode lain.
[
( )

)]

Dalam mempermudah pemodelan maka dilakukan pendugaan kembali sebagai berikut: dan Maka fungsi log Likelihood di atas menjadi: ( Nilai dan | ) ( ) ( ) ( ( ))

akan diduga kembali dengan menggunakan metode iterasi Newton Rhapson ( ( ( ) | ( ) | ) ) ( ) ) (2) (1)

dengan ( )

( (

) )

dan

Karena masing-masing persamaan (1) dan (2) masih mempunyai parameter lain yang belum diketahui. Oleh karena itu diperlukan metode iterasi untuk memperoleh nilai dan menggunakan metode Newton Raphson. Pengujian normalitas digunakan untuk melihat residual atau galat terdistribusi normal atau tidak. Untuk menguji asumsi kenormalan galat digunakan uji Kolmogorov Smirnov. Autokorelasi

234

didefinisikan sebagai ada korelasi antara anggota serangkaian observasi yang diurutkan menurut waktu atau ruang. Untuk mendeteksi autokorelasi digunakan uji Durbin-Watson. Multikolinearitas adalah adanya hubungan linier yang sempurna di antara beberapa atau semua peubah bebas dari model regresi berganda. Pendeteksian multikolinearitas dilakukan dengan melihat nilai VIF (Variance Inflation Factor). Homoskedastisitas, scedasticity (penyebaran) dan homos (sama) yaitu ragam yang sama. Untuk mendeteksi asumsi homokedastisitas ini dapat dilakukan dengan melihat plot residual. Untuk menguji taksiran parameter, statistik uji yang biasa digunakan adalah uji Wald, Likelihood Ratio (LR). Uji serentak digunakan untuk menguji parameter secara keseluruhan atau bersama-sama. Pengujian menggunakan metode likelihood ratio atau uji G. Pemilihan model terbaik adalah tujuan utama dari penelitian ini. Pemilihan model terbaik dari model regresi Tobit dan medol regresi terpotong menggunakan MSE dan AIC. Selisih nilai (
( )

) merupakan nilai galat ( ). AIC = -2 ln (maximum likelihood) + 2 (number of parameters) Menurut metode MSE danAIC model regresi terbaik adalah model regresi yang mempunyai nilai MSE dan AIC terkecil. 3. HASIL DAN PEMBAHASAN Pada penelitian ini pemeriksaan asumsi normalitas dilakukan menggunakan uji KolmogorovSmirnov. Hasil pengujian Kolmogorov-Smirnov secara ringkas disajikan pada Tabel 1. Tabel 1. Hasil pengujian Kolmogorov-Smirnov
Data Tersensor Terpotong P Kolmogorov-Smirnov (= 0.05) 0.079 0.637 Keterangan Galat mengikuti sebaran Normal Galat mengikuti sebaran Normal

Dapat disimpulkan galat pada semua data mengikuti sebaran Normal, karena p KolmogorvSmirnov lebih besar dari . Pemeriksaan asumsi Non Autokorelasi (kebebasan galat) menggunakan uji Durbin-Watson. Hasil pengujian Durbin-Watson secara ringkas disajikan pada Tabel 2. Tabel 2. Hasil pengujian Durbin-Watson
Data Tersensor Terpotong Nilai Statistik Durbin-Watson 2.066 2.167 dL 1.7176 1.7146 dU 1.8199 1.8033 Keterangan Asumsi kebasan galat terpenuhi Asumsi kebasan galat terpenuhi

Dari hasil pengujian di atas menunjukkan asumsi Non Autokorelasi atau kebebasan galat terpenuhi, tidak adanya korelasi antara anggota dalam serangkaian pengamatan, karena nilai statistik Durbin-Watson lebih besar dari dU. Hasil pengujian multikolinieritas menunjukkan peubah bebas pada semua data memiliki nilai VIF kurang dari 10. Hal ini berarti pada data tersensor dan terpotong yang digunakan tidak terjadi kasus multikolinieritas di antara peubah bebas. Asumsi homoskedastisitas dilakukan dengan melihat plot residual. Berdasarkan plot residual pada masing-masing data tidak membentuk pola. Hal ini menunjukkan galat pada data tersensor dan data terpotong mempunyai varians yang sama. Hasil pendugaan koefisien regresi menggunakan model regresi Tobit secara ringkas disajikan pada Tabel 3. Dari hasil tabel tersebut dapat disimpulkan koefisien yang mempunyai pengaruh positif terhadap konsumsi rokok adalah proporsi anggota rumah tangga dewasa dalam rumah (PAR) dan harga barang komplemeter (HBR). Model penuh (full model) hasil analisis menggunakan Regresi Tobit adalah sebagai berikut:

235

Tabel 3. Hasil pendugaan koefisien regresi menggunakan model regresi Tobit


Peubah PAR PRT PKR JAR HBR Konstanta Koefisien 755.9343 0.0061861 9473.044 1616.561 60.60423 -90500.43 Std.Error 229.5706 0.0039523 8734.447 3830.952 6.548305 28884.08

Dapat disimpulkan koefisien yang mempunyai pengaruh positif terhadap konsumsi rokok adalah proporsi anggota rumah tangga dewasa dalam rumah (PAR) dan harga barang komplemeter (HBR). Model penuh (full model) hasil analisis menggunakan Regresi Tobit adalah sebagai berikut:

Hasil pendugaan koefisien regresi menggunakan model regresi terpotong secara ringkas disajikan pada Tabel 4. Dari hasil tabel tersebut dapat disimpulkan koefisien yang mempunyai pengaruh positif terhadap konsumsi rokok adalah pendapatan rumah tangga (PRT). Model penuh (full model) hasil analisis menggunakan regresi terpotong adalah sebagai berikut:

Tabel 4 . Hasil pendugaan koefisien regresi menggunakan model regresi terpotong


Peubah PAR PRT PKR JAR HBR Konstanta Koefisien 257.9547 0.0199004 -5017.607 380.7286 8.92129 33763.62 Std.Error 191.7975 0.0031728 6897.759 3192.241 6.84131 25914.67

Pemilihan model terbaik dilakukan menggunakan nilai MSE dan AIC. Nilai MSE dan AIC dari model regresi Tobit dan model regresi terpotong disajikan pada Tabel 5. Tabel 5. Nilai MSE dan AIC dari model regresi Tobit dan model regresi terpotong
Nilai MSE AIC Model Regresi Tobit 0.000408 5532.417 Model Regresi Terpotong 0.0000718 4355.8586

Dapat diketahui model regresi terpotong yang terbentuk lebih baik dari model regresi Tobit karena memiliki nilai MSE dan AIC yang lebih kecil. 4. KESIMPULAN Berdasarkan nilai MSE (Mean Square Error) dan AIC (Akaike Information Criterion) model regresi terpotong yang terbentuk lebih baik dari model regresi Tobit karena memiliki nilai MSE dan AIC yang lebih kecil. Hal ini disebabkan zero expendicture pada model regresi Tobit mencerminkan seseorang yang tidak mempunyai keinginan untuk mengkonsumsi rokok. DAFTAR PUSTAKA Fair, R. C., (1977), A Note on the Computation of The Tobit Estimator. Jurnal Econometrica, 45(7). Greene, W.H., (1990), Econometric Analysis, Macmillan Publishing Company, New York. Gujarati, D., (1991), Basic Econometrics, Mc-Graw-Hill, Inc. Long, J. S., (1997), Regression Models For Categorical and Limited Dependent Variables, Thousand Oaks, SAGE Publication. Inc, CA. Tobin, J., (1958), Estimation of Relationship for Limited Dependent Variable, Econometrica, 26(1) hal. 24-36.

236