7.1.2. Relevansi
Regresi dengan variabel dummy dapat digunakan untuk menyatakan
hubungan fungsional antara beberapa variabel regressor terhadap satu
variabel respon dengan melibatkan variabel bebas atau variabel tak
bebas dummy yang merupakan variable kualitatif.
Y : harga produk
D : daerah tempat tinggal
D = 1 : kota
D = 0 : desa
: kesalahan random
Dari model tersebut, harga produk rata-rata yang dipilih adalah:
1. Kota : E(Y|D=1)
2. Desa : E(Y|D=0)
Contoh 2:
Misalkan ada sebuah isu bahwa masih ada perbedaan upah karyawan laki-
laki dan wanita. Untuk hal itu dibuat analisis gaji tahunan untuk laki-laki dan
wanita yang bekerja sebagai dosen PTS di Jakarta. Besar kecilnya gaji
ditentukan pula oleh faktor pengalaman kerja.
Model regresi yang diformulasikan adalah :
Y 0 1 X 2 G
Y : gaji tahunan
X : lama mengajar
G = 1 ; untuk dosen laki-laki
G = 0 ; untuk dosen wanita
Lebih lanjut apabila akan dibuat model regresi untuk melihat pola
pengeluaran kesehatan berdasarkan tingkat pendidikan dan pendapatan
maka model yang dapat diformulasikan adalah:
Y 0 1 X 2 D2 3 D3
Berdasarkan definisi
var ( i ) = E [ i - E( i )]2
= E ( i ) ; karena berdasarkan asumsi: E ( i )=0
2
= ( 0 1 X i )(1 0 1 X i ) (7.8)
atau
var ( i ) = E(Yi |Xi)(1- E(Yi |Xi)) (7.9)
= pi(1- pi)
Jadi, var ( i ) tergantung pada probabilitas pi yang berbeda-beda pada
setiap individu i. Dengan demikian var ( i ) heteroskedastis. Akibatnya,
bila model (7.1) diestimasi menggunakan OLS, estimatornya masih
unbiased tetapi tidak efisien karena variansinya besar. Akan tetapi,
masalah heteroskedastisitas ini dapat diatasi dengan
mentransformasikan model aslinya dengan w i = pi(1- pi) sehingga
modelnya menjadi berikut:
Yi X
0 2 i i (7.10)
wi wi wi wi
atau
Yi* 0* 1 X i* i* (7.11)
estimasi dari E(Yi|Xi) = pi, kemudian hitung: wi= Yˆi (1- Yˆi ).
ii. Gunakan wi untuk mendapatkan model yang sudah diransformasikan:
Yi X
0 2 i i
wi wi wi wi
atau
Yi* 0* 1 X i* i* (7.12)
Lakukan estimasi model (7.12) dengan OLS.
E(Yi |X) terletak antara 0 dan 1 berarti tidak ada masalah. Sebaliknya,
jika ada nilai E(Yi |X) yang terletak di luar 0 dan 1 maka dapat
didefinisikan sebagai berikut: bila E(Y i |X) > 1, dianggap E(Yi |X) = 1
dan bila E(Yi |X) < 0, dianggap E(Yi |X) = 0. Dengan demikian, setelah
disesuaikan, E(Yi |X) akhirnya akan terletak antara 0 dan 1. Namun,
metode ini tidak populer karena kurang realistis.
b) Tentukan estimasi model Yi β 0 β1 Xi ε i dengan suatu metode yang
akan menjamin bahwa E(Yi|X) terletak antara 0 dan 1. Ada dua
macam teknik yang dapat digunakan, yaitu: (i). Logit (ii). Probit. Kedua
teknik ini akan dibicarakan secara tersendiri.
4. Bagaimana dengan R2
R2 pada model probabilitas linier perlu dipertanyakan, karena R 2 tidak
dapat dijadikan ukuran yang baik atau Goodness of Fit.
Contoh
Misalnya akan dilihat hubungan antara pernah-tidaknya melakukan
perjalanan ke luar negeri, dan penghasilan per bulan. Berdasarkan data
hipotesis yang terlihat pada Tabel 7.1 akan dibentuk model sebagai berikut.
Yi β 0 β1 Xi ε i
dengan:
Yi = pernah-tidaknya melakukan perjalanan ke luar negeri
Xi = Pendapatan
Berdasarkan data yang tersaji, diperoleh taksiran model yang ditaksir dengan
OLS sebagai berikut:
Yi = -0,0637 + 0,1986 Xi (7.13)
R2 = 0,4665
Interpretasi Model
a) Intercept = -0,0637; artinya bila pendapatan seseorang Rp 0, maka
probabilitas bahwa orang tersebut pernah melakukan perjalanan ke luar
negeri adalah negatif. Pernyataan tersebut tentunya tidak benar, sehingga
perlu untuk diluruskan. Sebaiknya dinyatakan bahwa, seseorang yang
mempunyai pendapatan lebih kecil dari Rp 321.000, probabilitas orang
tersebut pernah melakukan perjalanan ke luar negeri masih nol. Baru
setelah pendapatan seseorang sekitar Rp 321.000 atau lebih probabilitas
seseorang untuk pernah melakukan perjalanan ke luar negeri positif. Hal
ini dapat dihitung dari persamaan (7.13), yaitu: -0,0637 + (0,1986 * Rp
321.000) = 0,0000506. Tetapi, untuk seseorang dengan pendapatan lebih
besar dari Rp 5,4 juta, probabilitas pernah melakukan perjalanan ke luar
negeri lebih dari satu. Keadaan ini harus diartikan bahwa kemungkinan
seseorang dengan pendapatan lebih besar dari Rp. 5,4 juta pernah
melakukan perjalanan ke luar negeri adalah satu. Orang tersebut sudah
dapat dipastikan. mampu melakukan perjalanan ke luar negeri.
b) Slope = 0,1986, artinya bila pendapatan naik 1 unit (Rp I juta) probabilitas
seseorang untuk melakukan perjalanan keluar negeri naik 20%.
c) Kelemahan
1) Ada probabilitas yang negatif, yaitu pada saat pendapatan lebih kecil.
dari Rp. 321.000 dan ada probabilitas lebih besar dari 1, yaitu pada
saat pendapatan lebih besar dari Rp 5,4 juta.
2) Kenaikan probabilitas yang linier. Setiap ada kenaikan Rp 1 juta
pendapatan, probabilitas seseorang untuk melakukan perjalanan ke
luar negeri naik 20 %. Kenaikan ini tetap 20 % tanpa terpengaruh
tingkat pendapatan. Akibatnya, pada saat pendapatan lebih besar dari
Rp 5,4 juta, probabilitas sese orang untuk melakukan perjalanan ke
luar negeri lebih besar daripada 1. Probabilitas ini akan naik terus
setiap pendapatan naik.
Apa yang dijabarkan di atas tentunya merupakan permasalahan serius.
Oleh karena itu, perlu untuk diatasi. Salah satu langkah untuk
mengatasinya adalah dengan membuat interpretasi yang rasional.
Dalarn model ini, bila pendapatan melebihi nilai tertentu (sekitar Rp 5,4
juta), probabilitas seseorang untuk melakukan perjalanan ke luar
negeri dianggap sama dengan satu. Artinya, orang yang mempunyai
pendapatan Rp 5,4 juta atau lebih diasumsikan sudah pasti mampu
melakukan perjalanan ke luar negeri. Akan tetapi, mengatasi
permasalahan dengan cara demikian, sangat ticlak dianjurkan.
d) Permasalahan lain yang perlu diingat bahwa, model tersebut tidak
mempertimbangkan adanya heteroskedastisitas. Kalaupun masalah
heteroskedastisitas ini diatasi, masalah bahwa suatu probabilitas akan
terletak diluar 0 dan 1 masih akan mungkin terjadi. Akibatnya, masih akan
banyak kelemahan-kelemahan meskipun model tersebut dapat kita
estimasi dengan menggunakan Weighted Least Square (WLS) yaitu OLS
dengan mentransformasikan modelnya dengan suaftj weight agar
heteroskedastisitas hilang dari model.
1
pi Zi 1
1 eZ i Z i e Z i eβ 0 β 1 X i
1 pi e e
Zi
1 e
Angka ini disebut Odd/resiko yaitu perbandingan antara probabilitas
terjadinya peristiwa dengan probabilitas tidak terjadinya peristiwa.
Makin besar odd makin besar kecenderungan seseorang melakukan
perjalanan ke luar negeri.
Bila odd ini diambil logarithmanya diperoleh:
pi
Li=ln β 0 β1X i
1 pi
7.1.5.4. LATIHAN
1. Diberikan data tentang pendapatan keluarga (X) dan status
kepemilikan rumah (y=1): rumah sendiri, (y=0): sewa. Tentukan
estimasi model regresi linier untuk data dibawah. Apakah masuk
akal?
Y : gaji
X : lama bekerja
G = 1 ; untuk laki-laki
G = 0 ; untuk wanita
1) 0 sama dengan
A. 394,18 B. 390,118
C. 394,118 D. 394,8
2) 1 sama dengan
A. 171,510 B. 174,510
C. 174,50 D. 175,410
3) 2 sama dengan
A. 147,59 B. 147,059
C. -147,59 D. -147,059
4) s2 sama dengan
A.1843,373 B. 1841,373
C. 18431,373 D. 18431,73
5) R2 sama dengan
A. 0,938 B. 0,95
C. 0,948 D. 0,90
6) Statistik penguji F untuk uji hipotesis H0 : β1 = β2 = 0 sama dengan
A. 43,12916 B. 37,886
C. 34,21619 D. 37,346
7.1.8. Rangkuman
Dalam analisis regresi linier berganda dengan variabel bebas dummy
yang terlibat dalam model mempunyai kategori lebih dari dua (katakanlah k
kategori), maka variabel dummy yang dapat dibentuk adalah sebanyak (k-1).
Sebagai contoh, misalnya variabel “pendidikan” dikategorikan menjadi 3
kelompok: tidak tamat SMU, tamat SMU dann tamat PT, maka dibutuhkan 2
variabel dummy, yaitu:
D2 = 1, tamat SMU
= 0, lainnya
D3 = 1, tamat PT
= 0, lainnya
Sedangkan kelompok dengan pendidikan tidak tamat SMU disebut grup
dasar.
1
pi Zi 1
1 eZ i Z i e Z i eβ 0 β 1 X i
1 pi e e
Zi
1 e
Angka ini disebut Odd/resiko yaitu perbandingan antara probabilitas
terjadinya peristiwa dengan probabilitas tidak terjadinya peristiwa.
Bila odd ini diambil logarithmanya diperoleh:
pi
Li=ln β 0 β1X i
1 pi
DAFTAR PUSTAKA
1. Montgomery, D.C. and Peck, E, 1982, Introduction to Linier Regression
Analysis, John Wiley & Sons, Singapore.
2. Nachrowi Djalal & Hardius Usman, Penggunaan Teknik Ekonometri,
2002, PT Raja Grafindo Persada, Jakarta.