TOBIT

Herdiana Anggrasari, Aura Dhamira, Chanifah, Trisna Wahyu S. Putri

Pascasarjana Ekonomi Pertanian, Universitas Gadjah Mada, Yogyakarta

Model rergresi Tobit pertama kali dikemukakan oleh James Tobin pada tahun
1958 ketika ia menganalisa pengeluaran para rumah tangga di Amerika Serikat untuk
membeli mobil. Pengeluaran untuk mobil di beberapa rumah tangga menjadi nol
(karena rumah tangga tersebut tidak membeli mobil), dan hal ini sangat berpengaruh
terhadap hasil analisa regresi. Ia menemukan bahwa jika tetap menggunakan OLS,
perhitungan parameter akan cenderung mendekati nol juga dan menjadi tidak
signifikan, atau jika menjadi signifikan, nilainya mengalami bias (terlalu tinggi atau
terlalu rendah) dan juga tidak konsisten (jika ada data baru, hasilnya tidak sama atau
tidak sesuai dengan hasil semula) (Suhardi, 2001).

Pengertian Model Tobit

Regresi model tobit menurut Gujarati (2003) adalah analisis regresi yang
digunakan untuk variabel tak bebas yang sebagian datanya berskala diskrit dan
sebagian data berskala kontinu. Model tobit juga dikenal sebagai censored atau
variabel dependen terbatas karena restriksi pengambilan nilai oleh data variabel tak
bebas atau variabel terikat.
Model tobit adalah kerangka pemodelan yang sesuai bila variabel dependen nol
untuk sebagian besar sampel, namun secara kasar didistribusikan secara terus
menerus melalui nilai positif (Wooldridge, 2014).

Pentingnya Model Tobit

Banyak penelitian menggunakan alat analisa regresi berganda. Hal ini karena
ada beberapa keunggulan dari analisa tersebut. Sebagian besar analisa yang dilakukan
akademis Indonesia menggunakan metode ordinary least squares (OLS). Namun
untuk analisa menggunakan variabel tidak bebas yang censored, yaitu nilai dari
variabel tidak bebas tersebut terbatas atau sengaja dibatasi, metode OLS tidak dapat
digunakan karena parameter yang dihasilkan oleh OLS mengalami bias dan juga tidak
konsisten. Untuk mengatasi kekurangan tersebut, harus digunakan metode regresi
Tobit, yang dikembangkan oleh Tobin (1958). Metode Tobit digunakan karena data
yang digunakan dalam penelitian ini merupakan data yang censored, yaitu nilai dari
variabel dependen dibatasi. Jika metode OLS digunakan dengan data tersebut, maka
hasil regresi akan menjadi bias dan tidak konsisten. Dalam penggunaan metode
analisis regresi untuk penelitian bidang sosial dan ekonomi, banyak ditemui struktur
data dimana variabel responnya (dependen) mempunyai nilai nol untuk sebagian
observasi, sedangkan untuk sebagian observasi lainnya mempunyai nilai tertentu
yang bervariasi. Struktur data seperti ini dinamakan data tersensor (censored data).
Oleh karena itu Model Tobit menjadi penting karena akan ada penelitian yang tidak
memiliki data yang lengkap. Model ini dapat digunakan saat terdapat sampel yang
hanya memiliki data untuk variabel independen, tetapi tidak memiliki data untuk
variabel dependen. Suatu estimasi regresi tidak dapat dilakukan hanya dengan
menggunakan data dari kelompok sampel yang memiliki informasi data yang lengkap
(n1). Jika kita melakukan estimasi hanya berdasarkan n1, intersep dan koefisien slope
yang diperoleh akan beda nilainya dengan saat semua data (n1+n2) dimasukkan. Jika
hanya menggunakan data dari sampel yang memiliki informasi yang lengkap,
observasi ini akan bias dan koefisien variabelnya akan inkonsisten. Selain itu tidak
ada pula jaminan bahwa nilai error akan bernilai 0 (E(ui)=0). Tanpa (E(ui)=0), tidak
ada jaminan bahwa estimasi OLS akan unbiased.
Menurut Wooldridge (2012), dalam beberapa kasus, penting untuk memiliki
model yang menyiratkan nilai prediksi y sebagai non-negatif, dan mempunyai efek
parsial terhadap variabel independen yang memiliki cakupan yang luas. Ditambah
lagi, terkadang peneliti ingin mengestimasi fitur distribusi y selain syarat ekspektasi.
Model tobit termasuk mampu memenuhi tujuan-tujuan itu.

Model Tobit
Pada umumnya, model regresi mengasumsikan bahwa variabel dependen
merupakan data kuantitatif, sedangkan variabel independen dapat bersifat kuantitatif,
kualitatif, maupun gabungan dari keduanya. Namun ternyata variabel dependen dapat
terdiri dari data yang bersifat kualitatif. Terdapat tiga pendekatan untuk
mengembangkan model probabilitas untuk variabel dengan respon biner, yaitu 1)
Linear Probability Model (LPM), 2) Model Logit dan 3) Model Probit.
Model yang dibutuhkan untuk melakukan estimasi data dengan variabel
dependen yang bersifat biner adalah model yang memenuhi syarat berikut:
1. Saat nilai variabel independen naik, probabilitas akan ikut naik, tetapi nilainya
tidak akan lebih dari 1 atau kurang dari 0
2. Hubungan antara probabilitas dan variabel independen bersifat nonlinear. Saat x
turun, maka probabilitas akan mengecil namun dengan tingkat penurunan yang
semakin lambat sehingga nilai probabilitas tidak akan mencapai 0, begitu pula saat
nilai x naik, probabilitas juga naik dengan kecepatan peningkatan yang melambat
agar nilai probabilitas tidak dapat melebihi angka 1.

Gambar 1. Kurva CDF normal

Gambar 1 menunjukkan kurva sigmoid, yang sangat mirip dengan cumulative
distribution function, sehingga fungsi ini dapat digunakan untuk model dengan
variabel dependen yang bersifat biner. Untuk alasan historis dan praktis, CDF biasa
digunakan untuk merepresentasikan model logistik dan model normal, yang
kemudian menjadi dasar model logit dan probit (normit). Namun dalam tulisan ini,
akan dibahas mengenai model tobit yang merupakan pengembangan dan perluasan
dari model probit.
 Pada model probit, yang dilakukan adalah mengestimasi probabilitas akan
terjadinya suatu hal, misalnya seberapa besar kemungkinan seseorang untuk dapat
memiliki rumah. Dalam model tobit, yang menjadi tujuan adalah mengetahui
seberapa besar jumlah uang yang dikeluarkan oleh seseorang atau sebuah keluarga
untuk rumah dalam kaitannya dengan variabel sosial ekonomi. Dalam hal ini muncul
suatu dilema: jika konsumen tidak membeli rumah, tentu saja tidak ada data
pengeluaran rumah, data hanya akan diperoleh dari konsumen yang membeli rumah.
Konsumen-konsumen tersebut kemudian dibagi menjadi dua kelompok, satu
kelompok terdiri dari orang-orang yang informasinya lengkap (n1), dan orang-orang
yang datanya tidak lengkap (hanya ada informasi mengenai variabel independen,
disebut n2). Konsumen n2 dapat disebut juga sebagai censored sample, atau sampel
yang disensor. Oleh karena itu, model tobit juga dikenal sebagai model regresi yang
disensor. Secara statistik, model tobit dapat digambarkan sebagai berikut:
𝑌𝑖 = 𝛽1 + 𝛽2 𝑋2 + 𝜇𝑖 ....................... (1)

Gambar 2. Plot dari jumlah uang yang dikeluarkan untuk rumah vs pendapatan
Gambar 2 menunjukkan bahwa estimasi regresi tidak dapat dilakukan hanya
dengan menggunakan data dari n1. Jika kita melakukan estimasi hanya berdasarkan n1,
intersep dan koefisien slope yang diperoleh akan beda nilainya dengan saat semua
data (n1+n2) dimasukkan. Untuk melakukan estimasi dengan menggunakan model
tobit, James Heckman memberi alternatif yang terdiri dari 2 tahap prosedur estimasi.
Pada tahap pertama, estimasi probabilitas konsumen memiliki rumah dilakukan,
proses ini sama dengan proses estimasi menggunakan model probit standar. Pada
tahap kedua, dilakukan estimasi pada model (1) dengan menambahkan variabel yang
merupakan turunan dari hasil estimasi probit.

REFRENSI
Gujarati, Damodar. 2003. Basic Econometrics. McGraw-Hill, New York.
Suhardi, Imelda. 2011. Penggunaan Model Regresi Tobit untuk Menganalisa Faktor-
Faktor yang Berpengaruh Terhadap Kepuasan Konsumen untuk Jasa Pengangkutan
Barang. Jurnal Manajemen dan Kewirausahaan 3: 106-112.
Wooldridge, Jeffrey M. 2012. Introductory Econometrics: a Modern Approach. Cengage
Learning. USA.