Compile Pembahasan Buku Woolridge CH-4

PEMBAHASAN BUKU WOOLRIDGE
CHAPTER 4
C1 The following model can be used to study whether campaign expenditures affect election
outcomes:
Where voteA is the percentage of the vote received by Candidate A, expend A and expend B are
campaign expenditures by Candidates A and B, and prtystrA is a measure of party strength for
Candidate A (the percentage of the most recent presidential vote that went to A’s party).
(i) What is the interpretation of β 1?
Jawab:
Interpretasi dari β1adalah persentase poin perubahan voteA ketika expendA meningkat sebesar 1%
ceteris paribus.
(ii) In terms of the parameters, state the null hypothesis that a 1% increase in A’s expenditures is
offset by a 1% increase in B’s expenditures.
Jawab:
Mencari H0:
H0 : β 1 + β 2 = 0 atau
H0 : β 2 = - β 1
Jika pengeluaran dana kampanye dari Kandidat A naik sebesar 1%, dan pengeluaran dana kampanye
dari Kandidat B naik sebesar 1%, maka suara atau vote terhadap Kandidat A tidak akan berubah
(tidak naik dan tidak turun) jika kekuatannya sama.
(iii) Estimate the given model using the data in VOTE1 and report the results in usual form. Do A’s
expenditures affect the outcome? What about B’s expenditures? Can you use these results to test
the hypothesis in part (ii).
Jawab:
Dependent Variable: VOTEA
Method: Least Squares
Date: 11/19/19 Time: 11:02
Sample: 1 173
Included observations: 173
Variable Coefficient Std. Error t-Statistic Prob.
C 45.07893 3.926305 11.48126 0.0000

LOG(EXPENDA) 6.083316 0.382150 15.91866 0.0000
LOG(EXPENDB) -6.615417 0.378820 -17.46321 0.0000
PRTYSTRA 0.151957 0.062018 2.450210 0.0153
R-squared 0.792557 Mean dependent var 50.50289

Adjusted R-squared 0.788874 S.D. dependent var 16.78476
S.E. of regression 7.712335 Akaike info criterion 6.946369
Sum squared resid 10052.14 Schwarz criterion 7.019277
Log likelihood -596.8609 Hannan-Quinn criter. 6.975948
F-statistic 215.2266 Durbin-Watson stat 1.604129
Prob(F-statistic) 0.000000
Koefisien pada log(EXPENDA) dan log(EXPENDB) secara statistik signifikan dibuktikan dengan nilai p-
value yaitu 0,000 (0,000 < α = 5%). Interpretasinya yaitu jika pengeluaran Kandidat A naik sebesar 1%
ceteris paribus maka vote/pilihan kepada Kandidat A akan naik sebesar 0,06083 persentase poin.
Jika pengeluaran Kandidat B naik sebesar 1% ceteris paribus maka vote/pilihan kepada Kandidat A
akan turun sebesar 0,0661 persentase poin.
Ketika koefisien pada log(EXPENDA) dan log(EXPENDB) tandanya berlawanan sesuai ekspektasi,
maka hipotesis yang digunakan seperti pada poin (ii) yaitu H0 : B1 = -B2.
Maka langkah pengerjaannya adalah:

a. Buka eviews > klik eviews workfile
b. Pilih file/direktori file VOTE1

c. Setelah file terbuka, kemudian klik Quick dan Pilih Estimate Equation
d. Masukkan formulasi: “votea c log(expenda) log(expendb) prtystra” kemudian klik OK
e. Setelah itu akan akan didapatkan hasil regresi sebagai berikut:

Date: 11/19/19 Time: 11:02
Sample: 1 173
C 45.07893 3.926305 11.48126 0.0000

LOG(EXPENDA) 6.083316 0.382150 15.91866 0.0000
LOG(EXPENDB) -6.615417 0.378820 -17.46321 0.0000
PRTYSTRA 0.151957 0.062018 2.450210 0.0153

(iV) Estimate a model that directly gives the t statistic for testing the hypothesis in part (ii). What do
you conclude? (Use a two-sided alternative.).
Untuk mengestimasi model pada poin (ii) yaitu H0 : β 1 + β 2 = 0.

a. Klik Quick dan Pilih Estimate Equation
d. Masukkan formulasi: “votea c (log(expenda)+log(expendb)) prtystra” kemudian klik OK


Date: 12/03/19 Time: 22:12
Sample: 1 173
C 24.44767 7.850678 3.114084 0.0022

LOG(EXPENDA)+LOG(EXPENDB) -0.320603 0.546921 -0.586196 0.5585
PRTYSTRA 0.587887 0.121375 4.843564 0.0000

Simpulannya: Hasil penjumlahan log(expendA) dan log(expendB) menunjukkan tanda koefisien

negatif dan nilai p-value tidak signifikan (0,5585 > α = 0,05), maka dapat diartikan ketika expend A
dan expend B bertambah 1% tidak akan berpengaruh terhadap vote Kandidiat A.
C2 Use the data in LAWSCH85 for this exercise.
(i) Using the sa
rank of law schools has no ceteris paribus effect on median starting salary?
Jawab:
Model yang diestimasi dari Ch. 3 Problem 4 yaitu:
Diminta untuk menentukan dan uji Ho : b5 = 0 dimana ”rank” (ranking dari sekolah hukum) tidak
berpengaruh terhadap gaji.
a. Buka eviews > klik eviews workfile
b. Pilih file/direktori file LAWSCH85
c. Setelah file terbuka, kemudian klik Quick dan Pilih Estimate Equation
d. Masukkan formulasi: “log(salary) c lsat gpa log(libvol) log(cost) rank” kemudian klik OK
Dependent Variable: LOG(SALARY)

Date: 12/04/19 Time: 07:02
Sample (adjusted): 1 155
Included observations: 136 after adjustments
C 8.343226 0.532519 15.66746 0.0000

LSAT 0.004696 0.004010 1.171044 0.2437
GPA 0.247524 0.090037 2.749133 0.0068
LOG(LIBVOL) 0.094993 0.033254 2.856564 0.0050
LOG(COST) 0.037554 0.032106 1.169682 0.2443
RANK -0.003325 0.000348 -9.540787 0.0000

S.E. of regression 0.112412 Akaike info criterion -1.490183
Sum squared resid 1.642730 Schwarz criterion -1.361684
Log likelihood 107.3324 Hannan-Quinn criter. -1.437964
Dari hasil estimasi diketahui bahwa koefisien koefisien dari ”rank” sebesar -0,003325 dan p-value
menunjukkan hasil yang signifikan (0,0000 < α = 5%). Interpretasinya yaitu: Jika ranking untuk
sekolah hukum naik sebanyak satu, maka gaji awal akan berkurang sekitar 0,33 persen.
(ii) Are features
significant for explaining salary? (Be sure to account for missing data on LSAT and GPA.)?
Menguji signifikansi koefisien LSAT dan GPA secara parsial dan bersama-sama terhadap salary
Jawab:
Uji Parsial
Dari hasil estimasi poin (i) di atas diketahui bahwa nilai p-value dari “LSAT” menunjukkan hasil tidak
signifikan terhadap gaji (0,2437 > α = 5%). Sedangkan nilai p-value dari ”GPA” menunjukkan hasil
yang signifikan terhadap gaji (0,0068 < α = 5%).
Uji Gabungan/Restristed
Langkah-langkahnya:
a. Buka view > coefficient Diagnostics > Wald Test – Coefficient Restrictions
b. Masukkan formulasi berikut

c(2)=0, c(3)=0
c. Setelah diuji dengan Wald Test, maka didapatkan hasil berikut:
Wald Test:
Equation: Untitled
Test Statistic Value df Probability
F-statistic 9.951742 (2, 130) 0.0001

Chi-square 19.90348 2 0.0000
Null Hypothesis: C(2)=0,C(3)=0

Null Hypothesis Summary:
Normalized Restriction (= 0) Value Std. Err.
C(2) 0.004696 0.004010

C(3) 0.247524 0.090037
Restrictions are linear in coefficients.
Variabel GPA signifikan dengan nilai p-value pada C(2) sebesar 0,004. Secara gabungan nilai F-
statistic sebesar 9,95 dengan (2, 130 degree of fredoom) dan nilai p-value menunjukkan bahwa
signifikan (0,0001 < α = 5%). Hal tersebut menunjukkan bahwa variabel lsat dan gpa secara bersama-
sama signifkan berpengaruh terhadap gaji pada tingkat signifikansi 5%.
(iii) Test whethe

added to this equation; carry out a single test. (Be careful to account for missing data on clsize and
faculty.)
Jawab:
Diminta untuk menilai apakah perlu tambahan variabel ”clsize” dan ”faculty” dalam model regresi.

a. Setelah file terbuka, kemudian klik Quick dan Pilih Estimate Equation
d. Masukkan formulasi: “log(salary) c lsat gpa log(libvol) log(cost) rank clsize faculty” kemudian klik
OK

Date: 12/04/19 Time: 07:56
Sample (adjusted): 1 155
Included observations: 131 after adjustments
C 8.415897 0.552253 15.23920 0.0000

LSAT 0.005582 0.004180 1.335547 0.1842
GPA 0.266067 0.093250 2.853275 0.0051
LOG(LIBVOL) 0.055158 0.040400 1.365283 0.1747
LOG(COST) 0.029672 0.034683 0.855513 0.3939
RANK -0.003428 0.000357 -9.593658 0.0000
CLSIZE 0.000134 0.000154 0.874062 0.3838
FACULTY 6.75E-05 0.000400 0.168720 0.8663

f. Kemudian buka view > coefficient Diagnostics > Wald Test – Coefficient Restrictions
g. Masukkan formulasi berikut

c(7)=0,c(8)=0
h. Setelah diuji dengan Wald Test, maka didapatkan hasil berikut:
Wald Test:
Equation: Untitled
F-statistic 0.948369 (2, 123) 0.3902

Chi-square 1.896739 2 0.3874
Null Hypothesis: C(7)=0,C(8)=0

C(7) 0.000134 0.000154

C(8) 6.75E-05 0.000400

Secara gabungan nilai F-statistic sebesar 0,95 dengan (2, 123 degree of fredoom) dan nilai p-value
menunjukkan bahwa tidak signifikan (0,3902 > α= 5%). Hal tersebut menunjukkan bahwa variabel
clsize dan faculty secara bersama-sama tidak signifkan berpengaruh terhadap gaji pada tingkat
signifikansi 5% atau bahkan tingkat signifikansi 10% sekalipun.
(iv) What factor

regression?
Jawab:
Jika hanya ingin menentukan pengaruh ranking sekolah hukum pada gaji pada awalnya, kita harus
mengendalikan faktor-faktor lain yang mempengaruhi gaji dan peringkat. Skor LSAT dan IPK mungkin
merupakan variabel kontrol yang baik untuk menilai kualitas siswa. Namun, jika ada perbedaan jenis
kelamin dan komposisi ras di seluruh sekolah, dan perbedaan gender dan ras yang sistematis dalam
gaji, kita juga bisa mengendalikannya.
Namun, tidak jelas mengapa ini akan berkorelasi dengan pangkat. Kualitas fakultas, mungkin diukur
dengan catatan publikasi, dapat dimasukkan. Hal-hal semacam itu memang masuk peringkat hukum
sekolah.
C3 Refer to Computer Exercise C2 in Chapter 3. Now, use the log of the housing price as the
dependent variable:
log(price) = β 0 + β 1sqrft + β 2bdrms + u.
(i) You are interested in estimating and obtaining a confidence interval for the percentage change in
price when a 150-square-foot bedroom is added to a house. In decimal form, this is u1 5 150b1 1 b2.
Use the data in HPRICE1.RAW to estimate θ1.
(ii) Write b2 in terms of u1 and b1 and plug this into the log(price) equation.
(ii) Use part (ii) to obtain a standard error for θ1 and use this standard error to construct a 95%
confidence interval.
JAWAB
log(price) c sqrft bdrms
Dependent Variable: LOG(PRICE)
Date: 11/27/19 Time: 10:24
Sample: 1 88
C 4.766027 0.097044 49.11178 0.0000

SQRFT 0.000379 4.32E-05 8.781028 0.0000
BDRMS 0.028884 0.029643 0.974403 0.3326

(i) model log(price)= 4,766 + 0,000379 sqrft + 0,028884 bdrms

n = 88, R2 = 0,588
estimasi persentase perubahan price jika ada penambahan 150 square foot
θ^ 1=150 β 1+ β 2
θ^ 1=150 (0,000379)❑+0,028884=0,085734 atau 8,57%
(i) model log(price)= β 0+ β 1sqrft + β 2bdrms +u
β 2=θ1−150 β 1 maka
log(price)= β 0+ β 1sqrft +( θ1−150 β 1 )bdrms +u
log ( price )=β 0 + β 1 (sqrft −150 bdrms¿)+ɵ 1 bdrms+u ¿
(iiI) Dari hasil regresi (ii) , tentukan standar error θ1 dan gunakan standar error tersebut untuk
membentuk confidence interval dengan tingkat kepercayaan 95 persen.
log(price) c (sqrft-150*bdrms) bdrms
Dependent Variable: LOG(PRICE)
Date: 11/28/19 Time: 08:38
Sample: 1 88
C 4.766027 0.097044 49.11178 0.0000

SQRFT-150*BDRMS 0.000379 4.32E-05 8.781028 0.0000
BDRMS 0.085801 0.026768 3.205429 0.0019

log ( price )=4,766027+0,000379( sqrft −150 bdrms)+0,085801 bdrms+u

(0,097044) (0,0000432) (0,026768)
n = 88
R2=0,588295
standar error (θ^ 1) = 0,026768
Dengan tingkat kepercayaan 95 persen, maka Confidence interval θ^ 1yang terbentuk adalah sebagai
berikut
Select View/Coefficient Diagnostics/Confidence Intervals
Coefficient Confidence Intervals

Date: 11/28/19 Time: 09:06
Sample: 1 88
90% CI 95% CI
Variable Coefficient Low High Low High
C 4.766027 4.604644 4.927410 4.573077 4.958978

SQRFT-150*BDRMS 0.000379 0.000308 0.000451 0.000294 0.000465
BDRMS 0.085801 0.041288 0.130315 0.032580 0.139022
Secara manual juga dapat dihitung sebagai berikut :
θ^ 1−t 0,025,85¿ se ( θ^ 1)<ɵ1 < ɵ̇1+ t 0,025,85 ¿ se( θ^ 1)

0,085801−1,99 ¿ 0,026768<¿❑ θ^ 1< 0,085801+ 1,99¿ 0,026768 ¿
0,0326¿ θ^ 1 <¿0,139
Dapat disimpulkan dengan tingkat kepercayaan 95 persen, nilai parameter θ^ 1 berada diantara nilai
0,0326 dan 0,139. Oleh karena dari hasil estimasi nilai θ^ 1 sebesar 0,085801 dan nilai parameter
berada didalam interval, dapat diartikan bahwa dengan tingkat kepercayaan 95 persen variabel
jumlah kamar (bdrms) signifikan mempengaruhi harga rumah.
C4 In Example 4.9, the restricted version of the model can be estimated using all 1,388 observations
in
the sample. Compute the R-squared from the regression of bwght on cigs, parity, and faminc using
all
observations. Compare this to the R-squared reported for the restricted model in Example 4.9.
bwght c cigs parity faminc motheduc fatheduc
Dependent Variable: BWGHT

Date: 11/28/19 Time: 09:30
Sample: 1 1388
C 114.5243 3.728453 30.71631 0.0000

CIGS -0.595936 0.110348 -5.400524 0.0000
PARITY 1.787603 0.659406 2.710932 0.0068
FAMINC 0.056041 0.036562 1.532794 0.1256
MOTHEDUC -0.370450 0.319855 -1.158182 0.2470
FATHEDUC 0.472394 0.282643 1.671345 0.0949

bwght c cigs parity faminc
Dependent Variable: BWGHT

Date: 11/28/19 Time: 09:37
Sample: 1 1388

C 114.2143 1.469300 77.73383 0.0000
CIGS -0.477154 0.091518 -5.213769 0.0000
PARITY 1.616372 0.603955 2.676312 0.0075
FAMINC 0.097920 0.029187 3.354946 0.0008

R-kuadrat dari bwght regresi pada cigs, parity, dan faminc, menggunakan semua 1.388 pengamatan,
adalah sekitar 0,0348. Ini berarti bahwa, jika kita secara keliru menggunakan ini menggantikan
0,0364, yang merupakan kuadrat-R yang menggunakan 1.191 pengamatan yang sama yang tersedia
dalam regresi tidak terbatas, kita akan memperoleh:
(0,0348−0,0387) 1.185
F= x ≈ 2,40
(1−0,0387) 2
yang menghasilkan nilai-p 0,091 dalam distribusi F dengan 2 dan 1, 1185 df. Ini signifikan pada level
10%, tetapi tidak benar. Statistik F yang benar dihitung sebagai 1,42 pada Contoh 4.9, dengan nilai p
≈ 0,242
C5 Use the data in MLB1 for this exercise.

i. Use the mod
statistical significance of hrunsyr? What about the size of the coefficient on hrunsyr?
log ( salary ) =β 0+ β 1 years+ β2 gamesyr+ β3 bavg+ β 4 hrunsyr + β 5 rbisyr +u
ii. Add the vari
per year) to the model from part (i). Which of these factors are individually significant?
iii. In the mode
Jawaban
i. Use the mod
statistical significance of hrunsyr? What about the size of the coefficient on hrunsyr?
log ( salary ) =β 0+ β 1 years+ β2 gamesyr+ β3 bavg+ β 4 hrunsyr + β 5 rbisyr +u
Steps: 1
Steps: 2
Steps: 3
Without rbisyr With rbisyr
Dependent Variable: LOG(SALARY) Dependent Variable: LOG(SALARY)

Method: Least Squares Method: Least Squares
Date: 12/04/19 Time: 07:30 Date: 12/04/19 Time: 07:33
Sample: 1 353 Sample: 1 353
Included observations: 353 Included observations: 353
Variable Coefficient Std. Error t-Statistic Prob. Variable Coefficient Std. Error t-Statistic Prob.
C 11.02091 0.265719 41.47580 0.0000 C 11.19242 0.288823 38.75184 0.0000

YEARS 0.067732 0.012113 5.591798 0.0000 YEARS 0.068863 0.012115 5.684295 0.0000
GAMESYR 0.015759 0.001564 10.07889 0.0000 GAMESYR 0.012552 0.002647 4.742440 0.0000
BAVG 0.001419 0.001066 1.330995 0.1841 BAVG 0.000979 0.001104 0.886811 0.3758
HRUNSYR 0.035943 0.007241 4.963997 0.0000 HRUNSYR 0.014429 0.016057 0.898643 0.3695
RBISYR 0.010766 0.007175 1.500458 0.1344
Mean dependent
R-squared 0.625388 var 13.49218 Mean dependent
Adjusted R- S.D. dependent R-squared 0.627803 var 13.49218
squared 0.621082 var 1.182466 Adjusted R- S.D. dependent
S.E. of Akaike info squared 0.622440 var 1.182466
regression 0.727882 criterion 2.216709 S.E. of Akaike info
Sum regression 0.726577 criterion 2.215907
squared Sum squared
resid 184.3749 Schwarz criterion 2.271474 resid 183.1863 Schwarz criterion 2.281626
Log Hannan-Quinn Log Hannan-Quinn
likelihood -386.2491 criter. 2.238500 likelihood -385.1076 criter. 2.242057
Durbin-Watson Durbin-Watson
F-statistic 145.2403 stat 1.244041 F-statistic 117.0603 stat 1.265390
Prob(F- Prob(F-
statistic) 0.000000 statistic) 0.000000
Model yang terbentuk

log(salary)= 11 ,02 + 0,0677 yesras + 0,0158 gamesyr - 0,0014 bavg + 0,0359 hrunsyr
variabel hrunsyr signifikan memengaruhi salary (p-value<0,05). Setiap kenaikan 1 satuan hrunsyr
akan menyebabkan gaji naik 3,5% (0,0359*100%)
ii.
Add the variables runsyr (runs per year), fldperc (fielding percentage), and sbasesyr (stolen bases per
year) to the model from part (i). Which of these factors are individually significant?
Steps: 1
Steps: 2
-
Steps: Output

Date: 12/04/19 Time: 07:51
Sample: 1 353
C 10.40827 2.003255 5.195679 0.0000

YEARS 0.069985 0.011976 5.843968 0.0000
GAMESYR 0.007900 0.002677 2.950374 0.0034
BAVG 0.000530 0.001104 0.479825 0.6317
HRUNSYR 0.023211 0.008639 2.686673 0.0076
RUNSYR 0.017392 0.005064 3.434429 0.0007
FLDPERC 0.001035 0.002005 0.516357 0.6059
SBASESYR -0.006419 0.005184 -1.238212 0.2165

Model yang terbentuk

log(salary)= 10.40827+ 0.069985yesras + 0.007900gamesyr + 0.023211hrunsyr + 0.017392 runsyr
ketika variabell runsyr (runs per year), fldperc (fielding percentage), and sbasesyr (stolen bases per
year) dimasukkan ke dalam model, hanya variabel runsyr yang signifikan memengaruhi gaji (P-
value<0,05). Ketika variable runsyr naik 1 pelari per tahun akan menyebabkan gaji naik 1,74%
(0,017392*100%)
iii. In the mode
Wald Test:
Equation: Untitled
t-statistic -0.834171 345 0.4048

F-statistic 0.695841 (1, 345) 0.4048
Chi-square 0.695841 1 0.4042
Null Hypothesis: C(4)+C(7)+C(8)=0

C(4) + C(7) + C(8) -0.004854 0.005819
Ho: b3+b6+b8=0
H1: b3+b6+b8≠0
Kesimpulan : Tidak Tolak H0, Ketika menguji variabel bavg, fldperc, dan sbasesyr secara bersama
sama diperloreh hasi bahwa secara bersama-masa variabel ini tidak memengaruhi gaji dilihat dari uji
F dan Chi-square (p-value>0,05)
C6 Use the data in WAGE2 for this exercise.
Jawaban
1. Consider the
log ( wage )=β 0+ β1 educ + β 2 exper + β3 tenure+ u
State the null hypothesis that another year of general workforce experience has the same effect on
log(wage) as another year of tenure with the current employer.
Ho: b2=b3
H1: b2≠ b3
Steps: 1
Steps 2:
Steps: Output
Dependent Variable: LWAGE
Date: 12/04/19 Time: 08:54
Sample: 1 935
C 5.496696 0.110528 49.73115 0.0000

EDUC 0.074864 0.006512 11.49549 0.0000
EXPER 0.015328 0.003370 4.549086 0.0000
TENURE 0.013375 0.002587 5.169615 0.0000

Steps: 4
Steps: 5
Steps: Output
Wald Test:
Equation: Untitled
F-statistic 31.78796 (2, 931) 0.0000

Chi-square 63.57591 2 0.0000
Null Hypothesis: C(3) = C(4) = 0

C(3) 0.015328 0.003370

C(4) 0.013375 0.002587

Dari hasil uji wald diperoleh bahwa experience dan tenure signifikan,sama-sama memengaruhi gaji
(F statistik, p-value<0,05)
Dependent Variable: LOG(WAGE)

Date: 11/19/19 Time: 12:04
Sample: 1 935
C 6.033876 0.089059 67.75137 0.0000

EDUC 0.056591 0.006266 9.031545 0.0000
EXPER-TENURE -0.003943 0.002358 -1.672205 0.0948

Variabel exper-tenure tidak signifikan memengaruhi gaji pada level 5% namun signifikan pada level
10%.
C7 Refer to the example used in Section 4-4. You will use the data set TWOYEAR.
(i) The variable
example, 90 means you are ranked better than 90 percent of your graduating class.) Find the
smallest, largest, and average phsrank in the sample.
Jawab
Phsrank adalah persentil dari siswa anak Sekolah Menengah Atas
Untuk mencari nilai terkeccil, terbesar dan rata rata dari phsrrank dalam sampel,
langkahnya:
Berdasarkan hasil olah dengan menggunakan analisis statisti deskriptif diperoleh:

Nilai terkecil dari variabel phsrank : 00.00
Nilai terbesar dari variabel phsrank :99.00
Nilai rata-rata dari variabel phsrank : 56.157
(ii) Add phsrank
statistically significant? How much is 10 percentage points of high school rank worth in
terms of wage?
Jawab
Log(wage) =β0+θ1jc+β2 totcoll+β3 exper+β4 phsrank+u
Jc = number of years attending a two-year college
Totcoll = jc+univ
Exper = months in the workforce
Dependent Variable: LWAGE

Date: 11/28/19 Time: 14:22
Sample: 1 6763
C 1.458747 0.023621 61.75602 0.0000

JC -0.009311 0.006969 -1.335970 0.1816
TOTCOLL 0.075476 0.002559 29.49615 0.0000
EXPER 0.004940 0.000158 31.36034 0.0000
PHSRANK 0.000303 0.000239 1.269154 0.2044

Baik dengan α (tingkat signifikansi) 5% atau 10% variabel phsrank tidak signifikan secara statistik.
Dapat dilihat pada nilai probabiltitanya (0.2044<α) Jika kita menaikkan nilai phsrank sebesar 10,
maka nilai dari log(wage) meningkat sebesar [10*0.000303] = 0.00303. Ini menyiratkan peningkatan
variabel phsrank sebesar 10% akan menyebabkan peningkatan upah sebesar 0.3% (Namun, standar
deviasi sampel phsrank adalah sekitar 24)
(ii) Does adding phsrank to (4.26) substantively change the conclusions on the returns to two- and
four-year colleges? Explain.
Jawab
Menambahkan phsrank membuat statistik t pada jc bahkan lebih kecil dalam nilai absolut,
sekitar 1,33, tetapi besarnya koefisien mirip dengan (4,26). Oleh karena itu, titik dasar tetap
tidak berubah: kembalinya ke perguruan tinggi junior diperkirakan agak lebih kecil, tetapi
perbedaannya tidak signifikan dan standar tingkat signifikan
(iii) The data set

you expect it to be statistically insignificant. What is the two-sided p-value?
Jawab
Alasan kenapa menambah variabel id ke dalam persamaan (4.17) atau (4.26) tidak akan
signifikan, karena variabel id adalah nomor untuk mengidentifikasi sampel pekerja yang
sifatnya random. Sehingga variabel id tidak boleh dikoelasikan dengan variabel apapun. Jika
variabel id ditambahkan baikke persamaan (4.17) ataupun (4.26) seharusnya tidak signiikan.
Setelah variabel id dimasukan kedalam persamaan (4.170 ataupun (4.26) memang tidak
sgnifikan.
C8 The data set 401KSUBS contains information on net financial wealth (nettfa), age of the
survey respondent (age), annual family income (inc), family size (fsize), and participation in
certain pension plans for people in the United States. The wealth and income variables are
both recorded in thousands of dollars. For this question, use only the data for single-person
households (so fsize 5 1).
(i) How many s
Jawab
Dari 9,275 sampel rumah tangga, terdapat 2,017 rumah tangga yang memiliki jumlah anggota rumah
tangga 1 orang.
(ii) Use OLS to e
nettfa = β0 +β1inc + β2 age + u,
and report the results using the usual format. Be sure to use only the single-person households in
the sample. Interpret the slope coefficients. Are there any surprises in the slope estimates?
Dependent Variable: NETTFA
Date: 11/29/19 Time: 11:25
Sample: 1 9275 IF FSIZE=1
C -43.03981 4.080393 -10.54796 0.0000

INC 0.799317 0.059731 13.38200 0.0000
AGE 0.842656 0.092017 9.157631 0.0000

Sum squared resid 4021048. Schwarz criterion 10.44688
Model yang terbentuk:

nettfa = -43.03981 +0.799317 inc +0.842656 age
Koefisien inc sebesar 0.799317 berarti peningkatan $1000 inc (annual family income) menyebabkan
peningkatan nettfa (net financial wealth) sebesar $799.317, cateris paribus. Koefisien age sebesar
0.842656 berarti peningkatan 1 satuan variabel age (age of the survey respondent) meyebabkan
peningkatan nettfa (net financial wealth) sebesar $843, cateris paribus. Dari nilai slope untuk
variabel inc dan age tidak ada nilai yang mengejutkan karena sesuai dengan teori.
(iii) Does the int
Jawab:
Nilai intersep sebesar -43.04 berarti jika usia responden 0 tahun dan tidak memiliki pendapatan
maka nilai dari nettfa -43.04. Nilai intersep tersebut tidak bermakna karena tidak ada jangkauan nilai
variabel bebas memasukan 0 sebagai salah satu nilai yang diamati.
(iv) Find the p-value for the test H0: β2= 1 against H1: β2 < 1. Do you
reject H0 at the 1% significance level?
Jawab:
H0: β2= 1
H1: β2 < 1
Wald Test:
Equation: Untitled
t-statistic -1.709944 2014 0.0874

F-statistic 2.923908 (1, 2014) 0.0874
Chi-square 2.923908 1 0.0873
Null Hypothesis: C(3)=1

-1 + C(3) -0.157344 0.092017
Jadi untuk menentukan keputusan apakah tolak H0 atau tidak tolak H0 memakai
rumus di bawah ini karena one tail:
t stat= ¿^¿-β2)/Se( ^
β 2 ¿= (0.843−1)/ 0.092= -1.71
t tabel= t(1-α;n-2) nilainya cenderung lebih dari t stat, jadi keputusannya adalah
tolak H0
(v) If you do a simple regression of nettfa on inc, is the estimated coefficient on
inc much different from the estimate in part (ii)? Why or why not?
Dependent Variable: NETTFA
Date: 12/08/19 Time: 20:36
Sample: 1 9275 IF FSIZE=1
C -10.57095 2.060678 -5.129843 0.0000

INC 0.820681 0.060900 13.47589 0.0000

Sum squared resid 4188483. Schwarz criterion 10.48390
KOefisien slope variabel inc pada simple regression adalah 0.821, tidak terlalu berbeda dg koefisien
slope pada model multiple regression yaitu 0.799. Dan setelah dilihat korelasi antara variabel inc dan
age adalah sebesar 0.039, ini menjelaskan bahwa kenapa pada simple dan multiple regression nilai
estimasi untuk koefisien slope variabel inc tidak berbeda.
C9. Use the data in DISCRIM to answer this question. These are ZIP code–level data on prices for
various items at fast-food restaurants, along with characteristics of the zip code population, in New
Jersey and Pennsylvania. The idea is to see whether fast-food restaurants charge higher prices in
areas with a larger concentration of blacks
(i) Find the average values of prpblck and income in the sample, along with their
standard deviations. What are the units of measurement of prpblck and income?
Jawab : buka data DISCRIM di Eviews 9 kemudian klik quick Group statistic Descriptive
stastistics  common samplel
Setelah itu aka muncul tampilan seperti di bawah ini, kemudian masukkan variable yang akan
dihitung mean dan std deviasinya, klik ok.
Kemudian akan kelur hasilnya seperti di bawah ini
PRPBLCK INCOME
Mean 0.113486 47053.78
Median 0.041444 46272.00
Maximum 0.981658 136529.0
Minimum 0.000000 15919.00
Std. Dev. 0.182416 13179.29
Skewness 2.700012 0.962831
Kurtosis 10.56841 7.551386
Jarque-Bera 1473.100 416.2135

Probability 0.000000 0.000000
Sum 46.41594 19244998

Sum Sq. Dev. 13.57651 7.09E+10
Observations 409 409
Dari hasil analisis statistic deskriptif di atas, diperoleh rata-rata nilai dari prpblck dan income dengan
standar deviasi sebagai berikut:
 Rata-rata Pr
pos) adalah 0.1135 dengan standar deviasi 0.1824 yang dilakukan pada jumlah observasi/ jumlah
sampel sebanyak 409.
 Rata-rata Inc
47053.78 dengan standar deviasi 13179.29 yang dilakukan pada jumlah observasi/jumah sampel
sebanyak 409.
(ii) Consider a m
that is black and median income:
psoda= β0 + β 1 prpblck + β 2 income +u
Estimate this model by OLS and report the results in equation form, including the sample size and R-
squared. (Do not use scientific notation when reporting the estimates.) Interpret the coefficient on
prpblck. Do you think it is economically large?
Setelah data DISCRIM dibuka, maka akan keluar tampilan di bawah, klik quick  Estimate equation
Setelah itu, akan muncul tampilan seperti di bawah, masukkan variabel yang akan di regres sesuai
soal yang diminta, yakni
psoda= β0 + β 1 prpblck + β 2 income +u
Klik ok, maka akan keluar hasil regresi seperti di bawah ini
Dependent Variable: PSODA

Date: 11/17/19 Time: 09:51
Sample: 1 410
C 0.956320 0.018992 50.35379 0.0000

PRPBLCK 0.114988 0.026001 4.422515 0.0000
INCOME 1.60E-06 3.62E-07 4.430130 0.0000

Model yang diperoleh

Psoda = 0.956320 + 0.114988 pprblck + 0,0000016 income
Uji Parsial terhadap b0
Ho: b0=0
H1: b0≠0
α = 5%
Keputusan Tolak H0 jika nilai Prob < α = 5%
Karena nilai prob = 0.000, Maka keputusan adalah Tolak H 0
Kesimpulan: Dengan tingkat kepercayaan 5% b 0 signifikan mempengaruhi harga soda
Ho: b1=0
H1: b1≠0
α = 5%
Kesimpulan: Dengan tingkat kepercayaan 5% b 1 / proporsi banyaknya orang hitam disuatu wilayah
berdasarkan kodepos signifikan mempengaruhi
harga soda
Ho: b2=0
H1: b2≠0
α = 5%
Kesimpulan: Dengan tingkat kepercayaan 5% b 2/income signifikan mempengaruhi harga soda
Pengujian Simultan
Ho: b0= b1= b2=0
H1: min ada 1 koefisien b ≠0
α = 5%
Karena nilai prob ( F-statistic)= 0.000002, Maka keputusan adalah Tolak H 0
Kesimpulan secara bersama-sama koefisien b1/ proporsi orang hitam dan b 2/ income signifikan
mempengaruhi harga soda
Arti koefisien beta
b1 (proporsi orang hitam) =0.114988 Setiap kenaikan 1 satuan proporsi orang hitam dalam suatu
wilayah berdasarkan kodepos, maka harga soda meningkat sebesar 0.115 satuan, cateris paribus.
b2(Pendapatan)= 0.0000016 Setiap kenaikan 1 satuan income/pendapatan maka harga soda
meningkat sebesar 0.0000016 satuan, cateris paribus.
Arti koefisien R2 = 6.42%
Sebesar 6.42% variasi dalam variabel Y (harga soda) dapat dijelaskan oleh variabel X (proporsi orang
hitam dan pendapatan), sisanya sebesar 93.58% dijelaskan oleh variabel lain.
(iii) Compare the

Is the discrimination effect larger or smaller when you control for income?
Dengan tampilan yang tadi, klik estimate  masukkan variabel yang akan di regres dan klik ok
Dependent Variable: PSODA
Date: 11/17/19 Time: 11:03
Sample: 1 410
C 1.037399 0.005190 199.8668 0.0000

PRPBLCK 0.064927 0.023957 2.710146 0.0070

psoda=1,037 +0,065 prpblck
Dengan menggunakan income sebagai variable penjelas yang diregresikan secara simultan dengan
prpblck nilai β 1 = 0,1149 sedangkan bila tanpa menggunakan income sebagai variabel penjelas nilai
β 1 = 0,0649. Terjadi penurunan koefisien berdampak pada penurunan harga soda pada suatu
wilayah. Menurut saya, diskriminasi efek menjadi lebih kecil dengan tidak melibatkan variabel
income di dalam regresi karena hanya memperhatikan proporsi jumlah orang kulit hitamnya dalam
suatu wilayah saja.
(iv) A model wit
estimates of the model
log ⁡( psoda)=β 0+ β1 prpblck + β 2 log ⁡(income)+u
If prpblck increases by 0.20 (20 percentage points), what is the estimated percentage change in
psoda? (Hint: The answer is 2.xx, where you fill in the “xx.”)
Hasil Regresi
Dependent Variable: LOG(PSODA)
Date: 11/17/19 Time: 11:16
Sample: 1 410
C -0.793768 0.179434 -4.423738 0.0000

PRPBLCK 0.121580 0.025746 4.722349 0.0000
LOG(INCOME) 0.076511 0.016597 4.609987 0.0000

Kenaikan 0.20 (20%) pada prpblck menyebabkan psoda naik sebesar = 0.20 x (0.121580) =0.024316
atau 2.4316%
(v) Now add the

Hasil Regresi
Dependent Variable: LOG(PSODA)
Date: 11/17/19 Time: 11:24
Sample: 1 410
C -1.463332 0.293711 -4.982216 0.0000

PRPBLCK 0.072807 0.030676 2.373458 0.0181
LOG(INCOME) 0.136955 0.026755 5.118780 0.0000
PRPPOV 0.380360 0.132790 2.864364 0.0044

log(psoda) = -1,463332+0,072807prpblck + 0.136955log(Income)+ 0,380360 prppov
Setelah ditambahkan variabel pprpov (proporsi penduduk miskin) ke dalam model maka, diperoleh
nilai koefisien prpblck lebih kecil ( koefisien prpblck turun menjadi 0.072807) dibanding sebelum
ditambah variabel pprpov (koefisien prpblck 0.1216). Jadi semakin bertambahnya proporsi orang
miskin maka akan menaikkan harga soda.
(vi) Find the cor
Hasil output dari korelasi antara variabel Log(Income) dg prppov

LOG(INCOME) PRPPOV
LOG(INCOME) 1.000000 -0.838467
PRPPOV -0.838467 1.000000
Nilai korelasi antara variabel log(income) dengan prppov sebesar -0.838467 yaitu kuat dan
berlawanan arah., sesuai dengan teori bahwa tingkat kemiskinan ditentukan oleh tingkat
pendapatan, yaitu semakin tinggi tingkat kemiskinan maka semakin rendah tingkat pendapatan.
(vii) Evaluate the
they have no business being in the same regression.”
Nilai korelasi yang tinggi (-0.838) antara variabel log(income) dengan prppov patut dicurigai adanya
multikoliniearitas. Untuk meyakinkan apakah terjadi multikolinearitas pada dua variabel tersebut,
maka dilakukan penghitungan nilai centered VIF, jika nilai centered VIF diatas 10 maka terjadi
multikolinearitas. Ternyata nilai Centered VIF sebesar 3.400755, sehingga anatar keuda variabel
tersebut tidak terjadi multikolinearitas.
Variance Inflation Factors

Date: 11/18/19 Time: 21:53
Sample: 1 410
Coefficient Uncentered Centered

Variable Variance VIF VIF
C 0.092508 5046.545 NA

LOG(INCOME) 0.000768 4817.654 3.400755
PRPPOV 0.013545 7.207431 3.400755
Jadi tidak ada argument yang kuat yang mengatakan bahwa kedua variabel tersebut berkorelasi
kuat, tetapi kedua variabel tersebut digunakan hanya sebagai control untuk menentukan apakah ada
diskriminasi harga soda terhadap orang kulit hitam yang dikarenakan oleh variabel bebas
pendapatan dan proporsi orang miskin.
C10.
Use the data in ELEM94_95 to answer this question. The findings can be compared with those in
Table 4.1. The dependent variable lavgsal is the log of average teacher salary and bs is the ratio of
average benefits to average salary (by school).
(i) Run the simple regression of lavgsal on bs. Is the estimated slope statistically different fromzero?
Is it statistically different from -1?
Dependent Variable: LAVGSAL

Date: 12/02/19 Time: 11:14
Sample: 1 1848
C 10.74790 0.051662 208.0417 0.0000

BS -0.795124 0.149654 -5.313068 0.0000

H0: b2=0
H1: b2≠0
Nilai p-value pada b2 kecil dari α maka keputusan tolak H0, Variabel BS signifikan mempengaruhi
lavgsal. Selang kepercayaan yang di hasilkan adalah
Ketika
H0: b2=-1
H1: b2≠-1
Wald Test:
Equation: Untitled
t-statistic 1.368990 1846 0.1712

F-statistic 1.874134 (1, 1846) 0.1712
Chi-square 1.874134 1 0.1710
Null Hypothesis: C(2)=-1

1 + C(2) 0.204876 0.149654
ketika b2=-1 maka keputusan tidak tolak H0 dilihat dari niai F test mauun chi sqy=uare dimana p-
value>α
(ii) Add the variables lenrol and lstaff to the regression from part (i). What happens to the coefficient
on bs? How does the situation compare with that in Table 4.1?

Date: 12/02/19 Time: 11:19
Sample: 1 1848
C 13.95305 0.107234 130.1182 0.0000

BS -0.605061 0.108743 -5.564138 0.0000
LENROL -0.031585 0.008477 -3.726038 0.0002
LSTAFF -0.713720 0.017790 -40.11874 0.0000

Ketika lenrol dan lstaff ditambahkan ke regresi pert (ii), koefisien pada bs menjadi lebih kecil nilainya
dibandingkan regresi part (i), yaitu −0.605 karena ketika lstaff dan lenroll ditambah maka averae
salary akan berkurang , semain bertambah staff dan penambahan beban yang yang akan di gaji
menjadi lebih banyak pula, sehingga rata-rata gaji menjadi berkurang. Adapun Nilai bs hampir sama
dengan yang ada pada Tabel 4.1,, di mana estimasi regresi −0.605.
(iii) How come the standard error on the bs coefficient is smaller in part (ii) than in part (i)? (Hint:
What happens to the error variance versus multicollinearity when lenrol and lstaff are added?)
Kesalahan standar estimasi regresi sederhana adalah sekitar 0,150 (regresi pertama pada BS), dan
untuk estimasi regresi berganda adalah sekitar 0,109 (regresi kedua pada BS). Ketika kami
menambahkan variabel penjelas tambahan, dua faktor bekerja berlawanan arah pada kesalahan
standar. Multikolinearitas - dalam hal ini, korelasi antara bs dan dua variabel lenrol dan lstaff bekerja
untuk meningkatkan kesalahan standar regresi berganda. Bekerja untuk mengurangi kesalahan
standar ^β bsadalah varians kesalahan yang lebih kecil ketika lenrol dan lstaff dimasukkan dalam
regresi; pada dasarnya, mereka dikeluarkan dari istilah kesalahan regresi sederhana. Dalam contoh
khusus ini, multikolinearitas lebih sederhana dibandingkan dengan pengurangan varians kesalahan.
Faktanya, kesalahan standar dari regresi berubah dari 0,231 untuk regresi sederhana menjadi 0,168
dalam regresi berganda. (Cara lain untuk meringkas penurunan varians kesalahan adalah dengan
mencatat bahwa R-kuadrat berubah dari 0,0151 yang sangat kecil untuk regresi sederhana menjadi
0,4882 untuk regresi berganda.) Tentu saja, sebelumnya kita tidak dapat mengetahui efek mana
yang akan mendominasi, tetapi kita tentu saja dapat membandingkan kesalahan standar setelah
menjalankan kedua regresi
(iv) How come the coefficient on lstaff is negative? Is it large in magnitude?
Variabel lstaff adalah catatan jumlah staf per 1.000 siswa. Ketika lstaff meningkat, ada lebih banyak
guru per siswa. Kami dapat mengaitkan ini dengan ukuran kelas yang lebih kecil, yang umumnya
diinginkan dari perspektif guru. Tampaknya, semuanya sama, guru bersedia menerima gaji lebih
sedikit untuk memiliki ukuran kelas yang lebih kecil. Elastisitas gaji sehubungan dengan staf adalah
sekitar 14.714, yang tampaknya cukup besar: peningkatan sepuluh persen dalam ukuran staf
(mempertahankan pendaftaran tetap) dikaitkan dengan gaji yang lebih rendah 7,14 persen.
(v) Now add the variable lunch to the regression. Holding other factors fixed, are teachers being
compensated for teaching students from disadvantaged backgrounds? Explain.

Date: 12/06/19 Time: 20:13
Sample: 1 1848
C 13.83149 0.109726 126.0550 0.0000

BS -0.516129 0.109775 -4.701709 0.0000
LSTAFF -0.690632 0.018360 -37.61528 0.0000
LENROL -0.028409 0.008456 -3.359616 0.0008
LUNCH -0.000758 0.000161 -4.694620 0.0000

Ketika makan siang ditambahkan ke regresi, koefisiennya adalah sekitar −,00076, dengan t = −4,69.
Oleh karena itu, faktor-faktor lain tetap (bs, lenrol, dan lstaff), tingkat kemiskinan yang disewa
dikaitkan dengan gaji guru yang lebih rendah. Dalam kumpulan data ini, nilai rata-rata makan siang
adalah sekitar 36,3 dengan standar deviasi 25,4. Oleh karena itu, peningkatan satu standar deviasi
dalam makan siang dikaitkan dengan perubahan dalam lsalary sekitar −,00076 (25,4) ≈ −,019, atau
hampir dua persen lebih rendah. Tentu saja tidak ada bukti bahwa guru diberi kompensasi untuk
mengajar anak-anak yang kurang beruntung.
(vi) Overall, is the pattern of results that you find with ELEM94_95 consistent with the pattern in
Table 4.1?
Ya, pola yang diperoleh dengan menggunakan ELEM94_95.RAW sangat mirip dengan pada Tabel 4.1,
dan besarnya cukup dekat juga. Estimasi terbesar (dalam nilai absolut) adalah estimasi regresi
sederhana, dan nilai absolut menurun karena lebih banyak variabel penjelas ditambahkan. Regresi
akhir dalam dua kasus tidak sama, karena kami tidak mengontrol makan siang di Tabel 4.1, dan
tingkat kelulusan dan putus sekolah tidak relevan untuk anak-anak sekolah dasar
C11.
(I) educ= b0 + b1 motherdus + b2 faherduc +b3abil + b4 abil 2 + u
Dari hasil diatas diperoleh model:

educ= 8,24 + 0,19 motherduc +0,11 faherduc +0,40 abil + 0,05 abil 2 + u
variabel abil signifikan memengaruhi education. Ketika kemauan meningkat 1 satuan maka
pendidikannya akan naik sebesar 0,401 tahun. Variabel educ 2 yang signifikan menunjukkan tidak
adanya the law of diminishing namun INCREASING. Semakin tinggi ability maka edukasi semakin
tinggi juga.
(II)
Ho: b1=b2
Hi: b1≠b2
Hasil untuk restriksi koefisien wald test
Hasil dari wald-test adalah variabel mother education dan father education sama-sama tidak
memengaruhi education seseorang pada level 5% namun signifikan pada level 10%.
(III)
Hasil penambahan variabel independen tuit 17 dan tuit18
Dependent Variable: EDUC
Date: 12/08/19 Time: 06:02
Sample: 1 1230
C 8.081339 0.312614 25.85082 0.0000

MOTHEDUC 0.192863 0.028168 6.846867 0.0000
FATHEDUC 0.108368 0.019601 5.528692 0.0000
ABIL 0.399081 0.030336 13.15556 0.0000
ABIL*ABIL 0.050599 0.008302 6.095045 0.0000
TUIT17+TUIT18 0.007981 0.006187 1.290101 0.1973

Dari hasil regresi diketahui hasil penambahan variabel tuit17 dan tuit18 baik secara terpisah
maupun digabung tidak signifikan mempengaruhi education.
(IV)
corelasi anatar tuit 17 dan tuit 18 cukup kuat dan positif.
Dependent Variable: EDUC

Date: 12/08/19 Time: 06:09
Sample: 1 1230
MOTHEDUC 0.520449 0.029730 17.50592 0.0000

FATHEDUC 0.170232 0.022982 7.407228 0.0000
EXPER 1.013956 0.062437 16.23965 0.0000
EXPERSQ -0.057161 0.003339 -17.11738 0.0000
(TUIT17+TUIT18)/2 0.084275 0.014372 5.863757 0.0000

Durbin-Watson stat 1.719790
hetika variabel tuit17 dan tuit 18 yang dipakai dalam regresi adalah rata-ratanya maka dapat
menunjukkan rata-rata biaya kuliah signifikan mempengaruhi education. Rata-rata digunakan karena
biaya kuliah tahun x dan x-1 dapat digambarkan melalui rata-rata untuk melihat biaya kuliah selama
periode tertentu.
(V) Temuan untuk variabel kuliah rata-rata di bagian (iv) masuk akal ketika diartikan secara kausal
dan mungkin terjadi karena rata-rata menggambarkan populasi. Ketika biaya kuliah per tahun saja
yang di analisis nilai ini dapat menimbukan unconsiten karena biaya kuliah antar tahun pasti
memiliki hubungan korekasi yang tinggi sehingga jika mengunakan rata-rata masalah multikol dapat
teratasi.

Compile Pembahasan Buku Woolridge CH-4

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Compile Pembahasan Buku Woolridge CH-4

Diunggah oleh

Hak Cipta:

Format Tersedia

PEMBAHASAN BUKU WOOLRIDGE

Variable Coefficient Std. Error t-Statistic Prob.

C 45.07893 3.926305 11.48126 0.0000

R-squared 0.792557 Mean dependent var 50.50289

Maka langkah pengerjaannya adalah:

b. Pilih file/direktori file VOTE1

d. Masukkan formulasi: “votea c log(expenda) log(expendb) prtystra” kemudian klik OK

e. Setelah itu akan akan didapatkan hasil regresi sebagai berikut:

Variable Coefficient Std. Error t-Statistic Prob.

C 45.07893 3.926305 11.48126 0.0000

R-squared 0.792557 Mean dependent var 50.50289

Untuk mengestimasi model pada poin (ii) yaitu H0 : β 1 + β 2 = 0.

d. Masukkan formulasi: “votea c (log(expenda)+log(expendb)) prtystra” kemudian klik OK

Dependent Variable: VOTEA

Variable Coefficient Std. Error t-Statistic Prob.

C 24.44767 7.850678 3.114084 0.0022

R-squared 0.121360 Mean dependent var 50.50289

Simpulannya: Hasil penjumlahan log(expendA) dan log(expendB) menunjukkan tanda koefisien

b. Pilih file/direktori file LAWSCH85

e. Setelah itu akan akan didapatkan hasil regresi sebagai berikut:

Dependent Variable: LOG(SALARY)

Variable Coefficient Std. Error t-Statistic Prob.

C 8.343226 0.532519 15.66746 0.0000

R-squared 0.841685 Mean dependent var 10.54149

b. Masukkan formulasi berikut

Test Statistic Value df Probability

F-statistic 9.951742 (2, 130) 0.0001

Null Hypothesis: C(2)=0,C(3)=0

Normalized Restriction (= 0) Value Std. Err.

C(2) 0.004696 0.004010

Restrictions are linear in coefficients.

(iii) Test whethe

Maka langkah pengerjaannya adalah:

e. Setelah itu akan akan didapatkan hasil regresi sebagai berikut:

Variable Coefficient Std. Error t-Statistic Prob.

C 8.415897 0.552253 15.23920 0.0000

R-squared 0.843984 Mean dependent var 10.54013

g. Masukkan formulasi berikut

Test Statistic Value df Probability

F-statistic 0.948369 (2, 123) 0.3902

Null Hypothesis: C(7)=0,C(8)=0

Normalized Restriction (= 0) Value Std. Err.

C(7) 0.000134 0.000154

Restrictions are linear in coefficients.

(iv) What factor

Variable Coefficient Std. Error t-Statistic Prob.

C 4.766027 0.097044 49.11178 0.0000

R-squared 0.588295 Mean dependent var 5.633180

(i) model log(price)= 4,766 + 0,000379 sqrft + 0,028884 bdrms

Variable Coefficient Std. Error t-Statistic Prob.

C 4.766027 0.097044 49.11178 0.0000

R-squared 0.588295 Mean dependent var 5.633180

log ( price )=4,766027+0,000379( sqrft −150 bdrms)+0,085801 bdrms+u

Coefficient Confidence Intervals

C 4.766027 4.604644 4.927410 4.573077 4.958978

Secara manual juga dapat dihitung sebagai berikut :

θ^ 1−t 0,025,85¿ se ( θ^ 1)<ɵ1 < ɵ̇1+ t 0,025,85 ¿ se( θ^ 1)

Dependent Variable: BWGHT

Variable Coefficient Std. Error t-Statistic Prob.

C 114.5243 3.728453 30.71631 0.0000

R-squared 0.038748 Mean dependent var 119.5298

bwght c cigs parity faminc

Dependent Variable: BWGHT