Econometrics

Bentuk-bentuk Fungsional dan

Variabel Independen Dummy
 Using logs
• Linear-log Yi     ln X i  ui

• Log-linear ln Yi     X i  ui

• Log-log ln Yi     ln X i  ui

2
• Contoh:
Regresi pengaruh Luas Rumah (sqft: dalam meter persegi)
terhadap Harga Rumah (price: dalam ribu Dollar)

5
Generate Log dari masing-masing variabel  Klik Add  Logs of
selected variables

6
Hasil estimasi Model 1: Linear-Linear

^price = 52.4 + 0.139*sqft

(37.3) (0.0187)

Interpretasi koefisien (β): setiap Luas Rumah (sqft) bertambah

1 meter persegi, harga Rumah (price) naik 0.139 ribu dollar atau
139 dollar, Ceteris Peribus
Hasil estimasi Model 2: Linear-Log

^price = -1.66e+03 + 263*l_sqft

(274) (36.4)

Interpretasi koefisien (β): setiap Luas Rumah (sqft) bertambah 1 persen,

harga Rumah (price) naik 263/100 ribu dollar atau 2.63 ribu dollar atau
2630 dollar, Ceteris Peribus
 Hasil estimasi Model 3: Log-Linear

^l_price = 4.90 + 0.000430*sqft

(0.105) (5.30e-05)

Interpretasi koefisien (β): setiap Luas Rumah (sqft) bertambah 1 meter persegi,
harga Rumah (price) naik 0.00043 x 100 persen atau 0.043 persen, Ceteris
Paribus
Hasil estimasi Model 4: Log-Log

^l_price = -0.508 + 0.830*l_sqft

(0.710) (0.0944)

Interpretasi koefisien (β): setiap Luas Rumah (sqft) bertambah 1 persen,

harga Rumah (price) naik 0.83 persen, Ceteris Paribus
 Data Kualitatif dalam Model Regressi
(Penggunaan Dummy Variable)
Variabel Dummy: variabel yg merepresentasikan kuantifikasi dari variabel kualit
atif. Misal: jenis kelamin, pendidikan, lokasi, situasi, musim, & kualitas.
Jika data kualitatif tsb memiliki m kategori, maka jumlah variabel dummy yg
dicantumkan didlm model adalah (m-1).
Kesimpulan yg diambil dari keberadaan variabel dummy didlm model adlh
perbedaan nilai antar kategori ybs.
Variabel dummy sering juga disebut variabel boneka, binary, kategorik atau
dikotom.
Dummy memiliki nilai 1 (D=1) utk salah satu kategori dan nol (D=0) untuk
kategori yang lain.
 Dummy variables
• Captures the mean

Yi    Di
• Different intercept, same slope

Yi    1 X i   2 Di

12
 Dummy variables
• Different intercepts, different slopes

Yi    1 X i   2 Di   3 ( X i  Di )

• Same intercept, different slopes

Yi    1 X i   2 ( X i  Di )

13
MODEL REGRESI LINEAR DENGAN DUMMY VARIA
BEL

Variabel dummy digunakan sebagai upaya untuk meliha

t bagaimana klasifikasi-klasifikasi dalam sampel berpen
garuh terhadap parameter pendugaan. Variabel dummy
juga mencoba membuat kuantifikasi dari variabel kualit
atif.

Kita pertimbangkan model berikut ini:

I. Y = a + bX + c D1 (Model Dummy Intersep)
II. Y = a + bX + c (D1X) (Model Dummy Slope)
III. Y = a + bX + c (D1X) + d D1 (Kombinasi)
Model Dummy Model Dummy Model Dummy
Intersep Slope Kombinasi
Y= a + bX1 + cD1 Y= a + bX1 + cD1X1 Y= a + bX1 + cD1X1+ dD1

Y Y= a + (b+c).X1 Y= (a+d) + (b+c).X1

Y= (a + c) + bX1

Y’= a + bX1
Y’= a + bX1

Y’= a + bX1

Dummy Inters Dummy Slope Dummy Komb

ep inasi
 Dummy sebagai Variabel Bebas:

ANOVA Model:
Yi
Yi =  + Di + 
+
o o
o
Misal : o o
o
Yi = Penghasilan Karyawan
Di = 1 untuk laki-laki 
x
= 0 untuk wanita 
x x

x x x O =L
E(YiDi=0) =  x =P
E(YiDi=1) =  + 
D=0 D=1

Interpretasi:
Apakah jenis kelamin berpengaruh thdp penghasilan. Berapa perbedaan p
enghasilan antara laki2 dan wanita.
 Dummy sebagai Variabel Bebas:

ANCOVA Model: (gabungan kuantitatif & kualitatif)

1. Satu kuantitatif, satu kualitatif dg 2 kategori.
Yi = 1 + 2Di + Xi + 
Xi = Masa kerja
Yi (1+ 1)+Xi
E(YiXi, Di=0) = 1+Xi
E(YiXi, Di=1) = (1+2)+Xi o o
o
o
1+Xi
o

o
Interpretasi: x
Apakah jenis kelamin d x x

an masa kerja berpeng x x

aruh thdp peng-hasilan. x
Pada masa kerja ter-te
ntu, brp perbedaan pen
ghasilan antara Laki da Masa kerja
n wanita.
 Regresi: pengaruh IQ terhadap Upah (Wage)
Model: Wage = β0 + β1 IQ + ui
Dependent Variable: WAGE
Method: Least Squares
Date: 12/15/10 Time: 08:58
Sample: 1 935
Included observations: 935
Variable Coefficient Std. Error t-Statistic Prob.
C 116.9916 85.64153 1.366061 0.1722
IQ 8.303064 0.836395 9.927203 0.0000
R-squared 0.095535 Mean dependent var 957.9455
Adjusted R-squared 0.094566 S.D. dependent var 404.3608
S.E. of regression 384.7667 Akaike info criterion 14.74529
Sum squared resid 1.38E+08 Schwarz criterion 14.75564
Log likelihood -6891.422 F-statistic 98.54936
Durbin-Watson stat 0.188070 Prob(F-statistic) 0.000000

Hasilnya menunjukkan IQ signifikan mempengaruhi Wage (Prob. < 0.

05)
Interpretasi:
•Kenaikan 1 unit pada IQ akan meningkatkan upah sebesar 8.3 unit
• Tanpa memperhatikan IQ, tingkat upah adalah 116.9 unit
 1a. Dummy variabel sebagai intersep
(male=1, female=0)  female sebagai omitted category/condition
Dependent Variable: WAGE
Method: Least Squares
Date: 12/15/10 Time: 09:05
Sample: 1 935
Included observations: 935
Variable Coefficient Std. Error t-Statistic Prob.
C 323.4992 58.76639 5.504834 0.0000
IQ 3.795047 0.586981 6.465370 0.0000
MALE 584.5501 17.84879 32.75013 0.0000
R-squared 0.579481 Mean dependent var 957.9455
Adjusted R-squared 0.578578 S.D. dependent var 404.3608
S.E. of regression 262.4990 Akaike info criterion 13.98157
Sum squared resid 64220121 Schwarz criterion 13.99711
Log likelihood -6533.386 F-statistic 642.1532
Durbin-Watson stat 0.108585 Prob(F-statistic) 0.000000
Hasilnya menunjukkan IQ & dummy variable signifikan mempengaruhi Wage (Prob. < 0.05)
Interpretasi:
•Untuk Female, tingkat Wage-nya adalah 323.49 unit, tanpa melibatkan IQ (atau IQ=0).
• Untuk Male, tingkat Wage-nya adalah 908.04 unit (323.49 + 584.55) atau wage male 584.55 l
ebih besar dibanding female.
 1b. Dummy variabel sebagai intersep
(male=1, female=0)  female sebagai omitted category/condition
Dependent Variable: WAGE
Method: Least Squares
Date: 12/15/10 Time: 09:06
Sample: 1 935
Included observations: 935
Variable Coefficient Std. Error t-Statistic Prob.
C 908.0493 63.22311 14.36262 0.0000
IQ 3.795047 0.586981 6.465370 0.0000
FEMALE -584.5501 17.84879 -32.75013 0.0000
R-squared 0.579481 Mean dependent var 957.9455
Adjusted R-squared 0.578578 S.D. dependent var 404.3608
S.E. of regression 262.4990 Akaike info criterion 13.98157
Sum squared resid 64220121 Schwarz criterion 13.99711
Log likelihood -6533.386 F-statistic 642.1532
Durbin-Watson stat 0.108585 Prob(F-statistic) 0.000000

Hasilnya menunjukkan IQ & dummy variable signifikan mempengaruhi Wage (Prob. < 0.05)
Interpretasi:
•Untuk Male, tingkat Wage-nya adalah 908.04 unit, tanpa melibatkan IQ (atau IQ=0).
• Untuk Female, tingkat Wage-nya adalah 323.49 unit (908.04 - 584.55) atau wage female 584
.55 lebih rendah dibanding male (koefisien negatif).
 2. Dummy variabel sebagai slope
(male*IQ  interaction term: perkalian dua variabel independen)
Dependent Variable: WAGE
Method: Least Squares
Date: 12/15/10 Time: 09:08
Sample: 1 935
Included observations: 935
Variable Coefficient Std. Error t-Statistic Prob.
C 528.4826 59.83256 8.832693 0.0000
IQ 1.734983 0.605575 2.865018 0.0043
MALE*IQ 5.629293 0.172248 32.68141 0.0000
R-squared 0.578535 Mean dependent var 957.9455
Adjusted R-squared 0.577631 S.D. dependent var 404.3608
S.E. of regression 262.7939 Akaike info criterion 13.98382
Sum squared resid 64364488 Schwarz criterion 13.99935
Log likelihood -6534.436 F-statistic 639.6677
Durbin-Watson stat 0.159059 Prob(F-statistic) 0.000000
Hasilnya menunjukkan IQ & male*IQ signifikan mempengaruhi Wage (Prob. < 0.05)
Interpretasi:
•Untuk Female, setiap IQ naik 1 unit, maka Wage-nya naik 1.73 unit.
• Untuk Male, setiap IQ naik 1 unit, maka Wage-nya naik 7.36 unit (5.62+1.73).
 Further notes
• When comparing models, it’s best to use the
F-test
• If you want you may use adjusted-R2
• But, do NOT use adjusted-R2 to compare
models with different dependent variables!

22