Catatandan Pembahasan Soal Ekonometrika UASv 2

See discussions, stats, and author profiles for this publication at: https://www.researchgate.
net/publication/337419996
Catatan dan Pembahasan Soal Ekonometri
Method · December 2019
CITATIONS READS
0 17,180
1 author:
Ratna Indrayanti
Lembaga Demografi
21 PUBLICATIONS 12 CITATIONS
SEE PROFILE
All content following this page was uploaded by Ratna Indrayanti on 08 June 2020.
The user has requested enhancement of the downloaded file.

1 Catatan dan Pembahasan Soal Ekonometrika
Daftar Isi
1. Review Asumsi Dasar OLS.................................................................................................................................................3
2. Variabel Dummy dan Difference in Difference ........................................................................................................5
3. Model Regresi Lanjutan: Perubahan Skala dan Perbedaan Group ............................................................... 10
4. Endogenitas ......................................................................................................................................................................... 19
5. Analisis Data Panel............................................................................................................................................................ 25
6. LPM, Logit, dan Probit ..................................................................................................................................................... 45
7. Ordered Logit dan Multinomial Logit ....................................................................................................................... 49

1. Review Asumsi Dasar OLS
Model regresi linier sederhana dapat dituliskan sebagai berikut:
𝑌𝑖 = 𝛽1 + 𝛽2 𝑋𝑖 + 𝑢𝑖 ; 𝑖 = 1,2, … … … … … … . . , 𝑁
yang mana: N merupakan banyaknya observasi
Prinsip Ordinary Least Square (OLS)
𝑀𝑖𝑛𝑖𝑚𝑖𝑧𝑒
∑ 𝑢𝑖2 = ∑(𝑌𝑖 − 𝛽1 − 𝛽2 𝑋𝑖 )2
𝛽1 ,𝛽2
Teorema Gauss-Markov
Apabila model regresi linier memenuhi asumsi-asumsi berikut, maka taksiran yang diperoleh dengan
metode Ordinary Least Square mempunyai sifat BLUE (Best Linier Unbiased Estimator):
(i) 𝐸(𝑢𝑖 ) = 0
(ii) 𝑐𝑜𝑣 (𝑢𝑖 , 𝑢𝑗 ) = 0; 𝑖 ≠ 𝑗
(iii) 𝑣𝑎𝑟 (𝑢𝑖 |𝑥𝑖 ) = 𝜎 2 sama untuk setiap i (homoscedasticity)
(iv) 𝑐𝑜𝑣 (𝑢𝑖 , 𝑥𝑖 ) = 0
(v) Model regresi dispesifikasi secara benar
Penjelasan mengenai asumsi-asumsi tersebut adalah sebagai berikut:
(i) 𝐸 (𝑢𝑖 ) = 0 𝑎𝑡𝑎𝑢 𝐸(𝑢𝑖 |𝑥𝑖 ) = 0 𝑎𝑡𝑎𝑢 𝐸(𝑌𝑖 ) = 𝛽1 + 𝛽2 𝑋𝑖
𝑢𝑖 menyatakan variabel-variabel lain yang memengaruhi 𝑌𝑖 akan tetapi tidak terwakili di dalam model
Misal: 𝑌𝑖 = 𝛽1 + 𝛽2 𝑋𝑖 + 𝑢𝑖
Yang mana:
𝑌𝑖 = 𝑢𝑝𝑎ℎ
𝑋𝑖 = 𝑝𝑒𝑛𝑑𝑖𝑑𝑖𝑘𝑎𝑛 (𝑙𝑎𝑚𝑎 𝑠𝑒𝑘𝑜𝑙𝑎ℎ)
𝑢𝑖 = 𝑣𝑎𝑟𝑖𝑎𝑏𝑒𝑙 𝑙𝑎𝑖𝑛 𝑠𝑒𝑙𝑎𝑖𝑛 𝑙𝑎𝑚𝑎 𝑠𝑒𝑘𝑜𝑙𝑎ℎ 𝑦𝑎𝑛𝑔 𝑚𝑒𝑚𝑒𝑛𝑔𝑎𝑟𝑢ℎ𝑖 𝑢𝑝𝑎ℎ
Asumsi: pada saat 𝑋𝑖 (𝑙𝑎𝑚𝑎 𝑠𝑒𝑘𝑜𝑙𝑎ℎ) terobservasi, pengaruh 𝑢𝑖 terhadap 𝑌𝑖 diabaikan atau 𝑢𝑖 tidak
memengaruhi 𝐸(𝑌𝑖 ) secara sistematis

(ii) tidak ada korelasi antara 𝑢𝑖 dan 𝑢𝑗 {𝑐𝑜𝑣 (𝑢𝑖 , 𝑢𝑗 |𝑥𝑖 , 𝑥𝑗 ) = 0}; 𝑖 ≠ 𝑗
Artinya, pada saat 𝑥𝑖 sudah terobservasi, deviasi 𝑌𝑖 dari meannya tidak menunjukkan adanya pola
{𝐸 (𝑢𝑖 , 𝑢𝑗 ) = 0}
(iii). Homocedasticity; variansi 𝑢𝑖 sama; 𝑣𝑎𝑟(𝑢𝑖 ) = 𝜎 2 untuk setiap i
Misalkan:
Y= konsumsi/minggu
X=pendapatan/minggu
Terdapat hubungan yang positif antara X dan Y, dalam arti jika X meningkat, maka Y akan meningkat
pula. Dengan perkataan lain, makin kaya seseorang kian besar konsumsinya, tetapi variansinya juga
makin besar.
Bila:
▪ Variasi konsumsi orang kaya lebih besar dari orang miskin dikatakan heteroscedasticity
▪ Variasi konsumsi orang kaya sama dengan orang miskin dikatakan homocedasticity
(iv). Kovariansi antara 𝑢𝑖 dan 𝑥𝑖 nol {𝑐𝑜𝑣 (𝑢𝑖 , 𝑥𝑖 ) = 0}
Tidak ada korelasi antara 𝑢𝑖 dan 𝑥𝑖 . Dengan perkataan lain, bila 𝑥𝑖 : non-random, maka 𝐸 (𝑥𝑖 , 𝑢𝑖 ) = 0.
Jika 𝑥𝑖 meningkat, maka 𝑢𝑖 akan meningkat pula. Jika 𝑥𝑖 menurun, maka 𝑢𝑖 akan menurun pula. Maka
dikatakan bahwa ada korelasi antara 𝑢𝑖 dan 𝑥𝑖 .
(v). Model regresi dispesifikasi secara benar
Sebelum membuat model, kita perlu memperhatikan hal-hal sebagai berikut:
Bagaimana yang dikatakan oleh teori:
▪ Variabel-variabel apa saja yang perlu diperhatikan
▪ Bagaimana bentuk fungsinya

2. Variabel Dummy dan Difference in Difference
Persamaan regresi sederhana dan berganda sebelumnya hanya menunjukkan hubungan antara
variabel numerik baik variabel terikat maupun variabel bebasnya. Padahal untuk mengungkapkan
suatu fenomena, tidak jarang dibutuhkan variabel bukan numerik, yang salah satunya adalah variabel
kategorik
Contoh:
▪ Pengaruh wilayah tempat tinggal terhadap upah yang diterima
▪ Pengaruh Lapangan Usaha terhadap upah yang diterima
▪ Pengaruh tingkat pendidikan terhadap lama mencari kerja.
Bagaimana membentuk variabel Dummy?
▪ Variabel Dummy bernilai 1 atau 0
Ilustrasi:
1. Kota
2. Desa
Apakah bisa kita membuat regresi dengan ‘kode kategorik’ diatas, yaitu 1 dan 2?
Bila digunakan kode kategorik tersebut, berarti kita sudah memberi nilai pada ‘Desa’dua
kali‘Kota’.
Bila dibuat dummy, misalnya:
1. Kota = 1
2. Desa = 0.
Model: Y =  +  D + u
Y = Upah
D= Daerah tempat tinggal
D = 1 ; Kota
D = 0 ; Desa
u = kesalahan random.
▪ Dari model tersebut, rata-rata upah tenaga kerja :

Kota : E (Y  D = 1) =  + 
Desa : E (Y  D = 0) = 
▪ Jika  = 0 → tidak terdapat perbedaan upah antara daerah perkotaan dengan pedesaan.
▪ Jika   0 → terdapat perbedaan upah antara daerah perkotaan dengan pedesaan.
▪ Model diatas → merupakan model Regresi → OLS
Variabel dengan kategori lebih dari 2
Ilustrasi: Lapangan Usaha mempunyai 3 kategori:
1. Pertanian
2. Industri
3. Jasa
 Dibutuhkan variabel dummy sebanyak (3-1) = 2.
 Dua variabel dummy tersebut yaitu D2 dan D3 didefinisikan sebagai berikut:
D2 = 1 ; Lapangan usaha industri
0 ; lainnya
D3= 1 ; Lapangan usaha jasa
0 ; lainnya
Perhatikan model berikut :
Y = 1 + 2 D2 + 3 D3 +  X + u
Y= upah yang diterima tenaga kerja
X=pengalaman
D2 =1 ; lapangan usaha industri
0 ; lainnya
D3=1 ; lapangan usaha jas
0 ; lainnya
Rata-rata upah tenaga kerja berdasarkan lapangan usaha:
 Pertanian : 1 + X
 Industri : 1 + 2 + X
 Jasa : 1 + 3 + X
Ilustrasi dengan variabel interaksi
Diberikan persamaan upah sebagai berikut:

𝑤𝑎𝑔𝑒
̂ = 5 + 0,8𝑒𝑑𝑢𝑐 − 0,2𝑓𝑒𝑚𝑎𝑙𝑒 + 0,1𝑢𝑟𝑏𝑎𝑛 − 0,3𝑒𝑑𝑢𝑐 ∗ 𝑓𝑒𝑚𝑎𝑙𝑒
Rata-rata upah laki-laki: 𝑤𝑎𝑔𝑒
̂𝑚 = 5 + 0,8 𝑑𝑢𝑐 + 0,1𝑢𝑟𝑏𝑎𝑛
Rata-rata upah perempuan: 𝑤𝑎𝑔𝑒

̂ 𝑓 = (5 − 0,2) + (0,8 − 0,3)𝑒𝑑𝑢𝑐 + 0,1𝑢𝑟𝑏𝑎𝑛
educ*female: menggambarkan dampak perubahan educ (lama sekolah) terhadap upah antara laki-
laki dan perempuan atau menggambarkan rate of return dari pendidikan antara laki-laki dan
perempuan
Contoh soal 2.1
Diberikan suatu model linier yang menjelaskan mengenai perilaku konsumsi seorang individu yang
merupakan fungsi dari pendapatan (inc), pendidikan (educ), jenis kelamin (female) dan lokasi (urban)
yang dinyatakan sebagai berikut:
𝐶̂ = 𝛽0 + 𝛽1 𝑖𝑛𝑐 + 𝛽2 𝑒𝑑𝑢𝑐 + 𝛽3 𝑓𝑒𝑚𝑎𝑙𝑒 + 𝛽4 𝑢𝑟𝑏𝑎𝑛

Yang mana:
C = konsumsi seseorang dalam juta rupiah
Inc = pendapatan seseorang dalam juta rupiah
Female = jenis kelamin (1=wanita; 0=pria)
Educ = lama pendidikan seseorang dalam tahun
Urban = lokasi tempat tinggal (1=kota; 0=desa)
Berdasarkan persamaan tersebut:
a. Rata-rata konsumsi berdasarkan lokasi tempat tinggal:
Kota (urban=1) : 𝐶̂ = (𝛽0 + 𝛽4 ) + 𝛽1 𝑖𝑛𝑐 + 𝛽2 𝑒𝑑𝑢𝑐 + 𝛽3 𝑓𝑒𝑚𝑎𝑙𝑒
Desa (urban=0) : 𝐶̂ = 𝛽0 + 𝛽1 𝑖𝑛𝑐 + 𝛽2 𝑒𝑑𝑢𝑐 + 𝛽3 𝑓𝑒𝑚𝑎𝑙𝑒
𝛽4 menunjukkan perbedaan konsumsi antara individu di kota dan di desa, dengan asumsi
cateris paribus. Apabila 𝛽4 > 0, artinya konsumsi individu di kota lebih besar dibandingkan di
desa untuk individu pada tingkat pendapatan sama, jenis kelamin sama, dan lama sekolah
yang sama.
b. Apabila sekarang variabel dummy lokasi diubah menjadi rural (0=kota; 1=desa) dan variabel
lainnya tetap, maka persamaan regresi baru menjadi:
𝐶̂ = (𝛽0 + 𝛽4 ) + 𝛽1 𝑖𝑛𝑐 + 𝛽2 𝑒𝑑𝑢𝑐 + 𝛽3 𝑓𝑒𝑚𝑎𝑙𝑒 − 𝛽4 𝑟𝑢𝑟𝑎𝑙

c. Apabila persamaan awal ditambahkan variabel interaksi antara pendapatan dan lokasi
(inc*urban), maka persamaan regresi baru menjadi:

𝐶̂ = 𝛽0 + 𝛽1 𝑖𝑛𝑐 + 𝛽2 𝑒𝑑𝑢𝑐 + 𝛽3 𝑓𝑒𝑚𝑎𝑙𝑒 + 𝛽4 𝑢𝑟𝑏𝑎𝑛 + 𝛽5 𝑖𝑛𝑐 ∗ 𝑢𝑟𝑏𝑎𝑛
Rata-rata konsumsi berdasarkan lokasi tempat tinggal:
Kota (urban=1): 𝐶̂ = (𝛽0 + 𝛽4 ) + (𝛽1 + 𝛽5 )𝑖𝑛𝑐 + 𝛽2 𝑒𝑑𝑢𝑐 + 𝛽3 𝑓𝑒𝑚𝑎𝑙𝑒
Desa (urban=0): 𝐶̂ = 𝛽0 + 𝛽1 𝑖𝑛𝑐 + 𝛽2 𝑒𝑑𝑢𝑐 + 𝛽3 𝑓𝑒𝑚𝑎𝑙𝑒
Pengertian koefisien variabel interaksi inc*urban (𝛽5 ) adalah perbedaan MPC (marginal
propensity to consume) antara individu di kota dan di desa
d. Apabila persamaan awal ditambahkan variabel interaksi antara jenis kelamin dan lokasi
(female*urban), maka persamaan regresi baru menjadi:
𝐶̂ = 𝛽0 + 𝛽1 𝑖𝑛𝑐 + 𝛽2 𝑒𝑑𝑢𝑐 + 𝛽3 𝑓𝑒𝑚𝑎𝑙𝑒 + 𝛽4 𝑢𝑟𝑏𝑎𝑛 + 𝛽5 𝑓𝑒𝑚𝑎𝑙𝑒 ∗ 𝑢𝑟𝑏𝑎𝑛

Perempuan (female=1): 𝐶̂ = (𝛽0 + 𝛽3 ) + 𝛽1 𝑖𝑛𝑐 + 𝛽2 𝑒𝑑𝑢𝑐 + (𝛽4 + 𝛽5 )𝑢𝑟𝑏𝑎𝑛
Laki-laki (female=0): 𝐶̂ = 𝛽0 + 𝛽1 𝑖𝑛𝑐 + 𝛽2 𝑒𝑑𝑢𝑐 + 𝛽4 𝑢𝑟𝑏𝑎𝑛
Pengertian koefisien variabel interaksi female*urban (𝛽5 ) adalah perbedaan konsumsi antara
wanita di kota dengan kategori lainnya yakni wanita di desa, laki-laki di kota, dan laki-laki di
desa, cateris paribus
Contoh Soal 2.2
Marsha Timothy tertarik mempelajari dampak kehadiran supermarket terhadap pedagang ritel
tradisional (warung sembako) di daerah perkotaan di Indonesia. Marsha Timothy memiliki pendapat
bahwa kehadiran supermarket diduga memberikan dampak terhadap keuntungan (profit) warung
sembako. Untuk membuktikan hal itu, Marsha Timothy melakukan pengumpulan data pada 2 titik
waktu yaitu Januari dan Desember 2016 untuk setiap pedagang ritel tradisional (kehadiran
supermarket terjadi pada bulan Juni-Juli 2016). Selanjutnya, Marsha Timothy menyusun model
ekonometrika (empiris) yang dinyatakan sebagai bentuk:

𝑗 𝑗
𝑝𝑟𝑜𝑓𝑖 = 𝛽0 + 𝛽1 𝑃𝑖 + 𝛽2 𝐷 𝑠 + 𝛽3 (𝑃𝑖 𝑥𝐷 𝑠 ) + 𝛽4 𝐷𝑖 + 𝛽5 (𝐷 𝑠 𝑥𝐷𝑖 ) + 𝜀𝑖
Dengan:
𝑝𝑟𝑜𝑓𝑖 adalah keuntungan (profit) warung sembako ke-i

𝑃𝑖 adalah nilai penjualan untuk warung sembako ke-i
𝐷 𝑠 adalah variable yang bersifat dummy, bernilai 1 untuk observasi yang diambil setelah adanya
supermarket (Desember 2016) dan 0 untuk sebelum adanya supermarket (Januari 2016)
𝐷𝑖 adalah adalah variable yang bersifat dummy, bernilai 1 jika warung sembako berjarak sangat dekat
𝑗
dengan supermarket dan 0 untuk berjarak sangat jauh.
𝑃𝑖 𝑥𝐷 𝑠 adalah variable interaksi antara 𝑃𝑖 dan 𝐷 𝑠 , sementara 𝐷 𝑠 𝑥𝐷𝑖 adalah variable interaksi antara
𝑗
variable 𝐷 𝑠 dengan 𝐷𝑖
𝑗
Berdasarkan informasi di atas, jawablah beberapa pertanyaan berikut:
a. Apabila 𝛽2 <0, jelaskan pengertian dari koefisien variabel dummy 𝐷 𝑠 tersebut? (4 point)
b. Mengukur hal apakah variabel interaksi 𝑃𝑖 𝑥𝐷 𝑠 di dalam model? Dan apabila nilai 𝛽3 < 0
jelaskan pengertiannya? (8 point)
Dengan adanya variable 𝐷 𝑠 𝑥𝐷𝑖 di dalam model, jelaskan maksud digunakannya variable
𝑗
c.
interaksi ini? Dan apabila nilai𝛽5 <0 , jelaskan pengertiannya? (9 point)
Apabila sekarang variabel dummy jarak (𝐷𝑖 ) diubah nilainya menjadi 1=jauh dan 0=dekat
𝑗
d.
serta variabel lainnya tetap, apa yang terjadi dengan nilai koefisien 𝛽 (4 point)
Pembahasan:
a. 𝛽2 menunjukkan perbedaan profit warung sembako antara setelah adanya supermarket dan
sebelum adanya supermarket, dengan asumsi cateris paribus. Apabila 𝛽2 < 0, artinya profit
warung sembako setelah adanya supermarket lebih kecil dibandingkan sebelum adanya
supermarket untuk warung sembako yang memiliki nilai penjualan dan jarak dengan
supermarket yang sama
b. Pengertian koefisien variabel interaksi 𝑃𝑖 𝑥𝐷 𝑠 (𝛽3 ) adalah perbedaan Marginal profit warung
sembako antara sesudah dan sebelum adanya supermarket. Apabila 𝛽3 < 0, artinya marginal
profit warung sembako setelah adanya supermarket lebih kecil dibandingkan sebelum
adanya supermarket untuk warung sembako yang memiliki nilai penjualan dan jarak dengan
supermarket yang sama
c. Kegunaan variable 𝐷 𝑠 𝑥𝐷𝑖 adalah untuk mengetahui perbedaan profit warung sembako
𝑗
setelah dan sebelum adanya supermarket yang lokasinya dekat dan jauh dengan
supermarket. Apabila 𝛽5 < 0, artinya profit warung sembako setelah adanya supermarket
yang lokasinya dekat dengan supermarket lebih kecil dibandingkan kategori lainnya, yakni
warung sembako setelah adanya supermarket yang lokasinya jauh dengan supermarket,
warung sembako sebelum adanya supermarket yang lokasinya dekat dengan supermarket,
dan warung sembako sebelum adanya supermarket yang lokasinya jauh dengan supermarket
d. Apabila sekarang variabel dummy jarak (𝐷𝑖 ) diubah nilainya menjadi 1=jauh dan 0=dekat
𝑗
serta variabel lainnya tetap, maka persamaan regresi baru menjadi:

𝒋 𝒋
𝒑𝒓𝒐𝒇𝒊 = (𝜷𝟎 + 𝜷𝟒 ) + 𝜷𝟏 𝑷𝒊 + (𝜷𝟐 + 𝜷𝟓 )𝑫𝒔 + 𝜷𝟑 (𝑷𝒊 𝒙𝑫𝒔 ) − 𝜷𝟒 𝑫𝒊 − 𝜷𝟓 (𝑫𝒔 𝒙𝑫𝒊 ) + 𝜺𝒊
3. Model Regresi Lanjutan: Perubahan Skala dan Perbedaan Group
Perubahan Skala
Terkadang kita meregresikan variabel terikat (y) yang memiliki nilai (angka) sangat kecil misal
pertumbuhan ekonomi dalam satuan persen, sedangkan variabel bebas (x)-nya nilai (angkanya)
besar. Misalnya nilai investasi dalam milyar rupiah tidak dibentuk logaritma, sehingga hasil koefisien
regresinya dari x akan kecil, misal 0,000. Hal itu disebabkan per-skalaan yang dibuat kurang baik.
Begitu juga sebaliknya, misal variabel y (terikat)-nya adalah upah dalam satuan rupiah dan variabel x-
nya adalah lama sekolah dan pengalaman dalam satuan tahun, akibatnya koefisien hasil regresinya
akan sangat besar.
Kegunaan melakukan rescaling adalah untuk memberikan kemudahan dalam melakukan interpretasi.
Perubahan skala tidak merubah hasil penelitian dalam aspek apapun, hanya merubah cara membaca
atau menginterpretasikan hasil regresi bukan esensi. Dalam hal ini dampak rescaling terhadap
variabel tergantung (regresor) dan bebas (regresand). Perubahan skala pada masing-masing tipe
variabel membawa implikasi tersendiri dan diperlukan suatu kehati-hatian agar dapat dilakukan
dengan benar.
Misal diberikan persamaan sebagai berikut:

𝒘𝒂𝒈𝒆 = 𝜶𝟎 + 𝜶𝟏 𝒆𝒅𝒖𝒄 + 𝜶𝟐 𝒆𝒙𝒑𝒆𝒓
Yang mana:
𝑤𝑎𝑔𝑒 = 𝑢𝑝𝑎ℎ (𝑑𝑎𝑙𝑎𝑚 𝑟𝑖𝑏𝑢 𝑟𝑢𝑝𝑖𝑎ℎ)
𝑒𝑑𝑢𝑐 = 𝑙𝑎𝑚𝑎 𝑠𝑒𝑘𝑜𝑙𝑎ℎ (𝑑𝑎𝑙𝑎𝑚 𝑡𝑎ℎ𝑢𝑛)
𝑒𝑥𝑝𝑒𝑟 = 𝑝𝑒𝑛𝑔𝑎𝑙𝑎𝑚𝑎𝑛 (𝑑𝑎𝑙𝑎𝑚 𝑡𝑎ℎ𝑢𝑛)
Jika satuan upah dijadikan dalam juta rupiah, berarti data w dibagi dengan 1000. Lalu apa yang terjadi
dengan 𝛼0 , 𝛼1 , 𝑑𝑎𝑛 𝛼2
Buka data MROZ (rincian langkah pengerjaan dengan menggunakan STATA dapat dilihat pada
Lampiran di bagian akhir)
Pertama, lakukan regresi upah (wage) dengan variabel bebas educ dan exper
reg wage educ exper
Source | SS df MS Number of obs = 428

-------------+------------------------------ F( 2, 425) = 29.13
Model | 564.091032 2 282.045516 Prob > F = 0.0000
Residual | 4114.9619 425 9.6822633 R-squared = 0.1206
-------------+------------------------------ Adj R-squared = 0.1164
Total | 4679.05293 427 10.9579694 Root MSE = 3.1116
------------------------------------------------------------------------------
wage | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
educ | .4966344 .0658972 7.54 0.000 .3671094 .6261595
exper | .0247391 .0186943 1.32 0.186 -.0120057 .0614839
_cons | -2.431687 .8854782 -2.75 0.006 -4.172148 -.6912249
------------------------------------------------------------------------------
Kedua, generate variabel upah baru: wage2 yang merupakan wage/1000
gen wage2=wage/1000
Ketiga, lakukan regresi ulang dengan variabel dependent-nya adalah wage2
reg wage2 educ exper
. reg wage2 educ exper

-------------+------------------------------ F( 2, 425) = 29.13
Model | .000564091 2 .000282046 Prob > F = 0.0000
Residual | .004114962 425 9.6823e-06 R-squared = 0.1206
-------------+------------------------------ Adj R-squared = 0.1164
Total | .004679053 427 .000010958 Root MSE = .00311
------------------------------------------------------------------------------
wage2 | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
educ | .0004966 .0000659 7.54 0.000 .0003671 .0006262
exper | .0000247 .0000187 1.32 0.186 -.000012 .0000615
_cons | -.0024317 .0008855 -2.75 0.006 -.0041721 -.0006912
------------------------------------------------------------------------------
Apa yang terjadi?
𝜶𝟎 𝜶𝟏 𝜶𝟐
̂ 𝟐=
𝒘𝒂𝒈𝒆 + 𝒆𝒅𝒖𝒄 + 𝒆𝒙𝒑𝒆𝒓
𝟏𝟎𝟎𝟎 𝟏𝟎𝟎𝟎 𝟏𝟎𝟎𝟎
Catatan:
𝒘𝒂𝒈𝒆𝟐 = 𝒘𝒂𝒈𝒆/𝟏𝟎𝟎𝟎 (dalam satuan juta)
Misal: 𝒘𝒂𝒈𝒆𝟑 = 𝒘𝒂𝒈𝒆 ∗ 𝟏𝟎𝟎𝟎 (dalam satuan rupiah)
Sehingga langkah Keempat, generate variabel upah baru: wage3 yang merupakan wage*1000
gen wage3=wage*1000
Kelima, lakukan regresi ulang dengan variabel dependent-nya adalah wage3
reg wage3 educ exper

-------------+---------------------------------- F(2, 425) = 29.13
Model | 564091042 2 282045521 Prob > F = 0.0000
Residual | 4.1150e+09 425 9682263.43 R-squared = 0.1206
-------------+---------------------------------- Adj R-squared = 0.1164
Total | 4.6791e+09 427 10957969.6 Root MSE = 3111.6
------------------------------------------------------------------------------
wage3 | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
educ | 496.6344 65.89722 7.54 0.000 367.1094 626.1595
exper | 24.7391 18.69431 1.32 0.186 -12.00571 61.48392
_cons | -2431.687 885.4782 -2.75 0.006 -4172.149 -691.2249
------------------------------------------------------------------------------
Apa yang terjadi?

̂ 𝟑 = 𝜶𝟎 ∗ 𝟏𝟎𝟎𝟎 + (𝜶𝟏 ∗ 𝟏𝟎𝟎𝟎) 𝒆𝒅𝒖𝒄 + (𝜶𝟐 ∗ 𝟏𝟎𝟎𝟎) 𝒆𝒙𝒑𝒆𝒓
𝒘𝒂𝒈𝒆
Perubahan Skala pada Variabel Bebas (X)
Persamaan:
𝒘𝒂𝒈𝒆 = 𝜷𝟎 + 𝜷𝟏 𝒆𝒅𝒖𝒄 + 𝜷𝟐 𝒆𝒙𝒑𝒆𝒓
Yang mana:
𝑤𝑎𝑔𝑒 = 𝑢𝑝𝑎ℎ (𝑑𝑎𝑙𝑎𝑚 𝑟𝑖𝑏𝑢 𝑟𝑢𝑝𝑖𝑎ℎ)
𝑒𝑑𝑢𝑐 = 𝑙𝑎𝑚𝑎 𝑠𝑒𝑘𝑜𝑙𝑎ℎ (𝑑𝑎𝑙𝑎𝑚 𝑡𝑎ℎ𝑢𝑛)
𝑒𝑥𝑝𝑒𝑟 = 𝑝𝑒𝑛𝑔𝑎𝑙𝑎𝑚𝑎𝑛 (𝑑𝑎𝑙𝑎𝑚 𝑡𝑎ℎ𝑢𝑛)
Misal variabel educ satuannya dirubah menjadi bulan
𝑒𝑑𝑢𝑐2 = 𝑒𝑑𝑢𝑐 ∗ 12 (satuan bulan)
Pertama, generate variabel pendidikan baru: educ2 yang merupakan educ*12
gen educ2=educ*12
Kedua, lakukan regresi dengan variabel independent educ2

. reg wage educ2 exper

-------------+------------------------------ F( 2, 425) = 29.13
Model | 564.091032 2 282.045516 Prob > F = 0.0000
-------------+------------------------------ Adj R-squared = 0.1164
Total | 4679.05293 427 10.9579694 Root MSE = 3.1116
------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
educ2 | .0413862 .0054914 7.54 0.000 .0305924 .05218
exper | .0247391 .0186943 1.32 0.186 -.0120057 .0614839
_cons | -2.431687 .8854782 -2.75 0.006 -4.172148 -.6912249
------------------------------------------------------------------------------
Apa yang terjadi?

𝜷𝟏
𝒘𝒂𝒈𝒆 = 𝜷𝟎 + ( ) 𝒆𝒅𝒖𝒄𝟐 + 𝜷𝟐 𝒆𝒙𝒑𝒆𝒓
𝟏𝟐
Misal 𝒆𝒅𝒖𝒄𝟑 = 𝒆𝒅𝒖𝒄/𝟏𝟐
Maka langka Ketiga, generate variabel pendidikan baru: educ3 yang merupakan educ/12
gen educ3=educ/12
Keempat, lakukan regresi dengan variabel independent educ3

reg wage educ3 exper

-------------+---------------------------------- F(2, 425) = 29.13
Model | 564.090999 2 282.045499 Prob > F = 0.0000
-------------+---------------------------------- Adj R-squared = 0.1164
Total | 4679.05293 427 10.9579694 Root MSE = 3.1116
------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
educ3 | 5.959613 .7907667 7.54 0.000 4.405313 7.513914
exper | .0247391 .0186943 1.32 0.186 -.0120057 .0614839
_cons | -2.431687 .8854782 -2.75 0.006 -4.172148 -.6912248
------------------------------------------------------------------------------
Apa yang terjadi?

𝒘𝒂𝒈𝒆 = 𝜷𝟎 + (𝜷𝟏 ∗ 𝟏𝟐)𝒆𝒅𝒖𝒄𝟑 + 𝜷𝟐 𝒆𝒙𝒑𝒆𝒓
Kesimpulan:
- Jika variabel y dikali atau dibagi 10 maka semua koefisien dari variabel x dikali atau dibagi
dengan 10
- Jika salah satu variabel x dikali atau dibagi 10 maka hanya variabel itu saja yang
koefisiennya dibagi atau dikali 10
Contoh Soal 3.1
Persamaan:
̂0 + 𝛽
𝑏𝑤𝑖𝑔ℎ𝑡 = 𝛽 ̂1 𝑐𝑖𝑔𝑠 + 𝛽
̂2 𝑓𝑎𝑚𝑖𝑛𝑐 + 𝑢
Yang mana:
bwight = berat badan bayi baru lahir (gram)
cigs = jumlah rokok yang dikonsumsi ibunya waktu hamil (batang) → 1pak=20 batang
faminc = jumlah penghasilan keluarga
Kasus 3.1. a
Jika semula mengukur berat badan dalam satuan gram dan mengubahnya menjadi satuan kilogram,
maka transformasi persamaannya menjadi:

̂0 /1000) + (𝛽
𝑏𝑤𝑖𝑔ℎ𝑡/1000 = (𝛽 ̂1 /1000)𝑐𝑖𝑔𝑠 + (𝛽
̂2 /1000)𝑓𝑎𝑚𝑖𝑛𝑐 + 𝑢
0 1
̂∗ 𝑓𝑎𝑚𝑖𝑛𝑐 + 𝑢
𝑏𝑤𝑖𝑔ℎ𝑡 ∗ = 𝛽̂∗ + 𝛽̂∗ 𝑐𝑖𝑔𝑠 + 𝛽 2
Interpretasi awal: ex: 𝛽

̂1 , setiap ada tambahan konsumsi rokok ibu hamil sebesar 1 batang maka
terjadi perubahan berat badan bayi sebesar 𝛽

̂1 gram.
Interpretasi setelah transformasi; ex: 𝛽

̂1 , setiap ada tambahan konsumsi rokok ibu hamil sebesar 1
batang maka terjadi perubahan berat badan bayi sebesar 𝛽

̂1 1/1000 kilogram.
Kasus 3.1. b
Jika rescaling dilakukan hanya pada variabel bebas, maka perubahan koefisien hanya terjadi pada
variabel itu sendiri. Jika semula cigs diukur sebagai batang rokok perhari diubah menjadi per pak per
hari, maka transformasi nya adalah:

̂0 + (20𝛽
𝑏𝑤𝑖𝑔ℎ𝑡 = 𝛽 ̂1 )(𝑐𝑖𝑔𝑠/20) + 𝛽
𝑏𝑤𝑖𝑔ℎ𝑡 = 𝛽̂ + 𝛽̂ 𝑐𝑖𝑔𝑠 ∗ + 𝛽
0
∗
1
̂𝑓𝑎𝑚𝑖𝑛𝑐 + 𝑢
2

̂1 , setiap ada tambahan konsumsi rokok ibu hamil sebesar 1 batang maka

̂1 gram.

̂1 , setiap ada tambahan konsumsi rokok ibu hamil sebesar 1
pak maka terjadi perubahan berat badan bayi sebesar 𝛽

̂1 *20 gram
Contoh Soal 3.2
Persamaan:
̂0 + 𝛽
𝑏𝑤𝑖𝑔ℎ𝑡 = 𝛽 ̂1 𝑐𝑖𝑔𝑠 + 𝛽
Yang mana:
bwight = berat badan bayi baru lahir (kilogram)
cigs = jumlah rokok yang dikonsumsi ibunya waktu hamil (pak) → 1pak=10 batang
Kasus 3.2. a
Jika semula mengukur berat badan dalam satuan kilogram dan mengubahnya menjadi satuan
gram, maka transformasi persamaannya menjadi:

̂0 ∗ 1000) + (𝛽
𝑏𝑤𝑖𝑔ℎ𝑡 ∗ 1000 = (𝛽 ̂1 ∗ 1000)𝑐𝑖𝑔𝑠 + (𝛽
̂2 ∗ 1000)𝑓𝑎𝑚𝑖𝑛𝑐 + 𝑢
𝑏𝑤𝑖𝑔ℎ𝑡 ∗ = 𝛽̂∗ ̂∗ ̂∗
0 + 𝛽1 𝑐𝑖𝑔𝑠 + 𝛽2 𝑓𝑎𝑚𝑖𝑛𝑐 + 𝑢

̂1 , setiap ada tambahan konsumsi rokok ibu hamil sebesar 1 pak maka terjadi
perubahan berat badan bayi sebesar 𝛽

̂1 kilogram.

̂1 , setiap ada tambahan konsumsi rokok ibu hamil sebesar 1 pak
maka terjadi perubahan berat badan bayi sebesar 𝛽

̂1 *1000 gram
Kasus 3.2. b
Jika rescaling dilakukan hanya pada variabel bebas, maka perubahan koefisien hanya terjadi pada
variabel itu sendiri. Jika semula cigs diukur sebagai pak rokok perhari diubah menjadi per batang
per hari, maka transformasi nya adalah:

̂0 ) + (𝛽
𝑏𝑤𝑖𝑔ℎ𝑡 = (𝛽 ̂1 ∗ 1/10)𝑐𝑖𝑔𝑠 ∗ 10 + (𝛽
̂2 )𝑓𝑎𝑚𝑖𝑛𝑐 + 𝑢
̂0 + 𝛽̂
𝑏𝑤𝑖𝑔ℎ𝑡 = 𝛽 ∗ ∗ ̂
1 𝑐𝑖𝑔𝑠 + 𝛽2 𝑓𝑎𝑚𝑖𝑛𝑐 + 𝑢

̂1 , setiap ada tambahan konsumsi rokok ibu hamil sebesar 1 pak maka terjadi
perubahan berat badan bayi sebesar 𝛽

̂1 kilogram.

̂1 , setiap kenaikan konsumsi rokok sebesar 1 batang maka

̂1 *1/10 kilogram
-
Perbedaan Group
Misalkan kita melakukan analisis regresi yang melibatkan beberapa sub sampel, ingin mengetahui
performance mahasiswa laki-laki atau mahasiswa perempuan. Pertanyaannya, kalau kita ingin
membedakan performance laki-laki dan perempuan, kita menggunakan variabel apa? Jawabnya
adalah Dummy jenis kelamin laki-laki dan perempuan
Misalnya ada data sebanyak 1000 observasi yang terdiri dari Laki-laki: 600 dan Perempuan:400
N=1000
L: 600
P:400
Persamaan:
𝐼𝑃𝐾 = 𝛼0 + 𝛼1 𝑇𝑃𝐴 + 𝛼2 𝐿𝑎𝑚𝑎 𝐵𝑒𝑙𝑎𝑗𝑎𝑟
Jika kita ingin menguji perbedaan antara laki-laki dan perempuan, maka bentuk persamaannya
menjadi:
𝐼𝑃𝐾 = 𝛼0 + 𝛼1 𝑇𝑃𝐴 + 𝛼2 𝐿𝐵 + 𝛼3 𝐽𝐾
Jika ingin menguji perbedaan efek Lama Belajar (LB) terhadap IPK antara laki-laki dan perempuan,
maka bentuk persamaannya menjadi:

𝐼𝑃𝐾 = 𝛼0 + 𝛼1 𝑇𝑃𝐴 + 𝛼2 𝐿𝐵 + 𝛼3 𝐽𝐾 + 𝛼4 𝐿𝐵 ∗ 𝐽𝐾
Jika kita ingin mempelajari variabel-variabel penjelas berbeda antara laki-laki dan perempuan, maka
semua variabel bebas diinteraksikan dengan jenis kelamin
Contoh persamaan lain, lihat penjelasan di buku Wooldridge halaman 245
Persamaan:
𝑐𝑢𝑚𝑔𝑝𝑎 = 𝛼0 + 𝛼1 𝑠𝑎𝑡 + 𝛼2 ℎ𝑠𝑝𝑒𝑟𝑐 + 𝛼3 𝑡𝑜𝑡ℎ𝑟𝑠 + 𝑢
Yang mana:
cumgpa : commulative gpa (IPK)
sat : SAT score (skor TPA)
hsperc : high school rank percentile (persentil ranking SMA)
tothrs : total hours of college course (lama belajar)
Jika kita ingin setidaknya ada satu koefisien yang berbeda, antara laki-laki dan perempuan, kita dapat
menggunakan uji F
𝑐𝑢𝑚𝑔𝑝𝑎 = 𝛼0 + 𝛼1 𝑠𝑎𝑡 + 𝛼2 ℎ𝑠𝑝𝑒𝑐 + 𝛼3 𝑡𝑜𝑡ℎ𝑟𝑠 + 𝛼4 𝑓𝑒𝑚𝑎𝑙𝑒 + 𝛼5 𝑠𝑎𝑡 ∗ 𝑓𝑒𝑚𝑎𝑙𝑒 + 𝛼6 ℎ𝑠𝑝𝑒𝑟𝑐 ∗ 𝑓𝑒𝑚𝑎𝑙𝑒

+ 𝛼7 𝑡𝑜𝑡ℎ𝑟𝑠 ∗ 𝑓𝑒𝑚𝑎𝑙𝑒 + 𝑢
H0: 𝛼4 = 0; 𝛼5 = 0; 𝛼6 = 0; 𝛼7 = 0
Ini menggambarkan apa? Tidak ada perbedaan intersep antara laki-laki dan perempuan
Apa konsekuensinya jika kita menerima Ho? Maka tidak ada perbedaan dari variabel-variabel tadi,
tidak ada perbedaan intersep antara laki-laki dan perempuan.
Buka Data GPA3
Pertama, Lakukan regresi dengan variabel dependent: cumgpa, dan variabel independent: sat,
hsperc, dan tothrs

. reg cumgpa sat hsperc tothrs // persamaan 2.1 seluruh observasi

-------------+---------------------------------- F(3, 728) = 74.72
Model | 168.533658 3 56.1778861 Prob > F = 0.0000
Residual | 547.364897 728 .751874858 R-squared = 0.2354
-------------+---------------------------------- Adj R-squared = 0.2323
Total | 715.898555 731 .979341389 Root MSE = .86711
------------------------------------------------------------------------------
cumgpa | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
sat | .0009028 .0002079 4.34 0.000 .0004947 .0013109
hsperc | -.0063791 .0015678 -4.07 0.000 -.0094572 -.0033011
tothrs | .0119779 .0009314 12.86 0.000 .0101494 .0138064
_cons | .9291105 .2285515 4.07 0.000 .4804118 1.377809
------------------------------------------------------------------------------
Kedua, Lakukan regresi dengan variabel dependent: cumgpa, dan variabel independent: sat,
hsperc, dan tothrs namun hanya untuk perempuan

. reg cumgpa sat hsperc tothrs if female==1 // persamaan 2.2 regresi untuk perempuan
saja

-------------+---------------------------------- F(3, 176) = 34.08
Model | 83.4816253 3 27.8272084 Prob > F = 0.0000
-------------+---------------------------------- Adj R-squared = 0.3567
Total | 227.171352 179 1.2691137 Root MSE = .90356
------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
sat | .0017281 .0004642 3.72 0.000 .0008119 .0026442
hsperc | -.0059167 .0038895 -1.52 0.130 -.0135927 .0017594
tothrs | .0158603 .0018485 8.58 0.000 .0122122 .0195085
_cons | .1003465 .4810947 0.21 0.835 -.8491105 1.049803
------------------------------------------------------------------------------
Ketiga, Lakukan regresi dengan variabel dependent: cumgpa, dan variabel independent: sat,
hsperc, dan tothrs namun hanya untuk laki-laki
. reg cumgpa sat hsperc tothrs if female==0 // persamaan 2.3 regresi untuk laki-laki
saja

-------------+---------------------------------- F(3, 548) = 41.94
Model | 89.6937042 3 29.8979014 Prob > F = 0.0000
-------------+---------------------------------- Adj R-squared = 0.1823
Total | 480.313125 551 .871711661 Root MSE = .84428
------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
sat | .0006113 .000231 2.65 0.008 .0001576 .001065
hsperc | -.0059675 .0017459 -3.42 0.001 -.0093969 -.002538
tothrs | .0103004 .001074 9.59 0.000 .0081907 .0124101
_cons | 1.213984 .2602697 4.66 0.000 .7027359 1.725233
------------------------------------------------------------------------------
Kemudian, hitung Fstat dengan rumus sebagai berikut:

[𝑆𝑆𝑅𝑃 − (𝑆𝑆𝑅1 + 𝑆𝑆𝑅2 )] [𝑛 − 2(𝑘 + 1)]
𝐹= 𝑥
𝑆𝑆𝑅1 + 𝑆𝑆𝑅2 𝑘+1
Berdasarkan output regresi di atas maka Fstat dapat kita hitung sebagai berikut:
[547.364897 − (143.689727 + 390.619421 )] [732 − 2(3 + 1)]
𝐹= 𝑥
143.689727 + 390.619421 3+1
𝑭 = 𝟒, 𝟑𝟕
𝑭𝒕𝒂𝒃𝒆𝒍 𝜶 = 𝟓%, (4,724) =2,37
Karena 𝑭𝒉𝒊𝒕𝒖𝒏𝒈 > 𝑭𝒕𝒂𝒃𝒆𝒍 maka tolak H0
Artinya setidaknya ada satu 𝛽𝑖𝑚 ≠ 𝛽𝑖

𝑓
Review: Persamaan
𝒄𝒖𝒎𝒈𝒑𝒂 = 𝜷𝟎 + 𝜷𝟏 𝒔𝒂𝒕 + 𝜷𝟐 𝒉𝒔𝒑𝒆𝒄 + 𝜷𝟑 𝒕𝒐𝒕𝒉𝒓𝒔

N=semua male dan female
Female: 𝒄𝒖𝒎𝒈𝒑𝒂 = 𝜷𝟎 + 𝜷𝟏 𝒔𝒂𝒕 + 𝜷𝟐 𝒉𝒔𝒑𝒆𝒄 + 𝜷𝟑 𝒕𝒐𝒕𝒉𝒓𝒔

𝒇 𝒇 𝒇 𝒇
Male: 𝒄𝒖𝒎𝒈𝒑𝒂 = 𝜷𝒎 𝒎 𝒎 𝒎
𝟎 + 𝜷𝟏 𝒔𝒂𝒕 + 𝜷𝟐 𝒉𝒔𝒑𝒆𝒄 + 𝜷𝟑 𝒕𝒐𝒕𝒉𝒓𝒔
H0: 𝜷𝟎 = 𝜷𝒎
𝟎 ; 𝜷𝟏 = 𝜷𝟏 ; 𝜷𝟐 = 𝜷𝟐 ; 𝜷𝟑 = 𝜷𝟑
𝒇 𝒇 𝒎 𝒇 𝒎 𝒎𝒇
H1: setidaknya ada satu 𝜷𝒊 = 𝜷𝒎

𝒇
𝒊
Karena 𝑭𝒉𝒊𝒕𝒖𝒏𝒈 > 𝑭𝒕𝒂𝒃𝒆𝒍 maka tolak H0
Untuk data cross section Rsquare 0,3 ataupun 0,4 sudah tinggi.
4. Endogenitas
𝑦 = 𝛽0 + 𝛽1 𝑋1 + 𝛽2 𝑋2 + 𝑢
𝛽̂𝑖 OLS is BLUE
𝐸 = (𝑋1 , 𝑢) = 0
𝐸 = (𝑋2 , 𝑢) = 0
Misalkan ada persamaan upah sebagai berikut:
𝑤𝑎𝑔𝑒 = 𝛼0 + 𝛼1 𝑒𝑑𝑢𝑐 + 𝛼2 𝑠𝑘𝑖𝑙𝑙 + 𝑢

Karena skill tidak ada datanya sehingga persamaannya menjadi:
𝒘𝒂𝒈𝒆 = 𝜶𝟎 + 𝜶𝟏 𝒆𝒅𝒖𝒄 + 𝒖
Jika diyakini bahwa:
𝐸 = (𝐸𝑑𝑢𝑐, 𝑠𝑘𝑖𝑙𝑙) ≠ 0
Maka:
𝐸 = (𝐸𝑑𝑢𝑐, 𝑢) ≠ 0
Sehingga estimasinya harus diatasi dengan Instrumental Variabel (IV)

Gunakan Data MROZ
Pertama, lakukan regresi upah (lwage) dengan variabel educ
. reg lwage educ

-------------+---------------------------------- F(1, 426) = 56.93
Model | 26.3264193 1 26.3264193 Prob > F = 0.0000
-------------+---------------------------------- Adj R-squared = 0.1158
Total | 223.327441 427 .523015084 Root MSE = .68003
------------------------------------------------------------------------------
lwage | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
educ | .1086487 .0143998 7.55 0.000 .0803451 .1369523
_cons | -.1851968 .1852259 -1.00 0.318 -.5492673 .1788736
------------------------------------------------------------------------------
Berdasarkan output regresi di atas, koefisien educ=0.108. Artinya rate of return educ=10,8%
Jika kita meyakini bahwa:

𝐸 = (𝐸𝑑𝑢𝑐, 𝑢) ≠ 0
Maka estimasi di atas adalah bias, sehingga metode IV perlu diterapkan. Di dalam bukunya
Wooldridge disebutkan bahwa yang menentukan variabel pendidikan adalah pendidikan orang tua.
Sehingga dalam hal ini digunakan pendidikan ayah (fatheduc sebagai instrumental variabel).
Sehingga bentuk regresinya adalah sebagai berikut:
. ivregress 2sls lwage (educ= fatheduc)

Instrumental variables (2SLS) regression Number of obs = 428
Wald chi2(1) = 2.85
Prob > chi2 = 0.0914
R-squared = 0.0934
Root MSE = .68778
------------------------------------------------------------------------------
lwage | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
educ | .0591735 .0350596 1.69 0.091 -.009542 .127889
_cons | .4411034 .4450583 0.99 0.322 -.4311947 1.313402
------------------------------------------------------------------------------
Instrumented: educ
Instruments: fatheduc
Berdasarkan output regresi di atas, koefisien educ=0.591735. Artinya rate of return educ=6%. Hasil
estmasi di atas sudah tidak bisa, karena sudah mengatasi endogenitas.
Langkah-langkah:
OLS1: reg educ fatheduc (pastikan fatheduc signifikan)
OLS2: reg lwage 𝑒𝑑𝑢𝑐

̂ → predict y_hat
2SLS
Pada dasarnya orang tidak hanya meregresi satu variabel saja, namun tiga atau sampai empat
variabel
𝑦 = 𝛽0 + 𝛽1 𝑥 + 𝛽2 𝑝 + 𝛽3 𝑞 + 𝛽4 𝑟 + 𝑢
Variabel utama=x
Kontrol variabel=p, q, r
Lihat di litetratur apakah variabel utama ada endogenitas, jika iya maka kita harus perbaiki
Pengujian Endogenitas
𝑦 = 𝑓(𝑦1 , 𝑝, 𝑞, 𝑟, 𝑠)
𝑦1 mau ditest apakah 𝑦1 bersifat endogen?
Step 1: 𝑦1 = 𝛼0 + 𝛼1 𝑝 + 𝛼2 𝑞 + 𝛼3 𝑟 + 𝛼4 𝑠 + 𝛼5 𝑧 + 𝑢 → diregress dengan semua variabel bebas.
𝑧 𝑚𝑒𝑟𝑢𝑝𝑎𝑘𝑎𝑛 𝐼𝑉 𝑏𝑎𝑔𝑖 𝑦1
Step 2: ambil residual dari 1 → 𝑢̂
Step 3: 𝑦 = 𝛽0 + 𝛽1 𝑦1 + 𝛽2 𝑝 + 𝛽3 𝑞 + 𝛽4 𝑟 + 𝛽5 𝑟 + 𝛽6 𝑢̂ + 𝑣
Step: uji jika 𝛽6 signifikan maka 𝑦1 bersifat endogen
Jika 𝑦1 bersifat endogen → ivregress 2SLS y (𝑦1 = 𝑧) p q r s
Andaikan tidak signifikan (𝑦1 tidak endogen) → reg 𝑦 𝑦1 𝑝 𝑞 𝑟 𝑠
Contoh ada dua IV

. reg educ exper expersq fatheduc motheduc

-------------+---------------------------------- F(4, 748) = 66.52
Model | 1025.94324 4 256.48581 Prob > F = 0.0000
-------------+---------------------------------- Adj R-squared = 0.2584
Total | 3910.03984 752 5.19952106 Root MSE = 1.9636
------------------------------------------------------------------------------
educ | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
exper | .085378 .0255485 3.34 0.001 .0352228 .1355333
expersq | -.0018564 .0008276 -2.24 0.025 -.0034812 -.0002317
fatheduc | .1845745 .0244979 7.53 0.000 .1364817 .2326674
motheduc | .1856173 .0259869 7.14 0.000 .1346014 .2366331
_cons | 8.366716 .2667111 31.37 0.000 7.843125 8.890307
------------------------------------------------------------------------------
Diduga educ bersifat endogen. IV=fatheduc, motheduc
Karena P value fatheduc, motheduc < 𝛼 = 5%, maka dinilai cocok sebagai IV
predict w2, resid
. reg lwage educ exper expersq w2

-------------+---------------------------------- F(4, 423) = 20.53
Model | 36.306365 4 9.07659124 Prob > F = 0.0000
-------------+---------------------------------- Adj R-squared = 0.1547
Total | 223.327441 427 .523015084 Root MSE = .66493
------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
educ | .0639033 .0292123 2.19 0.029 .0064841 .1213226
exper | .0463071 .0134368 3.45 0.001 .0198959 .0727183
expersq | -.0009444 .0004001 -2.36 0.019 -.0017308 -.000158
w2 | .0558771 .032788 1.70 0.089 -.0085706 .1203248
_cons | -.011404 .3592486 -0.03 0.975 -.7175388 .6947307
------------------------------------------------------------------------------
Karena P value w2 < 𝛼 = 5%, maka educ endogen
. ivregress 2sls lwage (educ= fatheduc motheduc) exper expersq
Instrumental variables (2SLS) regression Number of obs = 428

Wald chi2(3) = 24.65
Prob > chi2 = 0.0000
R-squared = 0.1357
Root MSE = .67155
------------------------------------------------------------------------------
lwage | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
educ | .0613966 .0312895 1.96 0.050 .0000704 .1227228
exper | .0441704 .0133696 3.30 0.001 .0179665 .0703742
expersq | -.000899 .0003998 -2.25 0.025 -.0016826 -.0001154
_cons | .0481003 .398453 0.12 0.904 -.7328532 .8290538
------------------------------------------------------------------------------
Instrumented: educ
Instruments: exper expersq fatheduc motheduc
OLS rate of return=11%; dengan 2sls: rate of return=6,1%. Dalam hal ini koefisien educ sudah tidak bias
Sehingga apa yang dimaksud dengan Instrumental Variable (IV)?
Metode OLS tidak dapat digunakan untuk mengestimasi sebuah persamaan tunggal yang
merupakan bagian pembentuk sistem jika satu atau lebih variabel penjelasnya berkorelasi dengan
error.
Sebuah teknik yang digunakan guna mengatasi permasalahan endogenitas yang disebabkan karena:
1. Omitted variable, yang terjadi jika kita tidak memasukkan suatu variabel ke dalam model (dan
seharusnya dia ada) akibatnya ketika y dan x bervariasi maka untuk u juga bervariasi pada
arah yang dapat diduga.
2. Simultaneity, yang terjadi akibat adanya variabel penjelas yang seharusnya bersama dengan
variabel tergantung nilainya ditentukan melalui suatu sistem. Hal ini terjadi ketika regressor
dan salah satu/beberapa regresan dipengaruhi oleh satu/lebih variabel yang tidak ada pada
model regresi (di luar model)
Ilustrasi Penggunaan IV
Misalnya kita akan mengestimasi hubungan antara upah yang diperoleh (log (wage)) dengan
pendidikan (educ) dan variabel kapasitas kerja (abil) sebagai berikut:
log(𝑤𝑎𝑔𝑒)=𝛽0+𝛽1𝑒𝑑𝑢𝑐+𝛽2𝑎𝑏𝑖𝑙+𝑒 …(IVa)
Selanjutnya asumsikan kita tidak dapat memperoleh proxy yang baik untuk abil, sehingga diputuskan
untuk menggabungkannya dengan error term, atau
log(𝑤𝑎𝑔𝑒)=𝛽0+𝛽1𝑒𝑑𝑢𝑐+𝑢 …………(IVb)
Jika educ dan abil tidak berhubungan maka estimator OLS yang diperoleh adalah tidak bias.
Sebaliknya jika kedua variabel ini berhubungan, maka tidak memasukkan secara eksplisit variabel abil
akan menyebabkan estimator yang diperoleh bersifat bias.
Kita dapat tetap menggunakan persamaan IVb dengan menggunakan suatu instrumental variabel
terhadap educ. Suatu instrumental variabel adalah suatu variabel lain, sebut saja sebagai z, dimana ia
memenuhi asumsi:
1. z adalah tidak berkorelasi terhadap u

Cov (z,u)=0
2. z adalah berkorelasi dengan x (dalam contoh ini berarti educ)
Cov (z,x) ≠ 0
Dalam hal ini IV bukan proxy variabel terhadap abil. Sebaliknya ia justru tidak berkorelasi dengan abil,
karena abil sekarang telah digabungkan dengan error term (u). Dengan demikian proxy yang baik
untuk abil justru bukan kandidat IV yang baik. Beberapa kandidat IV yang dapat dipertimbangan pada
contoh ini misalnya pendidikan ayah/ibu. Variabel tersebut memiliki korelasi dengan educ namun
tidak/kurang berkorelasi dengan u. Wooldridge (2005) menyarankan agar dalam pemilihan IV agar
dilakukan berdasarkan auxiliary regression antara variabel bebas ( educ) dengan kandidat IV. IV
terpilih dilakukan berdasarkan tingkat signifikansi dan model fit tertinggi.
Seorang mahasiswa akan menguji apakah variabel educ adalah bersifat endogen dengan
menggunakan variabel exper, exper2, motheduc dan fatheduc sebagai IV. Regresi IV telah ia lakukan
dan telah menyimpan residual dari regresi ini sebagai variabel w2. Persamaan struktural yang ingin
diestimasi adalah regresi atas log(wage) terhadap educ, exper dan exper2. Hasil yang diperoleh
dengan memasukkan variabel w2 pada persamaan struktural adalah:
. reg lwage educ exper expersq w2

-------------+---------------------------------- F(4, 423) = 20.53
Model | 36.306365 4 9.07659124 Prob > F = 0.0000
-------------+---------------------------------- Adj R-squared = 0.1547
Total | 223.327441 427 .523015084 Root MSE = .66493
------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
educ | .0639033 .0292123 2.19 0.029 .0064841 .1213226
exper | .0463071 .0134368 3.45 0.001 .0198959 .0727183
expersq | -.0009444 .0004001 -2.36 0.019 -.0017308 -.000158
w2 | .0558771 .032788 1.70 0.089 -.0085706 .1203248
_cons | -.011404 .3592486 -0.03 0.975 -.7175388 .6947307
------------------------------------------------------------------------------
Variabel w2 pada persamaan struktural di atas signifikan pada tingkat kesalahan 10%, artinya bahwa
variabel educ merupakan variabel endogen, yakni variabel tak bebas yang nilainya ditentukan dalam
sistem persamaan, yakni ditentukan oleh pendidikan ayah ( fatheduc) dan pendidikan ibu (motheduc).
5. Analisis Data Panel
Jenis data yang seperti apa sehingga kita mempertimbangkan menggunakan model panel data?
Jenis data yang observasinya terdiri dari sejumlah sampel individu atau unit (i) pada beberapa periode
(t). sampel unit yang digunakan misalnya rumah tangga, perusahaan, kabupaten, provinsi, negara,
dan sebagainya (dimana i = 1, 2, 3, ..., N). Periode waktu dapat berupa data dengan frekuensi yang
berbentuk harian, mingguan, bulanan, kuartalan, maupun tahunan (dimana t = 1, 2, 3, ..., T). Sebagai
ilustrasi dari bentuk data yang digunakan dalam model panel data adalah sebagai berikut:
Bulan Provinsi Jumlah Jumlah Turis Pengeluaran
Korban Asing yang Kesehatan/PDRB
Covid19 yang Datang/Penduduk (%)
Meninggal (%)
(orang)
Januari DKI Jakarta
Februari DKI Jakarta
Maret DKI Jakarta
April DKI Jakarta

Bulan Provinsi Jumlah Jumlah Turis Pengeluaran
Korban Asing yang Kesehatan/PDRB
Covid19 yang Datang/Penduduk (%)
Meninggal (%)
(orang)
Mei DKI Jakarta
Januari Jawa Barat
Februari Jawa Barat
Maret Jawa Barat
April Jawa Barat
Mei Jawa Barat
Januari Jawa Tengah
Februari Jawa Tengah
Maret Jawa Tengah
April Jawa Tengah
Mei Jawa Tengah
Dst
Keterangan: peneliti ingin mengetahui pengaruh jumlah turis asing dan pengeluaran
kesehatan (termasuk untuk rapid test) terhadap jumlah korban Covid19 yang meninggal di
34 provinsi dalam kurun waktu bulan Januari-Mei 2020
Sebutkan 2 teknik yang dapat digunakan untuk mengestimasi persamaan data panel yang memiliki
unobserved fixed effect. Selain itu, sebutkan pengujian yang dapat dipakai untuk memilih salah satu
teknik estimasi yang telah anda sebutkan?
dua teknik yang dapat digunakan untuk mengestimasi persamaan data panel yang memiliki
unobserved fixed effect: yakni Fixed effect dan Random effect.

Error Component Model
𝜆𝑖 (unobserved fixed effect) merupakan fokus dari prosedur estimasi persamaan data panel.
Unobserved, yaitu sesuatu yang tidak terobservasi antar provinsi, kita taruh semua di dalam 𝜆𝑖 .
Misalnya dalam kasus di atas adalah perilaku masyarakat dalam menerapkan protokol kesehatan atau
keseriusan pemimpinnya dalam menangani pandemic Covid19. Sehingga perilaku penduduk dan
pemimpin yang tidak termodelkan tadi kita taruh di dalam 𝜆𝑖 .
Teknik analisis Fixed effect maupun Random effect sudah menerima fakta bahwa adanya unobserved.
Perbedaannya adalah Fixed effect: 𝜆𝑖 diasumsikan berkorelasi dengan variabel independen lainnya
sehingga harus dihilangkan. Jika ternyata 𝜆𝑖 tidak berkorelasi dengan 𝑥𝑖𝑡 maka proses transformasi
untuk menghilangkan 𝜆𝑖 akan menghasilkan estimator yang tidak efisien. Random effect merupakan
pilihan metode yang dapat digunakan dengan kondisi dimana 𝜆𝑖 tidak berkorelasi dengan 𝑥𝑖𝑡 .
FE: 𝐸(𝑋𝑖𝑡 , 𝜆𝑖 ) ≠ 0
RE: 𝐸(𝑋𝑖𝑡 , 𝜆𝑖 ) = 0
Pengujian yang dapat dipakai untuk memilih salah satu teknik analisis menggunakan FE atau RE
adalah dengan Hausman Test, dengan ketentuan: H0: (𝑋𝑖𝑡 , 𝜆𝑖 )= 0 (Random effect) untuk model one
way. Sehingga jika berdasarkan Hausman Test Prob<5% maka tolak H0 atau model yang cocok
digunakan adalah FE.

Atau berdasarkan H0 dilakukan test:
ˆ −1 ( RE −  FE ) ~  2 (k )
W = ( RE −  FE )' 
Jika W significant, kita seharusnya tidak menggunakan estimator random effects.
Ada 2 teknik atau pendekatan untuk mengestimasi persamaan data panel, yaitu Fixed Effect dan
LSDV. Dapatkah anda menjelaskan persamaan dan perbedaannya?
Persamaan: Fixed Effect dan LSDV adalah 𝜆𝑖 diasumsikan berkorelasi dengan variabel independen
lainnya sehingga harus dihilangkan. Jika ternyata 𝜆𝑖 tidak berkorelasi dengan 𝑥𝑖𝑡 maka proses
transformasi untuk menghilangkan 𝜆𝑖 akan menghasilkan estimator yang tidak efisien.
Perbedaan:
Bentuk persaman Fixed Effect: 𝑦𝑖𝑡 = 𝛽1 𝑥𝑖𝑡 + 𝜆𝑖 + 𝑢𝑖𝑡 dimana t=1,2,...,T
Bentuk persaman LSDV: 𝑦𝑖𝑡 = 𝑎0 + 𝑎1 𝑑2 + 𝑎2 𝑑3 + ⋯ + 𝑎𝑖 𝑑𝑖 + 𝛽1 𝑥𝑖𝑡 + 𝑢𝑖𝑡
Pendekatan LSDV menggunakan regresi dummy. Masalah muncul ketika data panel memiliki cross
section yang besar sehingga semakin banyak dummy yang menyebabkan estimasi menjadi sulit. R-
square dari LSDV cenderung lebih besar karena banyaknya dummy yg menjadi variabel penjelas.
Meskipun pendekatan berbeda tetapi kedua pendekatan akan menghasilkan hasil estimasi yang
sama, termasuk besaran koefisien dan standard error
Apa yang anda ketahui dengan model Panel Data Statis dan Dinamis? Berikan penjelasan anda,
misalnya dalam hal perbedaan dalam persamaan, metode estimasi dan hal lainnya yang Anda
ketahui?
Panel data statis hanya memodelkan dari current variable, sedangkan panel data dinamis tidak hanya
current variable namun juga lag variable. Pada analisa makroekonomi umum ditemui bahwa struktur
data panel memiliki lebih banyak periode dibandingkan dengan cross section-nya. Pada analisa
makroekonomi juga sangatlah umum digunakan bentuk model dengan memasukkan lag dependent
variable sebagai salah satu peubah penjelasnya.
Persamaan Panel Data Statis: 𝑦𝑖𝑡 = 𝛽0 + 𝛽1 𝑥1𝑖𝑡 + 𝛽2 𝑥2𝑖𝑡 + ⋯ + 𝛽𝑘 𝑥𝑘𝑖𝑡 + 𝜀𝑖𝑡

𝜀𝑖𝑡 = 𝜆𝑖 + 𝑢𝑖𝑡
Persamaan Panel Data Dinamis: 𝑦𝑖𝑡 = 𝛾𝑦𝑖,𝑡−1 + 𝛽 ′ 𝑥𝑖𝑡 + 𝛼𝑖∗ +𝜆𝑡 + 𝜀𝑖𝑡
Pada Persamaan Panel Data Dinamis selain 𝑥𝑖𝑡 yang standar ada unobserved fixed effect, ada
unobserved time effect, ada lag dari dependent variabel. Ketika ada lag dependent variabel muncul
di sisi kanan, otomatis itu strict exogeneity tidak lagi terpenuhi karena ada lag dari dependent
variabel. Sehingga penerapan Least Square Dummy Variable, tidak lagi memberikan hasil yang
konsisten, jadi bias dan kita harus mencari alternative pilihan model lain yang harus kita gunakan
sebagai metode estimasinya.
Metode estimasi pada Panel Data Statis: First differencing, Fixed effect, Random effect. Pada
umumnya peneliti akan menggunakan FE dan RE. Kalau pendekatannya substansial peneliti akan
cenderung menggunakan fixed effect, yakni 𝜆𝑖 diasumsikan berkorelasi dengan variabel independen
lainnya sehingga harus dihilangkan. Jika ragu, maka melakukan hausman test untuk memilih FE atau
RE model.
Metode estimasi pada Panel Data Dinamis
Menurut Hurlin (2010) ada beberapa pilihan metode yang bisa digunakan:
- Maximum Likelihood (ML) atau Full Information Maximum Likelihood (FIML) dengan
beberapa restriksi
- FGLS (dengan beberapa restriksi)
- LSDV bias corrected (Kiviet, 1995)
Namun biasanya peneliti menggunakan metode IV dan GMM untuk analisis panel data dinamis.
- IV (Anderson and Hsiao, 1982)
Karena ada anggapan bahwa variabel 𝑦𝑖,𝑡−1 berkorelasi dengan 𝜀𝑖𝑡 . Idenya adalah untuk menemukan
set dari variabel yang kita namakan sebagai instrument, kita tahu bahwa 𝑦𝑖,𝑡−1 tidak boleh berkorelasi
dengan 𝜀𝑖𝑡 . Kemudian instrumental variabel ini ingin mengeliminasi adanya correlation tadi.
- GMM (Arellano and Bond, 1985)
GMM (Generalized Method of Moment) merupakan pilihan metode yang relevan dikarenakan
2(dua) alasan utama yaitu : Pertama, GMM merupakan common estimator dan memberikan
kerangka yang lebih bermanfaat untuk perbandingan dan penilaian. Kedua, GMM memberikan
alternatif yang sederhana terhadap estimator lainnya, terutama terhadap maximum likelihood.
Namun terdapat juga beberapa kelemahan GMM. Pertama, GMM estimator adalah
asymptotically efficient dalam ukuran contoh besar tetapi kurang efisien dalam ukuran contoh
yang terbatas (finite). Kedua, GMM estimator ini terkadang memerlukan sejumlah implementasi
pemrograman sehingga dibutuhkan suatu perangkat lunak (software) yang mendukung aplikasi
pendekatan GMM
Aplikasi STATA untuk Analisis Panel Data (lihat do file Panel Data Pada Lampiran)
Langkah-langkah penentuan model dalam analisis data panel: gunakan data panel101
Sebelum run data panel, data perlu di set sebagai bentuk data panel
*============================================================
* 1. Declare bahwa data yang digunakan merupakan data panel
*============================================================
*egen negara=group(country) // menyatakan bahwa data yang digunakan panel data (variabel tidak
boleh dalam bentuk string)
sort country year // mengurutkan data panel
xtset country year // declare sebagai data panel
*=====================================
* 2. Menganalisa data dengan grafik
*=====================================
xtline y
1.000e+10
A B C
5.000e+09
-5.000e+09
0
-1.000e+10
1.000e+10
D E F
5.000e+09
-5.000e+09
0
-1.000e+10
1990 1995 20001990 1995 2000

1.000e+10
G
5.000e+09
-5.000e+09
0
-1.000e+10
1990 1995 2000

year
Graphs by country
*Grafik dijadikan satu
xtline y, overlay
1.000e+10
5.000e+09
0
y
-5.000e+09
-1.000e+10
1990 1992 1994 1996 1998 2000

year
A B
C D
E F
G
bysort country: egen y_mean=mean(y)
bysort country: egen y_min=min(y)
bysort country: egen y_sum=sum(y)
twoway scatter y country, msymbol(circle_hollow) || connected y_mean country, msymbol(diamond)

|| , xlabel(1 "A" 2 "B" 3 "C" 4 "D" 5 "E" 6 "F" 7 "G")
5.000e+09 1.000e+10
0
-1.000e+10-5.000e+09
A B C D E F G
country
y y_mean
bysort year: egen y_mean1=mean(y)
twoway scatter y year, msymbol(circle_hollow) || connected y_mean1 year, msymbol(diamond) || ,

xlabel(1990(1)1999)
5.000e+09 1.000e+10 33 Catatan dan Pembahasan Soal Ekonometrika
0
-1.000e+10-5.000e+09
1990 1991 1992 1993 1994 1995 1996 1997 1998 1999
year
y y_mean1
*==========================================
*3. Pooled Least Square
*==========================================
. reg y x1

-------------+---------------------------------- F(1, 68) = 0.40
Model | 3.7039e+18 1 3.7039e+18 Prob > F = 0.5272
Residual | 6.2359e+20 68 9.1705e+18 R-squared = 0.0059
-------------+---------------------------------- Adj R-squared = -0.0087
Total | 6.2729e+20 69 9.0912e+18 Root MSE = 3.0e+09
------------------------------------------------------------------------------
y | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
x1 | 4.95e+08 7.79e+08 0.64 0.527 -1.06e+09 2.05e+09
_cons | 1.52e+09 6.21e+08 2.45 0.017 2.85e+08 2.76e+09
------------------------------------------------------------------------------
twoway scatter y x1, mlabel(country) || lfit y x1, clstyle(p2)

5.000e+09 1.000e+10
D F
F
F D D
D D E
F C
F D E B C F C
A A A F C GG
A A A B B GG
E C G
D D E B
F A E G G G C
E AA E E GB F C E
0
D B C
B
B G C
D AB
-1.000e+10-5.000e+09
C
F
B
-.5 0 .5 1 1.5
x1
y Fitted values
*==========================================
*4. Least Square Dummy Variable (LSDV)
*==========================================
regress y x1 i.country

-------------+---------------------------------- F(7, 62) = 2.61
Model | 1.4276e+20 7 2.0394e+19 Prob > F = 0.0199
-------------+---------------------------------- Adj R-squared = 0.1404
------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
x1 | 2.48e+09 1.11e+09 2.24 0.029 2.63e+08 4.69e+09
|
country |
B | -1.94e+09 1.26e+09 -1.53 0.130 -4.47e+09 5.89e+08
C | -2.60e+09 1.60e+09 -1.63 0.108 -5.79e+09 5.87e+08
D | 2.28e+09 1.26e+09 1.81 0.075 -2.39e+08 4.80e+09
E | -1.48e+09 1.27e+09 -1.17 0.247 -4.02e+09 1.05e+09
F | 1.13e+09 1.29e+09 0.88 0.384 -1.45e+09 3.71e+09
G | -1.87e+09 1.50e+09 -1.25 0.218 -4.86e+09 1.13e+09
|
_cons | 8.81e+08 9.62e+08 0.92 0.363 -1.04e+09 2.80e+09
------------------------------------------------------------------------------
predict yhat
separate y, by(country)
separate yhat, by(country)
twoway connected yhat1-yhat7 x1, msymbol(none diamond_hollow triangle_hollow square_hollow

+ circle_hollow x) msize(medium) mcolor(black black black black black black black) || lfit y x1,
clwidth(thick) clcolor(black)
2.00e+094.00e+096.00e+09
0
-2.00e+09
-.5 0 .5 1 1.5
x1
yhat, country == A yhat, country == B

yhat, country == C yhat, country == D
yhat, country == E yhat, country == F
yhat, country == G Fitted values
*membandingkan hasil
. regress y x1

-------------+---------------------------------- F(1, 68) = 0.40
Model | 3.7039e+18 1 3.7039e+18 Prob > F = 0.5272
-------------+---------------------------------- Adj R-squared = -0.0087
------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
x1 | 4.95e+08 7.79e+08 0.64 0.527 -1.06e+09 2.05e+09
_cons | 1.52e+09 6.21e+08 2.45 0.017 2.85e+08 2.76e+09
------------------------------------------------------------------------------
. estimates store pls

.
. regress y x1 i.country

-------------+---------------------------------- F(7, 62) = 2.61
Model | 1.4276e+20 7 2.0394e+19 Prob > F = 0.0199
-------------+---------------------------------- Adj R-squared = 0.1404
------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
x1 | 2.48e+09 1.11e+09 2.24 0.029 2.63e+08 4.69e+09
|
country |
B | -1.94e+09 1.26e+09 -1.53 0.130 -4.47e+09 5.89e+08
C | -2.60e+09 1.60e+09 -1.63 0.108 -5.79e+09 5.87e+08
D | 2.28e+09 1.26e+09 1.81 0.075 -2.39e+08 4.80e+09
E | -1.48e+09 1.27e+09 -1.17 0.247 -4.02e+09 1.05e+09
F | 1.13e+09 1.29e+09 0.88 0.384 -1.45e+09 3.71e+09
G | -1.87e+09 1.50e+09 -1.25 0.218 -4.86e+09 1.13e+09
|
_cons | 8.81e+08 9.62e+08 0.92 0.363 -1.04e+09 2.80e+09
------------------------------------------------------------------------------
estimates store lsdv
estout pls lsdv,cells(b(star fmt(%9.3f)) se(par)) stats(r2 N, fmt(%9.3f %9.0g) labels(R-squared)) legend
--------------------------------------------
pls lsdv
b/se b/se
--------------------------------------------
x1 4.95e+08 2.48e+09*
(7.79e+08) (1.11e+09)
1.country 0.000
(.)
2.country -1.94e+09
(1.26e+09)
3.country -2.60e+09
(1.60e+09)
4.country 2.28e+09
(1.26e+09)
5.country -1.48e+09
(1.27e+09)
6.country 1.13e+09
(1.29e+09)
7.country -1.87e+09
(1.50e+09)
_cons 1.52e+09* 8.81e+08
(6.21e+08) (9.62e+08)
--------------------------------------------
R-squared 0.006 0.228
N 70 70
--------------------------------------------
* p<0.05, ** p<0.01, *** p<0.001
.
*==========================================
*5. Fixed Effect
*==========================================
*Fixed Effect
. xtreg y x1, fe
Fixed-effects (within) regression Number of obs = 70

Group variable: country Number of groups = 7
R-sq: Obs per group:

within = 0.0747 min = 10
between = 0.0763 avg = 10.0
overall = 0.0059 max = 10
F(1,62) = 5.00
corr(u_i, Xb) = -0.5468 Prob > F = 0.0289
------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
x1 | 2.48e+09 1.11e+09 2.24 0.029 2.63e+08 4.69e+09
_cons | 2.41e+08 7.91e+08 0.30 0.762 -1.34e+09 1.82e+09
-------------+----------------------------------------------------------------
sigma_u | 1.818e+09
sigma_e | 2.796e+09
rho | .29726926 (fraction of variance due to u_i)
------------------------------------------------------------------------------
F test that all u_i=0: F(6, 62) = 2.97 Prob > F = 0.0131
estimates store fe
predict lambda,u
estout pls lsdv fe,cells(b(star fmt(%9.3f)) se(par)) stats(r2 N, fmt(%9.3f %9.0g) labels(R-squared)) legend
------------------------------------------------------------
pls lsdv fe
b/se b/se b/se
------------------------------------------------------------
x1 4.95e+08 2.48e+09* 2.48e+09*
(7.79e+08) (1.11e+09) (1.11e+09)
1.country 0.000
(.)
2.country -1.94e+09
(1.26e+09)
3.country -2.60e+09
(1.60e+09)
4.country 2.28e+09
(1.26e+09)
5.country -1.48e+09
(1.27e+09)
6.country 1.13e+09
(1.29e+09)
7.country -1.87e+09
(1.50e+09)
_cons 1.52e+09* 8.81e+08 2.41e+08
(6.21e+08) (9.62e+08) (7.91e+08)
------------------------------------------------------------
R-squared 0.006 0.228 0.075
N 70 70 70
------------------------------------------------------------
* p<0.05, ** p<0.01, *** p<0.001
*==========================================
*6. Random Effect
*==========================================
xtreg y x1, re
. xtreg y x1, re
Random-effects GLS regression Number of obs = 70


within = 0.0747 min = 10
between = 0.0763 avg = 10.0
Wald chi2(1) = 1.91

corr(u_i, X) = 0 (assumed) Prob > chi2 = 0.1669
------------------------------------------------------------------------------
y | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
x1 | 1.25e+09 9.02e+08 1.38 0.167 -5.21e+08 3.02e+09
_cons | 1.04e+09 7.91e+08 1.31 0.190 -5.13e+08 2.59e+09
-------------+----------------------------------------------------------------
sigma_u | 1.065e+09
sigma_e | 2.796e+09
------------------------------------------------------------------------------
*==========================================
*7. Testing Fixed Effect & Random Effect
*==========================================
*Test Random vs Fixed

xtreg y x1, fe
estimates store fixed
xtreg y x1, re
estimates store random
hausman fixed random
. *Test Random vs Fixed
. xtreg y x1, fe


within = 0.0747 min = 10
between = 0.0763 avg = 10.0
F(1,62) = 5.00
corr(u_i, Xb) = -0.5468 Prob > F = 0.0289
------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
x1 | 2.48e+09 1.11e+09 2.24 0.029 2.63e+08 4.69e+09
_cons | 2.41e+08 7.91e+08 0.30 0.762 -1.34e+09 1.82e+09
-------------+----------------------------------------------------------------
sigma_u | 1.818e+09
sigma_e | 2.796e+09
------------------------------------------------------------------------------
. estimates store fixed
. xtreg y x1, re
Random-effects GLS regression Number of obs = 70


within = 0.0747 min = 10
between = 0.0763 avg = 10.0
Wald chi2(1) = 1.91

corr(u_i, X) = 0 (assumed) Prob > chi2 = 0.1669
------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
x1 | 1.25e+09 9.02e+08 1.38 0.167 -5.21e+08 3.02e+09
_cons | 1.04e+09 7.91e+08 1.31 0.190 -5.13e+08 2.59e+09
-------------+----------------------------------------------------------------
sigma_u | 1.065e+09
sigma_e | 2.796e+09

------------------------------------------------------------------------------
. estimates store random
. hausman fixed random
---- Coefficients ----

| (b) (B) (b-B) sqrt(diag(V_b-V_B))
| fixed random Difference S.E.
-------------+----------------------------------------------------------------
x1 | 2.48e+09 1.25e+09 1.23e+09 6.41e+08
------------------------------------------------------------------------------
b = consistent under Ho and Ha; obtained from xtreg
B = inconsistent under Ha, efficient under Ho; obtained from xtreg
Test: Ho: difference in coefficients not systematic
chi2(1) = (b-B)'[(V_b-V_B)^(-1)](b-B)
= 3.67
Prob>chi2 = 0.0553 → terima H0 sehingga model yang digunakan RE,
masih cek
*====================================================
*8. Testing Heterocedasticity dan Serial Correlation
*====================================================
*Heteroskedasticity
. xtreg y x1, fe robust


within = 0.0747 min = 10
between = 0.0763 avg = 10.0
F(1,6) = 2.81
corr(u_i, Xb) = -0.5468 Prob > F = 0.1450
(Std. Err. adjusted for 7 clusters in country)

------------------------------------------------------------------------------
| Robust
-------------+----------------------------------------------------------------
x1 | 2.48e+09 1.48e+09 1.68 0.145 -1.14e+09 6.09e+09
_cons | 2.41e+08 9.58e+08 0.25 0.810 -2.10e+09 2.58e+09
-------------+----------------------------------------------------------------
sigma_u | 1.818e+09
sigma_e | 2.796e+09
------------------------------------------------------------------------------
. xttest3
Modified Wald test for groupwise heteroskedasticity

in fixed effect regression model
H0: sigma(i)^2 = sigma^2 for all i
chi2 (7) = 42.77

Prob>chi2 = 0.0000 → tolak H0, ada heterocedasticitas
Keterangan:
H0: Homocedasticity
H1: Heterocedasticity
. *Serial correlation
. xtserial y x1
Wooldridge test for autocorrelation in panel data

H0: no first-order autocorrelation
F( 1, 6) = 0.214
Prob > F = 0.6603 → terima H0, no autocorrelation
Keterangan:
H0: No Autocorrelation
H1: Autocorrelation
*panel data yang bebas autokorelasi dan heteroskedastisitas

xtreg y x1, fe cluster(country)
xtgls y x1, panels(hetero) corr(ar1)
. *panel data yang bebas autokorelasi dan heteroskedastisitas

. xtreg y x1, fe cluster(country)


within = 0.0747 min = 10
between = 0.0763 avg = 10.0
F(1,6) = 2.81
corr(u_i, Xb) = -0.5468 Prob > F = 0.1450
(Std. Err. adjusted for 7 clusters in country)

------------------------------------------------------------------------------
| Robust
-------------+----------------------------------------------------------------
x1 | 2.48e+09 1.48e+09 1.68 0.145 -1.14e+09 6.09e+09
_cons | 2.41e+08 9.58e+08 0.25 0.810 -2.10e+09 2.58e+09
-------------+----------------------------------------------------------------
sigma_u | 1.818e+09
sigma_e | 2.796e+09
------------------------------------------------------------------------------
. xtgls y x1, panels(hetero) corr(ar1)
Cross-sectional time-series FGLS regression
Coefficients: generalized least squares

Panels: heteroskedastic
Correlation: common AR(1) coefficient for all panels (0.3028)
Estimated covariances = 7 Number of obs = 70

Estimated autocorrelations = 1 Number of groups = 7

Estimated coefficients = 2 Time periods = 10
Wald chi2(1) = 2.55
Prob > chi2 = 0.1100
------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
x1 | 1.15e+09 7.18e+08 1.60 0.110 -2.60e+08 2.55e+09
_cons | 7.45e+08 6.42e+08 1.16 0.245 -5.12e+08 2.00e+09
------------------------------------------------------------------------------
Panel Data Dinamis

. xtabond2 y L.y x1 x2 x3, gmm (L.y) iv(x1 x2 x3) nolevel robust small
Favoring space over speed. To switch, type or click on mata: mata set matafavor speed,
perm.
Warning: Number of instruments may be large relative to number of observations.
Warning: Two-step estimated covariance matrix of moments is singular.
Using a generalized inverse to calculate robust weighting matrix for Hansen test.
Difference-in-Sargan/Hansen statistics may be negative.
Dynamic panel-data estimation, one-step difference GMM

------------------------------------------------------------------------------
Group variable: country Number of obs = 56
Time variable : year Number of groups = 7
Number of instruments = 38 Obs per group: min = 8
F(4, 7) = 40.61 avg = 8.00
Prob > F = 0.000 max = 8
------------------------------------------------------------------------------
| Robust
-------------+----------------------------------------------------------------
y |
L1. | -.0905458 .0685826 -1.32 0.228 -.2527179 .0716264
|
x1 | 1.91e+09 2.71e+09 0.71 0.503 -4.50e+09 8.33e+09
x2 | 1.94e+09 2.21e+09 0.88 0.408 -3.27e+09 7.15e+09
x3 | -1.37e+08 6.85e+08 -0.20 0.847 -1.76e+09 1.48e+09
------------------------------------------------------------------------------
Instruments for first differences equation
Standard
D.(x1 x2 x3)
GMM-type (missing=0, separate instruments for each period unless collapsed)
L(1/9).L.y
------------------------------------------------------------------------------
Arellano-Bond test for AR(1) in first differences: z = -1.36 Pr > z = 0.173
------------------------------------------------------------------------------
Sargan test of overid. restrictions: chi2(34) = 51.91 Prob > chi2 = 0.025
(Not robust, but not weakened by many instruments.)
Hansen test of overid. restrictions: chi2(34) = 4.80 Prob > chi2 = 1.000
(Robust, but weakened by many instruments.)
Difference-in-Hansen tests of exogeneity of instrument subsets:

iv(x1 x2 x3)
Hansen test excluding group: chi2(31) = 4.80 Prob > chi2 = 1.000
Difference (null H = exogenous): chi2(3) = 0.00 Prob > chi2 = 1.000
Pakai lag dari dependent

gen yL1=l.y
(7 missing values generated)
. eststo eq1: reg y yL1 x1 x2 x3

-------------+---------------------------------- F(4, 58) = 0.89
Model | 3.1948e+19 4 7.9870e+18 Prob > F = 0.4766
-------------+---------------------------------- Adj R-squared = -0.0072
------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
yL1 | .2349935 .1263437 1.86 0.068 -.017911 .4878979
x1 | 3.00e+08 1.05e+09 0.29 0.775 -1.79e+09 2.39e+09
x2 | 1.20e+07 3.68e+08 0.03 0.974 -7.24e+08 7.48e+08
x3 | 1114868 2.93e+08 0.00 0.997 -5.86e+08 5.88e+08
_cons | 1.40e+09 9.03e+08 1.55 0.126 -4.06e+08 3.21e+09
------------------------------------------------------------------------------
. eststo eq2: xtreg y yL1 x1 x2 x3, fe


within = 0.0595 min = 9
between = 0.0223 avg = 9.0
F(4,52) = 0.82
corr(u_i, Xb) = -0.8306 Prob > F = 0.5171
------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
yL1 | .0371816 .1414895 0.26 0.794 -.2467379 .3211011
x1 | 1.63e+09 1.59e+09 1.03 0.310 -1.56e+09 4.81e+09
x2 | 1.86e+09 2.26e+09 0.82 0.413 -2.67e+09 6.39e+09
x3 | 2.81e+08 4.06e+08 0.69 0.492 -5.34e+08 1.10e+09
_cons | 3.86e+08 1.15e+09 0.34 0.738 -1.92e+09 2.69e+09
-------------+----------------------------------------------------------------
sigma_u | 2.638e+09
sigma_e | 2.898e+09
------------------------------------------------------------------------------
. eststo eq3: xtabond2 y yL1 x1 x2 x3, gmm ( yL1 ) iv(x1 x2 x3)

Favoring space over speed. To switch, type or click on mata: mata set matafavor speed,
perm.
Warning: Number of instruments may be large relative to number of observations.
Dynamic panel-data estimation, one-step system GMM

------------------------------------------------------------------------------
Group variable: country Number of obs = 63
Time variable : year Number of groups = 7
Number of instruments = 46 Obs per group: min = 9
Wald chi2(4) = 4.08 avg = 9.00
Prob > chi2 = 0.396 max = 9
------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
yL1 | .2382133 .123058 1.94 0.053 -.002976 .4794025
x1 | 6.26e+08 1.07e+09 0.59 0.556 -1.46e+09 2.71e+09
x2 | 3.65e+07 3.68e+08 0.10 0.921 -6.85e+08 7.58e+08
x3 | -8.28e+07 2.93e+08 -0.28 0.778 -6.57e+08 4.92e+08
_cons | 1.23e+09 9.09e+08 1.36 0.175 -5.49e+08 3.01e+09
------------------------------------------------------------------------------
Instruments for first differences equation
Standard
D.(x1 x2 x3)
L(1/9).yL1
Instruments for levels equation
Standard
x1 x2 x3
_cons
D.yL1
------------------------------------------------------------------------------
------------------------------------------------------------------------------
Sargan test of overid. restrictions: chi2(41) = 46.44 Prob > chi2 = 0.258
(Not robust, but not weakened by many instruments.)
Difference-in-Sargan tests of exogeneity of instrument subsets:

GMM instruments for levels
Sargan test excluding group: chi2(34) = 35.83 Prob > chi2 = 0.383
iv(x1 x2 x3)
Sargan test excluding group: chi2(38) = 43.30 Prob > chi2 = 0.255
. . esttab, b(3) se(3) ar2 star (* .1 ** .05 *** .01)
------------------------------------------------------------
(1) (2) (3)
y y y
------------------------------------------------------------
yL1 0.235* 0.037 0.238*
(0.126) (0.141) (0.123)
x1 3.003e+08 1.626e+09 6.264e+08

(1.046e+09) (1.586e+09) (1.065e+09)
x2 11981842.601 1.860e+09 36509484.624

(3.678e+08) (2.256e+09) (3.681e+08)
x3 1114867.768 2.808e+08 -8.275e+07

(2.932e+08) (4.059e+08) (2.932e+08)
_cons 1.401e+09 3.857e+08 1.233e+09

(9.030e+08) (1.147e+09) (9.090e+08)
------------------------------------------------------------
N 63 63 63
adj. R-sq -0.007 -0.121
------------------------------------------------------------
Standard errors in parentheses
* p<.1, ** p<.05, *** p<.01
6. LPM, Logit, dan Probit
Model regresi linier menggunakan variabel tergantung yang bersifat numeris dan diasumsikan dapat
mengambil nilai apa saja (unbounded). Asumsi yang terakhir ini pada beberapa penelitian dapat
bersifat kurang realistis. Penelitian dengan variabel tergantung yang bersifat kualitatif (kategorik)
misalnya keputusan membeli atau tidak suatu produk yang dikaitkan dengan serangkaian variabel
bebas (demografis, daya beli dan psikologis). Dalam hal ini nilai regressand hanyalah 1 (jika beli) dan
0 (jika tidak). Model regresi yang digunakan untuk data semacam ini disebut model binary response
diantaranya model linear probability, logit dan probit. Sifat variabel tergantung lain yang
memberikan hambatan bagi penerapan OLS adalah count data. Nilai variabel response harus bersifat
integer dan non negatif. Model Regresi Poisson dapat mengakomodasikan variabel semacam ini.
Jika nilai variabel tergantung adalah kontinu tetapi hanya terbatas pada range tertentu juga
merupakan hambatan bagi penerapan OLS secara langsung. Variabel semacam ini misalnya Indeks
Prestasi, persentase kepesertaan pensiun, nilai TOEFL, dan sebagainya. Data yang dimiliki disebut
censored jika nilai variabel tergantung dibatasi. Model untuk mengatasi masalah ini disebut censored
regression
Akhirnya suatu kualifikasi terhadap OLS juga diberikan pada data yang bersifat truncated. Masalah
truncated terjadi jika ada satu atau lebih sub sample (dengan porsi yang substansial) yang diperoleh
melalui teknik non-random sampling. Seluruh teknik yang dipergunakan untuk mengatasi
permasalahan yang disebut diatas termasuk pada kelas Limited Dependent Variable Model, atau
disingkat LDV Model
Interpretasi hubungan antara variabel dependent dan variabel bebas pada model binary response
adalah bersifat probabilistic. Sehingga, jika kita menotasikan y=1 sebagai terjadinya suatu event (dan
y=0, bukan event tersebut), maka regresi OLSnya.
𝒀 = 𝜷𝟎 + 𝜷𝟏 𝑿𝟏 + 𝜷𝟐 𝑿𝟐 + ⋯ … … … … … . +𝜷𝒌 𝑿𝒌
Harus diinterpretasikan sebagai probabilitas terjadinya y=1, given 𝑋𝑗 tertentu, atau
𝑷(𝒀 = 𝟏|𝑿) = 𝜷𝟎 + 𝜷𝟏 𝑿𝟏 + 𝜷𝟐 𝑿𝟐 + ⋯ … … … … … . +𝜷𝒌 𝑿𝒌
Jika kita menggunakan Linear Probability Model (LPM), maka persamaan di atas diestimasi dari data
dengan menggunakan teknik OLS. Model LPM ini memiliki 2 kelemahan
Pertama, ada pembatasan yang bersifat adhoc. Ini terjadi apabila fitted value dari variabel response
lebih dari 1, maka ia dianggap 1 dan sebaliknya jika dibawah 0, maka akan dianggap 0 (1 dan 0 adalah
batas atas dan batas bawah dari nilai variabel respon). Dengan demikian fitted value=1.50 adalah
dianggap sama dengan fitted value=1.05, sama-sama memiliki probabilitas terjadinya y= 1.
Kedua, model ini mengalami heteroskedastisitas (melanggar asumsi Gauss-Markov).
Meskipun demikian model ini tetap banyak digunakan dan cukup valid terutama jika nilai dari variabel
bebas terdistribusi disekitar rata-ratanya (tidak terlalu menyebar).
Estimasi model 𝑌𝑖 = 𝛽0 + 𝛽1𝑋𝑖 + 𝑢 dengan suatu metode yang akan menjamin bahwa 𝐸(𝑌𝑖|𝑋𝑖) terlatak
antara 0 & 1 adalah dengan menggunakan metode logit dan probit. Apa bedanya?
Model logit menggunakan fungsi fungsi logistic komulatif (comulative logistic function) sedangkan
model probit menggunakan fungsi normal komulatif (normal CDF) → model normit. Secara prinsip,
untuk memperoleh model probit dapat dilakukan dengan mengganti fungsi logistic komulatif pada
persamaan:
𝟏
𝑷𝒊 =
𝟏 + 𝒆−𝒛𝒊
Contoh Soal 6.1
Dinas kesehatan Provinsi Jakarta ingin mengetahui pengaruh faktor jenis kelamin (sex), pemberian
ASI ekslusif (ASI), pemberian imunisasi dasar lengkap (IDL) dan pemberian suplemen penambah
immunitas terhadap kenaikan imunitas balita di suatu kecamatan. Arah dan tingkat pengaruh faktor
akan didekati oleh model logistik dan probit, dengan batasan variabel terikat dan bebas sebagai
berikut:
Variabel terikat: Imun = kenaikan imunitas (1 = ya, 0 = tidak); kemudian variabel-variabel bebas: Sex
= jenis kelamin (1 = laki-laki, 0 = perempuan); ASI = pemberian ASI ekslusif (1=ya, 0 = tidak); IDL =
pemberian imunisasi dasar lengkap (1=ya, 0= tidak); SUPL = pemberian suplemen penambah
immunitas (dalam mg).
Pertanyaan:
Terhadap hasil estimasi model probabilitas dengan pendekatan Probit:
Tulis persamaan model probabilitas dengan pendekatan Probit!
𝑍𝑖∗ = 𝛼0 + 𝛼1 𝑠𝑒𝑥𝑖 + 𝛼2 𝐴𝑆𝐼𝑖 + 𝛼3 𝐼𝐷𝐿𝑖 + 𝛼4 𝑆𝑈𝑃𝐿𝑖 + 𝑢𝑖
Bagaimana pendapat saudara tentang Goodness of Fit dari model ini? Salah satu melihat Goodness
of Fit adalah dari nilai Psedo R2-nya. Berdasarkan hasil output regresi probit tersebut, nilai Psedo R2
adalah 0.4557 atau 45,57%. Untuk data cross section, nilai tersebut sudah cukup tinggi untuk
menjelaskan model.
Output Model Probit:
Probit regression Number of obs = 43

LR chi2(4) = 27.07
Prob > chi2 = 0.0000
Log likelihood = -16.165323 Pseudo R2 = 0.4557
------------------------------------------------------------------------------
imun | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
sex | .2647858 .5449373 0.49 0.627 -.8032716 1.332843
asi | 1.331317 .5232053 2.54 0.011 .3058532 2.35678
idl | 1.169622 .5210763 2.24 0.025 .1483314 2.190913
supl | .0059836 .0037771 1.58 0.113 -.0014193 .0133865
_cons | -2.534571 .9216112 -2.75 0.006 -4.340895 -.7282457
------------------------------------------------------------------------------
Terhadap hasil estimasi model probabilitas dengan pendekatan Logit:
Interpretasikan makna dari koefisien ASI (satu koefisien saja)!
Berdasarkan output persamaan logit di bawah menunjukkan koefisien ASI positif, artinya pemberian
ASI eksklusif memiliki dampak positif pada kenaikan imunitas balita atau peluang balita yang
diberikan ASI eksklusif mengalami kenaikan imunitas lebih tinggi sebesar exp(2.27728)=9,75 kali
dibandingkan dengan balita yang tidak diberikan ASI
Bagaimana pendapat saudara tentang signifikansi pengaruh dari masing-masing faktor terhadap
peningkatan imunitas? Uraikan jawaban saudara.
Uji signifikansi pada parameter dilakukan dengan melihat nilai p value yang dibandingkan dengan α
(level of significance) yang digunakan pada hipotesis null dua arah. Jika Prob< α maka tolak H0.
Berdasarkan hasil Wald test dengan α=5% menunjukkan:
variabel sex: Prob> α → terima H0, artinya jenis kelamin balita tidak signifikan memengaruhi kenaikan
imunitas balita
variabel asi: Prob< α → tolak H0, artinya pemberian ASI ekslusif pada balita signifikan memengaruhi
kenaikan imunitas balita
variabel idl: Prob< α → tolak H0, artinya pemberian imunisasi dasar lengkap pada balita signifikan
memengaruhi kenaikan imunitas balita
variabel supl: Prob> α → terima H0, artinya pemberian suplemen penambah imunitas pada balita
tidak signifikan memengaruhi kenaikan imunitas balita
Jika seorang bayi adalah perempuan, tidak diberi ASI ekslusif, tidak diberi imunisasi dasar lengkap,
dan diberi suplemen penambah imun sebesar 250 mgram. Berapa probabilitas bayi tersebut
mengalami kenaikan imunitas?
𝒑
𝒍𝒏 ( ) = −𝟒. 𝟐𝟗𝟐𝟑𝟑𝟖 + 𝟎. 𝟎𝟎𝟗𝟗𝟔𝟏𝟖 ∗ 𝟐𝟓𝟎
𝟏−𝒑
𝒑
𝒍𝒏 ( ) = −1.80189
𝟏−𝒑
𝒑
( ) = 𝒆−1.80189
𝟏−𝒑
𝒆−1.80189
𝒑= = 𝟏𝟒, 𝟏𝟔%
𝟏 + 𝒆−1.80189
Output Model Logistic:
Logistic regression Number of obs = 43

LR chi2(4) = 26.80
Prob > chi2 = 0.0000
------------------------------------------------------------------------------
imun | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
sex | .3540409 .97776 0.36 0.717 -1.562333 2.270415
asi | 2.27728 .9202925 2.47 0.013 .4735401 4.081021
idl | 1.99327 .920426 2.17 0.030 .1892681 3.797272
supl | .0099618 .0067522 1.48 0.140 -.0032723 .0231959
_cons | -4.292338 1.743733 -2.46 0.014 -7.709992 -.8746841
----------------------------------------------------------------------------
Lampiran Output STATA
Gunakan Data Panel101
. logit y_bin x1 x2 x3
Iteration 0: log likelihood = -35.02817


LR chi2(3) = 4.54
Prob > chi2 = 0.2084
------------------------------------------------------------------------------
y_bin | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
x1 | .861772 .7840201 1.10 0.272 -.674879 2.398423
x2 | .3665348 .3081647 1.19 0.234 -.2374569 .9705264
x3 | .7512113 .4548642 1.65 0.099 -.1403061 1.642729
_cons | .4261935 .6390496 0.67 0.505 -.8263207 1.678708
------------------------------------------------------------------------------
. predict y_bin_hat
(option pr assumed; Pr(y_bin))
. logit y_bin x1 x2 x3, or


LR chi2(3) = 4.54
Prob > chi2 = 0.2084
------------------------------------------------------------------------------
y_bin | Odds Ratio Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
x1 | 2.367352 1.856051 1.10 0.272 .509218 11.00581
x2 | 1.442727 .4445974 1.19 0.234 .7886309 2.639334
x3 | 2.119566 .9641146 1.65 0.099 .8690922 5.169256
_cons | 1.531417 .9786515 0.67 0.505 .4376566 5.358627
------------------------------------------------------------------------------
Marginal effect: perubahan peluang akibat kenaikan 1 unit x (untuk variabel continue)
Odd ratio: untuk variabel dummy
. mfx
Marginal effects after logit

y = Pr(y_bin) (predict)
= .83285547
------------------------------------------------------------------------------
variable | dy/dx Std. Err. z P>|z| [ 95% C.I. ] X
---------+--------------------------------------------------------------------
x1 | .1199649 .10484 1.14 0.253 -.085513 .325443 .648001
x2 | .0510243 .04116 1.24 0.215 -.029639 .131687 .133869
x3 | .1045741 .05389 1.94 0.052 -.001053 .210201 .761851
------------------------------------------------------------------------------
7. Ordered Logit dan Multinomial Logit
Jika sebuah variabel terikat memiliki lebih dari dua kategori dan nilai masing-masing kategori
memiliki arti sequential berurutan, sebuah nilai lebih tinggi dibandingkan dengan kategori
sebelumnya, maka kita dapat menggunakan ordinal logit.
Gunakan Data nels_small
Pertama, tabulasi variabel psechoice: keputusan setelah lulus SMA

. ta psechoice
no college |
= 1, 2 = |
2-year |
college, 3 |
= 4-year |
college | Freq. Percent Cum.
------------+-----------------------------------
1 | 222 22.20 22.20
2 | 251 25.10 47.30
3 | 527 52.70 100.00
------------+-----------------------------------
Total | 1,000 100.00
1= Jika memutuskan untuk tidak kuliah

2=kuliah diploma (2 tahun)
3=kuliah S1 (4 tahun)
Lakukan regresi ordered logit sebagai berikut:
. ologit psechoice grades faminc female

Ordered logistic regression Number of obs = 1,000

LR chi2(3) = 322.60
Prob > chi2 = 0.0000
------------------------------------------------------------------------------
psechoice | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
grades | -.4949494 .0349293 -14.17 0.000 -.5634096 -.4264891
faminc | .0129831 .0022959 5.65 0.000 .0084831 .017483
female | -.1389161 .1344196 -1.03 0.301 -.4023736 .1245414
-------------+----------------------------------------------------------------
/cut1 | -4.293049 .3126031 -4.90574 -3.680358
/cut2 | -2.806587 .2930885 -3.38103 -2.232144
------------------------------------------------------------------------------
Sama hal-nya dengan logit, output dari ordered logit tidak bisa langsung diinterpresikan
dari koefisiennya. Namun dapat dihitung melali nilai margins-nya.
. margins, predict(outcome(1)) atmeans post
Adjusted predictions Number of obs = 1,000

Model VCE : OIM
Expression : Pr(psechoice==1), predict(outcome(1))

at : grades = 6.53039 (mean)
faminc = 51.3935 (mean)
female = .496 (mean)
------------------------------------------------------------------------------
| Delta-method
| Margin Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
_cons | .1598722 .0123627 12.93 0.000 .1356418 .1841027
------------------------------------------------------------------------------
Jadi dengan asumsi rata-rata semua nilai variabel bebasnya, maka peluang individu untuk
memilih tidak sekolah adalah sebesar 15,98 persen.

Model VCE : OIM

------------------------------------------------------------------------------
| Delta-method
-------------+----------------------------------------------------------------
_cons | .2970556 .0164593 18.05 0.000 .2647961 .3293152
------------------------------------------------------------------------------
memilih kuliah 2 tahun (Diploma) adalah sebesar 29,7 persen.

Model VCE : OIM

------------------------------------------------------------------------------
| Delta-method
-------------+----------------------------------------------------------------
_cons | .5430721 .0183613 29.58 0.000 .5070847 .5790596
------------------------------------------------------------------------------
memilih kuliah 4 tahun (S1) adalah sebesar 54,3 persen.
. margins, predict(outcome(1)) at(female=1) atmeans

Model VCE : OIM

female = 1
------------------------------------------------------------------------------
| Delta-method
-------------+----------------------------------------------------------------
_cons | .1695014 .015722 10.78 0.000 .1386868 .2003159
------------------------------------------------------------------------------
Jadi dengan asumsi nilai grades rata-rata, pendapatan rumah tangga rata-rata, dan
perempuan, maka peluang individu untuk memilih tidak kuliah adalah sebesar 16,95 persen.
. margins, predict(outcome(1)) at(female=0) atmeans

Model VCE : OIM

female = 0
------------------------------------------------------------------------------
| Delta-method
-------------+----------------------------------------------------------------
_cons | .1508332 .0148797 10.14 0.000 .1216695 .1799968
------------------------------------------------------------------------------
Jadi dengan asumsi nilai grades rata-rata, pendapatan rumah tangga rata-rata, dan laki-
laki, maka peluang individu untuk memilih tidak kuliah adalah sebesar 15,08 persen.
Lakukan summarize untuk dua variabel bebas yakni grades dan faminc
. sum grades faminc
Variable | Obs Mean Std. Dev. Min Max

-------------+---------------------------------------------------------
grades | 1,000 6.53039 2.265855 1.74 12.33
faminc | 1,000 51.3935 40.16579 0 250
. margins, predict(outcome(3)) at(female=1 grades=1.74 faminc=250) atmeans post

Model VCE : OIM

at : grades = 1.74
faminc = 250
female = 1
------------------------------------------------------------------------------
| Delta-method
-------------+----------------------------------------------------------------
_cons | .9936455 .0031492 315.52 0.000 .9874731 .9998179
------------------------------------------------------------------------------
Jadi dengan asumsi nilai grades 1,74 (maksimum), pendapatan rumah tangga sebesar 250
(maksimum), dan perempuan, maka peluang individu untuk memilih kuliah S1 adalah sebesar
99,36 persen.
. margins, predict(outcome(3)) at(female=0 grades=1.74 faminc=250) atmeans post

Model VCE : OIM

at : grades = 1.74
faminc = 250
female = 0
------------------------------------------------------------------------------
| Delta-method
-------------+----------------------------------------------------------------
_cons | .9944651 .0027943 355.89 0.000 .9889884 .9999418
------------------------------------------------------------------------------
Jadi dengan asumsi nilai grades 1,74 (maksimum), pendapatan rumah tangga sebesar 250
(maksimum), dan laki-laki, maka peluang individu untuk memilih kuliah S1 adalah sebesar
99,45 persen.
Peluang laki-laki lebih untuk kuliah dibandingkan dengan perempuan untuk individu dengan
karakteristik nilai grades 1,74, pendapatan rumah tangga sebesar 250.
. margins, predict(outcome(3)) at(female=1 grades=12 faminc=10) atmeans post

Model VCE : OIM

at : grades = 12
faminc = 10
female = 1
------------------------------------------------------------------------------
| Delta-method
-------------+----------------------------------------------------------------
_cons | .041412 .0091823 4.51 0.000 .023415 .0594089
------------------------------------------------------------------------------
Jadi dengan asumsi nilai grades 12, pendapatan rumah tangga 10, dan perempuan, maka
peluang individu untuk memilih kuliah S1 adalah sebesar 4,14 persen.
. margins, predict(outcome(1)) at(female=1 grades=12 faminc=10) atmeans post

Model VCE : OIM

at : grades = 12
faminc = 10
female = 1
------------------------------------------------------------------------------
| Delta-method
-------------+----------------------------------------------------------------
_cons | .8396235 .0287551 29.20 0.000 .7832645 .8959825
------------------------------------------------------------------------------
Jadi dengan asumsi nilai grades 12, pendapatan rumah tangga 10, dan perempuan, maka
peluang individu untuk memilih tidak melanjutkan kuliah adalah adalah sebesar 83,97
persen.
Apa perbedaannya dengan Multinomial Logit?
Jika sebuah variabel terikat memiliki lebih dari dua kategori dan nilai masing-masing kategori
memiliki tidak berurutan nilainya, misalnya pilihan untuk moda transportasi, maka menggunakan
multinomial logit.
. ologit psechoice grades

Ordered logistic regression Number of obs = 1,000

LR chi2(1) = 282.72
Prob > chi2 = 0.0000
------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
grades | -.5101479 .0339269 -15.04 0.000 -.5766433 -.4436525
-------------+----------------------------------------------------------------
/cut1 | -4.916916 .2672764 -5.440768 -4.393064
/cut2 | -3.477195 .2416765 -3.950873 -3.003518
------------------------------------------------------------------------------
. margins, predict(outcome(1)) at(grades=12) atmeans post

Model VCE : OIM

at : grades = 12
------------------------------------------------------------------------------
| Delta-method
-------------+----------------------------------------------------------------
_cons | .769388 .0308422 24.95 0.000 .7089383 .8298376
------------------------------------------------------------------------------
. mlogit psechoice grades

Multinomial logistic regression Number of obs = 1,000

LR chi2(2) = 286.69
Prob > chi2 = 0.0000
------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
1 |
grades | .7061967 .0529246 13.34 0.000 .6024664 .809927
_cons | -5.769876 .4043229 -14.27 0.000 -6.562334 -4.977417
-------------+----------------------------------------------------------------
2 |
grades | .3974077 .0416925 9.53 0.000 .3156919 .4791236
_cons | -3.263454 .2875495 -11.35 0.000 -3.827041 -2.699868
-------------+----------------------------------------------------------------
3 | (base outcome)
------------------------------------------------------------------------------
. mfx, predict(outcome(1)) at(12)
Marginal effects after mlogit

y = Pr(psechoice==1) (predict, outcome(1))
= .73078768
------------------------------------------------------------------------------
---------+--------------------------------------------------------------------
grades | .0749498 .00487 15.40 0.000 .065412 .084488 12
------------------------------------------------------------------------------

= .22031912
------------------------------------------------------------------------------
---------+--------------------------------------------------------------------
grades | -.0454361 .00501 -9.06 0.000 -.05526 -.035612 12
------------------------------------------------------------------------------

= .0488932
------------------------------------------------------------------------------
---------+--------------------------------------------------------------------
grades | -.0295137 .0042 -7.03 0.000 -.037737 -.02129 12
------------------------------------------------------------------------------
Perbedaan Hasil Estimasi LPM, Logit, dan Probit

. eststo eq1: reg inlf nwifeinc educ exper expersq age kidslt6 kidsge6

-------------+---------------------------------- F(7, 745) = 38.22
Model | 48.8080578 7 6.97257969 Prob > F = 0.0000
-------------+---------------------------------- Adj R-squared = 0.2573
Total | 184.727756 752 .245648611 Root MSE = .42713
------------------------------------------------------------------------------
inlf | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
nwifeinc | -.0034052 .0014485 -2.35 0.019 -.0062488 -.0005616
educ | .0379953 .007376 5.15 0.000 .023515 .0524756
exper | .0394924 .0056727 6.96 0.000 .0283561 .0506287
expersq | -.0005963 .0001848 -3.23 0.001 -.0009591 -.0002335
age | -.0160908 .0024847 -6.48 0.000 -.0209686 -.011213
kidslt6 | -.2618105 .0335058 -7.81 0.000 -.3275875 -.1960335
kidsge6 | .0130122 .013196 0.99 0.324 -.0128935 .0389179
_cons | .5855192 .154178 3.80 0.000 .2828442 .8881943
------------------------------------------------------------------------------
. eststo eq2: logit inlf nwifeinc educ exper expersq age kidslt6 kidsge6


LR chi2(7) = 226.22
Prob > chi2 = 0.0000
------------------------------------------------------------------------------
inlf | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
nwifeinc | -.0213452 .0084214 -2.53 0.011 -.0378509 -.0048394
educ | .2211704 .0434396 5.09 0.000 .1360303 .3063105
exper | .2058695 .0320569 6.42 0.000 .1430391 .2686999
expersq | -.0031541 .0010161 -3.10 0.002 -.0051456 -.0011626
age | -.0880244 .014573 -6.04 0.000 -.116587 -.0594618
kidslt6 | -1.443354 .2035849 -7.09 0.000 -1.842373 -1.044335
kidsge6 | .0601122 .0747897 0.80 0.422 -.086473 .2066974
_cons | .4254524 .8603697 0.49 0.621 -1.260841 2.111746
------------------------------------------------------------------------------
. eststo eq3: probit inlf nwifeinc educ exper expersq age kidslt6 kidsge6

Probit regression Number of obs = 753

LR chi2(7) = 227.14
Prob > chi2 = 0.0000
------------------------------------------------------------------------------
inlf | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
nwifeinc | -.0120237 .0048398 -2.48 0.013 -.0215096 -.0025378
educ | .1309047 .0252542 5.18 0.000 .0814074 .180402
exper | .1233476 .0187164 6.59 0.000 .0866641 .1600311
expersq | -.0018871 .0006 -3.15 0.002 -.003063 -.0007111
age | -.0528527 .0084772 -6.23 0.000 -.0694678 -.0362376
kidslt6 | -.8683285 .1185223 -7.33 0.000 -1.100628 -.636029
kidsge6 | .036005 .0434768 0.83 0.408 -.049208 .1212179
_cons | .2700768 .508593 0.53 0.595 -.7267473 1.266901
------------------------------------------------------------------------------
. esttab, b(3) se(3) ar2 star (* .1 ** .05 *** .01)
------------------------------------------------------------
(1) (2) (3)
inlf inlf inlf
------------------------------------------------------------
main
nwifeinc -0.003** -0.021** -0.012**
(0.001) (0.008) (0.005)
educ 0.038*** 0.221*** 0.131***

(0.007) (0.043) (0.025)
exper 0.039*** 0.206*** 0.123***

(0.006) (0.032) (0.019)
expersq -0.001*** -0.003*** -0.002***

(0.000) (0.001) (0.001)
age -0.016*** -0.088*** -0.053***

(0.002) (0.015) (0.008)
kidslt6 -0.262*** -1.443*** -0.868***

(0.034) (0.204) (0.119)
kidsge6 0.013 0.060 0.036

(0.013) (0.075) (0.043)
_cons 0.586*** 0.425 0.270

(0.154) (0.860) (0.509)
------------------------------------------------------------
N 753 753 753
adj. R-sq 0.257
------------------------------------------------------------
Standard errors in parentheses
* p<.1, ** p<.05, *** p<.01
Catatan ini diadopsi dari:
Djoni Hartono. 2020. Catatan Kuliah MEKK di Kelas

Djoni Hartono. 2019. Model Limited Dependent Variabel. Bahan Kuliah MEKK
………………………2011. Topik Lanjutan Model Regresi Linier. Bahan Kuliah PPIE
Indrayanti, Ratna. 2019. Catatan dan Pembahasan Soal Ekonometrika
Nachrowi, D. Nachrowi dan Hardius Usman. 2002. Edisi Revisi. Penggunaan Teknik Ekonometri.
Penerbit Rajawali. Jakarta
Torres, Oscar and Reyna. Panel Data Analysis Fixed & Random Effects (using Stata 10.x). Pricenton
University
Torres, Oscar and Reyna. Getting Started in Logit and Ordered Logit Regression. Pricenton University
Torres, Oscar and Reyna. Predicted Probabilities and marginal effects after (ordered) logit/probit
using margis in Stata. Pricenton University
Wooldridge, Jeffrey M. 2013. Introductory Econometrics: A Modern Approach
View publication stats

Catatandan Pembahasan Soal Ekonometrika UASv 2

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

Catatandan Pembahasan Soal Ekonometrika UASv 2

Diunggah oleh

Hak Cipta:

Format Tersedia

See discussions, stats, and author profiles for this publication at: https://www.researchgate.

Catatan dan Pembahasan Soal Ekonometri

Method · December 2019

The user has requested enhancement of the downloaded file.

1. Review Asumsi Dasar OLS.................................................................................................................................................3

2. Variabel Dummy dan Difference in Difference ........................................................................................................5

3. Model Regresi Lanjutan: Perubahan Skala dan Perbedaan Group ............................................................... 10

5. Analisis Data Panel............................................................................................................................................................ 25

6. LPM, Logit, dan Probit ..................................................................................................................................................... 45

7. Ordered Logit dan Multinomial Logit ....................................................................................................................... 49

1. Review Asumsi Dasar OLS

Model regresi linier sederhana dapat dituliskan sebagai berikut:

yang mana: N merupakan banyaknya observasi

Prinsip Ordinary Least Square (OLS)

(ii) 𝑐𝑜𝑣 (𝑢𝑖 , 𝑢𝑗 ) = 0; 𝑖 ≠ 𝑗

(iii) 𝑣𝑎𝑟 (𝑢𝑖 |𝑥𝑖 ) = 𝜎 2 sama untuk setiap i (homoscedasticity)

(iv) 𝑐𝑜𝑣 (𝑢𝑖 , 𝑥𝑖 ) = 0

(v) Model regresi dispesifikasi secara benar

Penjelasan mengenai asumsi-asumsi tersebut adalah sebagai berikut:

(i) 𝐸 (𝑢𝑖 ) = 0 𝑎𝑡𝑎𝑢 𝐸(𝑢𝑖 |𝑥𝑖 ) = 0 𝑎𝑡𝑎𝑢 𝐸(𝑌𝑖 ) = 𝛽1 + 𝛽2 𝑋𝑖

𝑋𝑖 = 𝑝𝑒𝑛𝑑𝑖𝑑𝑖𝑘𝑎𝑛 (𝑙𝑎𝑚𝑎 𝑠𝑒𝑘𝑜𝑙𝑎ℎ)

𝑢𝑖 = 𝑣𝑎𝑟𝑖𝑎𝑏𝑒𝑙 𝑙𝑎𝑖𝑛 𝑠𝑒𝑙𝑎𝑖𝑛 𝑙𝑎𝑚𝑎 𝑠𝑒𝑘𝑜𝑙𝑎ℎ 𝑦𝑎𝑛𝑔 𝑚𝑒𝑚𝑒𝑛𝑔𝑎𝑟𝑢ℎ𝑖 𝑢𝑝𝑎ℎ

memengaruhi 𝐸(𝑌𝑖 ) secara sistematis

(iii). Homocedasticity; variansi 𝑢𝑖 sama; 𝑣𝑎𝑟(𝑢𝑖 ) = 𝜎 2 untuk setiap i

(iv). Kovariansi antara 𝑢𝑖 dan 𝑥𝑖 nol {𝑐𝑜𝑣 (𝑢𝑖 , 𝑥𝑖 ) = 0}

dikatakan bahwa ada korelasi antara 𝑢𝑖 dan 𝑥𝑖 .

(v). Model regresi dispesifikasi secara benar

Sebelum membuat model, kita perlu memperhatikan hal-hal sebagai berikut:

Bagaimana yang dikatakan oleh teori:

▪ Variabel-variabel apa saja yang perlu diperhatikan

▪ Bagaimana bentuk fungsinya

2. Variabel Dummy dan Difference in Difference

▪ Pengaruh wilayah tempat tinggal terhadap upah yang diterima

▪ Pengaruh Lapangan Usaha terhadap upah yang diterima

▪ Pengaruh tingkat pendidikan terhadap lama mencari kerja.

Bagaimana membentuk variabel Dummy?

▪ Variabel Dummy bernilai 1 atau 0

Bila dibuat dummy, misalnya:

D= Daerah tempat tinggal

▪ Dari model tersebut, rata-rata upah tenaga kerja :

▪ Jika   0 → terdapat perbedaan upah antara daerah perkotaan dengan pedesaan.

▪ Model diatas → merupakan model Regresi → OLS

Variabel dengan kategori lebih dari 2

Ilustrasi: Lapangan Usaha mempunyai 3 kategori:

 Dibutuhkan variabel dummy sebanyak (3-1) = 2.

 Dua variabel dummy tersebut yaitu D2 dan D3 didefinisikan sebagai berikut:

D2 = 1 ; Lapangan usaha industri

D3= 1 ; Lapangan usaha jasa

Perhatikan model berikut :

Y= upah yang diterima tenaga kerja

D2 =1 ; lapangan usaha industri

D3=1 ; lapangan usaha jas

Rata-rata upah tenaga kerja berdasarkan lapangan usaha:

Ilustrasi dengan variabel interaksi

Diberikan persamaan upah sebagai berikut:

Rata-rata upah perempuan: 𝑤𝑎𝑔𝑒

Contoh soal 2.1

yang dinyatakan sebagai berikut:

𝐶̂ = 𝛽0 + 𝛽1 𝑖𝑛𝑐 + 𝛽2 𝑒𝑑𝑢𝑐 + 𝛽3 𝑓𝑒𝑚𝑎𝑙𝑒 + 𝛽4 𝑢𝑟𝑏𝑎𝑛

C = konsumsi seseorang dalam juta rupiah

Inc = pendapatan seseorang dalam juta rupiah

Female = jenis kelamin (1=wanita; 0=pria)

Educ = lama pendidikan seseorang dalam tahun