net/publication/337419996
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.
Daftar Isi
4. Endogenitas ......................................................................................................................................................................... 19
𝑌𝑖 = 𝛽1 + 𝛽2 𝑋𝑖 + 𝑢𝑖 ; 𝑖 = 1,2, … … … … … … . . , 𝑁
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
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
Asumsi: pada saat 𝑋𝑖 (𝑙𝑎𝑚𝑎 𝑠𝑒𝑘𝑜𝑙𝑎ℎ) terobservasi, pengaruh 𝑢𝑖 terhadap 𝑌𝑖 diabaikan atau 𝑢𝑖 tidak
(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}
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
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
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:
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’.
1. Kota = 1
2. Desa = 0.
Model: Y = + D + u
Y = Upah
D = 1 ; Kota
D = 0 ; Desa
u = kesalahan random.
Kota : E (Y D = 1) = +
Desa : E (Y D = 0) =
▪ Jika = 0 → tidak terdapat perbedaan upah antara daerah perkotaan dengan pedesaan.
1. Pertanian
2. Industri
3. Jasa
0 ; lainnya
0 ; lainnya
Y = 1 + 2 D2 + 3 D3 + X + u
X=pengalaman
0 ; lainnya
0 ; lainnya
Pertanian : 1 + X
Industri : 1 + 2 + X
Jasa : 1 + 3 + X
7 Catatan dan Pembahasan Soal Ekonometrika
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
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)
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.
8 Catatan dan Pembahasan Soal Ekonometrika
b. Apabila sekarang variabel dummy lokasi diubah menjadi rural (0=kota; 1=desa) dan variabel
Pengertian koefisien variabel interaksi inc*urban (𝛽5 ) adalah perbedaan MPC (marginal
d. Apabila persamaan awal ditambahkan variabel interaksi antara jenis kelamin dan lokasi
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
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
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
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
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
Dengan adanya variable 𝐷 𝑠 𝑥𝐷𝑖 di dalam model, jelaskan maksud digunakannya variable
𝑗
c.
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
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
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
10 Catatan dan Pembahasan Soal Ekonometrika
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
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
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.
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
Pertama, lakukan regresi upah (wage) dengan variabel bebas educ dan exper
------------------------------------------------------------------------------
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
------------------------------------------------------------------------------
gen wage2=wage/1000
------------------------------------------------------------------------------
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
12 Catatan dan Pembahasan Soal Ekonometrika
Catatan:
Sehingga langkah Keempat, generate variabel upah baru: wage3 yang merupakan wage*1000
gen wage3=wage*1000
------------------------------------------------------------------------------
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
------------------------------------------------------------------------------
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
gen educ2=educ*12
13 Catatan dan Pembahasan Soal Ekonometrika
------------------------------------------------------------------------------
wage | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
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
------------------------------------------------------------------------------
Maka langka Ketiga, generate variabel pendidikan baru: educ3 yang merupakan educ/12
gen educ3=educ/12
------------------------------------------------------------------------------
wage | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
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
------------------------------------------------------------------------------
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
Persamaan:
̂0 + 𝛽
𝑏𝑤𝑖𝑔ℎ𝑡 = 𝛽 ̂1 𝑐𝑖𝑔𝑠 + 𝛽
̂2 𝑓𝑎𝑚𝑖𝑛𝑐 + 𝑢
Yang mana:
cigs = jumlah rokok yang dikonsumsi ibunya waktu hamil (batang) → 1pak=20 batang
Kasus 3.1. a
Jika semula mengukur berat badan dalam satuan gram dan mengubahnya menjadi satuan kilogram,
0 1
̂∗ 𝑓𝑎𝑚𝑖𝑛𝑐 + 𝑢
𝑏𝑤𝑖𝑔ℎ𝑡 ∗ = 𝛽̂∗ + 𝛽̂∗ 𝑐𝑖𝑔𝑠 + 𝛽 2
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
Persamaan:
̂0 + 𝛽
𝑏𝑤𝑖𝑔ℎ𝑡 = 𝛽 ̂1 𝑐𝑖𝑔𝑠 + 𝛽
̂2 𝑓𝑎𝑚𝑖𝑛𝑐 + 𝑢
Yang mana:
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
𝑏𝑤𝑖𝑔ℎ𝑡 ∗ = 𝛽̂∗ ̂∗ ̂∗
0 + 𝛽1 𝑐𝑖𝑔𝑠 + 𝛽2 𝑓𝑎𝑚𝑖𝑛𝑐 + 𝑢
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
-
16 Catatan dan Pembahasan Soal Ekonometrika
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
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,
Persamaan:
𝑐𝑢𝑚𝑔𝑝𝑎 = 𝛼0 + 𝛼1 𝑠𝑎𝑡 + 𝛼2 ℎ𝑠𝑝𝑒𝑟𝑐 + 𝛼3 𝑡𝑜𝑡ℎ𝑟𝑠 + 𝑢
Yang mana:
Jika kita ingin setidaknya ada satu koefisien yang berbeda, antara laki-laki dan perempuan, kita dapat
menggunakan uji F
17 Catatan dan Pembahasan Soal Ekonometrika
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,
Pertama, Lakukan regresi dengan variabel dependent: cumgpa, dan variabel independent: sat,
------------------------------------------------------------------------------
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,
. reg cumgpa sat hsperc tothrs if female==1 // persamaan 2.2 regresi untuk perempuan
saja
------------------------------------------------------------------------------
cumgpa | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
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,
. reg cumgpa sat hsperc tothrs if female==0 // persamaan 2.3 regresi untuk laki-laki
saja
------------------------------------------------------------------------------
cumgpa | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
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
------------------------------------------------------------------------------
𝑭 = 𝟒, 𝟑𝟕
𝑭𝒕𝒂𝒃𝒆𝒍 𝜶 = 𝟓%, (4,724) =2,37
Review: Persamaan
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
Untuk data cross section Rsquare 0,3 ataupun 0,4 sudah tinggi.
4. Endogenitas
𝑦 = 𝛽0 + 𝛽1 𝑋1 + 𝛽2 𝑋2 + 𝑢
𝐸 = (𝑋1 , 𝑢) = 0
𝐸 = (𝑋2 , 𝑢) = 0
𝒘𝒂𝒈𝒆 = 𝜶𝟎 + 𝜶𝟏 𝒆𝒅𝒖𝒄 + 𝒖
Jika diyakini bahwa:
𝐸 = (𝐸𝑑𝑢𝑐, 𝑠𝑘𝑖𝑙𝑙) ≠ 0
Maka:
𝐸 = (𝐸𝑑𝑢𝑐, 𝑢) ≠ 0
------------------------------------------------------------------------------
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%
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:
------------------------------------------------------------------------------
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.
21 Catatan dan Pembahasan Soal Ekonometrika
Langkah-langkah:
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)
𝑧 𝑚𝑒𝑟𝑢𝑝𝑎𝑘𝑎𝑛 𝐼𝑉 𝑏𝑎𝑔𝑖 𝑦1
Step 3: 𝑦 = 𝛽0 + 𝛽1 𝑦1 + 𝛽2 𝑝 + 𝛽3 𝑞 + 𝛽4 𝑟 + 𝛽5 𝑟 + 𝛽6 𝑢̂ + 𝑣
------------------------------------------------------------------------------
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
------------------------------------------------------------------------------
Karena P value fatheduc, motheduc < 𝛼 = 5%, maka dinilai cocok sebagai IV
------------------------------------------------------------------------------
lwage | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
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
23 Catatan dan Pembahasan Soal Ekonometrika
------------------------------------------------------------------------------
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
OLS rate of return=11%; dengan 2sls: rate of return=6,1%. Dalam hal ini koefisien educ sudah tidak bias
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)
24 Catatan dan Pembahasan Soal Ekonometrika
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:
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:
25 Catatan dan Pembahasan Soal Ekonometrika
------------------------------------------------------------------------------
lwage | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
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).
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:
Meninggal (%)
(orang)
Meninggal (%)
(orang)
Dst
Keterangan: peneliti ingin mengetahui pengaruh jumlah turis asing dan pengeluaran
kesehatan (termasuk untuk rapid test) terhadap jumlah korban Covid19 yang meninggal di
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
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
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
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
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
Perbedaan:
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
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
Persamaan Panel Data Dinamis: 𝑦𝑖𝑡 = 𝛾𝑦𝑖,𝑡−1 + 𝛽 ′ 𝑥𝑖𝑡 + 𝛼𝑖∗ +𝜆𝑡 + 𝜀𝑖𝑡
29 Catatan dan Pembahasan Soal Ekonometrika
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
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.
Menurut Hurlin (2010) ada beberapa pilihan metode yang bisa digunakan:
- Maximum Likelihood (ML) atau Full Information Maximum Likelihood (FIML) dengan
beberapa restriksi
Namun biasanya peneliti menggunakan metode IV dan GMM untuk analisis panel data dinamis.
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 (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.
30 Catatan dan Pembahasan Soal Ekonometrika
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
*============================================================
*============================================================
*egen negara=group(country) // menyatakan bahwa data yang digunakan panel data (variabel tidak
boleh dalam bentuk string)
*=====================================
*=====================================
xtline y
31 Catatan dan Pembahasan Soal Ekonometrika
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
G
5.000e+09
-5.000e+09
0
-1.000e+10
xtline y, overlay
1.000e+10
5.000e+09
0
y
-5.000e+09
-1.000e+10
A B
C D
E F
G
32 Catatan dan Pembahasan Soal Ekonometrika
0
-1.000e+10-5.000e+09
A B C D E F G
country
y y_mean
0
-1.000e+10-5.000e+09
1990 1991 1992 1993 1994 1995 1996 1997 1998 1999
year
y y_mean1
*==========================================
*==========================================
. reg y x1
------------------------------------------------------------------------------
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
------------------------------------------------------------------------------
34 Catatan dan Pembahasan Soal Ekonometrika
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
*==========================================
*==========================================
regress y x1 i.country
------------------------------------------------------------------------------
y | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
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
------------------------------------------------------------------------------
35 Catatan dan Pembahasan Soal Ekonometrika
predict yhat
separate y, by(country)
0
-2.00e+09
-.5 0 .5 1 1.5
x1
*membandingkan hasil
. regress y x1
------------------------------------------------------------------------------
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
------------------------------------------------------------------------------
36 Catatan dan Pembahasan Soal Ekonometrika
------------------------------------------------------------------------------
y | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
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
------------------------------------------------------------------------------
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
.
37 Catatan dan Pembahasan Soal Ekonometrika
*==========================================
*==========================================
*Fixed Effect
. xtreg y x1, fe
F(1,62) = 5.00
corr(u_i, Xb) = -0.5468 Prob > F = 0.0289
------------------------------------------------------------------------------
y | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
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
38 Catatan dan Pembahasan Soal Ekonometrika
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
*==========================================
*==========================================
xtreg y x1, re
. xtreg y x1, re
------------------------------------------------------------------------------
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
rho | .12664193 (fraction of variance due to u_i)
------------------------------------------------------------------------------
39 Catatan dan Pembahasan Soal Ekonometrika
*==========================================
*==========================================
F(1,62) = 5.00
corr(u_i, Xb) = -0.5468 Prob > F = 0.0289
------------------------------------------------------------------------------
y | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
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
. xtreg y x1, re
------------------------------------------------------------------------------
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
40 Catatan dan Pembahasan Soal Ekonometrika
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
*====================================================
*====================================================
*Heteroskedasticity
. xtreg y x1, fe robust
F(1,6) = 2.81
corr(u_i, Xb) = -0.5468 Prob > F = 0.1450
. xttest3
Keterangan:
H0: Homocedasticity
H1: Heterocedasticity
. *Serial correlation
. xtserial y x1
F(1,6) = 2.81
corr(u_i, Xb) = -0.5468 Prob > F = 0.1450
------------------------------------------------------------------------------
y | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
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
------------------------------------------------------------------------------
gen yL1=l.y
------------------------------------------------------------------------------
y | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
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
------------------------------------------------------------------------------
F(4,52) = 0.82
corr(u_i, Xb) = -0.8306 Prob > F = 0.5171
------------------------------------------------------------------------------
y | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
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
rho | .45309087 (fraction of variance due to u_i)
------------------------------------------------------------------------------
F test that all u_i=0: F(6, 52) = 1.68 Prob > F = 0.1445
------------------------------------------------------------------------------
y | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
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)
GMM-type (missing=0, separate instruments for each period unless collapsed)
L(1/9).yL1
Instruments for levels equation
Standard
x1 x2 x3
_cons
GMM-type (missing=0, separate instruments for each period unless collapsed)
D.yL1
------------------------------------------------------------------------------
Arellano-Bond test for AR(1) in first differences: z = -1.69 Pr > z = 0.092
Arellano-Bond test for AR(2) in first differences: z = -0.47 Pr > z = 0.641
------------------------------------------------------------------------------
Sargan test of overid. restrictions: chi2(41) = 46.44 Prob > chi2 = 0.258
(Not robust, but not weakened by many instruments.)
------------------------------------------------------------
(1) (2) (3)
y y y
------------------------------------------------------------
yL1 0.235* 0.037 0.238*
(0.126) (0.141) (0.123)
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
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
46 Catatan dan Pembahasan Soal Ekonometrika
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.
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
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:
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
47 Catatan dan Pembahasan Soal Ekonometrika
adalah 0.4557 atau 45,57%. Untuk data cross section, nilai tersebut sudah cukup tinggi untuk
menjelaskan model.
------------------------------------------------------------------------------
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:
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
48 Catatan dan Pembahasan Soal Ekonometrika
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
------------------------------------------------------------------------------
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
----------------------------------------------------------------------------
. logit y_bin x1 x2 x3
------------------------------------------------------------------------------
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
49 Catatan dan Pembahasan Soal Ekonometrika
------------------------------------------------------------------------------
. predict y_bin_hat
(option pr assumed; Pr(y_bin))
------------------------------------------------------------------------------
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
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.
. 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
------------------------------------------------------------------------------
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.
51 Catatan dan Pembahasan Soal Ekonometrika
------------------------------------------------------------------------------
| 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.
------------------------------------------------------------------------------
| Delta-method
| Margin Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
_cons | .2970556 .0164593 18.05 0.000 .2647961 .3293152
------------------------------------------------------------------------------
Jadi dengan asumsi rata-rata semua nilai variabel bebasnya, maka peluang individu untuk
memilih kuliah 2 tahun (Diploma) adalah sebesar 29,7 persen.
------------------------------------------------------------------------------
| Delta-method
| Margin Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
_cons | .5430721 .0183613 29.58 0.000 .5070847 .5790596
------------------------------------------------------------------------------
Jadi dengan asumsi rata-rata semua nilai variabel bebasnya, maka peluang individu untuk
memilih kuliah 4 tahun (S1) adalah sebesar 54,3 persen.
52 Catatan dan Pembahasan Soal Ekonometrika
------------------------------------------------------------------------------
| Delta-method
| Margin Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
_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.
------------------------------------------------------------------------------
| Delta-method
| Margin Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
_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
------------------------------------------------------------------------------
| Delta-method
| Margin Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
_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.
------------------------------------------------------------------------------
| Delta-method
| Margin Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
_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.
------------------------------------------------------------------------------
| Delta-method
| Margin Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
_cons | .041412 .0091823 4.51 0.000 .023415 .0594089
------------------------------------------------------------------------------
54 Catatan dan Pembahasan Soal Ekonometrika
Jadi dengan asumsi nilai grades 12, pendapatan rumah tangga 10, dan perempuan, maka
peluang individu untuk memilih kuliah S1 adalah sebesar 4,14 persen.
------------------------------------------------------------------------------
| Delta-method
| Margin Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
_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.
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.
------------------------------------------------------------------------------
psechoice | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
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
------------------------------------------------------------------------------
55 Catatan dan Pembahasan Soal Ekonometrika
------------------------------------------------------------------------------
| Delta-method
| Margin Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
_cons | .769388 .0308422 24.95 0.000 .7089383 .8298376
------------------------------------------------------------------------------
------------------------------------------------------------------------------
psechoice | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
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)
------------------------------------------------------------------------------
------------------------------------------------------------------------------
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
------------------------------------------------------------------------------
57 Catatan dan Pembahasan Soal Ekonometrika
. eststo eq2: logit inlf nwifeinc educ exper expersq age kidslt6 kidsge6
------------------------------------------------------------------------------
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
------------------------------------------------------------------------------
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
------------------------------------------------------------------------------
58 Catatan dan Pembahasan Soal Ekonometrika
------------------------------------------------------------
(1) (2) (3)
inlf inlf inlf
------------------------------------------------------------
main
nwifeinc -0.003** -0.021** -0.012**
(0.001) (0.008) (0.005)
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
59 Catatan dan Pembahasan Soal Ekonometrika
Torres, Oscar and Reyna. Predicted Probabilities and marginal effects after (ordered) logit/probit
using margis in Stata. Pricenton University