ANALISIS PENGARUH MASYARAKAT MENGIKUTI

ARISAN TERHADAP PENDAPATAN RUMAH TANGGA

METODE PROPENSITY SCORE MATCHING

Anggota Kelompok :
1. Ardin (1900010151)
2. Rifki Aufaa Mulia (1900010153)
3. Bintang Wardana Ciputra (1900010187)

PROGRAM STUDI EKONOMI PEMBANGUNAN

FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS AHMAD DAHLAN
2023
A. RINGKASAN
Penelitian ini bertujuan untuk menganalisis bagaimana pengaruh masyarakat
yang mengikuti arisan terhadap pendapatan rumah tangga. Penelitian ini menggunakan
metode Propensity Score Matching. Data pada penelitian ini bersumber dari IFLS
(Indonesia Family Life Survey) tahun 2014 dan dianalisis menggunakan STATA.
Propensity score didefinisikan sebagai probabilitas bersyarat dari perlakuan dengan
kontrol berdasarkan pada karakteristik kovariat yang di observasi. Bias akan tereduksi
bila hasil perbandingan antara kelompok dan perlakuan sedekat mungkin (Rosenbaum
& Rubin, 1983). Hasil penelitian menunjukkan bahwa bahwa pendapatan rumah tangga
yang terdiri dari head income (pendapatan kepala rumah tangga), head educ
(pendidikan kepala rumah tangga), electric (listrik), water (sumber air), toilet, java,
saving (tabungan), dan vehicle (kendaraan) tidak berpengaruh terhadap keikutsertaan
masyarakat pada arisan. Hasil perbandingan dua metode yang digunakan dalam PSM
menunjukkan bahwa metode Radius Cal lebih kuat di banding dengan metode Nearest
Neighbour karna memiliki nilai difference atau nilai ATT yang tertinggi, yaitu sebesar
53% dibanding dengan nilai difference atau nilai ATT pada metode Nearest Neighbour.
B. DESKRIPSI
Variabel Deskripsi Sumber variabel Sumber data
Arisan Variabel arisan hh014 (pm01) IFLS 5 tahun 2014
(masyarakat yang
mengikuti arisan)

Head pendapatan kepala bk_ar1 IFLS 5 tahun 2014

income rumah tanggga

Head pendidikan kepala rumah bk_ar1 IFLS 5 tahun 2014

educ tangga

Electric aliran listrik b2_kr IFLS 5 tahun 2014

Water sumber air b2_kr IFLS 5 tahun 2014

Toilet Penggunaan toilet b2_kr IFLS 5 tahun 2014

 Java Masyarakat di pulau bk_sc1 IFLS 5 tahun 2014
Jawa

Saving tabungan b2_hr1 IFLS 5 tahun 2014

Vehicle kendaraan b2_hr1 IFLS 5 tahun 2014

C. HASIL REGRESI
Latar belakang
Arisan merupakan kegiatan mengumpulkan uang atau barang yang bernilai
sama oleh beberapa orang kemudian diundi diantara mereka untuk menentukan siapa
yang memperolehnya, undian dilaksanakan dalam sebuah pertemuan berkala sampai
semua anggota memperolehnya. Arisan dalam masyarakat telah menjadi budaya yang
telah melekat sejak lama, arisan juga mempunyai banyak manfaat sehingga kegiatan
arisan masih terus di jalankan oleh masyarakat desa maupun kota. Beberapa diantara
manfaat arisan yaitu sebagai wadah silaturahmi antar anggota arisan, karna arisan
dalam pelaksanaan undian untuk mendapatkan nama yang akan menerima arisan
tersebut haruslah dengan berkumpul, kemudian manfaat yang lain dari arisan tersebut
adalah sebagai suntikan dana untuk modal usaha atau kebutuhan lainnya bagi penerima
arisan.
• Deskriptif Statistik
Variable Obs Mean Std. Dev. Min Max

hhid14 0
houseincome 14,831 3166776 5017494 0 1.55e+08
headincome 14,831 .2637718 .4406919 0 1
headeduc 14,831 .225204 .4177307 0 1
electric 14,831 .9915043 .0917829 0 1

water 14,831 .7264514 .445795 0 1

toilet 14,831 .1796912 .383943 0 1
java 14,831 .5564021 .4968254 0 1
arisan 14,831 .9983818 .040196 0 1
saving 14,831 .6960421 .4599802 0 1

vehicle 14,831 .2860225 .4519153 0 1

Seluruh variabel dalam penelitian memiliki jumlah observasi yang sama yaitu,
14,831 observasi. Variabel pendapatan rumah tangga memiliki nilai maksimum 1.55
dan minimum 0 sementara variabel lain memiliki nilai maksimum 1 dan nilai minimum
0.
• Logit
. logit arisan headincome headeduc electric water toilet java saving vehicle

note: electric != 1 predicts success perfectly

electric dropped and 126 obs not used

Iteration 0: log likelihood = -178.00974

Iteration 1: log likelihood = -175.54679
Iteration 2: log likelihood = -175.26694
Iteration 3: log likelihood = -175.26665
Iteration 4: log likelihood = -175.26665

Logistic regression Number of obs = 14,705

LR chi2(7) = 5.49
Prob > chi2 = 0.6009
Log likelihood = -175.26665 Pseudo R2 = 0.0154

arisan Coef. Std. Err. z P>|z| [95% Conf. Interval]

headincome -.6124435 .4239994 -1.44 0.149 -1.443467 .2185801

headeduc -.3749256 .453744 -0.83 0.409 -1.264247 .5143962
electric 0 (omitted)
water -.4033209 .507148 -0.80 0.426 -1.397313 .5906709
toilet -.2915949 .4876912 -0.60 0.550 -1.247452 .6642623
java -.1117375 .418757 -0.27 0.790 -.932486 .7090111
saving -.4019845 .5164918 -0.78 0.436 -1.41429 .6103208
vehicle .0188745 .452277 0.04 0.967 -.8675722 .9053212
_cons 7.451227 .6967612 10.69 0.000 6.0856 8.816853

Hasil logit diatas menunjukkan bahwa seluruh variabel independen atau

pendapatan rumah tangga tidak berpengaruh dengan masyarakat yang mengikuti arisan
• Metode Nearest Neighbour
. psmatch2 arisan, pscore(score) outcome(houseincome) noreplacement

Variable Sample Treated Controls Difference S.E. T-stat

houseincome Unmatched 3178524.39 2794201.39 384323.004 1025574.32 0.37

ATT 2639201.4 2794201.39 -154999.986 840279.684 -0.18

• Metode Radius Cal

. psmatch2 arisan, pscore(score) outcome(houseincome) radius cal(0.001)

Variable Sample Treated Controls Difference S.E. T-stat

houseincome Unmatched 3178524.39 2794201.39 384323.004 1025574.32 0.37

ATT 3178524.39 2639795.88 538728.506 653743.248 0.82
 electric

java

vehicle

water

toilet

saving

headeduc

headincome

-30 -20 -10 0 10

Unmatched Matched

Pada grafik diatas menunjukkan bahwa simbol X menjauh dari titik 0 atau angka
0 yang artinya tidak bagus.
D. OUTPUT STATA
. sum

Var iabl e Ob s Mean S td. D ev. Min M ax

h hid1 4 0
h ousei ncom e 1 4,83 1 316 6776 50174 94 0 1 .55e+ 08
headi ncom e 1 4,83 1 .263 7718 . 44069 19 0 1
hea dedu c 1 4,83 1 .22 5204 . 41773 07 0 1
ele ctri c 1 4,83 1 .991 5043 . 09178 29 0 1

wate r 1 4,83 1 .726 4514 .4457 95 0 1

t oile t 1 4,83 1 .179 6912 .3839 43 0 1
jav a 1 4,83 1 .556 4021 . 49682 54 0 1
a risa n 1 4,83 1 .998 3818 .0401 96 0 1
s avin g 1 4,83 1 .696 0421 . 45998 02 0 1

ve hicl e 1 4,83 1 .286 0225 . 45191 53 0 1

.
en d of do-f ile

. do "C :\Us ers\ HP\Ap pDat a\Loc al\T emp\S TD01 00000 0.tm p"

. logit ari san headi ncom e hea dedu c ele ctri c wat er t oile t jav a sa ving vehi cle

no te: e lect ric != 1 pred icts succ ess p erfe ctly

e lect ric dropp ed a nd 12 6 ob s not use d

It erati on 0: log l ikel ihood = - 178.0 0974

It erati on 1: log l ikel ihood = - 175.5 4679
It erati on 2: log l ikel ihood = - 175.2 6694
It erati on 3: log l ikel ihood = - 175.2 6665
It erati on 4: log l ikel ihood = - 175.2 6665

Lo gisti c re gres sion Num ber of ob s = 1 4,705

LR chi2 (7) = 5.49
Pro b > chi2 = 0 .6009
Lo g lik elih ood = -17 5.26 665 Pse udo R2 = 0 .0154

a risa n Coef . S td. Err. z P>| z| [9 5% C onf. Inte rval]

headi ncom e -.61 2443 5 . 4239 994 -1 .44 0.1 49 -1. 4434 67 .21 85801
hea dedu c -.37 4925 6 .453 744 -0 .83 0.4 09 -1. 2642 47 .51 43962
ele ctri c 0 (o mitt ed)
wate r -.40 3320 9 .507 148 -0 .80 0.4 26 -1. 3973 13 .59 06709
t oile t -.29 1594 9 . 4876 912 -0 .60 0.5 50 -1. 2474 52 .66 42623
jav a -.11 1737 5 .418 757 -0 .27 0.7 90 -. 9324 86 .70 90111
s avin g -.40 1984 5 . 5164 918 -0 .78 0.4 36 -1 .414 29 .61 03208
ve hicl e .01 8874 5 .452 277 0 .04 0.9 67 -.8 6757 22 .90 53212
_con s 7.4 5122 7 . 6967 612 10 .69 0.0 00 6.08 56 8.8 16853

. cap d rop scor e

. predi ct d oubl e sco re

(o ption pr assu med; Pr(a risan ))
(1 26 mi ssin g va lues gene rated )

.
en d of do-f ile

. do "C :\Us ers\ HP\Ap pDat a\Loc al\T emp\S TD01 00000 0.tm p"

. psmat ch2 aris an, p scor e(sco re) outco me(h ousei ncom e) n orepl acem ent

Var iabl e Sam ple Treat ed Co ntro ls Diff eren ce S.E . T-sta t

ho usei ncom e Un matc hed 317 8524. 39 2794 201. 39 3843 23.0 04 1025 574.3 2 0.3 7
ATT 26 39201 .4 2794 201. 39 -1549 99.9 86 8402 79.68 4 -0.1 8

No te: S .E. does not take into acc ount that the prop ensi ty sc ore is es tima ted.

p smatc h2: psmat ch2: Comm on

T reatm ent supp ort
as signm ent Of f sup po On su ppor To tal

U ntrea ted 0 24 24
Trea ted 14,6 57 24 14, 681

To tal 14,6 57 48 14, 705

. pstes t2 h eadi ncome hea deduc ele ctric wat er to ilet jav a sav ing vehic le, sum g raph

M ean %red uct t-te st

Var iabl e Sam ple Tre ated Cont rol %b ias |bi as| t p>|t |

headi ncom e U nmatc hed .26 354 .41 667 -3 2.4 -1 .70 0.08 9
Matc hed 1 .41 667 12 3.3 -28 0.9 5 .67 0.00 0

hea dedu c U nmatc hed .22 308 .33 333 -2 4.5 -1 .30 0.19 5
Matc hed 1 .33 333 14 8.1 -50 4.7 6 .78 0.00 0

ele ctri c U nmatc hed 1 1 . . .

Matc hed 1 1 . . . .

wate r U nmatc hed .72 488 .79 167 -1 5.5 -0 .73 0.46 4
Matc hed 1 .79 167 4 8.3 -21 2.0 2 .46 0.01 8

t oile t U nmatc hed .17 669 .25 -1 7.8 -0 .94 0.34 7

Matc hed 1 .25 18 1.6 -92 3.1 8 .31 0.00 0

jav a U nmatc hed .55 923 .58 333 - 4.8 -0 .24 0.81 2
Matc hed 1 .58 333 8 3.3 -162 8.4 4 .05 0.00 0

s avin g U nmatc hed .69 409 .79 167 -2 2.3 -1 .04 0.30 0
Matc hed 1 .79 167 4 7.5 -11 3.5 2 .46 0.01 8

ve hicl e U nmatc hed .2 835 .33 333 -1 0.7 -0 .54 0.58 8

Matc hed 0 .33 333 -7 1.5 -56 8.8 -3 .39 0.00 1

Su mmar y of the distr ibut ion of th e abs (bia s)

B EFORE MAT CHING

P erce ntil es S malle st

1% 4.8 2078 7 4 .8207 87
5% 4.8 2078 7 1 0.686 02
10 % 4.8 2078 7 1 5.494 73 Obs 7
25 % 10. 6860 2 1 7.750 49 Sum of Wg t. 7

50 % 17. 7504 9 Mean 18 .2666 1

Large st Std. Dev. 9. 12552 6
75 % 24. 4949 6 1 7.750 49
90 % 32 .364 4 2 2.254 88 Vari ance 83 .2752 3
95 % 32 .364 4 2 4.494 96 Skew ness .0 51884 6
99 % 32 .364 4 32.36 44 Kurt osis 2. 16755 9

A FTER MATC HING

P erce ntil es S malle st

1% 47. 5179 4 4 7.517 94
5% 47. 5179 4 4 8.335 84
10 % 47. 5179 4 7 1.472 21 Obs 7
25 % 48. 3358 4 8 3.322 32 Sum of Wg t. 7

50 % 83. 3223 2 Mean 1 00.52 1

Large st Std. Dev. 51 .6866 4
75 % 148 .109 8 8 3.322 32
90 % 181 .599 3 1 23.28 99 Vari ance 26 71.50 8
95 % 181 .599 3 1 48.10 98 Skew ness .4 32762 1
99 % 181 .599 3 1 81.59 93 Kurt osis 1. 76325 5

r( 2000) ;

en d of do-f ile

r( 2000) ;

. do "C :\Us ers\ HP\Ap pDat a\Loc al\T emp\S TD01 00000 0.tm p"

. psmat ch2 aris an, p scor e(sco re) outco me(h ousei ncom e) r adius cal (0.00 1)

Var iabl e Sam ple Treat ed Co ntro ls Diff eren ce S.E . T-sta t

ho usei ncom e Un matc hed 317 8524. 39 2794 201. 39 3843 23.0 04 1025 574.3 2 0.3 7
ATT 317 8524. 39 2639 795. 88 5387 28.5 06 6537 43.24 8 0.8 2

No te: S .E. does not take into acc ount that the prop ensi ty sc ore is es tima ted.

ps match 2:
p smatc h2: Commo n
T reatm ent s uppor t
as signm ent On supp or Tota l

U ntrea ted 24 24
Trea ted 14,6 81 1 4,68 1

To tal 14,7 05 1 4,70 5

. pstes t2 h eadi ncome hea deduc ele ctric wat er to ilet jav a sav ing vehic le, sum g raph

M ean %red uct t-te st

Var iabl e Sam ple Tre ated Cont rol %b ias |bi as| t p>|t |

headi ncom e U nmatc hed .26 354 .41 667 -3 2.4 -1 .70 0.08 9
Matc hed .26 354 .32 566 -1 3.1 5 9.4 -11 .70 0.00 0

hea dedu c U nmatc hed .22 308 .33 333 -2 4.5 -1 .30 0.19 5
Matc hed .22 308 .26 041 - 8.3 6 6.1 -7 .48 0.00 0

ele ctri c U nmatc hed 1 1 . . .

Matc hed 1 1 . . . .

wate r U nmatc hed .72 488 .79 167 -1 5.5 -0 .73 0.46 4
Matc hed .72 488 .76 315 - 8.9 4 2.7 -7 .52 0.00 0

t oile t U nmatc hed .17 669 .25 -1 7.8 -0 .94 0.34 7

Matc hed .17 669 .17 072 1.4 9 1.8 1 .35 0.17 7

jav a U nmatc hed .55 923 .58 333 - 4.8 -0 .24 0.81 2
Matc hed .55 923 .59 755 - 7.7 -5 9.0 -6 .65 0.00 0

s avin g U nmatc hed .69 409 .79 167 -2 2.3 -1 .04 0.30 0
Matc hed .69 409 .77 303 -1 8.0 1 9.1 -15 .36 0.00 0

ve hicl e U nmatc hed .2 835 .33 333 -1 0.7 -0 .54 0.58 8

Matc hed .2 835 .26 786 3.4 6 8.6 3 .00 0.00 3

Su mmar y of the distr ibut ion of th e abs (bia s)

B EFORE MAT CHING

P erce ntil es S malle st

1% 4.8 2078 7 4 .8207 87
5% 4.8 2078 7 1 0.686 02
10 % 4.8 2078 7 1 5.494 73 Obs 7
25 % 10. 6860 2 1 7.750 49 Sum of Wg t. 7

50 % 17. 7504 9 Mean 18 .2666 1

Large st Std. Dev. 9. 12552 6
75 % 24. 4949 6 1 7.750 49
90 % 32 .364 4 2 2.254 88 Vari ance 83 .2752 3
95 % 32 .364 4 2 4.494 96 Skew ness .0 51884 6
99 % 32 .364 4 32.36 44 Kurt osis 2. 16755 9

A FTER MATC HING

P erce ntil es S malle st

1% 1.4 4690 6 1 .4469 06
5% 1.4 4690 6 3 .3521 54
10 % 1.4 4690 6 7 .6639 83 Obs 7
25 % 3.3 5215 4 8 .2929 39 Sum of Wg t. 7

50 % 8.2 9293 9 Mean 8. 68124 5

Large st Std. Dev. 5. 60757 5
75 % 13. 1293 3 8 .2929 39
90 % 18. 0045 7 8 .8788 32 Vari ance 3 1.444 9
95 % 18. 0045 7 1 3.129 33 Skew ness .3 75062 7
99 % 18. 0045 7 1 8.004 57 Kurt osis 2. 26029 2

Sa mple Pse udo R2 LR chi 2 p>ch i2

Unmat ched 0.0 15 5.4 8 0.6 02

Mat ched 0.0 15 626.5 8 0.0 00
E. DO FILE
*open dataset b3b_pm01
tab pm01, m
gen arisan=0
replace arisan=1 if pm01==1
replace arisan=1 if pm01==3
replace arisan=1 if pm01==8
tab arisan, m
label var arisan "arisan=0, no arisan=1"
*keep important variables
keep hhid14 arisan
*save as arisan
Clear

tab ar01a, m
drop if ar01a==0
*drop sample with unclear gender
tab ar07, m
drop if ar07==.
*drop sample with missing value of age
tab ar09, m
sort ar09
br ar09
drop if ar09>900

*sample selection for household head only

tab ar02b, m
keep if ar02b==1

*making a dummy variable for household head with income<600.000

tab ar15b, m (pendapatan)
replace ar15b=0 if ar15b>960000000
gen headincome=0
replace headincome=1 if ar15b<600000
tab headincome, m
label var headincome "1 if household head income <600.000, 0 if
tab headincome, m

*making a dummy variable for household head with no schooling or not finished
primary as....
gen pendidikan=0
tab pendidikan
replace pendidikan=1 if ar16==2 & ar17==1
replace pendidikan=2 if ar16==2 & ar17==2
replace pendidikan=3 if ar16==2 & ar17==3
replace pendidikan=4 if ar16==2 & ar17==4
replace pendidikan=5 if ar16==2 & ar17==5
replace pendidikan=6 if ar16==2 & ar17==6
replace pendidikan=6 if ar16==2 & ar17==7
replace pendidikan=1 if ar16==2 & ar17==98

replace pendidikan=6 if ar16==3 & ar17==0

replace pendidikan=7 if ar16==3 & ar17==1
replace pendidikan=8 if ar16==3 & ar17==2
replace pendidikan=9 if ar16==3 & ar17==3
replace pendidikan=9 if ar16==3 & ar17==7
replace pendidikan=7 if ar16==3 & ar17==98

replace pendidikan=6 if ar16==4 & ar17==0

replace pendidikan=7 if ar16==4 & ar17==1
replace pendidikan=8 if ar16==4 & ar17==2
replace pendidikan=9 if ar16==4 & ar17==3
replace pendidikan=9 if ar16==4 & ar17==7

replace pendidikan=9 if ar16==5 & ar17==0

replace pendidikan=10 if ar16==5 & ar17==1
replace pendidikan=11 if ar16==5 & ar17==2
replace pendidikan=12 if ar16==5 & ar17==3
replace pendidikan=12 if ar16==5 & ar17==7
replace pendidikan=10 if ar16==5 & ar17==98

replace pendidikan=9 if ar16==6 & ar17==0

replace pendidikan=10 if ar16==6 & ar17==1
replace pendidikan=11 if ar16==6 & ar17==2
replace pendidikan=12 if ar16==6 & ar17==3
replace pendidikan=12 if ar16==6 & ar17==7
replace pendidikan=10 if ar16==6 & ar17==98

replace pendidikan=0 if ar16==11 & ar17==0

replace pendidikan=6 if ar16==11 & ar17==7

replace pendidikan=6 if ar16==12 & ar17==0

replace pendidikan=7 if ar16==12 & ar17==1
replace pendidikan=8 if ar16==12 & ar17==2
replace pendidikan=9 if ar16==12 & ar17==7

replace pendidikan=12 if ar16==13 & ar17==0

replace pendidikan=13 if ar16==13 & ar17==1
replace pendidikan=14 if ar16==13 & ar17==2
replace pendidikan=15 if ar16==13 & ar17==3
replace pendidikan=16 if ar16==13 & ar17==4
replace pendidikan=16 if ar16==13 & ar17==7
replace pendidikan=12 if ar16==13 & ar17==98

replace pendidikan=1 if ar16==14 & ar17==1

replace pendidikan=2 if ar16==14 & ar17==2
replace pendidikan=3 if ar16==14 & ar17==3
replace pendidikan=4 if ar16==14 & ar17==4
replace pendidikan=5 if ar16==14 & ar17==5
replace pendidikan=6 if ar16==14 & ar17==6
replace pendidikan=6 if ar16==14 & ar17==7
replace pendidikan=1 if ar16==14 & ar17==98

replace pendidikan=9 if ar16==15 & ar17==0

replace pendidikan=10 if ar16==15 & ar17==1
replace pendidikan=11 if ar16==15 & ar17==2
replace pendidikan=12 if ar16==15 & ar17==3
replace pendidikan=12 if ar16==15 & ar17==7
replace pendidikan=10 if ar16==15 & ar17==98

replace pendidikan=1 if ar16==17 & ar17==1

replace pendidikan=2 if ar16==17 & ar17==2
replace pendidikan=3 if ar16==17 & ar17==3
replace pendidikan=5 if ar16==17 & ar17==5
replace pendidikan=6 if ar16==17 & ar17==7
replace pendidikan=1 if ar16==17 & ar17==98

replace pendidikan=12 if ar16==60 & ar17==0

replace pendidikan=13 if ar16==60 & ar17==1
replace pendidikan=14 if ar16==60 & ar17==2
replace pendidikan=15 if ar16==60 & ar17==3
replace pendidikan=15 if ar16==60 & ar17==7
replace pendidikan=12 if ar16==60 & ar17==98

replace pendidikan=12 if ar16==61 & ar17==0

replace pendidikan=13 if ar16==61 & ar17==1
replace pendidikan=14 if ar16==61 & ar17==2
replace pendidikan=15 if ar16==61 & ar17==3
replace pendidikan=16 if ar16==61 & ar17==4
replace pendidikan=15 if ar16==61 & ar17==5
replace pendidikan=16 if ar16==61 & ar17==6
replace pendidikan=16 if ar16==61 & ar17==7
replace pendidikan=12 if ar16==61 & ar17==98

gen headeduc=0
replace headeduc=1 if pendidikan<6
label var headeduc "1=no schooling/not finished school, 0=others"

*keep important variables"

keep hhid14 headincome headeduc

*save as head

clear

*open dataset bk_sc1

*open book K, go through SC section
*generate dummy variable of java
tab sc01*, m
gen java=0
replace java=1 if sc01_14_14>30 & sc01_14_14<37
keep hhid14 java
label var java "stay in Java=1, others=0"

*save as java

clear

*open dataset b2_kr

*open book 2, go through KR section
*generate dummy variable of electricity
tab kr11, m
rename kr11 electric
replace electric=0 if electric==3
label var electric "1=own electricity, 0=did not own"

*generate dummy variable of drinking water

tab kr13, m
rename kr13 water
replace water=0 if water==2
replace water=1 if water>0
label var water "1=pump well, 0=others"

*generate dummy variable of toilet

tab kr20, m
rename kr20 toilet
replace toilet=0 if toilet<3
replace toilet=1 if toilet>0
label var toilet "1=don't have toilet, 0=have toilet"

keep hhid14 electric toilet water

*save as household
clear

*open dataset b2_hr1

*open book 2 section HR
keep hhid14 hrtype hr01
*generate variable dummy saving
tab hrtype
keep if inlist(hrtype, "G")
tab hr01, m
gen saving=0
replace saving=1 if hr01==3
label var saving "not have saving=1, have saving=0"
drop hrtype hr01
*save as saving
clear

*open data set b2_hr1

*open book 2 section HR
keep hhid14 hrtype hr01
*generate variable dummy vehicle
tab hrtype
keep if inlist(hrtype, "E")
tab hr01, m
gen vehicle=0
replace vehicle=1 if hr01==3
label var vehicle "not have vehicle=1, have vehicle=0"
drop hrtype hr01
*save as vehicle
clear

*open dataset bk_ar1

*generate household income as outcome varible
keep hhid14 pid14 ar15b
replace ar15b=0 if ar15b>960000000
bys hhid14: egen houseincome = total(ar15b)
*make it monthly
replace houseincome=houseincome/12
label var houseincome "monthly household income in Rp"
keep if pid14==1
drop pid14 ar15b
*save as hh income

*merge with all dataset

merge m:m hhid14 using "C:\Users\HP\Documents\KULIAH\Evdam kiwil\Head.dta"
keep if _merge==3
drop _merge
duplicates drop hhid14, force

merge m:m hhid14 using "C:\Users\HP\Documents\KULIAH\Evdam

kiwil\Household.dta"
keep if _merge==3
drop _merge
duplicates drop hhid14, force

merge m:m hhid14 using "C:\Users\HP\Documents\KULIAH\Evdam kiwil\Java.dta"

keep if _merge==3
drop _merge
duplicates drop hhid14, force

merge m:m hhid14 using "C:\Users\HP\Documents\KULIAH\Evdam kiwil\arisan.dta"

keep if _merge==3
drop _merge
duplicates drop hhid14, force

merge m:m hhid14 using "C:\Users\HP\Documents\KULIAH\Evdam

kiwil\Saving.dta"
keep if _merge==3
drop _merge
duplicates drop hhid14, force

merge m:m hhid14 using "C:\Users\HP\Documents\KULIAH\Evdam

kiwil\Vehicle.dta"
keep if _merge==3
drop _merge
duplicates drop hhid14, force

*save as master

//PSM starts from here

//descriptive statistics for all variables
sum

//propenisty score
logit arisan headincome headeduc electric water toilet java saving vehicle
cap drop score
predict double score

*common support
psgraph

*NN without replacement

ssc install psmatch2
psmatch2 arisan, pscore(score) outcome(houseincome) noreplacement
pstest2 headincome headeduc electric water toilet java saving vehicle, sum graph

*radius with caliper

psmatch2 arisan, pscore(score) outcome(houseincome) radius cal(0.001)
pstest2 headincome headeduc electric water toilet java saving vehicle, sum graph