v50c02 Id
v50c02 Id
Abstrak
Dukungan paket.CEs menyediakan tujuh fungsi dasar yang mendukung
implementasi eksperimen pilihan (CE) dalam R: dua fungsi untuk membuat desain CE,
yang didasarkan pada susunan efek utama ortogonal; sebuah fungsi untuk mengubah
desain CE ke dalam format kuesioner; sebuah fungsi untuk mengubah desain CE ke
dalam matriks desain; sebuah fungsi untuk membuat set data sesuai untuk
implementasi model logit bersyarat; sebuah fungsi untuk menghitung ukuran
kesesuaian model yang diestimasi; dan sebuah fungsi untuk menghitung kesediaan
marjinal untuk membayar untuk atribut dan / atau tingkat model yang diestimasi.
Kata kunci: himpunan pilihan, model logit bersyarat, kesediaan membayar marginal,
kuesioner, rho-kuadrat, kelangsungan hidup, DoE.base.
1. Pendahuluan
Eksperimen pilihan (CE) - juga dikenal sebagai eksperimen pilihan diskrit, metode pilihan
yang dinyatakan (diskrit), metode pilihan yang dinyatakan berbasis atribut, atau analisis
konjoin berbasis pilihan - telah menjadi salah satu metode statistik terpenting yang digunakan
oleh berbagai penelitian di berbagai bidang penelitian dalam ilmu sosial (Bateman et al. 2002;
Bennett dan Blamey 2001; Hensher, Rose, dan Greene 2005; Holmes dan Adamowicz 2003;
Kanninen 2007; Louviere, Hensher, dan Swait 2000; Ryan, Gerard, dan Amaya-Amaya 2008).
Meskipun banyak dari penelitian ini telah menguraikan berbagai cara yang dapat digunakan
untuk menerapkan CE, mungkin tidak mudah bagi mereka yang relatif tidak terbiasa dengan
CE untuk membuat desain CE dan melakukan analisis statistik terhadap jawaban atas
pertanyaan-pertanyaan CE tanpa dukungan tambahan.
Paket support.CEs (Aizaki 2012) menyediakan tujuh fungsi dasar untuk CE dalam R (R De-
velopment Core Team 2012): dua fungsi untuk membuat desain CE berdasarkan susunan efek
utama ortogonal; sebuah fungsi untuk mengubah desain CE ke dalam format kuesioner; sebuah
fungsi
2 Fungsi Dasar untuk Eksperimen Pilihan di
untuk mengubah desain CE menjadi matriks desain; sebuah fungsi untuk membuat kumpulan
data sesuai untuk menerapkan model logit bersyarat (CL); sebuah fungsi untuk menghitung
ukuran kecocokan model yang diestimasi; dan sebuah fungsi untuk menghitung kesediaan
membayar marjinal (marginal willingness to pay/MWTP) untuk atribut dan/atau tingkat model
yang diestimasi. Beberapa fungsi ini dikembangkan berdasarkan catatan Aizaki dan Nishimura
tentang pelaksanaan CE di R (Aizaki dan Nishimura 2008) dan sebuah program makro, yang
bekerja di lingkungan Jepang, membuat desain CE, dan melakukan analisis CE berdasarkan
Microsoft Excel yang terhubung dengan R (Aizaki 2009).
sedikit berbeda dengan model logit multinomial, meskipun nama modelnya sering tertukar
(lihat Greene 2011 atau Wooldridge 2010 untuk mengetahui perbedaan kedua model tersebut).
Probabilitas individu n memilih alternatif i dari kumpulan pilihan Cn dalam model CL adalah
sebagai berikut:
P (i) = exp(Vin )/ Σ
exp(V ).jn
jCn
Vin adalah komponen sistematis dari utilitas yang biasanya diasumsikan sebagai fungsi
aditif linier dari variabel independen Xikn dengan koefisien βik , sebagai berikut:
Σ
K
βikXikn.
Vin =
k=
1
Penting untuk menghitung ukuran kesesuaian untuk mengevaluasi model CL yang diestimasi.
Ukuran yang terkenal adalah ρ2 (rho-kuadrat) - juga disebut R McFadden2 atau R semu2 - yang
dapat didefinisikan sebagai berikut (Ben-Akiva dan Lerman 1985):
di mana LLb dan LL0 adalah nilai log likelihood pada saat konvergensi dan pada saat awal.
Ukuran yang disesuaikan dengan jumlah koefisien (K) didefinisikan sebagai berikut:
Meskipun banyak informasi yang berguna dapat diperoleh dari model yang diestimasi, MWTP
untuk atribut/level secara luas digunakan dalam penelitian yang menggunakan CE. Dalam
model CL - yang memiliki fungsi utilitas linier sederhana - MWTP untuk variabel non-moneter
dihitung sebagai -b /bnmm ; di mana, bnm adalah koefisien estimasi variabel non-moneter, dan bm
adalah koefisien estimasi variabel moneter. Lebih lanjut, interval kepercayaan untuk MWTP
sering dihitung dengan menggunakan metode simulasi berdasarkan vektor rata-rata dan
matriks varians-kovarians estimasi yang diusulkan oleh Krinsky dan Robb (1986).
Langkah-langkah Fungsi
Memeriksa situasi hipotetis dan membuat desain CE rotasi.desain,
Lma.desig
n Mempersiapkan dan
melakukan survei kuesioner kuesioner
Mempersiapkan kumpulan data dan melakukan analisis statistik make
.design.matrix,
make.dataset, gofm, mwtp
pada saat konvergensi. Untuk menghitung MWTP dari estimasi model CL, fungsi mwtp
dikembangkan. Fungsi mwtp memberikan MWTP dalam kasus fungsi utilitas linier sederhana dan
interval kepercayaan untuk MWTP menurut metode simulasi (Krinsky dan Robb 1986).
3. Penggunaan fungsi
Argumen Deskripsi
candidate.array Sebuah bingkai data yang berisi larik yang dibuat oleh pengguna.
Biasanya, ketika fungsi ini digunakan, argumen ini tidak perlu
diatur oleh pengguna. Oleh karena itu, nilai defaultnya adalah
NULL.
attribute.names Daftar nama-nama atribut dan level.
nalternatif Nilai integer yang menggambarkan jumlah alternatif per set pilihan,
tidak termasuk alternatif yang tidak dipilih seperti "tidak ada
satupun".
nblocks Nilai integer yang menjelaskan jumlah blok yang menjadi bagian dari desain
CE.
row.renames Variabel logika yang menjelaskan apakah nama baris dari desain CE
yang dibuat oleh fungsi-fungsi ini diubah atau tidak. Ketika nilainya
TRUE (default), nilai integer ditetapkan ke nama baris mulai dari 1.
Ketika nilainya FALSE, nama baris sama dengan nama larik efek
utama ortogonal yang dibuat oleh fungsi oa.design (disertakan
dalam paket DoE.base), atau nama larik yang ditetapkan ke
argumen candidate.array oleh pengguna.
mengacak Jika argumen ini BENAR (default), fungsi akan menjalankan metode padu-
padan. Jika SALAH, fungsi akan menjalankan metode rotasi.
Argumen ini hanya berlaku untuk fungsi rotation.design.
benih Benih untuk generator angka acak.
Tabel 2: Argumen untuk fungsi rotation.design dan Lma.design.
Jurnal Perangkat Lunak Statistik - 7
Cuplikan Kode
ini" (lihat Gambar 1), maka argumen nalternatives diset menjadi 2.
Ketika desain CE yang besar dibuat (yaitu, CE yang memiliki banyak pertanyaan), responden
dapat membawa beban psikologis yang berat dalam hal menjawab pertanyaan; dalam kasus ini,
desain CE sering kali dibagi menjadi dua atau lebih blok (himpunan bagian) set pilihan
(pertanyaan), dan setiap responden diminta untuk menjawab satu blok pertanyaan. Argumen
nblocks menetapkan jumlah blok. Misalnya, ketika argumen ini ditetapkan menjadi 3 dan
desain CE berisi 27 set pilihan individu (yaitu, ada 27 pertanyaan CE), desain CE dibagi
menjadi 3 blok, yang masing-masing memiliki 9 set pilihan individu (9 pertanyaan CE). Pada
fungsi lma.design, pemblokiran dilakukan berdasarkan faktor dengan level nblocks;
namun, fungsi rotation.design secara acak membagi desain CE menjadi sub-blok
berdasarkan argumen nblocks. Oleh karena itu, dalam kasus fungsi rotation.design,
argumen nblocks harus merupakan pembagi dari jumlah set pilihan yang termasuk dalam
desain CE.
Untuk membuat desain CE di bawah pengaturan default, kedua fungsi tersebut menggunakan
larik efek utama ortogonal yang secara otomatis dihasilkan oleh fungsi oa.design
berdasarkan atribut atribut.names. Namun, bila tidak ada larik efek utama ortogonal
yang sesuai dengan argumen atribut.names, fungsi oa.design mengembalikan faktorial
penuh berdasarkan argumen atribut.names. Ketika kedua fungsi tersebut tidak membuat
tanda CE yang sesuai dengan kebutuhan pengguna, pengguna dapat mencapainya dengan
menetapkan larik sembarang (yang ditentukan pengguna) ke argumen candidate.array:
fungsi kemudian menggunakan larik tersebut untuk membuat desain CE. Ketika larik yang
ditentukan pengguna digunakan, kolom terakhir larik harus berisi kolom untuk membagi
desain berdasarkan argumen nblocks. Argumen atribut.names dan nblocks juga harus
ditetapkan menurut larik.
Ketika metode mix-and-match diimplementasikan oleh fungsi rotation.design, argumen
mengacak ditetapkan sebagai TRUE (default). Ketika metode rotasi diimplementasikan oleh
fungsi, argumen ditetapkan sebagai FALSE.
Setiap fungsi desain mengembalikan tiga jenis keluaran dalam format daftar. Yang pertama
adalah desain CE yang disediakan sebagai daftar (alternatif) objek, alt.j (j = 1, 2, ..., J),
di mana setiap alt.j menyertakan alternatif ke-j dalam setiap set pilihan yang dibuat oleh
fungsi. Setiap objek alt.j berisi variabel atribut yang sesuai dengan argumen
atribut.names, sebuah variabel BLOK yang menggambarkan nomor urut blok, sebuah
variabel QES yang menggambarkan nomor urut soal CE untuk setiap nilai variabel BLOK, dan
sebuah variabel ALT yang menggambarkan nomor urut alternatif untuk setiap nilai variabel
QES. Jenis keluaran kedua adalah objek kandidat: objek ini berisi larik yang digunakan
untuk set kandidat, yang dibuat menggunakan fungsi oa.design dalam paket DoE.base atau
yang ditetapkan pengguna untuk argumen candidate.array. Ketika nblocks ≥ 2, kolom
terakhir dalam set kandidat menunjukkan faktor yang digunakan untuk pemblokiran. Jenis
output ketiga (design.information) adalah informasi yang terkait dengan desain CE yang
dihasilkan oleh fungsi desain, yang digunakan sebagai argumen dalam fungsi pasca-
pemrosesan, seperti fungsi questionnaire dan make.design.matrix. Daftar ini
mencakup objek-objek seperti jumlah blok di mana desain CE dibagi (nblocks), jumlah
pertanyaan per blok (nquestions), jumlah alternatif per set pilihan tidak termasuk alternatif
yang tidak diikutsertakan (nalternatives), dan jumlah atribut per alternatif
(nattributes).
Dalam kasus fungsi rotation.design, pesan kesalahan ditampilkan ketika argumen
nblocks tidak cocok dengan desain CE. Dalam kasus seperti itu, argumen nblocks diatur
untuk menjadi pembagi jumlah baris desain CE. Pesan-pesan lain yang sering ditampilkan
8 Fungsi Dasar untuk Eksperimen Pilihan di
Argumen Deskripsi
choice.experiment.design Desain CE yang dibuat oleh fungsi rotation.design atau
Lma.design.
categorical.attributes Vektor yang berisi nama-nama atribut yang diperlakukan
sebagai cat-
variabel independen yang bersifat egorikal dalam analisis
model CL.
continuous.attributes Vektor yang berisi nama-nama atribut yang diperlakukan sebagai
con-
variabel independen yang tidak jelas dalam analisis model CL.
tidak berlabel Variabel logika yang menjelaskan jenis desain CE yang
ditandatangani oleh argumen
choice.experiment.design. Jika jenisnya tidak
berlabel, argumen ditetapkan sebagai TRUE (tidak salah).
Jika jenisnya berlabel, maka akan ditetapkan sebagai
FALSE.
optout Variabel logika yang menjelaskan apakah alternatif opt-
out disertakan dalam matriks desain yang dibuat oleh
fungsi ini atau tidak. Jika TRUE (default), alternatif opt-
out disertakan; jika tidak, maka tidak.
Tabel 3: Argumen untuk fungsi make.design.matrix.
segera setelah mengeksekusi dua fungsi ketika fungsi-fungsi ini bekerja dengan baik. Mes-
sages ini diambil dari fungsi oa.design dan mungkin berguna bagi pengguna yang ingin
mendefinisikan larik asli dan memberikannya argumen candidate.array.
menunjukkan atribut harga dari suatu alternatif produk, variabel Z tidak boleh mengandung
level
USD10, USD20, dan USD30 tetapi harus memiliki level masing-masing 10, 20, dan 30.
Kedua, variabel kategorikal yang dibuat oleh fungsi tidak dalam format faktor. R biasanya
memperlakukan variabel kategorikal sebagai faktor. Namun, nilai variabel atribut di setiap
baris yang berhubungan dengan opsi opt-out harus ditetapkan sebagai nol (0) karena
komponen
sistematis dari utilitas opsi opt-out dinormalisasi menjadi nol. Oleh karena itu, fungsi
make.design.matrix mengubah atribut kategorikal menjadi variabel dummy (perlakuan
yang sama diterapkan pada fungsi make.dataset, di bawah ini). Dengan kata lain, nilai
minimum dalam atribut kategorikal dinormalisasi; akibatnya, setiap variabel dummy diberi
nilai 1 ketika atribut kategorikal memiliki nilai selain nilai minimum. Variabel dummy dirujuk
berdasarkan tingkatannya.
Sebagai contoh, dalam atribut kategorikal X dengan tiga level - "x1,""x2," dan "x3" -
variabel dummy dibuat sebagai berikut: (1) Ketika desain CE tidak diberi label, dua
variabel dummy dibuat: variabel dummy x2 yang mengasumsikan nilai 1 ketika atribut X
mengambil "x2," dan 0 jika tidak; dan variabel dummy x3 yang mengasumsikan nilai 1
ketika atribut X mengambil "x3," dan 0 jika tidak. (2) Ketika desain CE diberi label dan
desain berisi dua alternatif ("alternatif 1" dan "alternatif 2"), tidak termasuk alternatif yang
tidak ikut serta, maka empat variabel dummy dibuat: variabel dummy x21 yang
mengasumsikan nilai 1 ketika atribut X pada alternatif 1 mengambil "x2," dan 0
sebaliknya; variabel dummy x22 yang mengasumsikan nilai 1 ketika atribut X pada
alternatif 2 mengambil "x2," dan 0 sebaliknya; variabel dummy x31 yang mengasumsikan
nilai 1 ketika atribut X pada alternatif 1 mengambil "x3," dan 0 sebaliknya; dan variabel
dummy x32 yang mengasumsikan nilai 1 ketika atribut X pada alternatif 2 mengambil
"x3," dan 0 sebaliknya.
Argumen unlabeled ditetapkan sebagai TRUE ketika desain CE yang ditetapkan ke argumen
choice.experiment.design tidak diberi label; jika tidak, maka akan bernilai FALSE
(ketika desain CE diberi label). Argumen optout ditetapkan sebagai TRUE ketika alternatif
opt-out seperti pilihan "tidak satupun dari ini" disertakan dalam pertanyaan CE. Ini ditetapkan
sebagai SALAH ketika alternatif opt-out tidak disertakan.
Fungsi make.design.matrix menyediakan matriks desain yang dapat secara langsung
ditetapkan ke argumen design.matrix dalam fungsi make.dataset (Gambar 2). Matriks
desain berisi variabel kategorikal dan/atau kontinu yang dibuat oleh fungsi
make.design.matrix serta empat jenis variabel berikut: BLOK, QES, ALT, dan ASC. BLOK
adalah variabel integer yang menggambarkan nomor urut blok; QES adalah nomor urut integer
dari pertanyaan, yang dimulai dari 1 pada setiap blok; ALT adalah variabel integer yang
menggambarkan nomor urut alternatif sesuai dengan nilai variabel QES; ASC mengacu pada
konstanta spesifik alternatif. Ketika desain CE diberi label, nomor seri alternatif secara
otomatis ditambahkan ke bagian belakang ASC (seperti ASC1, ASC2, dan ASC3). Pada contoh
yang ditunjukkan pada Gambar 2, atribut diasumsikan sebagai atribut kategorikal X dan Y, dan
atribut kontinu Z, desain CE seharusnya dibagi menjadi tiga blok (nilai BLOK adalah 1, 2, dan
3), dan setiap pertanyaan diasumsikan memiliki tiga alternatif termasuk opsi "tidak ada
satupun". Struktur matriks desain sedemikian rupa sehingga setiap baris menunjukkan satu
alternatif: baris pertama menunjukkan alternatif pertama (ALT=1) pada pertanyaan pertama
(QES=1) pada blok pertama (BLOK=1); baris kedua menunjukkan alternatif kedua (ALT=2)
pada pertanyaan pertama (QES=1) pada blok pertama (BLOK=1); dan baris terakhir
menunjukkan alternatif ketiga (ALT=3) pada pertanyaan ketiga (QES=3) pada blok ketiga
(BLOK=3).
Jurnal Perangkat Lunak Statistik - 1
Cuplikan Kode
Argumen Deskripsi
respondent.dataset Nama kerangka data yang berisi jawaban responden untuk
pertanyaan CE.
design.matrix Nama bingkai data yang berisi matriks desain yang dibuat oleh fungsi
make.design.matrix dalam paket ini.
choice.indicators Sebuah vektor dari nama-nama variabel yang menunjukkan alternatif
yang dipilih dalam setiap pertanyaan CE.
detail Variabel logika yang menjelaskan apakah beberapa variabel
yang terdapat dalam argumen respondent.dataset dan
variabel yang dibuat dalam fungsi ini disimpan dalam
kumpulan data yang dihasilkan oleh fungsi ini. Nilai defaultnya
adalah NULL.
Tabel 4: Argumen untuk fungsi make.dataset.
1 Fungsi Dasar untuk Eksperimen Pilihan di
dan q3, argumen ditetapkan sebagai c("q1", "q2", "q3"). Variabel respon
menunjukkan nomor urut alternatif yang dipilih oleh responden untuk setiap pertanyaan
CE. Metode pemberian nomor urut alternatif harus sama dengan metode pemberian ALT pada
output dari fungsi make.design.matrix. Dengan kata lain, setiap alternatif harus diberi
nilai integer yang dimulai dari 1. Pada responden.dataset, semua variabel secara otomatis
diperlakukan sebagai kovariat, kecuali variabel ID, variabel BLOK, dan variabel respon yang
diberikan oleh argumen choice.indicators.
Sebagai contoh, Gambar 3 menunjukkan kumpulan data responden buatan yang berisi 99
jawaban responden atas pertanyaan CE. Diasumsikan bahwa setiap responden menjawab
kuesioner yang berisi satu blok (salah satu dari tiga blok) dari desain CE; setiap responden
ditanyai tiga pertanyaan CE, yang masing-masing memiliki tiga alternatif, dan jawaban-
jawaban tersebut disimpan dalam variabel q1, q2, dan q3. Jawaban dari pertanyaan-
pertanyaan CE dapat dibaca sebagai berikut: sebagai contoh, baris pertama menunjukkan
bahwa responden 1 (ID=1) diminta untuk menjawab kuesioner yang berisi blok pertama
(BLOK=1) dari desain CE dan memilih alternatif pertama (1), ketiga (3), dan pertama (1)
untuk pertanyaan CE pertama (q1), kedua (q2), dan ketiga (q3). Baris terakhir menunjukkan
bahwa responden 99 (ID = 99) diminta untuk menjawab kuesioner yang berisi blok ketiga
(BLOK = 3) dari desain CE dan memilih alternatif pertama (1), kedua (2), dan kedua (2)
untuk pertanyaan CE pertama (q1), kedua (q2), dan ketiga (q3).
Kumpulan data matriks desain yang dibuat oleh fungsi make.design.matrix ditugaskan ke
argumen design.matrix.
Perlu dicatat bahwa urutan pertanyaan dalam set data responden harus sama dengan urutan
variabel QES dalam set data matriks desain yang ditetapkan untuk desain
argumen.matrix, jika urutan pertanyaan CE yang disajikan kepada responden diacak.
Fungsi make.dataset mengembalikan kumpulan data yang digunakan untuk fungsi
clogit (Gambar 4). Selain beberapa variabel yang terdapat pada set data responden dan
matriks desain, set data ini juga berisi dua variabel berikut yang digunakan dalam fungsi
clogit: variabel pertama adalah STR, yang diberikan pada argumen strata dalam fungsi
clogit untuk mengidentifikasi setiap kombinasi responden dan pertanyaan; variabel kedua
adalah RES, yang berhubungan dengan variabel logika yang bernilai TRUE ketika
alternatif dipilih dan FALSE
Jurnal Perangkat Lunak Statistik - 1
Cuplikan Kode
padahal sebenarnya tidak. Sebuah contoh set data (ditunjukkan pada Gambar 4) dibuat dari
matriks desain pada Gambar 2 dan set data responden pada Gambar 3. Karena setiap baris
menunjukkan satu alternatif dan setiap responden diminta untuk menjawab tiga pertanyaan CE,
maka satu set yang terdiri dari 9 baris menunjukkan satu set data responden: baris pertama
hingga kesembilan menunjukkan jawaban responden 1 (ID=1) untuk tiga pertanyaan CE,
yang masing-masing memiliki tiga alternatif. Dari tiga baris pertama, kita dapat membaca
bahwa responden 1 dibuat untuk menjawab blok pertama dari desain CE (BLOK = 1) dan
memilih alternatif pertama (RES pada baris 1 = BENAR, dan RES pada baris 2 dan 3 = SALAH)
untuk pertanyaan CE pertama (QES = 1). Demikian pula, tiga baris terakhir (baris 889-891)
menunjukkan bahwa responden 99 (ID = 99) dibuat untuk menjawab blok ketiga dari desain
CE (BLOK = 3) dan memilih alternatif kedua (RES pada baris 890 = BENAR, dan RES pada
baris 889 dan 891
= SALAH) untuk pertanyaan CE ketiga (QES = 3).
Argumen Deskripsi
output Nama objek yang berisi keluaran dari fungsi clogit
dalam paket survival.
monetary.variables Vektor yang berisi nama-nama variabel moneter dalam
output yang digunakan untuk menghitung MWTP.
nonmonetary.variables Sebuah vektor atau daftar vektor yang berisi nama-nama
variabel non-moneter dalam output yang digunakan untuk
menghitung MWTP. Nilai defaultnya adalah NULL.
nreplications Nilai integer yang menunjukkan jumlah replikasi dalam
metode simulasi. Nilai default ditetapkan sebagai 10000.
percentile.points Vektor nilai yang menunjukkan titik persentil dari sebuah em-
distribusi pirikal dari setiap MWTP. Vektor standarnya
ditetapkan sebagai c(0,5, 2,5, 5, 95, 97,5, 99,5),
yang mengindikasikan batas bawah dan atas dari interval
kepercayaan 99, 95, dan 90 persen.
benih Benih untuk generator angka acak.
mwtp.
adalah estimasi koefisien dari variabel non-moneter, dan bm adalah estimasi koefisien dari
variabel moneter.
Terdapat enam argumen dalam fungsi yang disebutkan di atas (Tabel 5). Ketika argumen
nonmonetary.variables tidak ditetapkan oleh pengguna, variabel dalam output argumen
- kecuali yang ditetapkan oleh argumen monetary.variables - diperlakukan sebagai
variabel nonmoneter, dan MWTP untuk variabel-variabel ini dihitung. Dalam model yang
mengasumsikan variabel atribut spesifik alternatif (yaitu, desain CE tipe berlabel), variabel
dalam output argumen diklasifikasikan ke dalam variabel moneter dan non-moneter sesuai
dengan alternatifnya. Oleh karena itu, argumen monetary.variables ditetapkan sebagai
vektor, sedangkan argumen nonmonetary.variables ditetapkan sebagai daftar vektor.
4. Contoh
Dua contoh hipotetis tentang bagaimana semua fungsi dalam paket dukungan.CE dapat
digunakan diberikan berdasarkan situasi di mana konsumen diasumsikan memberikan
penilaian terhadap suatu produk pertanian. Produk tersebut memiliki tiga atribut: (1)
daerah asal: atribut ini memiliki tiga tingkatan - "Daerah A", "Daerah B", dan "Daerah C";
(2) metode budidaya yang ramah lingkungan: atribut ini menjelaskan tiga jenis metode
budidaya - "Conv. (metode budidaya konvensional), "More (metode budidaya yang lebih
ramah lingkungan)," dan "Most (metode budidaya yang paling ramah lingkungan)"; dan
(3) harga per satuan produk: atribut ini memiliki tiga tingkatan - "$1," "$1,1," dan "$1,2."
Sebanyak 100 responden diasumsikan telah diminta untuk memilih produk yang paling mereka
sukai dari sekumpulan produk; mereka juga diperbolehkan memilih "tidak ada satupun
dari produk tersebut." Tujuan dari penerapan CE dalam contoh-contoh tersebut adalah
untuk mengukur tingkat kepentingan responden terhadap daerah asal dan metode budi
daya melalui penerapan CE. Tanggapan terhadap pertanyaan CE dalam contoh-contoh
tersebut dibuat secara artifisial dengan menggunakan angka acak.
Jurnal Perangkat Lunak Statistik - 1
Cuplikan Kode
R> des1
Set pilihan:
alternatif 1 di setiap set pilihan
BLOK QES ALT Ramah Harga
Wilaya Lingk
h unga
n
1 1 1 1 Reg_B Lebih r
lanju
t
8 12 1 Reg_B Sebag
ia
n
besa
r
9 13 1 Reg_A Sebag
ia
n
besa
1 Fungsi Dasar untuk Eksperimen Pilihan di
1 1
.
1
1.1
6 1 4 1 Reg_A Conv. 1
3 1 5 1 Reg_C Sebag 1.2
ian
Jurnal Perangkat Lunak Statistik - 1
besarKode
Cuplikan
7 1 6 1 Reg_A Lebih 1.2
lanju
t
5 1 7 1 Reg_C Conv. 1.1
4 1 8 1 Reg_B Conv. 1.2
2 1 9 1 Reg_C Lebih 1
lanju
t
1 Fungsi Dasar untuk Eksperimen Pilihan di
Desain
kandidat: A B
C
1 2 2 2
2 3 2 1
3 3 3 3
4 2 1 3
5 3 1 2
6 1 1 1
7 1 2 3
8 2 3 1
9 1 3 2
class=design, type=
oa Informasi desain:
jumlah blok = 1
jumlah pertanyaan per blok = 9
jumlah alternatif per set pilihan = 2 jumlah
atribut per alternatif = 3
Pesan yang ditampilkan segera setelah menjalankan fungsi rotation.design diambil dari
fungsi oa.design. Ukuran desain CE yang dihasilkan di atas adalah sembilan dan jumlah blok
adalah satu; artinya, setiap responden harus menjawab total sembilan pertanyaan CE,
menyiratkan bahwa ukuran sampel analisis berdasarkan jawaban mereka adalah 900 (= 9
pertanyaan CE per responden × 100 responden).
Jurnal Perangkat Lunak Statistik - 1
Cuplikan Kode
Setelah membuat desain CE, kuesioner fungsi dengan argumen berdasarkan desain CE
dijalankan sebagai berikut (output dihilangkan sebagian):
R > kuesioner(choice.experiment.design = des1)
2 Fungsi Dasar untuk Eksperimen Pilihan di
Blok 1
Pertanyaan 1
alt.1 alt.2
Wilayah "Reg_B"
"Reg_C" Ramah
Lingkungan " Lebih"
"Sebagian Besar"
Harga "1.1" "1.2"
Jurnal Perangkat Lunak Statistik - 2
Cuplikan Kode
Pertanyaan 2
alt.1 alt.2
Wilayah "Reg_B"
"Reg_A" Ramah
Lingkungan "
Sebagian
Besar" "Lebih Banyak"
Harga "1" "1. 2"
...
Pertanyaan 8
alt.1 alt.2
Wilayah "Reg_B"
"Reg_B" Eco
"Conv."
"Sebagian besar"
Harga "1.2" "1"
Pertanyaan 9
alt.1 alt.2
Wilayah "Reg_C"
"Reg_B" Ramah
Lingkungan " Lebih"
"Lebih" Harga "1" "1.
1"
Set data syn.res1 berisi variabel ID yang menunjukkan nomor identifikasi responden,
variabel BLOK yang menunjukkan nomor blok, variabel respons (dari q1 hingga q9), dan
variabel jenis kelamin responden (F) yang mengasumsikan nilai 1 jika responden perempuan,
dan 0 jika tidak.
Selanjutnya, matriks desain, sesuai dengan desain CE, dibuat dan disimpan dalam desmat1
objek sebagai berikut:
Sebelum menjalankan clogit berdasarkan set data, komponen sistematis dari utilitas dalam
contoh diidentifikasi. Dengan melihat pengaruh jenis kelamin responden (variabel F) terhadap
penilaian mereka terhadap Lebih atau Paling, komponen sistematis utilitas responden n (= 1, 2,
..., 100) dalam memilih alternatif produk pertanian i (= 1, 2) adalah sebagai berikut (komponen
sistematis utilitas untuk pilihan "tidak ada yang lain" dinormalkan menjadi nol):
Vin =ASCi + bRB Reg Bin + bRC Reg Cin + bMore Morein + bMost
Mostin + bMoreF More Finn + bMostF Most Finn + bP Pricein ,
di mana ASC mengacu pada konstanta spesifik alternatif; Reg B merupakan variabel dummy
dengan nilai 1 jika atribut wilayah asal adalah "Wilayah B", dan 0 jika tidak; Reg C merupakan
variabel dummy dengan nilai 1 jika atribut wilayah asal adalah "Wilayah C", dan 0 jika tidak;
More adalah variabel dummy dengan nilai 1 jika label ramah lingkungan adalah "More", dan 0
jika sebaliknya; Most adalah variabel dummy dengan nilai 1 jika label ramah lingkungan adalah
"Most", dan 0 jika sebaliknya; F adalah variabel dummy dengan nilai 1 jika responden n
berjenis kelamin perempuan, dan 0 jika sebaliknya; dan Price adalah variabel harga per satuan
produk pertanian: bRB , bRC , bMore , bMost , bMoreF , bMostF , dan bP masing-masing adalah koefisien
yang terkait dengan Reg B, Reg C, More, Most, MoreF, Most F, dan Price. Koefisien bMoreF dan
bMostF menunjukkan pengaruh jenis kelamin responden terhadap penilaian mereka terhadap
label ramah lingkungan, yaitu interaksi antara F dan More atau Most.
Setelah mengeksekusi clogit berdasarkan spesifikasi model dan kumpulan data yang telah
disebutkan di atas, fungsi gofm dengan argumen output yang ditetapkan sebagai
clogout1 dieksekusi sebagai berikut:
Panggilan:
clogit(RES ~ ASC + Reg_B + Reg_C + More + Most + Most:F + Most:F +
Price + strata(STR), data = dataset1)
2 Fungsi Dasar untuk Eksperimen Pilihan di
coef exp(coef) se z p
(coef)
ASC 4.6655 1.06e+02 0.733 6.365 2.0e-10
Reg_B -0.5951 5.51e-01 0.132 -4.520 6.2e-06
Reg_C -0.3518 7.03e-01 0.114 -3.073 2.1e-03
Lebih 0.5967 1.82e+00 0.166 3.604 3.1e-04
lanjut
Sebagi 0.7941 2.21e+00 0.149 5.328 9.9e-08
an
besar
Harga -4.7507 8.65e-03 0.668 -7.111 1.1e-12
Seleng -0.0318 9.69e-01 0.196 -0.162 8.7e-01
kapnya
:F
Paling 0.0263 1.03e+00 0.173 0.152 8.8e-01
banyak
: F
Uji rasio kemungkinan = 134 pada 8 df, p = 0 n = 2700, jumlah kejadian = 900
R> gofm(clogout1)
Variabel Reg_B dan Reg_C memiliki koefisien yang signifikan negatif, menunjukkan bahwa
responden menilai Wilayah B dan Wilayah C lebih rendah daripada Wilayah A. Setiap
koefisien dari variabel More dan Most secara signifikan positif, menunjukkan bahwa masing-
masing nilai dari metode budidaya yang lebih ramah lingkungan lebih tinggi daripada metode
budidaya konvensional. Namun, masing-masing koefisien dari variabel More:F dan Most:F
tidak berbeda secara signifikan dari nol, yang berarti bahwa jenis kelamin responden tidak
memiliki pengaruh yang signifikan terhadap penilaian mereka terhadap metode budidaya.
Koefisien variabel Harga secara signifikan negatif, yang mengindikasikan preferensi
responden terhadap produk yang lebih murah.
Terakhir, MWTP untuk setiap variabel non-moneter diestimasi dengan fungsi mwtp sebagai
berikut:
MWTP 5% 95%
Reg_B -0.125275 -0.179652 -0.080924
Reg_C -0.074060 -0.122809 -0.032739
Lebih 0.125598 0.068697 0.192759
lanjut
Sebagi
0.167148 0.111027 0.240470
an
besar
Seleng -0.006686 -0.076782 0.062402
Jurnal Perangkat Lunak Statistik - 2
kapnya Kode
:F
Paling 0.005533 -0.055602 0.066677
banyak
: F
Output menunjukkan bahwa dibandingkan dengan Wilayah A, MWTP untuk Wilayah B dan
Wilayah C bernilai negatif; dibandingkan dengan metode budidaya konvensional, MWTP
untuk metode budidaya yang lebih dan paling ramah lingkungan adalah $ 0,126 dan $ 0,167.
2 Fungsi Dasar untuk Eksperimen Pilihan di
Kuesioner fungsi dijalankan dengan argumen sebagai berikut (output dihilangkan sebagian):
Blok 1
Pertanyaan 1
alt.1 alt.2 alt. 3
Eco "Paling" "Conv."
"Lainnya"
Harga "1.2" "1" "1.1"
...
Pertanyaan 9
alt.1 alt.2 alt.3
Eco "Paling"
"Paling""Lebih" Harga "1"
"1.1""1"
Jurnal Perangkat Lunak Statistik - 2
Kode
Blok 2
Pertanyaan 1
alt.1 alt. 2 alt.3
Eco "Conv." "Lainnya"
"Lainnya"
Harga "1.2" "1.2" "1"
...
Pertanyaan 9
alt.1 alt.2 alt. 3
Eco "Paling" "Conv."
"Conv."
Harga "1.1" "1.1" "1.2"
Mirip dengan kasus pada contoh pertama, jawaban atas pertanyaan CE ini sudah dibuat dan
disimpan dalam paket sebagai kumpulan data syn.res2 sebagai berikut:
ID BLOK q1 q2 q3 q4 q5 q6 q7 q8 q9
1 1 1 4 1 3 4 4 4 2 3 1
2 2 2 1 2 4 2 1 3 3 1 1
3 3 1 1 2 4 3 1 2 1 4 3
Selanjutnya, matriks desain, sesuai dengan desain CE, dibuat dan disimpan dalam desmat2
objek sebagai berikut (output dihilangkan):
Fungsi make.dataset menggabungkan dua set data ini menjadi satu - dataset2 - sebagai
berikut (output dihilangkan):
Pada contoh kedua, komponen sistematis utilitas untuk alternatif i (= Reg A, Reg B, Reg
C) dimodelkan sebagai berikut (komponen sistematis utilitas untuk pilihan "tidak satupun
dari ini" dinormalisasi menjadi nol):
Setelah menjalankan fungsi clogit berdasarkan spesifikasi model dan kumpulan data yang
telah disebutkan di atas, fungsi gofm dan mwtp dijalankan sebagai berikut:
2 Fungsi Dasar untuk Eksperimen Pilihan di
R> clogout2 <- clogit(RES ~ ASC1 + More1 + Most1 + Price1 + ASC2 + More2 +
+ Kebanyakan2 + Harga2 + ASC3 + Lebih banyak3 + Kebanyakan3 + Harga3 + strata (STR),
+ data = kumpulan
data2) R> menyumbat2
Panggilan:
clogit(RES ~ ASC1 + More1 + Most1 + Price1 + ASC2 + More2 + Most2 +
Price2 + ASC3 + More3 + Most3 + Price3 + strata(STR), data =
dataset2)
coef exp(coef) se z p
(coef)
ASC1 6.862 9.55e+02 1.073 6.40 1.6e-10
More1 0.324 1.38e+00 0.197 1.65 1.0e-01
Sebagi 0.558 1.75e+00 0.193 2.90 3.8e-03
an
besar1
Harga1 -6.470 1.55e-03 0.988 -6.55 5.8e-11
ASC2 7.220 1.37e+03 1.133 6.37 1.9e-10
More2 0.590 1.80e+00 0.212 2.78 5.4e-03
Kebany 0.877 2.40e+00 0.207 4.23 2.3e-05
akan2
Harga2 -7.126 8.04e-04 1.049 -6.79 1.1e-11
ASC3 5.002 1.49e+02 1.117 4.48 7.5e-06
More3 0.471 1.60e+00 0.206 2.29 2.2e-02
Sebagi 0.484 1.62e+00 0.205 2.36 1.8e-02
an
besar3
Harga3 -4.945 7.12e-03 1.025 -4.82 1.4e-06
Uji rasio kemungkinan = 167 pada 12 df, p = 0 n = 3600, jumlah kejadian = 900
R> gofm(clogout2)
MWTP 5% 95%
More1 0.0501243 -0.0000036 0.1048190
Sebagi 0.0862431 0.0368796 0.1442137
an
besar1
More2 0.0827328 0.0330651 0.1415383
Kebany 0.1230702 0.0734755 0.1854955
Jurnal Perangkat Lunak Statistik - 2
akan2 Kode
More3 0.0952013 0.0254875 0.1878304
Sebagi 0.0979115 0.0297079 0.1882971
an
besar3
2 Fungsi Dasar untuk Eksperimen Pilihan di
Koefisien variabel - kecuali koefisien variabel More1 - secara signifikan berbeda dari nol.
Dibandingkan dengan metode budidaya konvensional, MWTP untuk More dan Most di setiap
wilayah - kecuali MWTP untuk More1 -secara signifikan positif.
5. Kata penutup
Paket support.CEs menyediakan tujuh fungsi dasar untuk mendukung implementasi CE
dalam R. Kami juga telah menyediakan dua contoh hipotetis untuk menunjukkan
bagaimana ketujuh fungsi ini dapat diterapkan pada penilaian konsumen terhadap produk
pertanian. Meskipun sejumlah upaya diperlukan untuk melakukan survei dan analisis
untuk mewujudkan aplikasi yang sesuai untuk CE, jelas bahwa fungsi yang diuraikan
dalam makalah ini akan berkontribusi secara signifikan terhadap keseluruhan proses,
terutama untuk
pemula CE. Karena paket ini dikhususkan untuk mendukung implementasi dasar dari CE, upaya
tambahan seperti meningkatkan fungsi-fungsi dalam paket dan mengembangkan fungsi-
fungsi baru tidak diragukan lagi akan diperlukan untuk melakukan CE tingkat lanjut dalam
R.
Referensi
Aizaki H (2009). "Pengembangan Program Aplikasi untuk Desain dan Analisis Eksperimen
Pilihan dengan R." Kodo Keiryogaku, 36(1), 35-46. Dalam bahasa Jepang dengan ringkasan
bahasa Inggris.
Bateman IJ, Carson RT, Day B, Hanemann M, Hanley N, Hett T, Jones-Lee M, Loomes
G, Mourato S, O¨ zdemiro¯glu E, Pearce DW, Sugden R, Swanson J (2002). Valuasi Ekonomi
dengan Teknik Preferensi yang Dinyatakan: Sebuah Manual. Edward Elger,
Cheltenham, Inggris.
Ben-Akiva M, Lerman SR (1985). Analisis Pilihan Diskrit: Teori dan Aplikasi untuk
Permintaan Perjalanan. MIT Press, Cambridge, Amerika Serikat.
Chrzan K, Orme B (2000). "Tinjauan dan Perbandingan Strategi Desain untuk Analisis Gabungan
Berbasis Pilihan." Laporan teknis. URL http://www.sawtoothsoftware.com/
download/techpap/desgncbc.pdf.
Dillman DA (2000). Survei Melalui Surat dan Internet: Metode Desain yang Disesuaikan. Edisi
kedua.
John Wiley & Sons, New York, Amerika Serikat.
Greene WH (2011). Analisis Ekonometrika. Edisi ke-7. Prentice Hall, Upper Saddle River,
Amerika Serikat.
Jurnal Perangkat Lunak Statistik - 2
Kode
Gr¨omping U (2012). DoE.base: Faktorial Lengkap, Larik Ortogonal dan Utilitas Basis
untuk Paket DoE. Paket R versi 0.23-2, URL http://CRAN.R-project.org/package=
DoE.base.
Hensher DA, Rose JM, Greene WH (2005). Analisis Pilihan Terapan: Sebuah Primer.
Cambridge University Press, Cambridge, Inggris.
Kanninen BJ (ed.) (2007). Menilai Fasilitas Lingkungan dengan Menggunakan Studi Pilihan
yang Dinyatakan: Pendekatan Akal Sehat untuk Teori dan Praktik. Springer-Verlag,
Dordrecht, NL.
Louviere JJ, Hensher DA, Swait JD (2000). Metode-metode Pilihan yang Dinyatakan: Analisis
dan Penerapan.
Cambridge University Press, Cambridge, Inggris.
Tim Inti Pengembangan R (2012). R: Bahasa dan Lingkungan untuk Komputasi Statistik.
R Foundation for Statistical Computing, Wina, Austria. ISBN 3-900051-07-0, URL http:
//www.R-project.org/.
Therneau T (2012). survival: A Package for Survival Analysis dalam paket S. R versi 2.36- 12,
URL http://CRAN.R-project.org/package=survival.
Wooldridge JM (2010). Analisis Ekonometrika untuk Data Cross Section dan Panel. Edisi ke-
2. Jakarta: Erlangga.
MIT Press, Cambridge, Amerika Serikat.
Afiliasi:
Hideo Aizaki
Divisi Perencanaan dan Pembangunan Pedesaan
Institut Teknik Pedesaan
3 Fungsi Dasar untuk Eksperimen Pilihan di