diskrit, maka estimasi dengan menggunakan regresi liner akan terasa dipaksakan, karena estimator yang dihasilkan tidak lagi bersifat BLUE (Best Linier Unbiased Estimator). • Hal ini disebabkan: varian error-nya tidak terdistribusi normal, estimator tidak efisien akibat heteroskedastis, dan R² tidak dapat digunakan sebagai pengukur Goodness of Fit. • Oleh karenanya, untuk menghasilkan estimator persamaan yang BLUE, penelitian ini menggunakan qualitative response regression model. Terdapat tiga pendekatan untuk mengembangkan model yang menjelaskan model regresi binary response yaitu: a. Linear Probability Model (LPM) b. Logit Model c. Probit Model (Normit Model) LINEAR PROBABILITY MODEL (LPM)
• LPM merupakan metode regresi yang umum
digunakan sebelum logit dan probit model dikembangkan. • LPM bekerja dengan dasar bahwa variabel respon Y, yang merupakan probabilitas terjadinya sesuatu, mengikuti Bernoulli probability distribution dimana : MODEL LPM
Model Regresi Linear : Yi = + ßXi + ..............(1)
Model LPM : E (Yi) = 1 x Pi + 0x (1-Pi) E (Yi) = Pi...............................................................(2) Dimana : Pi adalah probabilitas variabel Y dengan kemunculan angka 1 0 adalah kemunculan data untuk variabel Y = 0 Dari persamaan 1 dan 2 didapatkan persamaan berikut : E(Yi) = + ßXi + • Variabel Y yang berbentuk kualitatif berimplikasi pada bentuk penyebaran errornya (error term distribution). • Untuk suatu nilai X tertentu (Xi), jika Yi=1, maka i = 1 - - ßXi, jika Yi = 0, maka i = 0 - - ßXi Probabilitas untuk masing-masing nilai Yi adalah Pi dan (1 – Pi). Oleh karena model ini diasumsikan linear maka E (i) = 0, maka diperoleh: (1 - - ßXi)Pi + ( - - ßXi) (1-Pi) =0 Varian error term dari i adalah kuadrat dari error yang dihasilkan. Karena nilai yang dihasilkan dari perhitungan ini relative kecil, maka dimungkinkan terjadi gejala heteroskedastisitas. Selain itu, nilai yang dihasilkan untuk Yi yang diharapkan (E(Yi)) tidak sesuai dengan kondisi realistas di mana Y=0 dan Y=1.