Professional Documents
Culture Documents
Tugas Ekonometrika 2 Model LDV - Binary Response Okto Riyo Ananda 19060051
Tugas Ekonometrika 2 Model LDV - Binary Response Okto Riyo Ananda 19060051
Tugas Ekonometrika 2 Model LDV - Binary Response Okto Riyo Ananda 19060051
VARIABLE
Nim : 19060051
Saudara diminta untuk melakukan analisis dan estimasi seperti pada tahapan yang
ada di modul “Model Limited Dependent Variable (aplikasi STATA1)” dengan model
analisis sebagai berikut:
Dimana,
ayah
Untuk mengetahui jenis data, variabel name, value label, format serta varabel label
kita dapat melakukannya sebagai berikut:
describe
. describe
Sorted by:
Untuk mengetahui berapa jumlah observasi, mean, std.deviasi, nilai max dan nilaiminimum
kita dapat melakukannya sebagai berikut:
Sum
. sum
Untuk mengetahui suatu komposisi nilai dari suatu nilai dummy, kita dapat melakukannya
sebagai berikut: (misal variabel yang kita ingin tahu adalah inlf)
inspect inlf
. inspect inlf
0 1 753
(2 unique values)
histogram inlf
. histogram inlf
(bin=27, start=0, width=.03703704)
15
10
Density
5
0
0 .2 .4 .6 .8 1
=1 if in lab frce, 1975
1. LPM
LPM reg inlf kidsge6 kidslt6 age educ huswage exper fatheduc
(omitted)
predict erlpm, resid => (untuk mendapatkan nilai error dari inlf
estimasi (lpminlfhat))
list inlf kidsge6 kidslt6 age educ huswage exper fatheduc lpminlfhat erlpm in 26
. list inlf kidsge6 kidslt6 age educ huswage exper fatheduc lpminlfhat erlpm in 26
inlf kidsge6 kidslt6 age educ huswage exper fatheduc lpminl~t erlpm
Dimana dari nilai variabel tersebut kita masukkan kedalam model LPM yang telah kitadapatkan
koefisiennya dari hasil estimasi di atas. Terlihat bahwa estimasi yang kita peroleh bisa lebih
dari 1, padahal data sebenarnya data kita hanya antara 0 dan 1. Oleh karena itu, permasalahan
tersebut merupakan salah satu kelemahan dari LPM.
Grafik scatterplot
Untuk memperjelas hasil dari estimasi menggunakan LPM (lpminlfhat) maka nilainyadapat
kita gambarkan menggunakan scatter plot, dengan cara seperti berikut:
-.5 0 .5 1
Fitted values
=1 if in lab frce, 1975Fitted values
2. Logit
Dari hasil regress kita menggunakan logit maka kita mendapatkan koefisient untuk
dimasukan kedalam rumus logistik, yakni
𝟏 𝒆𝒛
𝑷𝒊 = =
𝟏 + 𝒆−𝒛 𝟏 + 𝒆𝒛
Menjadi seperti berikut :
Pr(inlf=1)
e 0.999 + 0.046kidsge6 – 1.432kidslt6 – 0.094age + 0.213educ – 0.040huswage + 0.123exper + 0.002fatheduc
e 0.999 + 0.046kidsge6 – 1.432kidslt6 – 0.094age + 0.213educ – 0.040huswage + 0.123exper + 0.002fatheduc + 1
Contoh, misalkan kita ingin melihat data kita pada baris satu dari stata dan melihat berapa nilai
probabilitas prediksi dengan logit, maka dapat dilakukan dengan seperti berikut:
logit inlf kidsge6 kidslt6 age educ huswage exper fatheduc
predict lgtinlfhat
list inlf kidsge6 kidslt6 age educ huswage exper fatheduc lgtinlfhat in 1
. list inlf kidsge6 kidslt6 age educ huswage exper fatheduc lgtinlfhat in 1
1. 1 0 1 32 12 4.0288 14 7 .6643942
Dengan memasukan rumus yang telah memiliki keofisien kita akan mendapatkan nilai inlf
estimasi (lgtinlfhat), atau nilai Probabilitas prediksi dengan rumus seperti ini:
= 0.6643942
Nilai Odds Ratio mewakili kemungkinan untuk inlf = 1 (bekerja) ketika variabel tersebut
meningkat sebesar 1 unit. Nilai ini adalah exp (logit coeff).
Contoh interpretasi variable kidsge6 :
Setiap penambahan satu orang anak yang berusia di atas 6 tahun akan menyebabkan
kemungkinan seorang wanita yang telah menikah untuk bekerja mengalami peningkatan
dengan odds ratio sebesar 1.047
Contoh interpretasi variable kidslt6 :
Setiap penambahan satu orang anak yang berusia di bawah 6 tahun akan menyebabkan
kemungkinan seorang wanita yang telah menikah untuk bekerja mengalami penurunan dengan
odds ratio sebesar 0.23
Melihat Odds ratio pada different levels di setiap variable
fatheduc (omitted)
# kids
6-18 exp(xb)
0 1.48136
1 1.37637
2 1.5271
3 1.29372
4 1.44427
5 1.07912
6 .109483
7 2.39664
8 7.72864
Interpreatasi :
Ketika kids 6-18 years = 0 (perempuan tidak memiliki anak umur 6-18 tahun) maka
kemungkinan (the odds of) inlf = 1 (bekerja) akan meningkatkan odds ratio sebesar 1.481.
misalnya contoh lain, ketika kids 6-18 years = 8 (perempuan memiliki anak usia 6-18 tahun
sebanyak 8 orang) maka keungkinan (the odds of) inlf = 1 (bekerja) akan meningkat dengan
odds ratio sebesar 7.728
adjust, by (kidslt6) exp
# kids <
6 years exp(xb)
0 1.8473
1 .594501
2 .29323
3 .031088
Interpretasi :
Ketika kids <6 years = 0 (perempuan tidak memiliki anak dibawah 6 tahun) maka kemungkinan
(the odds of) inlf = 1 (bekerja) akan meningkatkan odds ratio sebesar 1.4847. misalnya contoh
lain, ketika kids <6 years = 3 (perempuan memiliki anak usia dibawah 6 tahun sebanyak 3 orang)
maka keungkinan (the odds of) inlf = 1 (bekerja) akan menurun dengan odds ratio sebesar 0.031
Logit logit inlf kidsge6 kidslt6 age educ huswage exper fatheduc (omitted)
adjust, by (kidsge6) pr
. adjust, by (kidsge6) pr
# kids
6-18 pr
0 .596996
1 .57919
2 .60429
3 .564028
4 .590881
5 .519028
6 .098679
7 .705592
8 .885435
Key: pr = Probability
Penjelasannya : Ketika kids 6-18 years = 0 (perempuan tidak memiliki anak umur 6-18 tahun)
maka probabilita inlf = 1 (bekerja) adalah 0.596 atau 59.6 % . misalnya contoh lain, ketika kids
6-18 years = 8 (perempuan memiliki anak usia 6-18 tahun sebanyak 8 orang) maka probabilita
inlf = 1 (bekerja) adalah 0.885 atau 88.5 %.
adjust, by (kidslt6) pr
. adjust, by (kidslt6) pr
# kids <
6 years pr
0 .64879
1 .372845
2 .226743
3 .03015
Key: pr = Probability
Penjelasan : Ketika kids <6 years = 0 (perempuan tidak memiliki anak dibawah 6 tahun) maka
probabilita inlf = 1 (bekerja) adalah 0.648 atau 64.8%. misalnya contoh lain, ketika kids <6 years
= 2 (perempuan memiliki anak usia dibawah 6 tahun sebanyak 2 orang) maka probabilita inlf = 1
(bekerja) adalah 0.226 atau 22.6%.
Efek marginal rata-rata dari setiap variabel peubah (multiplier) ModelLogit
logit inlf kidsge6 kidslt6 age educ huswage exper fatheduc (omitted)
mfx
. mfx
Penjelasan untuk marginal tiap variable, missal untuk variable kidslt6, secara rata-rata ketika
nilai kidslt6 naik satu satuan maka kemungkinan perempuan untuk inlf = 1 (bekerja) akan turun
sebesar 0.346 point atau 34.6%, dan begitu juga untuk variable alinnya.
fitstat
. fitstat
Hasil diatas menyatakan bahwa McFadden's Adj R2 = 0.193, yang dapat diartikan sebagai
berikut garis regresi mampu menjelaskan variasi penyebaran dependen dengan menggunakan
kurva sigmoid sebesar 19.3%.
estat gof
. estat gof
Pada hasil model kita, model fits hasilnya sangat baik. Dimana, nilai number of covariate
patterns saama dengan number of observations yaitu 753, sedangkan nilai dari (Prob>chi2) lebih
besar dari α atau terima H0. Dimana memilki hipotesis sepertiberikut:
H0 : 𝒚 = 𝒚̅ ∶ Tidak Tolak
Model H1 : 𝒚 ≠ 𝒚̅ ∶ Tolak
-4 -2 0 2 4
lnlgtinlfhat
Pr(inlf)=1 if in lab frce, 1975
3. Probit
Pr(inlf=1)
e 0.671 + 0.027kidsge6 – 0.872kidslt6 – 0.057age + 0.125educ – 0.023huswage + 0.071exper + 0.001fatheduc
e 0.671 + 0.027kidsge6 – 0.872kidslt6 – 0.057age + 0.125educ – 0.023huswage + 0.071exper + 0.001fatheduc + 1
Contoh, misalkan kita ingin melihat data kita pada baris satu dari stata dan melihat berapa nilai
probabilitas prediksi dengan probit, maka dapat dilakukan dengan seperti berikut:
probit inlf kidsge6 kidslt6 age educ huswage exper fatheduc
predict prinlfhat
list inlf kidsge6 kidslt6 age educ huswage exper fatheduc prinlfhat in 1
. predict prinlfhat
(option pr assumed; Pr(inlf))
. list inlf kidsge6 kidslt6 age educ huswage exper fatheduc prinlfhat in 1
1. 1 0 1 32 12 4.0288 14 7 .6546048
Dengan memasukan rumus yang telah memiliki keofisien kita akan mendapatkan nilai inlf
estimasi prinlfhat atau nilai Probabilitas prediksi dengan rumus seperti ini:
= 0.6546048
Grafik Scatterplot
Membandingkan scatter plot model Probit dan
Logit Membuat grafik Scatter Plot Transformasi
Probit
gen lnprinlfhat = ln(prinlfhat/(1-
prinlfhat)) scatter prinlfhat inlf lnprinlfhat
.
1
1
.8
.8
.6
.6
.4
.4
.2
.2
0
0
-4 -2 0 2 4 -4 -2 0 2 4
lnprinlfhat lnlgtinlfhat
Pr(inlf)=1 if in lab frce, 1975 Pr(inlf)=1 if in lab frce, 1975