Pelatihan Software Ekonometrika

-
Silahkan bagi yang berminat, tau temen, sodara, tante, paman, pacar, adik, keponakan lagi butuh pelatihan software ekonometrika..

Rumah Ekonometrika bekerja sama dengan Kanopi FEUI membuka

Pelatihan Software Ekonometrika!

Dengan jadwal pelatihan sebagai berikut:



a. 16 Maret 2013 = Data management + OLS + Pelanggaran asumsi + Dummy Variabel + Variabel interaksi dengan Stata

b.23 Maret 2013 = Data Panel dengan Stata

c. 30 Maret 2013 = VAR, ARIMA, ARMA dengan Eviews

d. 3 April 2013 = GARCH, ARCH dengan Eviews

e. 20 April 2013 = Logit, Probit, Mlogit, Mprobit, Ologit, Oprobit dengan Stata

f. 27 April 2013 = Data management + OLS + Pelanggaran asumsi + Dummy Variabel + Variabel interaksi dengan Eviews

Bertempat di Laboratorium Komputer Departmen Ilmu Ekonomi Universitas Indonesia, Depok

Waktu: 09.00-11.00 WIB

Registrasi: Nama (spasi) Institusi (spasi) Email ke 085252061818

Biaya pelatihan persesi *:
S1 FEUI Reguler dan Paralel : 150rb
S1 FEUI KKI, Vokasi, dan Ekstensi; 200rb
S1 UI Non-FE: 250rb
Umum: 300rb

*) Dapatkan potongan hingga Rp100,000 dengan mendaftar lebih dari satu sesi
*) Menerima request materi lain.
*) Biaya sudah termasuk : Snack, Sertifikat, Goodie bag (notes, pulpen, modul)

Rekening pengiriman biaya pelatihan: Bank Mandiri 900 00 1411237 0 a/n Venty

Contact person: Nadia 0817 480 7565

AYO DAFTAR JANGAN SAMPAI KETINGGALAN, KARENA TEMPAT TERBATAS dan PENGAJAR BERKUALITAS!!!


Komentar

Posting Komentar

Postingan populer dari blog ini

Random Effect Model (REM)

-
W alaupun FEM atau LSDV mudah untuk diaplikasikan, tidak dapat dipungkiri penerapannya akan menimbulkan konsekuensi ( trade off ) yang mungkin cukup mahal. Penambahan dummy variables ke dalam model dapat mengurangi banyaknya derajat kebebasan ( degree of freedom ) yang pada akhirnya akan mengurangi efisiensi dari parameter yang diestimasi. Menurut Gujarati (2003), jika dummy variables adalah untuk merepresentasikan ketidaktahuan tentang model yang sebenarnya, maka kita dapat menggunakan disturbance term untuk merepresentasikan ketidaktahuan tentang model yang sebenarnya. Hal ini dikenal sebagai model efek acak ( random effect model atau REM ).
Baca selengkapnya

Linear Probability Model (LPM), Logit Model, dan Probit Model (Normit Model) dengan STATA (2011)

-
Gambar
Model dengan variabel dependen yang bersifat 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 q ualitative response regression model. Terdapat tiga pendekatan untuk mengembangkan model yang menjelaskan model regresi binary response yaitu:  Linear Probability Model (LPM)  Logit Model  Probit Model (Normit Model)  Jika dilihat secara grafik perbedaan antara jasil estimasi menggunakan Linear dan Logistik (Probit dan Logit) terhadap model dengan variabel dependen yang bersifat diskrit, maka dapat dilihat seperti berikut:
Baca selengkapnya

Ordinary Least Square (OLS) dengan STATA (2011)

-
Pengantar Regresi linear adalah teknik statistika yang memberikan pendugaan dari kemiringan suatu garis lurus (linear) dan posisi dimana garis tersebut memotong sumbu y, berdasarkan sejumlah informasi mengenai hubungan antar variabel. Memberikan pendugaan nilai a dan b, berdasarkan sejumlah informasi mengenai x dan y, pada persamaan berikut: y=a+b.x  x disebut variabel independent, karena nilainya tidak tergantung variabel lain. y disebut variabel dependent, karena nilainya tergantung nilai x. a dan b disebut parameter, a adalah intercept dan b adalah slope. Regresi linear sederhana, apabila variabel dependent hanya ditentukan oleh satu variabel independent. Contohnya: y = a + b.x + e. Sedangkan Jika Regresi Linear berganda, apabila variabel dependent ditentukan oleh lebih dari satu variabel independent. Contohnya: y = a + b1.x1 + b2.x2 + …. + bn.xn + e. Dimana, e = error term = perbedaan antara y aktual dengan y hasil estimasi garis regresi. Metode yang digunakan untuk menge
Baca selengkapnya