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

-
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 qualitative response regression model. Terdapat tiga pendekatan untuk mengembangkan model yang menjelaskan model regresi binary response yaitu: 
  1. Linear Probability Model (LPM) 
  2. Logit Model 
  3. 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:



Dimana terlihat ketika kita melakukan estimasi menggunakan Linear, maka akan ada nilai estimasi yang nilainya lebih dari 1 atau kurang dari nol. Sedangkan dengan melakukan estimasi logistik (baik Probit, maupun Logit), nilai estimasi yang kita dapatkan merupakan nilai antara 0 dan 1. hal itu mengingat yang kita dapatkan adalah nilai probabilita.

Aplikasi melakukan Regresi Probability Model (LPM),  Logit Model, dan Probit Model (Normit Model) dengan STATA dapat dilihat di Modul atau bahan materi Linear Probability Model (LPM),  Logit Model, dan Probit Model (Normit Model) dengan STATA (2011)


Dapat didownload di:

Scribd:

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

4shared:

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


-as-

Komentar

  1. Unknown2 Juni 2013 pukul 15.02

    Kak Akbar, terimakasih ya kak sudah selalu mengupload bahan-bahan belajar ekonometrika. Saya dan teman-teman selalu terbantu banget dalam belajar berkat bahan dari kakak :)

    Ardelia Apti, IE 2010 FEUI

    BalasHapus

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

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