Pengenalan dan Data Management dengan STATA (2011)

-
STATA merupakan program statistik dengan fungsi statistik dan ekonometrik yang relatif lengkap dibandingkan software statistik lainnya. Selain dapat digunakan untuk data yang panel dan Times Series, STATA mampu mengolah data dengan jumlah variabel yang cukup banyak atau dengan jumlah observasi yang besar, seperti data Sensus Penduduk, SUSENAS dan SAKERNAS. 

STATA juga mampu mengolah data yang membutuhkan tingkat akurasi tinggi, seperti analisis ekonometrik. Kelebihan STATA diluar kemampuan analisisnya adalah tersedianya online help untuk mencari keterangan tentang syntax yang dibutuhkan untuk sebuah analisis ekonometrik, oleh karena itu perintah (ado) di stata dapat menambah sesuai dengan penemuan perintah terbaru. Selain itu terdapat online update dimana akan diperoleh update fungsi-fungsi statistic dan ekonometrik yang terbaru atau yang sifatnya lebih advance (tanpa harus update software).


  • Software STATA kita buka dengan cara double click pada icon STATA di desktop computer.
  • STATA menampilkan empat window sekaligus yang masing-masing mempunyai fungsi yang berbeda, antara lain : Review, Variables, Stata Result dan Stata Command.

Lebih lanjut dapat dilihat di Modul atau bahan materi  Basic Data Management dengan STATA (2011),


Dapat didownload  melalui:

Scribd:

Modul Basic Data Management dengan STATA (2011)




-as-

Komentar

Posting Komentar

Postingan populer dari blog ini

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

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)

-
Gambar
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