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

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

Pooled Least Square (PLS)

-
Pendekatan yang paling sederhana dalam pengolahan data panel adalah dengan menggunakan metode kuadrat terkecil biasa atau sering disebut Pooled Least Square (PLS) yang diterapkan dalam data yang berbentuk pool . Misalkan terdapat persamaan berikut ini: Y it = a + b X it + e it                        untuk i =   1, 2, . . . , N dan t = 1, 2, . . ., T dimana N adalah jumlah unit cross-section (individu) dan T adalah jumlah periode waktunya. Dengan mengasumsikan komponen error dalam pengolahan Ordinary Least Square ( O LS) , kita dapat melakukan dua proses estimasi, pertama secara terpisah untuk setiap unit cross-section atau untuk setiap time-series . Kedua dengan mengabungkan antara cross dan time lalu diestimasi secara bersamaan.
Baca selengkapnya