Solution Econometric 2012

					Begitu Mudahnya mengerjakan Tugas Ekonometrika...



Dalam jangka waktu yang sesingkat-singkatnya .. 3 soal sudah terjawab... untuk
menjaga stabilitas silahkan kerjakan 1 soal lagi...




Catt : untuk 1 soal lagi yang 6.6 kerjakan sendiri ya,.... kita kasih bonus untuk 1 soal
wkwkwk....

Harpa di edit lagi ( tabel – tabel ) dalam bentuk eviews..
wkwkwk...


Last Edited By :

Prof Harod Damar .... (kekhususan bidang eviews dan SPSS)..

Dr. Bernard ... (kekhususan analisa hasil keluaran eviews)..
Produksi Group Titimplik 2012....

Problem 6.3 Wooldridge
    The following model allows the return to education to depend upon the total amount of both parents’
    education, called pareduc:
    log(wage) = β0 + β1educ + β2educ*pareduc + β3exper + β4tenure + u.
    (i)              Dengan asumsi variabel lain tetap, kita memiliki persamaan :
 Δ log (wage) = β1Δ educ + β2Δ educ*pareduc
          Δ log (wage) = (β1 + β2 pareduc)Δeduc
          Δ log (wage)/ Δeduc = β1 + β2 pareduc
          β2 tidak memberikan indikasi yang jelas, meskipun demikian β2>0 jika kita memperkirakan
          bahwa seorang anak akan mendapatkan 1 tahun pendidikan lebih tinggi jika pendidikan
          orang tua anak tersebut juga lebih tinggi.

    (ii) log (wage)= 5.646519+0.046752 educ +0.000775 educ*pareduc + 0.018871 exper +
          0.010217 tenure


          Dependent Variable: LWAGE
          Method: Least Squares
          Date: 02/02/11 Time: 19:04
          Sample (adjusted): 1 932
          Included observations: 722 after adjustments

          Variable                Coefficient Std. Error    t-Statistic   Prob.

          C                       5.646519     0.129559     43.58250      0.0000
          EDUC                    0.046752     0.010477     4.462478      0.0000
          EDUC*PAREDUC            0.000775     0.000211     3.677387      0.0003
          EXPER                   0.018871     0.003943     4.786034      0.0000
          TENURE                  0.010217     0.002994     3.412645      0.0007

          R-squared               0.168954       Mean dependent var       6.799923
          Adjusted R-squared      0.164318       S.D. dependent var       0.419385
          S.E. of regression      0.383383       Akaike info criterion    0.927337
          Sum squared resid       105.3865       Schwarz criterion        0.959069
          Log likelihood          -329.7688      Hannan-Quinn criter.     0.939586
          F-statistic             36.44200       Durbin-Watson stat       1.839012
          Prob(F-statistic)       0.000000
    Kita gunakan nilai pareduc=32 dan pareduc = 24 untuk menginterpretasikan coefisien
    educ*pareduc.

    Perbedaan pendidikan (Δeduc) adalah = 0,000775(32-24)= 0,0062 atau sekitar 0,62 %.

    Sehingga perbedaan 1 tahun pendidikan akan mempengaruhi wage sekitar 0,62%.

(iii) log(wage)= 4.937661+ 0.097113 educ + 0.033214 pareduc -0.001568 educ*pareduc +
     0.019557 exper + 0.010308 tenure


    Dependent Variable: LWAGE
    Method: Least Squares
    Date: 02/02/11 Time: 19:34
    Sample (adjusted): 1 932
    Included observations: 722 after adjustments

    Variable               Coefficient Std. Error    t-Statistic   Prob.

    C                      4.937661    0.379062      13.02599      0.0000
    EDUC                   0.097113    0.027390      3.545621      0.0004
    PAREDUC                0.033214    0.016696      1.989327      0.0470
    EDUC*PAREDUC           -0.001568   0.001197      -1.310688     0.1904
    EXPER                  0.019557    0.003950      4.951231      0.0000
    TENURE                 0.010308    0.002988      3.449918      0.0006

    R-squared              0.173522       Mean dependent var       6.799923
    Adjusted R-squared     0.167750       S.D. dependent var       0.419385
    S.E. of regression     0.382595       Akaike info criterion    0.924596
    Sum squared resid      104.8073       Schwarz criterion        0.962673
    Log likelihood         -327.7790      Hannan-Quinn criter.     0.939294
    F-statistic            30.06534       Durbin-Watson stat       1.834685
    Prob(F-statistic)      0.000000


    Jika kita menambahkan variabel pareduc secara terpisah maka koefisiennya negatif. Nilai t
    stat dari educ*pareduc sekitar -1,31 dan nilai p-valeunya 0,1904 atau lebih besar dari α (0,1)
    sehingga tidak signifikan pada level kepercayaan 10%. Sedangkan koefisien pareduc
    signifikan pada level α 5% karena nilai p-valeunya lebih kecil yaitu 0,0470.

    Berdasarkan hasil wald test, kedua variabel pareduc dan educ*pareduc keduanya signifikan
    (jointly significant) dengan p-valeu (0,0002)<α (0,05)

    Dari penjelasan tersebut dapat disimpulkan bahwa pengaruh pareduc bisa menunjukkan
    estimasi yang bias.
           Hasil regresi dengan menggunakan Wald Test adalah sebagai berikut :

            Wald Test:
            Equation: Untitled

            Test Statistic        Value            df                Probability

            F-statistic           8.768188         (2, 716)          0.0002
            Chi-square            17.53638         2                 0.0002


            Null Hypothesis Summary:

            Normalized Restriction (= 0)           Value             Std. Err.

            C(3)                                   0.033214          0.016696
            C(4)                                   -0.001568         0.001197

            Restrictions are linear in coefficients.




Jawaban c.6.3 :
                       Berdasarkan model log(wage) = β0 + β1educ + β2exper + β3 educ_exper + u.

(i)     Maka untuk mengetahui pengaruh lamanya belajar (educ) terhadap jumlah upah yang diterima
        (log(wage)), jika diasumsikan pengalaman kerja adalah tetap (exper, fixed), dapat dilakukan dengan
        melakukan turunan log (wage) terhadap educ ≈                       ≈          = β1 + β3 exper …………….
        Terbukti
        Artinya : Jika β3>0, mengimplikasikan bahwa tambahan jumlah tahun belajar menghasilkan upah yang lebih
        besar untuk karyawan yang mempunyai pengalaman kerja lebih banyak. Dengan kata lain, terdapat
        Interaction Effect antara jumlah tahun pengalaman kerja (exper) dengan jumlah tahun belajar
        (educ)………… (lihat hal 207)

(ii)    Hipotesis null yang menyatakan bahwa                    tidak tergantung kepada tingkat exper adalah sebagai
        berikut :
        H0 : β3 = 0
        Ha : β3 > 0
        Alternatif yang tersedia adalah dengan menyusun kembali model dengan memperhitungkan nilai mean
        (rata-rata) dari educ dan exper.
        log(wage) = β0 + δ1educ + δ2exper + β3 (educ – μeduc)(exper – μexper) + u. …..(lihat hal 208)


(iii)
        Dependent Variable: LOG(WAGE)
        Method: Least Squares
        Date: 01/19/10 Time: 22:45
        Sample: 1 935
        Included observations: 935

              Variable               Coefficient        Std. Error      t-Statistic        Prob.

                   C                  5.949455          0.240826        24.70432           0.0000
            EDUC                     0.044050       0.017391       2.532891          0.0115
           EXPER                    -0.021496       0.019978      -1.075965          0.2822
         EDUC*EXPER                  0.003203       0.001529       2.094592          0.0365

      R-squared                      0.134936        Mean dependent var            6.779004
      Adjusted R-squared             0.132148        S.D. dependent var            0.421144
      S.E. of regression             0.392332        Akaike info criterion         0.970850
      Sum squared resid              143.3033        Schwarz criterion             0.991558
      Log likelihood                -449.8724        Hannan-Quinn criter.          0.978746
      F-statistic                    48.40693        Durbin-Watson stat            1.789254
      Prob(F-statistic)              0.000000



       Pengujian Hipothesis Null seperti pada poin (ii) :
       H0 : β3 = 0
       Ha : β3 > 0

       Menghitung nilai t hitung : t = (β3 - β3*)/se (β3)
                                      = (0.0032 – 0)/0.0015)
                                      = 2,133
       Adapun nilai t table dengan α = 5% dan degree of freedom = ∞ (tak terhingga), berdasarkan t table adalah
       sebesar 1.645.
       Kesimpulan : Karena nilai t hitung > nilai t table -------maka H0 ditolak atau menerima Ha.

       Alternative Stated :
       Dengan β1 = 0.044 ; β3 = 0.0032 dan μexper = 11.5636, maka besarnya partial effect educ terhadap
       log(wage) dapat dihitung sebagai berikut :
                 = β1 + β3 (μexper) ………………………. (Lihat hal. 209 alinea 3)
                  = 0.044 + 0.0032(11.5636)
                  = 0.081
        Artinya, setiap educ meningkat 10% poin, maka akan mengakibatkan peningkatan log(wage) sebesar 0.81
       standar deviasi dari nilai rata-rata upah …………..(lihat hal 209)

(iv) θ1= β1 + 10 β3 ≈ β1 = θ1 - 10 β3
      Dengan α = 5%, t(∞;0,05/2) = 1,960, se(β1) = 0,044, dan β3 = 0.0032, maka interval θ1 dapat dihitung
      sebagai berikut :
      β1 ± t(n-k)α/2.se(β1)
      θ1 - 10 β3 ± t(∞;0,05/2)*(0,044)
      θ1 – 10(0,0032) ± (1,960).(0,044)
      θ1 – 0,032 ± 0,0862
      -0,1182 < θ1 < 0,0542
      Jadi Interval θ1 dengan confidence level (α) = 5% adalah = -0,1182 < θ1 < 0,0542




Jawaban soal C6.4
(i)

Estimation Command:
=========================
LS SAT C HSIZE HSIZE^2

Estimation Equation:
=========================
SAT = C(1) + C(2)*HSIZE + C(3)*HSIZE^2

Substituted Coefficients:
=========================
SAT = 997.980509415 + 19.8144586326*HSIZE - 2.13060598796*HSIZE^2

Dependent Variable: SAT
Method: Least Squares
Date: 01/19/10 Time: 12:34
Sample: 1 4137
Included observations: 4137

         Variable             Coefficient      Std. Error      t-Statistic     Prob.

           C                   997.9805        6.203448        160.8751        0.0000
         HSIZE                 19.81446        3.990666        4.965201        0.0000
        HSIZE^2               -2.130606        0.549004       -3.880857        0.0001

R-squared                      0.007650     Mean dependent var               1030.331
Adjusted R-squared             0.007169     S.D. dependent var               139.4014
S.E. of regression             138.9008     Akaike info criterion            12.70612
Sum squared resid             79759024      Schwarz criterion                12.71071
Log likelihood                -26279.61     Hannan-Quinn criter.             12.70775
F-statistic                    15.93346     Durbin-Watson stat               1.955803
Prob(F-statistic)              0.000000

Berdasarkan hasil estimasi di atas bahwa setiap kenaikan 1 satuan hsize akan
meningkatkan nilai SAT sebesar 19.81446 satuan, sedangkan dengan model
kuadrat dari variabel hsize maka kenaikan 1 satuan hsize akan menurunkan nilai
SAT sebesar -2.130606 satuan.
Koefisien determinasi R2 sebesar 0.76% menunjukkan besaran nilai SAT yang
dipengaruhi oleh variabel hsize sedangkan 99.24% lainnya dipengaruhi oleh
variabel lain diluar model.
Size of the graduating class menunjukkan hubungan yang sangat signifikan
dengan nilai SAT, yang dapat dilihat dengan nilai t-statistiknya yang lebih besar
dari 2 dan nilai kuadrat dari size of the graduating yang juga signifikan dengan
nilai t-stat lebih besar dari -2.


(ii)
Dengan persamaan ------ sat = β0 + β1hsize + β2hsize2 + u
Dengan membuat turunan pertama sat terhadap hsize (dimana             =0)
maka akan diketahui berapa titik maksimal dari SAT score yang
menghasilkan nilai hsize yang maksimal.

sat = β0 + β1hsize+ β2hsize2 + u

FOC ----       = 2β2hsize

Persamaan     -----   sat = β0 + β1hsize + β2hsize2 + u, akan mencapai
maksimal pada saat FOC=          =0

Β1 + 2β2hsize = 0
                         
1 = 19,8144586326,  2 = -2,13060598796, maka akan bisa diketahui
nilai hsize sebagai berikut :

19,8144586326 + 2 (-2,13060598796) hsize = 0

hsize =               =              = 4,649958449 dibulatkan menjadi 5

Nilai sat adalah sebagai berikut :

sat = β0 + β1hsize+ β2hsize2 + u

sat = 997.980509415+19.8144586326*5 - 0.000713558157785*(5^2)

sat = 1097.034964

(iii)




(iv)

Estimation Command:
=========================
LS LOG(SAT) C HSIZE HSIZE^2

Estimation Equation:
=========================
LOG(SAT) = C(1) + C(2)*HSIZE + C(3)*HSIZE^2

Substituted Coefficients:
=========================
LOG(SAT) = 6.89602905458 + 0.0196028660156*HSIZE -
0.00208722200156*HSIZE^2


Dependent Variable: LOG(SAT)
Method: Least Squares
Date: 01/19/10 Time: 23:33
Sample: 1 4137
Included observations: 4137

        Variable               Coefficient      Std. Error      t-Statistic      Prob.

           C                    6.896029        0.006151         1121.032       0.0000
         HSIZE                  0.019603        0.003957         4.953663       0.0000
        HSIZE^2                -0.002087        0.000544        -3.833940       0.0001

R-squared                      0.007773      Mean dependent var                6.928258
Adjusted R-squared             0.007293      S.D. dependent var                0.138243
S.E. of regression             0.137738      Akaike info criterion            -1.126208
Sum squared resid              78.42877      Schwarz criterion                -1.121619
Log likelihood                 2332.561      Hannan-Quinn criter.             -1.124584
F-statistic                    16.19273      Durbin-Watson stat                1.952228
Prob(F-statistic)              0.000000


Dengan persamaan ------ log(sat) = β0 + β1hsize + β2hsize2 + u

Dengan membuat turunan pertama log(sat) terhadap hsize (dimana
=0) maka akan diketahui berapa titik maksimal dari SAT score yang
menghasilkan nilai hsize yang maksimal.

log(sat) = β0 + β1hsize+ β2hsize2 + u

FOC ----             = 2β2hsize

Persamaan ----- log(sat) = β0 + β1hsize + β2hsize2 + u, akan mencapai
maksimal pada saat FOC=                 =0

Β1 + 2β2hsize = 0

                                 
1 = 0,0196028660156,  2 = -0,00208722200156, maka akan bisa
diketahui nilai hsize sebagai berikut :

0,0196028660156+ 2 (-0,00208722200156) hsize = 0
hsize =                        =                      =4,695927122 dibulatkan menjadi 5

Nilai sat adalah sebagai berikut :

sat = β0 + β1hsize+ β2hsize2 + u

sat = 6.89602905458+0.0196028660156*5 – 0.00208722200156*(5^2)

sat = 6.850195275




Jawaban C6.10
 menggunakan data bwght2.raw halaman 231
(i)
 Dependent Variable: LOG(BWGHT)
 Method: Least Squares
 Date: 01/19/10 Time: 20:09
 Sample: 1 1832
 Included observations: 1764

       Variable          Coefficient     Std. Error      t-Statistic      Prob.

          C               7.957883        0.027313       291.3637        0.0000
        NPVIS             0.018917        0.003681       5.139592        0.0000
       NPVIS^2           -0.000429        0.000120      -3.573194        0.0004

R-squared                 0.021254     Mean dependent var               8.113998
Adjusted R-squared        0.020142     S.D. dependent var               0.205160
S.E. of regression        0.203083     Akaike info criterion           -0.348706
Sum squared resid         72.62829     Schwarz criterion               -0.339395
Log likelihood            310.5590     Hannan-Quinn criter.            -0.345265
F-statistic               19.12018     Durbin-Watson stat               1.879506
Prob(F-statistic)         0.000000


Estimation Command:
=========================
LS LOG(BWGHT) C NPVIS NPVIS^2

Estimation Equation:
=========================
LOG(BWGHT) = C(1) + C(2)*NPVIS + C(3)*NPVIS^2

Substituted Coefficients:
=========================
LOG(BWGHT) = 7.95788261609 + 0.0189167293084*NPVIS - 0.000428756443907*NPVIS^2
            0.021254
Persamaan yang dihasilkan :
LOG(BWGHT) = 7.95788261609 + 0.0189167293084*NPVIS - 0.000428756443907*NPVIS^2
                       (291.3637)     (5.139592)               (-3.573194)

    2=
R        0.021254
-        Dengan melihat p-value (probabilitas) dimana α = 5%, maka secara statistik variabel independen (jumlah
         kunjungan kehamilan) signifikan mempengaruhi variabel dependen (berat badan bayi)  karena nilai p-
         value < 0.05
-        Koefisien regresi jumlah kunjungan kehamilan sebesar 0.0189, menyatakan bahwa setiap peningkatan 1 kali
         kunjungan, maka berat badan bayi naik 1.0191 gram.
-        Koefisien regresi dari jumlah kunjungan kehamilan (dikuadratkan) sebesar 0.0004, menyatakan bahwa
         setiap peningkatan 1 kali kunjungan, maka berat badan bayi turun sebesar 1.0004 gram
          2
-        R sebesar 0.021254 berarti bahwa sebesar 2.1% variasi perubahan berat badan bayi dipengaruhi oleh
         variabel dalam model, sisanya 69.98% dipengaruhi oleh variabel lain di luar model.

(ii). LOG(BWGHT) = 7.958 + 0.0189*NPVIS - 0.0004*NPVIS^2
      Jumlah perempuan yang melakukan kunjungan paling sedikit 22 kali sebanyak 21 orang

(iii). Berat badan bayi bisa diprediksi turun bila kunjungan lebih dari 22 kali?
           Dicari titik optimum
                      ∂ (bwght) = 0 0.0189 – 2(0.0004)npvis = 0
           ∂ npvis
           0.0189 – 2(0.0004)npvis = 0
           Npvis      = - 0.0189 : - 0.0008
                               = 23,6 = 24 kali kunjungan
Titik optimum kunjungan adalah 24, artinya setelah kunjungan lebih dari 24 maka berat badan bayi akan turun.
Bukan setelah kunjungan yang ke 22.
(iv)
 Dependent Variable: LOG(BWGHT)
 Method: Least Squares
 Date: 01/19/10 Time: 21:21
 Sample: 1 1832
 Included observations: 1832

             Variable          Coefficient     Std. Error      t-Statistic      Prob.

              C                  7.634830       0.133801       57.06094        0.0000
             MAGE                0.031438       0.009063       3.468879        0.0005
            MAGESQ              -0.000502       0.000151      -3.312237        0.0009

R-squared                        0.007366    Mean dependent var               8.114247
Adjusted R-squared               0.006280    S.D. dependent var               0.203177
S.E. of regression               0.202538    Akaike info criterion           -0.354146
Sum squared resid                75.02831    Schwarz criterion               -0.345118
Log likelihood                   327.3976    Hannan-Quinn criter.            -0.350816
F-statistic                      6.785964    Durbin-Watson stat               1.928177
Prob(F-statistic)                0.001158


LOG(BWGHT) = 7.63483044579 + 0.0314376971155*MAGE - 0.000501791982443*MAGESQ
                     (57.06094)       (3.468879)            (-3.31223)
Pada umur wanita berapa yang berat bayinya maksimum
Dicari titik optimum
                     ∂ (bwght) = 0.0314– 2(0.0005)mage = 0
           ∂ mage
Mage       = - 0.0314 : - 0.001
            = 31, jadi pada umur 31 tahun
Wanita yang umurnya lebih tua dari optimal age, artinya yang lebih tua dari 31 tahun = 44 – 31 = 13 orang (cek
lagi, belum pasti)
(v).

Dependent Variable: LOG(BWGHT)
Method: Least Squares
Date: 01/20/10 Time: 11:03
Sample: 1 1832
Included observations: 1764

        Variable            Coefficient     Std. Error      t-Statistic      Prob.

           C                 7.583712        0.137057       55.33262        0.0000
         NPVIS               0.018037        0.003709       4.863653        0.0000
        NPVIS^2             -0.000408        0.000120      -3.387387        0.0007
         MAGE                0.025392        0.009254       2.743847        0.0061
        MAGE^2              -0.000412        0.000155      -2.660946        0.0079

R-squared                    0.025623     Mean dependent var               8.113998
Adjusted R-squared           0.023407     S.D. dependent var               0.205160
S.E. of regression           0.202744     Akaike info criterion           -0.350913
Sum squared resid            72.30406     Schwarz criterion               -0.335393
Log likelihood               314.5053     Hannan-Quinn criter.            -0.345178
F-statistic                  11.56402     Durbin-Watson stat               1.873903
Prob(F-statistic)            0.000000


LOG(BWGHT) = 7.58371225892 + 0.0180374120837*NPVIS - 0.000407942298252*NPVIS^2 +
0.0253919828227*MAGE - 0.000411867021222*MAGE^2

             2
Dilihat dari R = 0.025623, maka hanya 2.5% dari variasi perubahan berat badan bayi yang disebabkan oleh
variabel jumlah kunjungan dan usia ibu., sisanya 97.5% disebabkan oleh variabel diluar model.
(vi).

Dependent Variable: LOG(BWGHT)
Method: Least Squares
Date: 01/20/10 Time: 11:09
Sample: 1 1832
Included observations: 1764

        Variable            Coefficient     Std. Error      t-Statistic      Prob.

           C                 7.583712        0.137057       55.33262        0.0000
         NPVIS               0.018037        0.003709       4.863653        0.0000
        NPVIS^2             -0.000408        0.000120      -3.387387        0.0007
         MAGE                0.025392        0.009254       2.743847        0.0061
        MAGE^2              -0.000412        0.000155      -2.660946        0.0079

R-squared                    0.025623     Mean dependent var               8.113998
Adjusted R-squared           0.023407     S.D. dependent var               0.205160
S.E. of regression           0.202744     Akaike info criterion           -0.350913
Sum squared resid            72.30406     Schwarz criterion               -0.335393
Log likelihood               314.5053     Hannan-Quinn criter.            -0.345178
F-statistic                  11.56402     Durbin-Watson stat               1.873903
Prob(F-statistic)            0.000000


LOG(BWGHT) = 7.58371225892 + 0.0180374120837*NPVIS - 0.000407942298252*NPVIS^2 +
0.0253919828227*MAGE - 0.000411867021222*MAGE^2
Dependent Variable: BWGHT
Method: Least Squares
Date: 01/20/10 Time: 11:10
Sample: 1 1832
Included observations: 1764

        Variable            Coefficient     Std. Error      t-Statistic     Prob.

           C                  1860.381       388.9770       4.782752        0.0000
         NPVIS                37.47386       10.52531       3.560356        0.0004
        NPVIS^2              -0.786286       0.341788      -2.300507        0.0215
         MAGE                 81.60554       26.26395       3.107131        0.0019
        MAGE^2               -1.327179       0.439283      -3.021239        0.0026

R-squared                     0.019159    Mean dependent var              3401.294
Adjusted R-squared            0.016929    S.D. dependent var              580.3356
S.E. of regression            575.4025    Akaike info criterion           15.55085
Sum squared resid             5.82E+08    Schwarz criterion               15.56637
Log likelihood               -13710.85    Hannan-Quinn criter.            15.55658
F-statistic                   8.589876    Durbin-Watson stat              1.903445
Prob(F-statistic)             0.000001

BWGHT = 1860.38052453 + 37.4738603327*NPVIS - 0.786286356923*NPVIS^2 + 81.6055396682*MAGE -
1.32717882926*MAGE^2


salah satu cara menilai model mana yang relatif baik dengan melihat nilai akaike dari model pertama lebih kecil
(-0.350), makin kecil nilai akaike adalah main baik. Artinya model yang paling baik adalah model pertama

				
DOCUMENT INFO
Shared By:
Stats:
views:33
posted:11/8/2012
language:
pages:12