MODEL PROBABILITAS LINIER

VARIABEL KATEGORIK Variabel Kategorik sebagai variabel bebas Contoh: Jenjang Pendidikan: SD, SLTP, SLTA, D3, S1, S2, S3 Laki-perempuan; Kota-Desa; Ya-Tidak; Domestik-Asing Variabel Kategorik sebagai variabel terikat Pilihan Investasi: Saham, Valas, Obligasi, Deposito, Emas Pilihan Moda Transportasi ke tempat kerja: Kereta, Bus, Motor, Mobil Pribadi, Jalan kaki

REGRESI DG VARIABEL TERIKAT KATEGORIK/ DUMMY PEMBAHASAN: Fokus Kasus yang muncul Model Masalah Bagaimana kalau diestimasi dengan OLS

Kasus Apa yang mempengaruhi pilihan investasi pada stock market? Variabel terikat: Pilihan Investasi (kategorik): stock market atau lainnya Variabel bebas: Pendapatan (rupiah) Return (persentasi) Kondisi Ekonomi (kategorik): kontraksi, stagnan, ekspansi Apa yang mempengaruhi pilihan transportasi kerja? Variabel terikat: Pilihan moda transportasi (kategorik): Kereta, bus, motor, mobil pribadi Jarak ke tempat kerja, Pendapatan (rupiah), Harga BBM, Kondisi Jalan, Kenyamanan Apakah punya rumah atau tidak Variabel terikat: Kepemilikan rumah Variabel bebas: Pendapatan Keluarga, Banyaknya Anggota Keluarga, Jenis rumah, Usia Kepala Keluarga.

Pemodelan Matematis dan masalahnya Yi = 1 + 2 Xi + ui X = pendapatan keluarga Y = 1 ; bila suatu keluarga mempunyai rumah 0 ; bila suatu keluarga tidak mempunyai rumah Secara matematis, dengan mengasumsikan bahwa E(ui) = 0, E(Yi Xi) = 1 + 2Xi Secara statistik, ekspektasi kondisional dari Yi jika diberikan Xi E (Yi Xi) = (Yi = 1) P( Yi = 1Xi ) + (Yi = 0) P(Yi = 0Xi) = P(Yi = 1 Xi) Bila pi : probabilita bahwa keluarga i memiliki rumah, yaitu bila Yi = 1; (1 – pi ): probabilita bahwa keluarga i tidak memiliki rumah, yaitu bila Yi = 0, E(Yi X) = (Yi = 0) P(Yi = 0 Xi) + (Yi = 1) P(Yi = 1 Xi) = P(Yi = 1 Xi) = pi Akibatnya: E(Yi Xi) = 1 + 2 Xi = pi Karena 0  pi  1, akibatnya: 0  1 + 2 Xi  1

Contoh Apakah estimator hasil OLS dapat menjamin bahwa besaran 1 + 2 Xi terletak antara 0 dan 1? Contoh Akan dilihat hubungan antara pernah-tidaknya melakukan perjalanan ke luar negeri, dan penghasilan per bulan. Model: Yi = 1 + 2 Xi + ui Yi = 1; Pernah melakukan perjalanan ke luar negeri = 0; Tidak pernah melakukan perjalanan ke luar negeri Xi = Pendapatan

DAT A Keluarga Pernah ke Luar Negeri Pendapatan (Juta Rp.) 01 2,8 21 1 2,8 21 1 4,3 02 3,4 22 5,6 03 5,3 23 1,4 04 2,1 24 0,9 05 1,9 25 7,3 06 3,6 26 1,3 07 3,7 27 6,3 08 1,7 28 09 1,2 29 10 1,5 30 2,0 11 31 4,2 12 32 3,2 13 33 4,0 14 2,9 34 3,0 15 1,1 35 1,0 16 1,8 36 17 7,0 37 2,4 18 2,2 38 2,3 19 39 20 6,0 40 5,0 DAT A

ANALISIS Taksiran model yang ditaksir dengan OLS sebagai berikut: Yi = -0,0637 + 0,1986 Xi R2 = 0,4665 Interpretasi Model Intercept = -0,0637; Bila pendapatan Rp. 0, maka probabilitas bahwa orang tersebut pernah melakukan perjalanan ke luar negeri adalah negatif. Bila pendapatan lebih kecil dari Rp 321.000, probabilitas orang tersebut pernah melakukan perjalanan ke luar negeri masih nol. Bila pendapatan lebih besar Rp. 321.000 probabilitas orang tersebut pernah melakukan perjalanan ke luar negeri positif. Tetapi, bila pendapatan lebih besar dari Rp. 5,4 juta, probabilitas pernah melakukan perjalanan ke luar negeri lebih dari satu. Slope = 0,1986, artinya bila pendapatan naik 1 unit (Rp.1 juta) probabilitas seseorang untuk melakukan perjalanan keluar negeri naik 20%.

Persyaratan 0  E(Yi  Xi)  1 sulit untuk dipenuhi, bagaimana mengatasinya? Ada dua cara untuk mengatasi hal tersebut : Kita estimate modelnya dengan OLS. Bila E(Yi Xi) terletak antara 0 dan 1 berarti tidak ada masalah Bila E(Yi Xi) > 1, kita anggap E(Yi Xi) = 1 Bila E(Yi Xi) < 0, kita anggap E(Yi Xi) = 0 E(Yi Xi) akhirnya akan terletak antara 0 dan 1. Metode ini tidak populer karena kurang realistis. Kita estimate model Yi = 1 + 2 Xi + ui dengan suatu metode yang akan menjamin bahwa E(Yi Xi) terletak antara 0 dan 1. Ada dua macam teknik yang dapat digunakan, yaitu : (i). Logit, dan (ii). Probit Dalam kuliah ini yang akan dibicarakan hanya Model Logit.

Logit (fungsi distribusi logistik) Didefinisikan: atau ; dimana : Zi = 1 + 2 Xi Pengamatan : pi terletak antara 0 dan 1, karena Zi terletak antara -  dan . Bila Z  , maka pi  1 Bila Z  - , maka pi  0 pi mempunyai hubungan non linier dengan Zi, artinya pi tidak konstan seperti asumsi pada MPL (Model Probabilitas Linier). Secara keseluruhan, Model Logit adalah Model Non-Linier, baik dalam parameter maupun dalam variabel. Oleh karena itu, metode OLS tidak dapat digunakan untuk mengestimasi model logit.

Definisi Logit: = Sekarang, perhatikan rasio antara pi dan 1 – pi :

Perbandingan itu disebut Odd Ratio atau sering juga disebut resiko. Untuk contoh perjalanan ke luar negeri, maka odd ratio merupakan perbandingan antara probabilitas seseorang pernah pergi ke luar negeri dengan probabilitas seseorang tidak pernah pergi ke luar negeri . Misalkan saja bahwa probabilitas seseorang pernah ke luar negeri adalah 80%. Dengan demikian, probabilitas bahwa seseorang tidak pernah pergi ke luar negeri adalah 20%. Sehingga odd ratio adalah 4 banding 1. Makin besar odd ini, makin besar kecenderungan seseorang pernah pergi ke luar negeri. Ekstrimnya, bila p kecil sekali, maka 1 – p dekat dengan 1. Akibatnya odd ratio mendekati nol. Sebaliknya, bila p dekat dengan 1, maka 1 – p mendekati nol. Sehingga odd ratio sangat besar. Dengan perkataan lain, odd adalah suatu indikator kecenderungan seseorang pernah pergi ke luar negeri Ringkasnya, bila odd mendekati nol berarti kecenderungan seseorang pernah pergi ke luar negeri sangat kecil sekali.

Bila odd ini kita log-kan, akan kita dapatkan log odd sebagai berikut: Li = ln Sehingga model yang akan kita perhatikan atau kita analisis menjadi : Li = ln L disebut log odd. Pengamatan : L linier dalam X L juga linier dalam 1 dan 2 L disebut model Logit Karena p terletak antara 0 dan 1, L terletak antara - dan  Meskipun L linier dalam X, tetapi p tidak linier dalam X

2 menyatakan perubahan dalam L bila x berubah 1 unit 1 menyatakan log odd pada saat pendapatan sama dengan nol. Bila kita mengetahui tingkat pendapatan keluarga, katakanlah xi, kita dapat menghitung probabilitas bahwa seseorang pernah ke luar negeri dengan cara menghitung : Masalahnya sekarang bagaimana menaksir 1 dan 2 ? Penaksiran dengan Teknik Maksimum Likelihood (ML) Bagi yang berminat mengetahuinya, silahkan baca buku halaman 258 - 260

Pengujian Signifikansi Model & Parameter Uji seluruh model (Uji G) Ho : 1 = 2 = ….. = P = 0 H1 : sekurang-kurangnya terdapat satu  0 Statistik uji yang digunakan : G = -2 ln Model B: model yang hanya terdiri dari konstanta saja Model A: model yang terdiri dari seluruh variabel G berdistribusi Khi Kuadrat dengan derajat bebas p atau G ~ p2. Ho ditolak jika G > ;  : tingkat signifikansi. Bila Ho ditolak, artinya model A signifikan pada tingkat signifikansi .

Uji Wald : uji signifikansi tiap-tiap parameter Ho : = 0 untuk suatu j tertentu ; j = 0, 1, … , p. H1 :  0 Statistik uji yang digunakan adalah Wj = ; j = 0, 1, 2, …., P Statistik ini berdistribusi Khi Kuadrat dengan derajat bebas 1 atau secara simbolis ditulis Wj ~ ; dengan  tingkat signifikansi yang dipilih. Ho ditolak jika Wj > Bila Ho ditolak, artinya parameter tersebut signifikan secara statistik pada tingkat signifikansi .

Interpretasi model / parameter Interpretasi koefisien-koefisien dalam model regresi logistik dilakukan dalam bentuk odds ratio (perbandingan resiko) atau dalam adjusted probability (probabilitas terjadi). Odd didefinisikan sebagai: (resiko) Dimana p menyatakan probabilitas sukses (terjadinya peristiwa y = 1) dan 1-p menyatakan probabilitas gagal (terjadinya peristiwa y = 0). Odds Ratio (perbandingan resiko),  adalah perbandingan nilai Odds (resiko) pada dua individu ; misalkan individu A dan individu B. Odds Ratio dituliskan sebagai. XA : karakteristik individu A XB : karakteristik individu B

Interpretasi Parameter Adjusted probabilitas merupakan probabilitas terjadinya suatu peristiwa y = 1 dengan karakteristik yang telah diketahui. Dituliskan ; P (y = 1x) = ; z = 0 + 1 x1 + …. + P xp. Interpretasi Parameter Variabel bebas: kategorik Membandingkan nilai odd dari salah satu nilai pada variabel tersebut dengan nilai odd dari nilai lainnya (Referensi). Misalkan kedua kategori tersebut adalah 1 dan 0 dengan 0 yang digunakan sebagai kategori referensi, maka interprestasi koefisien pada variabel ini adalah rasio dari nilai odds untuk kategori 1 terhadap nilai odds untuk kategori 0; dituliskan sebagai: = exp. ( j ).

Artinya resiko terjadinya peristiwa y=1 pada kategori xj = 1 sebesar exp. ( j ) kali resiko terjadinya peristiwa y=1 pada kategori xj = 0. Variabel Bebas: Kontinyu (tidak kategorik). Setiap kenaikan C unit satuan pada variabel bebas akan mengakibatkan resiko terjadinya y = 1 sebesar exp ( C.j ) kali lebih besar. Ilustrasi Siapa Pilih ParPol ANU? Analisis hubungan antara karakteristik pemilih dengan pilihan parpol Dugaan: pendidikan dan lapangan pekerjaan berpengaruh pada pilihan. Pendidikan dapat mencerminkan tingkat pengetahuan dan kecocokannya dengan program partai. Pekerjaan sebagai proksi tingkat strata ekonomi pemilih

Variabel terikat: Apakah memilih partai ANU pada PEMILU lalu? Ya = 1 Tidak = 0 Variabel bebas: Pendidikan tertinggi yang ditamatkan: Tidak/belum bersekolah, Tidak tamat SD & Tamat SD = 1 SLTP dan SLTA = 2 Diploma I/II/III/Akademi, S-1, dan S-2/S-3 = 3 Definisi operasional: Pendidik1 = 1; Tdk/blm bersekolah, Tidak tamat SD, dan Tamat SD = 0; Lainnya Pendidik2 = 1; SLTP dan SLTA Pembanding: kelompok yang lulus pendidikan tinggi

Lapangan Pekerjaan Utama: Pertanian = 1 Industri = 2 Perdagangan = 3 Definisi operasional: Pekerja1 = 1; Pertanian = 0; Lainnya Pekerja2 = 1; Industri Pembanding: lapangan usaha Perdagangan. Tawaran Model: Ln (p/1-p) =  + 1 Pendidik1 + 2 Pendidik2 + 1 Pekerja1 + 2 Pekerja2 +  Model terestimasi: Ln (p/1-p) = 2,383 – 2,280 Pendidik1 – 1,831 Pendidik2 – 1,130 Pekerja1 – 0,299 Pekerja2

Uji G: Nilai –2 log likelihood = 189,331. Semua variabel signifikan secara bersama-sama. Uji Wald: semua koefisien signifikan secara statistik pada  = 5%, kecuali koefisien pada variabel pekerja(2). Perlukah variabel tersebut dikeluarkan dari model?. Interpretasi Bila pendidikan = 0, dan lapangan usaha = 0, atau disaat pendidikan seseorang tinggi, dan bekerja di sektor perdagangan, maka probabilitas mereka mendukung Partai ANU adalah sebesar: Ln (p/1-p) = 2,383 (p/1-p) = e2,383 p = e2,383/ (1 + e2,383) = 91,55%.

Slop untuk variabel Pendidik1 adalah –2,280. Artinya, peluang penduduk berpendidikan rendah untuk mendukung Partai Anu lebih rendah. Terbukti dari nilai Exp (B= -2,280) = 0,102, berarti bahwa peluang penduduk berpendidikan rendah hanya 0,102 kali peluang penduduk berpendidikan tinggi. Slop Pendidikan2 adalah –1,831. Artinya, peluang penduduk berpendidikan rendah untuk mendukung Partai Anu lebih rendah. Terbukti dari nilai Exp (B= -1,831) = 0,16, yang dapat diartikan bahwa peluang penduduk berpendidikan menengah hanya 0,16 kali peluang penduduk berpendidikan tinggi. Secara analog, peluang penduduk yang bekerja di sektor pertanian atau industri untuk mendukung partai lebih rendah dibanding penduduk yang bekerja di sektor perdagangan. Peluang penduduk yang bekerja di sektor pertanian mendukung partai hanya 0,323 kali penduduk yang bekerja di sektor perdagangan. Penduduk yang bekerja di sektor industri hanya 0,742 kali penduduk yang bekerja di sektor perdagangan.

MODEL MULTINOMIAL LOGIT Kasus: Pilihan Investasi (i). Deposito (ii). Saham (iii). Obligasi (iv). SBI Kasus: pilihan alat transportasi (i) kereta api, (ii) bus, atau kendaraan umum bukan KA (iii) mobil pribadi. (iv) motor Model logistik dengan 4 kategori mempunyai tiga fungsi logit: Fungsi logit untuk Y = 1 relatif terhadap fungsi logit untuk Y = 0 Fungsi logit untuk Y = 2 relatif terhadap fungsi logit untuk Y = 0 Fungsi logit untuk Y = 3 relatif terhadap fungsi logit untuk Y = 0 Kategori Y = 0 kita sebut sebagi kategori rujukan (reference group).

= z1 (x) = = 10 + 11 x1 + 12 x2 + … + 1p xp z2 (x) = = = 20 + 21 x1 + 22 x2 + … + 2p xp z3 (x) = = = 30 + 31 x1 + 32 x2 + … + 3p xp

Ingat: model logit dikotomi, fungsi logitnya: z (x) = = = 0 + 1 x1 + 2 x2 + … + p xp p0 = Pr ( Y = 1x ) = p1 = Pr ( Y = 0x ) = p0 + p1 = 1

Untuk Multinomial Logit dengan 4 kategori: p0 = Pr ( Y = 0x ) = p1 = Pr ( Y = 1x ) = p2 = Pr ( Y = 2x ) = p3 = Pr ( Y = 3x ) = p0 + p1 + p2 + p3 = 0 Model ditaksir dengan Metode Maximum Likelihood

Ilustrasi Kasus: Pilihan Investasi Pilihan yang ada: 1. Saham 2. Emas 3. Deposito / Tabungan Faktor-faktor yang diduga mempengaruhinya: pendidikan lapangan pekerjaan Definisi operasional: Variabel terikat: (Referensi: Deposito/Tabungan) 1 = Saham 0 = Lainnya 1 = Emas

Variabel bebas: Pendidikan: DIDIK (Referensi: pendidikan tinggi) 1 = rendah 0 = Lainnya 1 = menengah Lapangan Pekerjaan: PEKERJA (Referensi: jasa) 1 = industri 1 = Perdagangan Model: Ln(p1/p0) = 10 + 11 DIDIK1+12 DIDIK2+ 13 PEKERJA1 + 14 PEKERJA2 Ln(p2/p0) = 20 + 21 DIDIK1+22 DIDIK2 + 23 PEKERJA1 + 24 PEKERJA2

Model multinomial yang didapat: (1) Ln (p1/ p0) = 0,812 – 2,029 DIDIK1 – 1,537 PENDIDIK2 + 413 PEKERJA1 + 0,481 PEKERJA2 (2) Ln (p2/ p0) = -1,516 + 0,241DIDIK1+ 0,396 DIDIK2 + 1,487 PEKERJA1 + 0,537PEKERJA2 Bila pada dua persamaan diatas dimasukkan nilai 0, yang berarti kelompok berpendidikan tinggi dan bekerja di sektor jasa-jasa, maka akan diperoleh persamaan sebagai berikut: Ln (p1/ p0) = 0,812 (p1/ p0) = Exp(0,812) (p1/ p0) = 2,2524 p1 = 2,2524 p0 Berarti, peluang kelompok berpendidikan tinggi, dan bekerja di sektor jasa-jasa untuk berinvestasi dalam bentuk saham 2,2524 kali peluang untuk berinvestasi dengan menyimpan uang di Bank.

Dengan memasukan nilai 0 pada persamaan (2) maka persamaan menjadi: Ln (p2/ p0) = -1,516 (p2/ p0) = Exp(-1,516) (p2/ p0) = 0,2196 p2 = 0,2196 p0 Berbeda dengan persamaan pertama, intersep pada model ini mempunyai tanda negatif. Berarti, peluang kelompok berpendidikan tinggi, dan bekerja di sektor jasa-jasa untuk berinvestasi dengan membeli emas lebih rendah dibanding peluang untuk berinvestasi dengan menyimpan uang di Bank, yaitu sebesar 0,2196 kali. Persamaan (1) menunjukan bahwa baik variabel Didik1 maupun Didik2 mempunyai koefisien negatif. Artinya, bahwa mereka yang berpendidikan rendah dan menengah lebih kecil peluangnya untuk menanamkan uangnya dalam bentuk saham dibanding mereka yang berpendidikan tinggi. Hal ini dapat dimengerti mengingat menginvestasikan uang dalam bentuk saham hanya populer pada sekelompok masyarakat, dan kelompok umumnya mempunyai pendidikan tinggi.

Sedang untuk variabel pekerjaan, kedua koefisiennya bertanda positif, yang berarti mereka yang bekerja di sektor industri, dan perdagangan lebih berpeluang menanamkan uangnya dalam bentuk saham dibanding mereka yang bekerja di sektor jasa. Akan tetapi, perlu diingat bahwa perbedaan antar kategori dalam variabel lapangan pekerjaan ini tidak signifikan secara statistik. Berarti, peluang pekerja di sektor industri atau perdagangan relatif sangat kecil perbedaannya dengan mereka yang bekerja di sektor jasa. Sedang persamaan (2) menunjukan bahwa peluang mereka yang mempunyai pendidikan rendah, dan menengah untuk menanamkan uangnya dalam bentuk emas, ternyata lebih tinggi dibanding mereka yang berpendidikan tinggi. Akan tetapi, uji Wald menunjukkan bahwa kedua variabel tersebut tidak signifikan secara statistik. Untuk variabel Pekerja, ternyata mereka yang bekerja di sektor industri mempunyai peluang lebih besar untuk menanamkan uangnya dalam bentuk emas dibanding mereka yang bekerja di sektor jasa. Sedangkan mereka yang bekerja di sektor perdagangan juga menunjukan hal yang sama dengan yang bekerja di sektor industri, namun tidak signifikan secara statistik.

Dengan demikian dapat disimpulkan bahwa mereka yang berpendidikan rendah atau menengah mempunyai peluang lebih tinggi untuk menginvestasikan uangnya dalam bentuk tabungan dan atau emas. Sedang mereka yang berpendidikan tinggi mempunyai peluang besar untuk menginvestasikan dananya dalam bentuk saham, dan atau tabungan. Sedang menurut pekerjaan, mereka yang bekerja di sektor industri dan perdagangan mempunyai peluang besar untuk menginvestasikan dananya dalam bentuk saham, dan atau emas. Dengan demikian, dapat dikatakan bahwa mereka yang bekerja di sektor jasa lebih banyak yang menginvestasikan dananya dengan menabung.