Ekonometrika Program Studi Statistika, semester Ganjil 2012/2013 Dr. Rahma Fitriani, S.Si., M.Sc

Contoh Aplikasi Regresi Dengan Peubah Dummy  Data tentang gaji (wage) dan IQ (iq) dari 935 individu  Terdapat beberapa peubah dummy untuk menggambarkan karakteristik masing-masing individu selain IQ  Peubah dummy jenis kelamin (male):  Laki-laki: male =1  Perempuan: male=0  Peubah dummy tingkat pendidikan (educ1, educ2, educ3, dan educ4):  Lulusan SMP: educ1=1, selainnya 0  Lulusan SMA: educ2=1, selainnya 0  Lulusan S1: educ3=1, selainnya 0  Lulusan S2: educ4=1, selainnya 0

 Ingin diperoleh hubungan antara gaji dan tingkat IQ  Ingin diketahui apakah selain IQ, jenis kelamin juga mempengaruhi gaji, dengan pengaruh konstan (intersep dummy).  Ingin diketahui apakah jenis kelamin mempengaruhi marginal effect dari IQ terhadap gaji (slope dummy).

 Ingin diketahui apakah selain IQ, jenis kelamin mempengaruhi gaji secara konstan maupun secara marjinal (combined effect)  Ingin diketahui apakah gaji dipengaruhi oleh tingkat pendidikan

Gaji berdasarkan IQ  Model 1: OLS, using observations  Dependent variable: WAGE  coefficient std. error t-ratio p-value   const  IQ e-022 ***  Mean dependent var S.D. dependent var  Sum squared resid 1.38e+08 S.E. of regression  R-squared Adjusted R-squared  F(1, 933) P-value(F) 3.79e-22  Log-likelihood Akaike criterion  Schwarz criterion Hannan-Quinn IQ mempunyai hubungan positif terhadap gaji (nyata) Model kurang baik karena R 2 kecil

Gaji berdasarkan IQ dan Jenis Kelamin (Intercept dummy)  Model 2: OLS, using observations  Dependent variable: WAGE  coefficient std. error t-ratio p-value   const ***  IQ e-014 ***  MALE e-104 ***  Mean dependent var S.D. dependent var  Sum squared resid S.E. of regression  R-squared Adjusted R-squared  F(2, 932) P-value(F) 1.2e-123  Log-likelihood Akaike criterion  Schwarz criterion Hannan-Quinn Model lebih baik karena R 2 meningkat 1 unit kenaikan IQ meningkatkan gaji sebesar 5.07 unit Pegawai laki-laki mempunyai gaji lebih banyak 498 unit dibandingkan dengan pegawai perempuan, kenaikan tsb nyata secara statistik

= Garis regresi untuk pegawai perempuan Garis regresi untuk pegawai Laki-laki IQ Gaji

Gaji berdasarkan IQ dan IQ*Jenis Kelamin (Slope dummy)  Model 3: OLS, using observations  Dependent variable: WAGE  coefficient std. error t-ratio p-value   const e-09 ***  IQ e-06 ***  MaleIQ e-106 ***  Mean dependent var S.D. dependent var  Sum squared resid S.E. of regression  R-squared Adjusted R-squared  F(2, 932) P-value(F) 8.7e-125  Log-likelihood Akaike criterion  Schwarz criterion Hannan-Quinn R 2 meningkat tapi tidak terlalu besar Pada pegawai perempuan 1 unit kenaikan IQ meningkatkan gaji sebesar 3.18 unit Pada pegawai laki-laki 1 unit kenaikan IQ meningkatkan gaji sebesar ( )=8.02 unit Perbedaan yang nyata antara kenaikan gaji antara karyawan laki-laki dan perempuan

Slope: =8.02 Slope: 3.18 Garis regresi untuk pegawai perempuan Garis regresi untuk pegawai Laki-laki

Gaji berdasarkan IQ, Jenis Kelamin dan IQ*Jenis Kelamin  Model 4: OLS, using observations  Dependent variable: WAGE  coefficient std. error t-ratio p-value   const e-05 ***  IQ e-05 ***  MaleIQ **  MALE  Mean dependent var S.D. dependent var  Sum squared resid S.E. of regression  R-squared Adjusted R-squared  F(3, 931) P-value(F) 1.1e-123  Log-likelihood Akaike criterion  Schwarz criterion Hannan-Quinn

Gaji berdasarkan IQ, Jenis Kelamin dan IQ*Jenis Kelamin  coefficient std. error t-ratio p-value   const e-05 ***  IQ e-05 ***  MaleIQ **  MALE Pada IQ yang sama, gaji pegawai laki-laki lebih banyak unit daripada gaji pegawai perempuan Pada pegawai perempuan 1 unit kenaikan IQ meningkatkan gaji sebesar 3.72 unit Pada pegawai laki-laki 1 unit kenaikan IQ meningkatkan gaji sebesar ( )=7.13 unit

Slope: =7.13 Slope: = Garis regresi untuk pegawai perempuan Garis regresi untuk pegawai Laki-laki

Gaji berdasarkan tingkat pendidikan, Lulusan SMP sebagai referensi  Model 5: OLS, using observations  Dependent variable: WAGE  coefficient std. error t-ratio p-value   const e-067 ***  EDUC *  EDUC e-06 ***  EDUC e-014 ***  Mean dependent var S.D. dependent var  Sum squared resid 1.37e+08 S.E. of regression  R-squared Adjusted R-squared  F(3, 931) P-value(F) 3.27e-21  Log-likelihood Akaike criterion  Schwarz criterion Hannan-Quinn

coefficient std. error t-ratio p-value const e-067 *** EDUC * EDUC e-06 *** EDUC e-014 *** Lulusan SMA mempunyai gaji unit lebih banyak daripada lulusan SMP Lulusan S1 mempunyai gaji unit lebih banyak daripada lulusan SMP Lulusan S2 mempunyai gaji unit lebih banyak daripada lulusan SMP

Gaji berdasarkan tingkat pendidikan, Lulusan S2 sebagai referensi  Model 6: OLS, using observations  Dependent variable: WAGE  coefficient std. error t-ratio p-value   const e-246 ***  EDUC e-014 ***  EDUC e-018 ***  EDUC e-05 ***  Mean dependent var S.D. dependent var  Sum squared resid 1.37e+08 S.E. of regression  R-squared Adjusted R-squared  F(3, 931) P-value(F) 3.27e-21  Log-likelihood Akaike criterion  Schwarz criterion Hannan-Quinn

coefficient std. error t-ratio p-value const e-246 *** EDUC e-014 *** EDUC e-018 *** EDUC e-05 *** Lulusan SMP mempunyai gaji unit lebih sedikit daripada lulusan S2 Lulusan SMA mempunyai gaji unit lebih sedikit daripada lulusan S2 Lulusan S1 mempunyai gaji unit lebih sedikit daripada lulusan S2