Harris Rizki Ananda-2020

CSPD UAS

DATA PANEL

Data panel merupakan data yang digunakan untuk melihat perilaku umum suatu variabel dari berbagai unit (individu) dan antar waktu (lintas individu dan lintas waktu).

Jika kita bisa memastikan bahwa sampel yang digunakan persis sama dari waktu ke waktu disebut dengan PANEL. Jika sampel yang digunakan tidak sama, tapi masih dalam suatu lingkup, maka disebut POOL.

Jika data jumlah unit antar tahun lengkap, maka disebut BALANCED PANEL. Jika tidak, maka disebut UNBALANCED PANEL.

Variabel tidak dipotong dan tidak disensor / uncensored Kenapa Menggunakan Data Panel?

1. Mengatasi permasalahan kekurangan jumlah observasi dalam analisis time series dan/atau cross-section. Dengan begitu, degree of freedom akan meningkat

Syarat perlu regresi jumlah observasinya ialah sama dengan jumlah variabel (necessary condition)

Syarat cukup jumlah observasinya terdistribusi normal, yakni 30 ke atas (). Jika di bawah 30 maka wajib uji normalitas. Jika di bawah 20, hasilnya akan kurang bagus dan tidak robust.

2. Menurunkan permasalahan Omitted Variable Bias.

Terkadang data atau observasi tidak lengkap, kita harus membuang variabelnya. Jika data kita lengkapkan, maka OVB bisa kita atasi

3. Dengan panel/pool, kita bisa melihat perilaku individu yang banyak dari waktu ke waktu, sehingga bisa digeneralisasikan.

Manfaat Data Panel

1. Estimasi data panel dapat mengambil heterogenitas dalam individu secara eksplisit ke dalam model atau persamaan.

2. Memberikan data yang lebih informatif, variabilitas, serta kolinearitas yang lemah antar variabel. 3. Sesuai untuk mempelajari dinamika perubahan kebebasan lebih banyak dan efisien

4. Dapat memperkaya analisis empiris dengan cara-cara yang tidak mungkin menggunakan data time series atau cross-section. Biasanya time series tidak memiliki waktu yang panjang dan cross-section tidak memiliki individu yang banyak.

Tiga Metode Estimasi

1. Pooled Least Square (PLS) atau Common Effect Model (CEM)

 Mengolah data seakan-akan data panel kita olah dengan cara cross-section

 Digunakan untuk melihat hubungan antar variabel, tanpa melihat efek antar waktu dan antar individu 2. Least Square Dummy Variable (LSDV)

 Ingin menampilkan efek individu melalui dummy variabel, misal: mengenai pertumbuhan ekonomi provinsi, kita ingin melihat apakah ada perbedaan diantara provinsi Aceh dengan Jakarta, Yogyakarta, Surabaya, dan seterusnya.

 Digunakan untuk melihat adanya pengaruh perbedaan karakteristik antar individu

 Terdapat kelemahan; semakin kita menambahkan variabel, maka jumlah degree of freedom semakin sedikit dan modelnya cenderung tidak bagus, karena banyak variabel yang tidak signifikan.

 Semakin berkembangnya zaman, LSDV ini diganti menjadi Fixed Effect 3. Fixed Effect Model (FEM)

 Model ini sama halnya dengan mengolah LSDV, tetapi tidak menambahkan variabel tersendiri, yaitu tidak perlu menambahkan dummy variabel.

 Intercept berbeda antar individu, namun tidak berubah antar waktu (time invariant) dan diasumsikan koefisien variabel tidak berbuah antar waktu dan antar individu

4. Random Effect Model (REM)

 Perbedaan mendasar dengan FEM -> asumsi mengenai unobservable individual effects (ui). REM mengasumsikan ui bersifat random atau tidak berkorelasi dengan regressor (X).

Pemilihan Model Estimasi.

Biasanya hanya menggunakan dua saja, misal A>B, B>C, maka jawaban terbaik maka A. Jika A=B=C, maka hasilnya identic atau relative sama, artinya bebas mau memilih model apa. Biasanya FEM paling disukai

1. PLS atau FEM

 Menggunakan Chow Test atau F Test, dimana o H0: PLS

o Ha: FEM

 Tolak H0 jika nilai Prob F lebih kecil daripada alphanya (alpha = 1%, 5%, atau 10)

2. FEM atau REM

 Menggunakan Hausman Test, dimana o H0: REM

o Ha: FEM

 Tolak H0 jika nilai Prob F lebih kecil daripada alphanya (alpha = 1%, 5%, atau 10)

 Bila T (jumlah unit time series) besar sedangkan N (jumlah unit cross-section) kecil, maka FEM dan REM hasilnya tidak jauh berbeda. Pada umumnya, akan dipilih FEM

 Bila N besar dan T kecil, maka hasil FEM dan REM dapat berbeda. Apabila unit cross-section diambil secara random maka REM harus digunakan. Apabila unit cross-section tidak rancom maka harus FEM

3. PLS atau REM

 Menggunakan LM Test, dimana o H0: PLS

o Ha: REM

Evaluasi Hasil Regresi

1. Kriteria Teoria tau Evaluasi Ekonomi

Evaluasi dari teori, sesuai teori apa tidak, sifat pengaruh dari variable apakah hasilnya + atau – sesuai teori apa tidak. Seperti variable pendapatan memiliki pengaruh positif terhadap variable diterimanya kredit apa tidak -> sesuai teori karena semakin tinggi pendapatan menjadi minim risiko

2. Kriteria Statistik

Dilihat dari Prob > F, jika kurang dari alphanya (biasanya 0,05) maka model signifikan secara bersama-sama.

b. Uji signifikansi parsial (t-test)

Melihat signifikansi pengaruh dari variable independent, dilihat dari nilai P>|t| di table hasil regresi, signifikansi dapat dalam 1%, 5%, dan 10%. Jika hasil prob sama dengan 10%, maka disebut tidak signifikan, karena harus kurang/lebih kecil dari nilai tersebut.

c. Uji goodness of fit atau uji kesesuaian

Dilihat dari R^2 untuk regresi sederhana dan Adjusted R^2 untuk regresi berganda, yaitu variabel bebasnya >2.

3. Kriteria Ekonometrika

a. Bebas dari multikolinearitas

o Bebas dari adanya hubungan kuat diantara variabel bebas. Terdapat perbedaan pendapat mengenai hal ini, ada yang menyatakan tidak apa-apa dan ada juga yang menyatakan itu menjadi masalah.

o Deteksi dengan cara VIF, diindikasikan multikolinearitas tinggi jika nilai VIF lebih dari 10

o Deteksi dengan cara partial correlations, diindikasikan multikolinearitas tinggi jika nilai koefisien korelasinya lebih dari atau sama dengan 0,75

o Diatasi dengan cara transformasi, tambah variabel, tambah data

b. Bebas dari heteroskedastisitas

o Mengingat kita menggunakan data cross-section, maka biasanya terdapat permasalahan ini o Deteksi dengan cara modified wald test. H0: Homoskedastis, Ha: Heteroskedastis. H0 ditolak bila

Prob>chi2 lebih kecil daripada alpha

o Diatasi dengan General Least Square (GLS) dan robust c. Bebas dari autokorelasi

o Biasanya terjadi dari cross-section atau dari time series. Jika dari time series nya, maka harus ditreatment dengan menggunakan variabel lag dari variabel dependennya. Jika dari cross-section, materi tersebut termasuk dalam spasial ekonometrik.

o Deteksi dengan cara serial correlation. H0: No autokorelasi, Ha: Autokorelasi. H0 ditolak bila Prob>chi2 lebih kecil daripada alpha

o Diatasi dengan GLS, First Difference, dan robust Tipologi Panel Data

1. Independent Pooled Data

Data diambil secara random, kita tidak tahu responden yang diambil dari waktu ke waktu sama atau tidak, misal: sakernas

2. Longitudinal Data

Data individunya sama dari waktu ke waktu 3. Event Study

Terdapat treatment dan control, Difference in Difference (DiD) Perluasan Data Panel

1. Panel Dinamis

Menambahkan lag variabel dependen untuk dijadikan sebagai variabel independent (didasarkan atas teori) 2. Panel Simultan

Persamaan simultan dengan menggunakan data panel 3. Spatial Econometrics

Data panel dengan menambahkan variabel hubungan antar spasial sebagai variabel independen 4. Panel Data Mixed Logit

Model logit untuk data panel Kesalahan Data Panel

1. Data dependen antar individu tidak berbeda antar waktu (penjelasan contoh di week 9 menit 44) 2. Data series tidak dalam bentuk konstan (untuk yang nominal)

3. Log pada data 0 Kesalahan Model

Modelnya bukan basic data panel (seharusnya perluasan data panel), namun diolah dengan basic data panel DIFFERENCE IN DIFFERENCE (DiD)

Dalam mengevaluasi dampak suatu kebijakan, dapat dilakukan metode Quasi Experiment, yang terdiri dari: 1. Instrumental Variable (IV)

2. Regression Discontinuity Design (RDD)

3. Perbedaan Ganda (Double Difference/Difference in Differences) 4. Propensity Score Matching (PSM)

Keuntungan metode Quasi Experiment:

 Dapat mendayagunakan sumber daya yang ada, sehingga sering kali dapat dilaksanakan lebih cepat dan dengan biaya yang lebih rendah

 Tingkat kepercayaan hasil sering berkurang disebabkan oleh metodologi statistic yang kurang kuat  Penerapan metode dapat menjadi rumit secara statistic

 Adanya permasalahan selection bias, yaitu bias yang terjadi apabila antara kelompok perlakuan dan kelompok kontrol berbeda bahkan tanpa diberikan intervensi

DiD Merupakan teknik statistik yang digunakan dalam penelitian ekonometrik dan kuantitatif dalam ilmu sosial yang mencoba meniru desain penelitian eksperimental menggunakan data penelitian observasional, dengan mempelajari efek diferensial dari treatment pada 'treatment group' versus 'control group' dalam eksperimen natural

Analisis yang berupaya mereplikasi uji klinis acak dengan membandingkan kelompok perlakuan dan kelompok kontrol, sebelum dan sesudah pengobatan dikenakan untuk memperkirakan dampak intervensi kebijakan yang diberikan.

Misal untuk melihat dampak intrevnsi kebijakan pemberian raskin terhadap peningkatan konsumsi makanan kelompok miskin dengan menggunakan quasi experiment. Satu group subject penelitian menerima raskin dan satu group yang lain tidak diberi raskin. Kemudian dilihat pengaruhnya terhadap kecukupan karbohidrat dengan mengamati sebelum diberikan raskin dan setelah diberikan raskin.

Difference in Differences memerlukan data yang diukur dari treatment group dan control group dari dua atau lebih periode waktu yang berbeda, dari sebelum dan sesudah 'treatment'. Dalam contoh yang digambarkan, hasil pada treatment group diwakili oleh garis P dan hasil pada control group diwakili oleh garis S. Variabel hasil (dependen) pada kedua kelompok diukur pada periode waktu 1, sebelum kedua kelompok telah menerima treatment (yaitu, variabel independen), diwakili oleh poin P1 dan S1. Kelompok perlakuan kemudian menerima atau mengalami treatment dan kedua kelompok diukur lagi pada periode waktu 2. Tidak semua perbedaan antara treatment dan control group pada periode waktu 2 (yaitu, perbedaan antara P2 dan S2) dapat dijelaskan sebagai menjadi efek dari treatment karena treatment dan control group tidak memulai pada titik yang sama pada periode waktu 1. DID, oleh karena itu, menghitung perbedaan "normal" dalam variabel dependen antara kedua kelompok (perbedaan yang akan tetap ada jika tidak ada kelompok yang mengalami treatment), diwakili oleh garis putus-putus Q. (Perhatikan bahwa kemiringan dari P1 ke Q sama dengan kemiringan dari S1 ke S2.) Efek treaatment adalah perbedaan antara hasil yang diamati dan "hasil"normal (perbedaan antara P2 dan Q).

Model Dasar

1. Data bervariasi menurut a. Individu

b. Waktu c. Outcome

2. Hanya 2 titik waktu, sebelum-sesudah 3. Intervensi pada treatment group 4. Terdiri dari 3 komponen utama

a. T (individu treatment)

b. A (waktu ketika intervensi dilakukan)

c. TA (variabel interaksi individu yang ditreatment ketika intervensi dijalankan)

1. Data bervariasi menurut a. Individu

b. Waktu c. Outcome

2. Lebih dari 2 titik waktu, banyak periode waktunya

3. Intervensi pada treatment group, namun pada banyak periode waktunya 4. Terdiri dari 3 komponen utama

a. ui (efek individu) b. λt (efek waktu)

c. TA (variabel interaksi individu yang ditreatment ketika intervensi dijalankan)

Uji Validitas Asumsi Equal Trend

Equal Trend bermaksud bahwa kelompok treatment dan control punya tren yang sama. Asumsi tersebut dapat diuji dengan dua cara

1. Perbandingan perubahan dalam outcome antara treatment dan control group, sebelum program dijalankan. Dengan minimal dibutuhkan 2 titik waktu sebelum program dijalankan (atau 3 titik waktu dalam analisa DiD, yaitu dengan menambahkan setelah program dijalankan). Asumsi tersebut akan terpenuhi bila tidak signifikan. 2. Placebo Test,

a. Dilakukan dengan menambahkan persamaan DiD dengan menggunakan treatment group palsu. Misal: ingin melihat dampak intervensi ke kelas 7 terhadap tingkat kehadiran di kelas, digunakan pembanding kelas 8. Selanjutnya, buat persamaan DID dengan pembanging kelas 8 dan kelas 6 sebagai kelompok intervensi palsu, yang seharusnya tidak signifikan.

b. Dilakukan dnegan menambahkan persamaan DiD dengan menggunakan outcome palsu. Misal: ingin melihat dampak intervensi ke kelas 7 terhadap tingkat kehadiran di kelas, digunakan pembanding kelas 8. Selanjutnya, buat persamaan DiD dengan outcomenya misalnya adalah jumlah saudara yang dimiliki masing2 siswa dan seharusnya tidak signifikan.

Asumsi Lain yang Harus Dipenuhi dalam DiD 1. Strict exogeneity

Variabel dependen tidak memengaruhi variabel independen, tidak boleh berbalik. 2. Sensitivity Analysis dan Robustness Checks

Untuk menguhi kestabilan dan kekonsistenan hasil, menggunakan tambahan variabel, data, atau spesifikasi yang berbeda. Arti robust disini apakah hasil kita konsisten apa belum, bukan mengenai heteros

MULTINOMIAL REGRESSION MODELS

MRM dibagi menjadi nominal/unordered (tidak diurutkan) MRM dan ordered (diurutkan) MRM. Dependennya berupa 1, 2, 3, tidak 1 dan 0 lagi.

UNORDERED Dalam nominal MRM, terdapat tiga kasus

1. Nominal MRM for chooser/individual-specific data

dependennya/hasilnya (outcome categories), tetapi parameternya berbeda dengan outcome 2. Nominal MRM for choice-specific data

a. Mengidentifikasi karakteristik barang yang dipilih yang memengaruhi pilihan

b. Dalam model ini, pilihan sangat tergantung pada karakteristik barang yang dipilih, seperti brand, harga, image, dan lainnya

c. Diestimasi menggunakan Conditional Logit Models (CLM) atau Conditional Probit Models (CPM)

d. Dalam conditional logit model, variabel penjelas (independen) berbedah atau bervariasi dengan kategori dependennya/hasilnya (outcome categories), tetapi parameternya dianggap konstan di semua kategori hasilnya

3. Mixed nominal MRM or nominal MRM for chooser-specific and choice-specific data a. Gabungan dari karakteristik pemilih/individu dan barang yang dipilih b. Misal: faktor-faktor yang memengaruhi seseorang memilih bank tertentu MLM

Karakteristik pemilih. Karena tidak diurutkan, maka seolah-olah nilai 1 menjadi basis (reference) dan yang lain menjadi perbandingan saja (comparison category). Oleh karena itu, seolah-olah hasilnya aka nada dua regresi dan diolah menggunakan MLE

Contoh: mengenai pemilihan sekolah. Para siswa menghadapi tiga pilihan, yakni tidak kuliah, kuliah 2 tahun, dan kuliah 4 tahun, yang mana dikodekan menjadi 1, 2, dan 3. Dan memiliki variabel lain sebagai berikut:

Hasil regresi tersebut menandakan model ini signifikan secara bersama-sama. Selain itu, model ini juga sesuai atau baik, ditunjukkan dengan nilai LR chi2 = 377 yang dinilai sangat signifikan. Interpretasi hasil tersebut dapat dilakukan dengan dua cara, yakni:

a) Interpretasi odds

a. Jika pendapatan keluarga meningkat, kemungkinan memilih kuliah 2 tahun meningkat dibandingkan tidak kuliah, ceteris paribus.

b. Jika rata-rata nilai meningkat satu unit, peluang logaritmik untuk memilih kuliah 2 tahun dibandingkan tidak kuliah turun sekitar 0,2995, ceteris paribus.

b) Interpretasi probabilitas

Diasumsikan seseorang dengan kondisi  Tidak pergi ke sekolah katolik  Rata-rata nilai sebesar 6.44  Pendapatan keluarga sebesar 42.5  Ukuran keluarga sebanyak 6

 Orang tua tidak memiliki pendidikan tinggi  Laki-laki

 White

Probabilitas orang tersebut memilih:

 Opsi 1 (tidak kuliah) sebesar 0,2329  Opsi 2 (kuliah 2 tahun) sebesar 0,2773  Opsi 3 (kuliah 4 tahun) sebesar 0,4897 CLM

a) Interpretasi odds

a. Untuk semua jenis transportasi, jika travel time naik 1 menit, maka mengurangi kemungkinan menggunakan transportasi tersebut dengan faktor 0,98, ceteris paribus (RECALL: notasi positif/negatif diambil dari tabel 1, angka dari tabel 2)

b. Untuk semua jenis transportasi, jika terminal time naik 1 menit, maka mengurangi kemungkinan menggunakan transportasi tersebut dengan faktor 0,90, ceteris paribus.

MXL

Pilihan seseorang dapat dipengaruhi oleh karakteristik individu dan karakteristik barang yg akan dipilih. Perintah yang digunakan dalam Stata sama dengan CLM. Model dapat dibentuk dengan menginteraksikan kedua variabel tersebut, seperti di bawah ini

ORDERED

Ordered atau Ordinal Regression Models. Pilihan 1, 2, dan 3 diurutkan, Misal: Status desa menggunakan indeks desa membangun (IDM). IDM terdiiri dari berbagai kategori, seperti pemerataannya itu rendah, disparitasnya tinggi, dll dan diberi batas bawah dan batas atas. Oleh karena itu, dalam ordered terdapat cutoffs, merupakan batas apakah hal tersebut naik kelas apa tidak. Variabel dependennya berupa tingkatan, seperti peringkat bond B, B+, A, A+, A++.

LIMITED DEPENDENT VARIABLE REGRESSION MODELS Censoring

Censoring terjadi ketika mengobservasi variabel independent seluruh sampel, tetapi untuk beberapa observasi kita hanya memiliki informasi yang terbatas mengenai variabel dependen.

a. Latent

Unobserved/uncensored, ada data yang kita tidak bisa observasi b. Censored

Nilai-nilai tertentu dibatasi/dicensored c. Truncated/Dipotong

OLS

Contoh: sampel wanita sudah menikah, 428 kerja di luar rumah, 325 kerja di rumah. Ingin melihat pengaruh umur, pendidikan, pengalaman, pendapatan keluarga, jumlah anak, dan pendapatan suami terhadap keputusan jam kerja istri. Hasil regresi dengan observasi total wanita yakni 753

Hasil kedua regresi tersebut terlihat sangat berbeda, terutama terkait dengan signifikansi variabel dan besaran koefisien. Oleh karena itu, OLS sering kali menghasilkan hasil yang tidak konsisten, karena OLS bersifat tidak membatasi/tidak disensor, sehingga hasilnya bisa bablas negatif.

Permasalahan pada tabel hasil regresi pertama dapat diatasi dengan konsep sensor yang berupa Tobit Model. Sensor kiri 325 yang dinilai 0 atau minimum 0, sensor kanan 428 yang dinilai 1

Sedangkan permasalahan pada tabel hasil regresi kedua dapat diatasi dengan konsep sensor Tobit Model yang Truncated/dipotong, menggunakan data 428 seolah2 kita memotong hanya menggunakan 428.

Tobit Model

Model tobit: variable dependennya dibatasi. Seolah-olah datanya dipotong, minimum 0, sebagaimana yang ditunjukkan gambar di bawah:

Interpretasi:

 Jika umur naik 1 tahun, maka jam kerja yang diinginkan akan berkurang sebesar 54 jam, ceteris paribus Asumsi penting dalam Tobit

1. Homoskedastis 2. Normality

Tobit vs Truncated = Tobit, karena menggunakan informasi lebih banyak (753 observasi) dan hasil estimasinya lebih efisien Tobit vs OLS = Tobit, kadang OLS hasilnya lebih baik, tapi secara konsep itu salah, karena dari modelnya memungkinkan nilai bebas, tetapi variabel dependen kita misal minimum 0, jadi gamungkin negatif, sehingga perlu dibatasi dengan Tobit

a) JAWABAN PAK NURKHOLIS

Multinomial Logit yang tidak ordered merupakan metode yang digunakan dalam mengestimasi model tersebut dan menggunakan MLM atau M-Logit, karena mengidentifikasi karakteristik individu (tingkat pendapatan, pendidikan, agama, jenis kelamin) mengenai persepsi terhadap AI.

JAWABAN KA ROHMAN

Menggunakan model order Logit karena mampu mengestimasikan variabel dependen yang sifatnya limited variabel (Variabel yang tidak dapat diobservasi tersebut disebut sebagai variabel laten) dan sifat berurutan (order). Variabel di atas berupa Persepsi positif masyarakat terhadap teknologi AI (3 = positif, 1 = negatif, 2 = netral), Kemudian kita harus memperhatikan urutan dari variabel dependen tersebut apabila kita melihat skala tersebut urutan yang cocok ialah 1 positif 2 Netral 3 negatif, sehingga skala tersebut mampu menjustifikasi kalau variabel bersifat berurutan. jika kita tinjau dari skalanya variabel ini bersifat order sehingga kita mampu melihat kenaikan perubahan persepsi masyarakat mengenai teknologi dari resepsi Netral negatif hingga positif.

b) JAWABAN PAK NURKHOLIS

Lihat di Gujarati.

JAWABAN KA ROHMAN

Asumsi yang harus dipenuhi

a. Data set harus normal/normalitas

i. Karena menggunakan MLE, maka kurva yang dipakai ialah Cumulative Distribution Function (CDF) ii. Memastikan variabel yang digunakan terdistribusi normal

iii. Ketika memperdiksi variabel yang digunakan dalam model, akan terjadi kemungkinan salah prediksi, maka dari itu harus diperhatikan. Error yang dihasilkan dari kesalahan prediksi tersebut, harus diujikan errornya terdistribusi normal atau tidak. Jika errornya tidak terdistribusi normal,

c. Asumsi OLS

i. Bebas dari multikolinearitas ii. Bebas dari heteroskedastis iii. Bebas dari autokorelasi

d. Independence of irrelevant alternatives (IIA)?

Hal2 yang perlu diperhatikan dalam menginterpretasikan analisis ekonometrikanya ialah bahwa hasil etimasi yang didapatkan dari MLM ada tiga, yakni

a. Hasil dari logitnya, berupa Log dari Odd Ratio b. Odd Ratio

c. Marginal Effects/Probability

Kita bisa memilih salah satu bahkan dua dari tiga hasil estimasi tersebut. Pemilihan interpretasi kita pada model ini tergantung kebutuhan penelitian.

c) JAWABAN PAK NURKHOLIS

Dasar dari regresi ialah OLS. Kita menggunakan MLM, karena apa yang ingin kita dapatkan tidak mungkin kurang dari 1 dan lebih dari 3. Jika kita memaksa memakai OLS, maka hasilnya menyebar, bisa lebih dari 3 dan kurang dari 1.

JAWABAN KA ROHMAN

 Tidak terpenuhinya normalitas

Kita dapat menggunakan metode transformasi data, variabel independent (X) yang kita gunakan ditransformasikan ke dalam bentuk lainnya, seperti dalam bentuk logaritma natural dan bentuk lainnya  Tidak terpenuhinya multikolinearitas

Kita dapat membuang variabel yang tidak perlu, yang tidak menyalahi teori yang kita bangun

 Tidak terpenuhinya heteoskedastis

Kita dapat melakukan General Least Square dan me robust kan hasil regresi, serta membuat model yang terbebas dari heteroskedastis

 Tidak terpenuhinya autokorelasi

Kita dapat melakukan General Least Square, First Difference, dan me robust kan hasil regresi

d) JAWABAN PAK NURKHOLIS

Disesuaikan dengan teori ekonomi. Variabel tingkat pendapatan dan pendidikan individu terhadap persepsi AI akan bernotasi negatif, karena diasumsikan angka 1 (positif) dalam model ini menjadi basisnya, sehingga akan condong ke 2. Oleh karena itu, harapan tanda koefisien variabel independent akan negatif.

Bila diasumsikan angka 1 (negatif), 2 (netral), 3 (positif), maka variabel tingkat pendapatan dan pendidikan individu terhadap persepsi persepsi AI akan bernotasi positif

JAWABAN KA ROHMAN

Asumsi bahwa variabel dependen nilainya 1 positif 2 netral 3 negatif Maka berikut adalah hipotesis yang dibangun dalam penelitian ini:

 (-) Pendidikan akan memiliki kecenderungan seseorang untuk berpikir positif terhadap persepsi masyarakat terhadap teknologi AI. Orang yang memiliki pendidikan lebih tinggi akan cenderung dapat memahami dampak teknologi dari segi yang positif.

 (-) Pendapatan akan memiliki kecenderungan seseorang untuk berpikir positif, tingkat pendapatan yang tinggi terpenuhi atas segala kebutuhan sehingga pemikiran-pemikiran negatif terhadap teknologi mampu diredam dengan baik karena seluruh kebutuhannya sudah terkena.

 (+/-) Variabel tingkat kepentingan agama memiliki dua kemungkinan yang terjadi dalam persepsi masyarakat terhadap teknologi AI. Jika memiliki kecenderungan persepsi positif, persepsi kepentingan agama akan terbawa kita untuk berpikir positif terhadap suatu hal yang di hadapi karena agama mengajarkan salah satu ajaran optimism, sehingga perkembangan teknologi akan dipresentasikan positif. Kemungkinan kedua seseorang memiliki kecenderungan persepsi negatif hal ini terjadi karena ajaran yang dibawa seseorang tersebut bersifat kolot mengikuti ajaran terdahulu dan bersifat fanatik sehingga dia akan sulit menerima perubahan zaman dan akan cenderung mempersepsikan negatif.  (+/-) Variabel kategori agama ini ni tidak mampu kita hipotesis kan mana yang lebih positif atau negatif

karena semua agama mengajarkan hal yang baik.

 (-) Variabel pandangan tren teknologi memiliki kemungkinan seseorang berpikir positif karena mereka tahu teknologi yang bisa merubah dia memiliki pola pikir yang positif. Dia akan cenderung lebih memilah teknologi yang bermanfaat bagi orang sekitarnya.

 (+) Variabel jenis perempuan memiliki kecenderungan mempersepsikan negatif karena perempuan memiliki daya untuk mengedepankan perasaan daripada akal.

a) Lihat PPT Panel Data bagian FEM. Nanti ada dua error, yang mana bersifat tidak random errornya atau u nya berkorelasi dengan X. Sedangkan REM errornya bersifat random.

Persamaan tersebut merupakan OLS/PLS/CEM. Masalah dalam model tersebut yang dapat dipecahkan menggunakan FEM

 Bersifat terrestriksi, yaitu dibatasi bahwa konstanta dan koefisien sama untuk semua individu dan semua waktu.

Dengan model FEM, model sudah dibuka restriksinya, tidak dipaksa untuk sama konstanta untuk semua individu dan semua waktu. Oleh karena itu, konstantanya boleh berbeda antar individu

 Permasalahan heteroskedastis yang tinggi  Permasalahan endogeneity

Yaitu kita tidak tahu mana yang mempengaruhi terlebih dahulu apakah crime mempengaruhi keberadaan polisi atau polisi mempengaruhi keberadaan kejahatan tersebut. apabila kita tinjau dari keberadaan polisi ini adalah variabel endogen, sehingga variabel ini bisa dipengaruhi oleh beberapa variabel lain, padahal syarat utama pemodelan efek untuk variabel independen nya harus memiliki karakteristik EKSOGENOUS yaitu tidak dipengaruhi oleh variabel lain.

Masalah yang tidak dapat dipecahkan menggunakan FEM

 Masalah yang tidak dapat diperbaiki oleh FEM ialah koefisiennya masih sama untuk semua individu dan semua waktu, dengan kata lain koefisien masih terrestriksi. Selain itu, model FEM error nya tidak random, sehingga cenderung berpotensi masalah heteroskedastis.

 Omitted Variable Bias

Karena FEM tidak menggunakan variabel kontrol, sehingga error ini akan memiliki hubungan terhadap variabel dependen (X) yang mana mampu merusak beta estimasi model FEM

b) Asumsi:

a. Strict exogeneity, bahwa jumlah petugas polisi yg ditugaskan harus hanya memengaruhi tingkat kriminalitas atau jumlah kejahatan, tidak boleh berlaku kebalikannya. Dengan kata lain Y tidak boleh memengaruhi X. Bila terjadi skenario seperti itu, maka IV model dapat mengatasinya.

1. Variabel instrumen harus bersifat eksogen 2. Variabel instrumen tidak ada yang sempurna

3. Mencari variabel instrumen harus berpengaruh terhadap X tetapi tidak boleh berpengaruh terhadap Y

c) Harus dipastikan terlebih dahulu bahwa asumsi strong exogenity harus terpenuhi, bahwa selama ini dalam penentuan jumlah polisi yang ditugaskan di suatu daerah tidak dipengaruhi oleh jumlah kriminalitas. Bila sudah terpenuhi dan hasil regresi yang signifikan, jika petugas polisi naik per 1000 penduduk, maka tingkat kriminalitas akan menurun sebesar 0,1 per 1000 penduduk, ceteris paribus.

d) Dengan begitu, maka menggunakan model Difference in Difference (DiD), yang mana terdapat before & after dan treatment & control. Dimana treatment merupakan daerah yang menerima dukungan untuk meningkatkan kepadatan polisi. Menggunakan persamaan DiD dasar.

Y=B0 + B1t (treatment & control) + B2a (before & after) + B3t*a

DiD akan berhasil ketika variabel B3 signifikan dan diharapkan negatif, dengan meningkatnya kepadatan polisi per 1000 penduduk, maka tingkat kriminalitas akan menurun.

a) Kelebihan REM

 Dengan menggunakan REM, kita bisa menganalisis penelitian return of education secara dinamis.  Sudah mengatasi permasalahan heteroskedastis, karena menggunakan General Least Square Kekurangan REM

 Sample selection bias

Kondisi dimana sebuah model regresi salah memilih sampel, hal ini terjadi karena terdapat variabel dependen atau independent yang memiliki jumlah data yang berbeda. Hal ini dapat dideteksi dan diatasi dengan command Heckman. Jika lamda dalam Heckman signifikan, Prob kurang dari alphanya, maka tidak terdapat sampel selection bias, sehingga tidak apa2 menggunakan hasil regresi OLS atau Heckman. Sedangkan jika tidak signifikan, maka sebaiknya memakai hasil Heckman

b) Bisa dilihat bahwa tahun 81 jadi bandingannya. a. 82, signifikan lebih rendah

b. 83, signifikan lebih rendah c. 84, signifikan lebih rendah d. 85, signifikan lebih rendah e. 86, tidak signifikan

f. 87, tidak signifikan

Tren upah dari 81 hingga 85 turun terus, sejak 86 hingga 87 trennya naik, namun masih di bawah 81.

c) Tenaga kerja pendidikan 16 tahun, pengalaman 5 tahun, kulit putih, kerja di sektor jasa. Berapa tambahan upah tenaga kerja tersebut di tahun 84 dan dibandingkan dengan tahun 81. Masukkan ke masing2 variabel pada tahun 84

Y=b0+b1 educ+b2 exper+b3 exper^2+b4 black+b5 manuf+b6 black*manuf+b7 y84 Y=8,323 + 0,086(16) + 0,133(5) – 0,007 (25) – 0,147 (0) + 0,090 (0) + 0,033 (0) – 0,053 (1) Y=10,136

Tambahan upah tenaga kerja tersebut di tahun 84 sebesar 10,13% lebih banyak dibandingkan pekerja pada tahun 81

d) Data tersebut diambil selama 7 tahun 81-87 dengan mengambil sampel 1617, sehingga seharusnya jumlah seluruh observasi 11319. Namun, dalam hasil regresi dapat dilihat bahwa jumlahnya 6015, maka data ini termasuk unbalanced, sehingga i (unit individu) lebih banyak dibandingkan t (tahun) nya. Oleh karena itu, secara informal metode REM lebih disukai. Tetapi dengan menggunakan FEM boleh-boleh saja, tetapi setelah itu kita harus memilih antara FEM dan REM dengan Hausman Test.

a) Dampak setelah impelementasi kebijakan bagi daerah yang menerapkan kebijakan a. Primary=1

b. Time=1

Dampaknya sebesar B0 + B1 income + B2 + B3 + B4

b) Dampak setelah implementasi kebijakan bagi daerah yang tidak menerapkan kebijakan a. Primary=0

b. Time=1

Dampaknya sebesar B0 + B1 income + B3

c) Spillover effect (maksud spillover: DKI menerapkan PSBB, apakah daerah lain akan menerapkan juga?) dalam poin b, dimungkinan terjadi spillover effect, dimana daerah lain dapat ikut menerapkan kebijakan tersebut seiring dengan berjalannya waktu.

KATA PAK NURKHOLIS

Seharusnya urutan pertanyan ini b-d-c. Dimana pertanyaan c “Berdasarkan poin b dan d apakah ada spillover”. Harusnya selisih antara b dan d, maka dampaknya hanya sebesar B3, sehingga terjadi spillover effect sebesar B3 seiring berjalannya waktu.

d) Dampak sebelum implementasi kebijakan bagi daerah yang tidak menerapkan kebijakan a. Primary=0

b. Time=0

Dampaknya sebesar B0 + B1 income

e) Asumsi B4 (DiD) tidak signifikan. Hal tersebut dikarenakan kebijakan di daerah yang menerapkan kebijakan tidak efektif dan daerah yang tidak menerapkan kebijakan terkena spillover effect yg besar. Hal tersebut menandakan antara selisih DiD itu bernilai 0, berarti tidak terjadi perbedaan antara baik sebelum dan sesudah menerapkan maupun daerah yang menerapkan dan yang tidak menerapkan kebijakan tersebu