Pelatihan Komputasi dengan Stata

Benedict J. Yappy

1

Departemen Ilmu Ekonomi

Universitas Indonesia

1 _{yappy.benedict@gmail.com– penyusun.}‡

1 Pendahuluan

Dokumen ini adalah bahan yang digunakan dalam pelatihan penggunaan Stata untuk melakukan analisis ekonometrika sederhana. Modul ini mencakup deskripsi

ringkas fungsi yang akan digunakan dalam software, perintah yang digunakan,

serta contoh hasil yang diperoleh (bilamana perlu). Dalam paragraf uraian,

perin-tah/command Stata dapat dikenali dengan format ini, dengan ringkasan perintah

baru ditulis di sebelah kanan dan bagian perintah yang diubah sesuai

penggu-naan dicetak miring. Contoh output Stata dapat dikenali sepertistartscreen Stata

berikut:

Bagi pengguna, perintah help berguna untuk melihat bagaimana suatu com-mand digunakan, dan opsi perintah apa saja yang tersedia, terutama bila fungsi

yang ingin digunakan sudah diketahui. Caranya adalah mengetik help command help

(yep, it includes help help!). Informasi lebih lengkap terkait perintah yang

diperkenalkan dalam modul dapat diakses dengan perintah ini.

Modul ini mencakup seluruh silabus pelatihan yang hendak disampaikan. De-ngan kata lain, pembaca dapat menguasai materi yang disampaikan dalam pelati-han dengan membaca dan mereplikasi langkah yang ada dalam modul ini. Pembaca

dipersilahkan mengakses materi dihttp://benconomy.wordpress.com/tutoring,

tanpa mengubah isinya.

Daftar Isi

1 Pendahuluan 1

2 Manajemen Data 4

2.1 Penggunaan Stata . . . 4

2.1.1 Bekerja dengan Stata. . . 4

2.1.2 Working Directory . . . 4

2.1.3 Sumber Data . . . 5

2.1.4 Menyimpan Dataset, Perintah dan Output Stata . . . 5

2.2 Bekerja dengan Data . . . 6

2.2.1 Manajemen variabel . . . 7

2.2.2 Perintah generate . . . 7

2.2.3 Perintah drop . . . 7

2.2.4 Struktur Data. . . 8

2.2.5 Bekerja dengan timevar . . . 8

2.2.6 Peubah untuk varlist . . . 9

2.2.7 Label . . . 10

2.2.8 Perintah encode dan recode . . . 11

2.2.9 Perintah reshape. . . 11

2.2.10 Operator if, in dan by . . . 14

2.2.11 Perintah count dan list . . . 14

3 Analisis Deskriptif 15 3.1 Statistik deskriptif . . . 15

3.2 Grafik . . . 16

4 Analisis Regresi OLS 20 4.1 Review. . . 20

4.1.1 Metode OLS . . . 20

4.1.2 Asumsi OLS . . . 22

4.1.3 Pengujian Hipotesis . . . 23

4.2 Regresi OLS dengan Stata . . . 24

4.3 Penanganan Pelanggaran Asumsi . . . 25

4.3.1 Heteroskedasitas . . . 25

4.3.2 Autokorelasi. . . 26

4.3.3 Multikolinearitas . . . 27

4.4 Instrumental Variables . . . 28

4.5 Specification Test . . . 29

4.6 Setelah estimasi… . . . 30

2 Manajemen Data

2.1 Penggunaan Stata

2.1.1 Bekerja dengan Stata

Stata adalah sebuah program statistik yang dapat dikatakan sangat lengkap dari segi kemampuan fungsi statistik yang dapat ditanganinya, yang menjadikan Stata salah satu program paling populer yang digunakan oleh peneliti-peneliti dari berba-gai kalangan. Secara garis besar, cara bekerja dalam Stata adalah melalui command

line, di mana perintah diketikkan ke dalam panel command (dapat diaktifkan

de-ngan shortcut Ctrl+1). Walau demikian, Stata memiliki cukup banyak dialog box untuk banyak perintahnya, yang menambah fleksibilitas program Stata.

Bila berada dalam panel command, kita dapat scroll command-command

se-belumnya dengan Page-up/down, untuk memudahkan mengulangi perintah yang

pernah dipanggil. Opsi untuk masing-masing perintah biasanya ditambahkan

sete-lah tanda koma , (hanya ada satu tanda koma diperbolehkan untuk setiap perin- ,

tah).

Selain panel Command, terdapat juga beberapa panel lain:

1. Results (Ctrl+2) yang melaporkan hasil dari perintah yang dijalankan.

2. Review (Ctrl+3) yang mendaftarkan perintah-perintah yang telah dijalankan

sebelumnya.

3. Variables (Ctrl+4) yang mendaftarkan variabel-variabel yang sedang ada

da-lam dataset/memory.

4. Properties (Ctrl+5) yang memberi keterangan tentang variabel yang dipilih.

2.1.2 Working Directory

Di sebelah kiri bawah tampilan window Stata, akan dituliskan working directory

Stata. Working directory adalah folder di mana Stata “bekerja”, yaitu tempat di mana Stata akan menyimpan atau mengakses file secara default. Ada baiknya working directory di set ke directory di mana dataset dan file lain terkait peker-jaan tersebut disimpan. Seperti di banyak program lain, untuk mengubah working

directory, ketikkan cd new_path ke dalam panel command. File yang ada dalam cd

working directory dapat langsung diakses menggunakan file_name (contohnya

dataset.dta), sedangkan yang berada di luar working directory hanya dapat

diak-ses menggunakan file path lengkap (contohnya ”D:\Data\Dataset.dta”). Dengan

Penggunaan nama file dalam Stata perlu menggunakan tanda petik ”. . .” untuk

nama file yang mengandung karakter spasi.

2.1.3 Sumber Data

Data yang akan dianalisis menggunakan Stata dapat berasal dari tiga sumber: 1. File database Stata yang telah disimpan sebelumnya, yang memiliki

exten-sion .dta. Cara membuka dapat dengan menggunakan command line use use file_name.dta dialog box (File > Open ; Ctrl+O).

2. Copy-paste dari program database lain, seperti Microsoft Excel. Pertama,

copy data dari program lain tersebut. Kembali di Stata, ketik edit di edit

panel Command untuk membuka data editor.. Data dapat langsung di-paste (Ctrl+V) ke Stata. Untuk menampilkan dataset tanpa melakukan edit (dan

mencegah edit yang tidak disengaja), gunakan perintah browse. browse

Bila data yang di-copy termasuk nama varibel di baris pertama, pilih “Treat

first row as variable names”. Bila hanya data yang di-copy, pilih “Treat first row as data” — Stata akan memberi nama untuk masing-masing variabel (var1, var2, dst). Data yang di-copy dapat berupa data dengan banyak va-riabel sekaligus (multi-column) maupun satu per satu — vava-riabel baru dapat ditambahkan melalui copy-paste.

3. Membuka file database yang dibuat di program lain. Cara paling mudah melakukan impor database adalah dengan menggunakan opsi di dalam File > Import.

Selain menggunakan database yang telah ada seperti dalam ketiga sumber di atas, Stata juga menyediakan file-file contoh database .dta yang siap digunakan

dalam setiap instalasi Stata. Untuk melihat daftar file tersebut, ketiksysuse dir sysuse

dalam panel command, dimana file yang ingin dibuka dapat digunakan dengan

pe-rintah sysuse file_name.

Stata juga dapat membuka file .dta di internet secara langsung dengan

menggu-nakan perintahwebuse URL. webuse

2.1.4 Menyimpan Dataset, Perintah dan Output Stata

Dataset Hasil data yang sudah diolah dengan Stata dapat disimpan dengan

perintah save file_name. Bila nama file dataset yang hendak disimpan sudah save

ada, kita perlu menambahkan opsi replaceke dalam perintah (save file_name,

replace). Fungsi Save dan Save As seperti di program lain dapat diakses dengan

Perintah dan do-file “History” perintah-perintah yang dijalankan dalam satu sesi Stata akan dimasukkan dalam panel Review. Kita dapat menyeleksi perintah

yang kita inginkan dari panel Review dan mengeditnya dalam do-file editor di

Stata.

Do-fileadalah file text standar dengan extension.do(dapat dibuka/diedit dalam

text editor seperti Notepad). File .do ini menjadi daftar perintah yang dapat

di-jalankan atau diedit oleh Stata. Untuk mendi-jalankan do-file yang sudah disimpan,

gunakan perintah do file_nameuntuk menjalankan do-file seperti biasa, dan pe- do | run

rintah run file_name untuk menjalankan tanpa laporan dalam panel Results.

Untuk mengedit do-file yang telah disimpan sebelumnya, gunakan perintahdoedit doedit

file_name.

Menyimpan daftar perintah yang dijalankan oleh Stata sangat penting untuk memastikan bahwa perintah yang diberikan tercatat, sehinnga dapat dipertang-gungjawabkan dan direplikasi. Penyimpanan daftar perintah tersebut dengan

mu-dah dilakukan dengan do-file Stata. Selain itu, eksekusi do maupun run akan

berhenti bila terdapat kesalahan dalam data/command, sehingga sangat berguna untuk melakukan hal-hal yang sifatnya berulang.

Output (Results) dalam panel Results dapat disimpan dengan memulai log-file

.smcl. Detail perintah untuk manajemen log-file sebagai berikut: log

• log using file_name: Menyimpan log ke dalam file dengan menggunakan

file_name.smcl. Log ini dapat dibuka oleh Stata.

• log off: Menghentikan penyimpanan log secara sementara.

• log on: Melanjutkan kembali penyimpanan log yang sudah di off

sebelum-nya.

• log close: Menyelesaikan penyimpanan log.

Selain dengan menyimpan log, output stata dapat dicopy-paste ke program lain. Untuk meng-copy, highlight area output yang akan di-copy, dan klik kanan. Copy

biasa (Ctrl+C) akan menghasilkan teks, copy as table akan menghasilkan tabel

dengan karakter tabulator (untuk program spreadsheet seperti Excel), dan copy picture menghasilkan gambar dan mempertahankan tampilan dalam Stata.

2.2 Bekerja dengan Data

uraian dalam modul ini, sehingga dianjurkan untuk melihat help untuk masing-masing perintah.

2.2.1 Manajemen variabel

Jenis Variabel Pada dasarnya terdapat dua jenis variabel di Stata, yaitustring

(dapat bernilai huruf) dan variabel numerik. Data string tidak dapat digunakan

dalam perintah perhitungan/statistik dalam Stata. Terdapat beberapa jenis

varia-bel numerik.* _{Untuk mengubah format penyimpanan variabel, gunakan perintah}

recast type varlistdimanatype adalah tipe variabel. Variabel string tidak da- recast

pat diubah menjadi angka. Untuk melihat daftar dan jenis variabel dalam dataset

yang dibuka, gunakan perintah describe. describe

Order Urutan variabel yang ada dalam Stata dapat diubah dengan menggunakan

perintah order varlist, di mana variabel varlist tersebut akan dipindahkan men- order

jadi variabel pertama. Tambahkan opsi lastuntuk memindahkan ke variabel

ter-akhir; before(varname) dan after(varname) untuk memindahkan sebelum atau

setelah varname.

2.2.2 Perintah generate

Seperti namanya, perintah generate varname=expression berguna untuk men- generate

ciptakan variabel baru. Expressionyang dimaksud dapat berupa operasi hitung,

va-riabel lain ataupun pembuatan angka random oleh Stata. Operasi yang didukung

dapat dilihat dalam menu help functions. Beberapa ekspresi yang umum

digu-nakan yaitu +, -, /, *, exp() dan log(). Bila variabel yang diciptakan digunakan

untuk menggantikan (overwrite) variabel yang sudah ada, maka perintah replace replace

dapat digunakan untuk menggantikan generate.

Selain perintah generate, Stata juga memiliki perintah egen. Perintah egen egen

dapat melakukan semua operasi yang dapat dilakukan oleh generate, ditambah

beberapa fungsi lainnya, seperti mengisi dengan pola, statistik variabel, dan lainnya

(lihat di help egen).

2.2.3 Perintah drop

Perintah drop varlist berguna untuk membuang variabel-variabel (varlist) yang drop

diinginkan. ‘Lawan’ dari perintah drop adalah keep varlist, di mana

variabel-keep

variabel lain selainvarlist akan dibuang.

*_{Perbedaan jenis variabel dapat mempengaruhi derajat keakurasian, namun berguna untuk}

2.2.4 Struktur Data

Terdapat tiga jenis cara penanganan dataset (umum) oleh Stata:

1. Cross section. Struktur data ini adalah struktur data yang dasar di Stata. Tidak ada unsur waktu dalam variabel ini. Untuk kembali ke struktur data

Cross Section, setting tsset atau xtreg perlu di-clear dengan menambahkan

opsi clear ke perintahtsset atau xtset.

2. Time Series. Struktur data time series mengikuti satu sampel dalam be-berapa periode waktu. Untuk menyatakan struktur data sebagai time

se-ries, digunakan perintah tsset timevar, unitoptions. timevar di Stata tsset

bernilai 0 untuk (awal) tahun 1960, dan dihitung ke depan atau belakang sebesar unitoptions (clocktime, daily, weekly, monthly, quarterly, halfyearly, yearly, generic). Bila perubahan tidak berjalan sebesar 1 unit, tambahkan opsi delta(#).

3. Panel. Struktur data panel mengikuti lebih dari satu sampel selama lebih dari satu periode. Untuk menyatakan data sebagai data panel, gunakan perintah

xtsetpanelvar timevar, unitoptions. Panelvar adalah ID untuk masing- xtset

masing unit sampel yang diobservasi.

2.2.5 Bekerja dengan timevar

Seperti yang ditulis di atas,timevaryang digunakan untuk identifikasi waktu harus

berada dalam format numerik, dengan spesifikasi SIF(Stata internal form)berupa

berapa unit setelah (sebelum) tahun 1 Januari 1960 00:00.00. Format ini tidak selalu mudah untuk diperoleh, karena data yang diperoleh berada dalam format HRF (human readable form). Untuk mengubahnya ke dalam format SIF yang dapat di-tsset, kita dapat menggunakan perhitungan manual untuk selisih dari awal tahun 1960 tersebut, namun cara ini dapat dikatakan tidak praktis. Stata menyediakan konversi antar SIF dan HRF sebagai berikut.

1. Pastikan variabel waktu HRF (tiwevar_str) telah memiliki format

pena-maan dan frekuensi yang konsisten. Contohnya, untuk data kuartal, data harus konsisten suati format (seperti 1960Q1, 1960Q2 dst dan tidak berubah menjadi 1970M3, 1970M6 dst).

2. Pelajari format data waktu untuk membentukmaskyang akan dikenali Stata.

• Oct 16, 1992 akan memiliki maskMDY

• Friday, Oct 16, 1992 akan memiliki mask #MDY

• 16 Oct 1992 akan memiliki maskDMY

• 161092 akan memiliki mask DM19Y (19Y untuk 2 digit pertama angka tahun, untuk format tahun 2 digit)

• 1992W42 akan memiliki maskYW (mingguan) • 1992M10 akan memiliki mask YM (bulanan) • 1992Q3 akan memiliki mask YQ (kuartalan) • 1992S2 akan memiliki mask YH (semesteran)

3. Ciptakan variabel barutimevaruntuk konversi ke dalam bentuk SIF. Format

perintahnya adalah generate timevar = function(timevar_str,mask).

Variabel baru timevar sudah dapat digunakan untuk tsset. Supaya

varia-bel waktu tersebut tampil dalam format yang dapat dibaca, perlu dilakukan

format dengan perintah format timevar %fmt. Aplikasinya: format

generate timevar = date(timevar_str, "DMY"), format timevar %td

dan tsset timevar, daily) untuk data harian

generate timevar = weekly(timevar_str, "YW"), format timevar %tw

dan tsset timevar, weekly) untuk data mingguan

generate timevar = monthly(timevar_str, "YM"),format timevar %tm

dan tsset timevar, monthly) untuk data bulanan

generate timevar = quarterly(timevar_str, "YQ"), format timevar

%tq dan tsset timevar, quarterly) untuk data kuartalan

generate timevar = halfyearly(timevar_str, "YH"), format timevar

%thdan tsset timevar, halfyearly) untuk data semesteran

2.2.6 Peubah untuk varlist

Wildcards Sebagian besar perintah Stata lainnya juga dapat menggunakan

wild-card untuk varlist. Beberapa wildcard tersebut:

• *— digunakan sebagai substitusi satu atau lebih karakter. Contohnya, Ind*

akan masuk untuk Indonesia dan India; *Inc akan masuk untuk Stata Inc dan Microsoft Inc.

• ? — digunakan untuk substitusi satu karakter. Contohnya, p?p? akan masuk

• ̃ — digunakan sebagai substitusi di tengah. Contohnya, pan~an akan masuk untuk panduan dan panutan.

• _all — digunakan sebagai substitusi untuk semua variabel.

Operator Terdapat dua jenis operator dalam operasi variabel Stata, yaitu opera-tor jenis data dan operaopera-tor waktu (kedua jenis operaopera-tor ini dapat dikombinasikan). Operator-operator ini ditambahkan dengan tanda titik sebelum nama variabel

(con-tohnya, Li.varname). Berikut adalah uraian operator tersebut.

• i — Operator ini menyatakan bahwa variabel diperlakukan sebagai variabel

faktor/kualitatif. Penggunaan operator ini memudahkan pekerjaan, karena

tidak perlu lagi menciptatkandummy untuk variabel-variabel kualitatif.

• c — Operator ini menyatakan bahwa variabel diperlakukan sebagai variabel

continuous, yaitu berisi nilai.

• # — Operator ini adalah perintah untuk membuat interaksi antar variabel.

Contohnya, var1#var2.

• L — Operator ini berguna untuk mengambil mengambil nilai sebelumnya

(lag) dari variabel. Lag dapat dispesifikasikan dengan angka (L3) ataupun

kombinasi huruf (LLL).

• F — Operator ini berguna untuk mengambil mengambil nilai berikutnya

(forward) dari variabel. Forward dapat dispesifikasikan dengan angka (F3)

ataupun kombinasi huruf (FFF).

• D — Operator ini berguna untuk perubahan nilai (difference) dari variabel.

Difference orde lebih tinggi dapat dispesifikasikan dengan angka (D2) ataupun

kombinasi huruf (DD).

2.2.7 Label

Label dalam Stata berguna untuk membantu pengguna. Contohnya, nama va-riabel dalam Stata tidak dapat mengandung karakter spasi. Berikut ini dibahas

penggunaan label yang ada dalam stata. label

label data "label" memberikan keterangan label untuk keseluruhan dataset.

label variable varname "label" memberikan keterangan label untuk suatu

variabel, yang muncul dalam panel variabel maupun perintah describe.

label define labelname # "label"mendefinisikan sebuah label untuk memberi

label keterangan untuk masing-masing nilai angka (#), yang dapat digunakan

angka # mendapat satu label, sehingga ulangi bagian # "label" untuk masing-masing label dalam sate set labelname.

Tambahkan salah satu dari opsi add (hanya menambah label baru), modify

(me-ngubah label yang sudah ada), danreplace(mendefinisikan ulang labelname) bila

labelname sudah ada sebelumnya.

label values varlist "labelname"meng-assign sate set value label (labelname)

yang sudah ada (di-define)ke suatu variabel (varlist).

label dir memperlihatkan daftar value label yang ada.

label list varname memperlihatkan daftar value label beserta nilai-nilai dan

label keterangan masing-masing.

2.2.8 Perintah encode dan recode

Stata tidak dapat melakukan perhitungan statistik untuk variabel dengan format string, sehingga variabel kualitatif (seperti nama negara) perlu dikonversi

men-jadi numerik (diberi nomor ID). Untuk melakukannya, terdapat command encode encode

varname, generate newvar. Selain menciptakan angka-angka untuk

masing-masing string, perintahencode juga membuat dan meng-assign value label dengan

labelname yang sama dengan newvar. Untuk mengubah angka yang sudah ada,

digunakan perintah recode varname, generate newvar . Ilustrasi dari perintah- recode

perintah tersebut adalah sebagai berikut:

negara_str negara_num benua

Indonesia 1 Indonesia 1 Asia

China 2 China 1 Asia

Jepang 3 Jepang 1 Asia

Korea 4 Korea 1 Asia

Inggris 5 Inggris 2 Eropa

Jerman 6 Jerman 2 Eropa

Prancis 7 Prancis 2 Eropa

Amerika Serikat 8 Amerika Serikat 3 Amerika

Untuk transformasi di atas, kedua perintah yang digunakan adalah:

encode negara_str, generate(negara_num)

recode negara_num (1 2 3 4 = 1 "Asia") (5/7 = 2 "Eropa") (8 = 3 "Amerika"), generate (benua)

2.2.9 Perintah reshape

country time variable data

Country, time, variable (long)

coun

reshape. Sebelumnya, beberapa hal perlu diketahui terlebih dahulu. Pertama, di-mensi sekarang dari dataset (apakah wide atau long). Kedua bagaimana dataset akan dibentuk (dimensi wide dan long yang diinginkan). Ketiga, memastikan

bahwa dataset memenuhi syarat untuk dilakukan reshape: (1) Terdapatstubnames

yang menghubungkan data-data wide j, yang dalam contoh di atas adalah awalan

data (data97, data98, dst). (2) Tidak terdapat lebih dari satu nilai untuk satu

kolom xij. Sintaks dan penjelasan perintah reshape adalah sebagai berikut:

reshapewide|long stubname, i(i_var) j(j_var) string reshape

• wide|long — Bentuk yang dituju setelah melakukan perintah, apakah wide

atau long. Perlu diketahui bahwa dapat dilakukan beberapa perintahreshape,

untuk menyesuaikan dengan struktur data.

Dalam contoh tadi, reshape widedapat dilakukan sekali lagi untuk membuat

country, variable dan/atau time semuanya sebagai variabel wide (j).

• stubnames — Nama variabel (untuk reshape long) atau bagian umum dari

nama variabel (reshape wide). Penambahan memberikan informasi di mana

nama variabel baru ditempatkan.

Contoh dalam dataset tadi, (data) dapat digunakan untuk data97, data 98 dst. Reshape tidak dapat digunakan tanpa stubnames, contohnya untuk

va-riabel gdp, investment dst (rename menjadidatagdp, datainvestment).

• i(i_var) — Variabel-variabel yang berada dalam bentuk long, yang mengi-dentifikasikan observasi secara unik.

• j(j_var)— Variabel lama yang akan di-expand (reshape wide), atau variabel

baru yang akan diciptakan sebagai identifier (reshape long).

Berikut opsij untuk contoh tadi. Untukreshape long, berikan nama variabel

baru (country,time, atauvariable). Untukreshape wide, berikan nama variabel

lama yang akan di expand (country, time, atau variable).

• string — Tambahkan opsi string bila j_var berisi huruf.

Dalam contoh tadi, tambahkan opsi string bila j_var adalah country atau

variable yang adalah data string. Jangan tambahkan opsi string bila j_var

adalah time yang adalah data numerik. Perhatikan, untuk reshape wide, isi

variabel yang akan dikonversi menjadi long adalah karakter huruf atau _

(tidak boleh mengandung karakter non-huruf seperti spasi dan titik).

Perubahan dataset oleh perintahreshapedapat di “undo”: Setelahreshape long,

perintah reshape wide (tanpa argumen/opsi) akan mengembalikan dataset seperti

sebelum reshape long tadi dilakukan; demikian juga sebaliknya. Periksa kembali

dataset setelahreshapeuntuk memastikan dataset seperti yang diinginkan, sebelum

2.2.10 Operator if, in dan by

Akhiran if expression berguna untuk membuat Stata melakukan perintah if

hanya pada observasi yang memenuhi kriteria (expression) yang dibuat dalam if.

Berbagai operator dapat digunakan untuk expression, seperti >, >=, <, <= dan

== (gunakan dua (bukan satu!) tanda sama dengan). if dapat digunakan pada

sebagian besar perintah Stata. Tambahkan if expression pada akhir perintah yang

diinginkan.

Akhiran inobsno— Berguna untuk membuant Stata melakukan perintah hanya if

pada nomor observasi yang dispesifikasikan (obsno). Nomor observasi 1 2 3 4 juga

dapat dinyatakan dengan 1/4 dan 1 2/4. in dapat digunakan pada sebagian besar

perintah Stata. Tambahkan in obsno pada akhir perintah yang diinginkan.

Awalan by (varlist): — Berguna untuk membuat Stata melakukan perin- by

tah secara berkelompok (berulang) dengan variabel dalam varlist. by memerlukan

dataset untuk diurutkan (sort) sesuai dengan varlist (sort varlist). Tambahkan sort

by(varlist): sebelum mengetikkan perintah yang diinginkan.

Awalan bysort digunakan dengan cara yang sama dengan awalan by. Perbe- bysort

daannya, bysort termasuk perintah sort, sehingga dataset akan diurutkan sesuai

denganvarlist terlebih dahulu.

2.2.11 Perintah count dan list

Perintah count berguna untuk menghitung dan menampilkan jumlah observasi count

yang memenuhi kriteria. Kriteria yang dimaksud dapat dispesifikasikan dengan

operator if, in ataupun by. Eksekusi count sangat cepat dibandingkan dengan

pe-rintah statistik lainnya, sehingga pepe-rintah ini biasanya digunakan untuk mengecek

suatu dataset (terutama dengan menggunakan do-file).

Perintahlistvarlistberguna untuk menampilkan nama variabel dalamvarlist list

dan nilai-nilainya. Perintahlistsering digunakan dengan operatorif,inatauby.Sama

seperti count, eksekusi perintah list sangat cepat dan biasanya digunakan untuk

mengecek suatu dataset. Di samping itu, penggunaan list biasanya dapat

3 Analisis Deskriptif

3.1 Statistik deskriptif

Tabel statistik deskriptif membantu menampilkan isi dari variabel secara ringkas dengan berbagai statistik. Semua tabel statistik berikut dapat digunakan dengan

opsi if,in maupun by.

Perintah summarize varlist berguna untuk menampilkan statistik deskriptif

seperti mean (rata-rata), median, dan data terkecil (min) dan terbesar (max) untuk summarize

suatu variabel secara keseluruhan. Bila tidak terdapat varlist, perintah ini akan

menampilkan statistik deskriptif untuk seluruh variabel. Tambahkan opsi detail

untuk mendapatkan statistik deskriptif yang lebih detail.

Perintahtabulatevarname1 varname2berguna untuk membuat tabulasi (per- tabulate

hitungan seberapa banyak suatu variabel muncul) dalam satu atau lebih variabel.

Bila hanya satu variabel yang ditabulasi, maka cukup menggunakan varname1.

Tambahkanvarname2bila menggunakan tabulasi dua variabel. Beberapa opsi yang

tersedia untuk tabulasi dua variabel adalah column, rowdan cell yang membuat

tabulasi menampilkan frekuensi relatif (persentasi) dari nilai suatu nilai diband-ingkan masing-masing keseluruhan kolom, baris dan total.

Perintah table “menggabungkan” kekuatan dari summarize dan tabulate, di

mana tabulasi (maksimal 4) statistik deskriptif dapat ditampilkan untuk dua atau lebih variabel. Sintaks perintah table adalah sebagai berikut:

table varname(s), contents(clist) table

varnames adalah variabel-variabel yang akan ditabulasi. Variabel pertama akan

menjadi variabel yang ditampilkan sebagai baris (i); sedangkan variabel kedua

menjadi variabel kolomj. Variabel ketiga dan seterusnya akan menjadi

super-kolom (super-kolom dalam super-kolom).

clist adalah jenis statistik yang akan ditampilkan untuk masing-masing nilai.

clistdapat menampilkan freq (frekuensi) ataupun statistik lainnya: mean, sd,

max, min, median, sum (spesifikasikan variabel yang hendak dideskripsikan setelah opsi ini).

by(varlist) Penambahan opsi ini akan membuat super-row (baris dalam baris)

3.2 Grafik

Stata memiliki kemampuan grafis yang cukup komprehensif. Selain melalui

pe-rintah, menu untuk grafik tersedia dalam menu Graphics dengan dialog box yang

cukup membantu proses pembuatan grafik yang diinginkan. Untuk memudahkan, perintah grafik akan diperkenalkan menggunakan contoh.

Perintahhistogramvarnameberguna untuk membuat diagram batang. Tam- histogram

bahkan opsi normal untuk menambahkan grafik distribusi normal. Contoh

perin-tah yang dapat dijalankan:

sysuse citytemp

histogram tempjuly

histogram tempjuly, normal

Dalam kedua contoh tersebut, Stata akan menampilkan jumlah dan lebar diagram

batang secara otomatis. Untuk mengubah jumlah tersebut, gunakan opsi bin(#)

danwidth(arg1#). Untuk diagram batang tampilan jumlah frekuensi dan

persen-tase, tambahkan opsi frequency dan percentage. Bila ingin menggunakan satu

diagram batang untuk setiap nilai, tambahkan opsi discrete.

Perintah twoway (plot) berguna untuk membuat grafik antar variabel. Bila twoway

lebih dari satuplot, tanda kurung () untuk menandai masing-masing plot. Elemen

definisi (plot) adalah sebagai berikut:

jenis plot— Dua pilihan yang sering digunakan adalahscatter, danline. Selain

plot data langsung, dapat juga ditambahkan plot trend/regresi, yaitu lfit

(linear fit) qfit (quadratic fit). Pilihan lfitci dan qfitci menampilkan

confidence interval yang dapat diset dengan tambahan opsi grafislevel(#). Perlu diperhatikan bahwa jenis plot tertentu dapat memiliki sintaks yang

berbeda dengan yang dibahas di sini (contohnya rarea).

varlist y— Dapat terdapat lebih dari satu variabel y untuk satu definisi plot (diplot masing-masing).

varname x— Hanya terdapat satu variabel x untuk satu definisi plot.

opsi— Plot dapat menggunakan beberapa skalaymaupunx, yang dispesifikasikan

denganyaxis(#) danxaxis(#). Terdapat banyak opsi lain yang tergantung

pada jenis plot. Contohnya, kita dapat menspesifikasikan jenis marker untuk

scatter (lihat help marker_options) dan garis (lihat help line_options)

untuk line.

Perintahhistogramdantwowayyang diperkenalkan di atas adalah “singkatan”

dari perintahgraphStata, di mana sintaks lengkap adalah graph twoway. Khusus

Hasil dari perintah grafik Stata dapat disimpan ke dalam file grafis untuk digu-nakan dalam program lainnya. Perintah untuk mengekspor grafik yang sedang

terbuka tersebut adalah graph export filename.ext. .ext diperlukan untuk

menspesifikasikan tipe file yang diekspor, seperti.pdf, .wmf, .eps dan .png.

Berikut adalah beberapa contoh perintah penggunaan grafik twoway dengan

menggunakan dataset bawaan Stata.

sysuse auto

twoway scatter price mpg

0

5,000

10,000

15,000

Price

10 20 30 40

Mileage (mpg)

twoway (scatter price mpg) (lfit price mpg)

0

5,000

10,000

15,000

10 20 30 40

twoway (scatter mpg weight) (scatter price weight, yaxis(2))

0

5,000

10,000

15,000

Price

10

20

30

40

Mileage (mpg)

2,000 3,000 4,000 5,000 Weight (lbs.)

Mileage (mpg) Price

sysuse sp500

twoway line close date

1000

1100

1200

1300

1400

Closing price

01jan2001 01apr2001 01jul2001 01oct2001 01jan2002 Date

twoway line close date, yscale(log)

1000

1100

1200

1300

1400

Closing price

twoway (rarea open close date in 1/30) (connected volume date in 1/60,yaxis (2))

10,000

15,000

20,000

Volume (thousands)

1280

1300

1320

1340

1360

1380

Opening price/Closing price

01jan2001 01feb2001 01mar2001 01apr2001 Date

Opening price/Closing price Volume (thousands)

twoway (qfitci close date, level(90)) (line close date)

1000

1100

1200

1300

1400

15000 15100 15200 15300 15400 Date

90% CI Fitted values Closing price

sysuse citytemp

histogram tempjuly, normal

0

.05

.1

.15

Density

60 70 80 90 100

4 Analisis Regresi OLS

4.1 Review

4.1.1 Metode OLS

Metode regresi OLS(Ordinary Least Squares) adalah salah satu pendekatan untuk

melakukan estimasi parameter yang menentukan nilai variabel independen. OLS

termasuk keluarga estimasi“method of moments”, di mana salah satu ‘momen’ dari

sampel digunakan untuk mengestimasi parameter populasi. Metode regresi dimulai dari mengspesifikasikan fungsi regresi populasi;

yi =β0+β1x_i+ε_i (1)

dengan asumsi

E(ε) =E(y−β0−β1x) = 0 (2)

dan asumsi yang mengikutinya;

Cov(x, ε) = E(xε) =E[x(y−β0−β1x)] = 0 (3) Dalam pendekatan method of moments, kita menggunakan nilai (rata-rata) sampel untuk mengestimasi nilai populasi, sehingga persamaan (2) dan (3) menjadi:

n−1

Dengan menggunakan sifat operator ∑dan memindahkan ruas, persamaan (4)

dapat ditulis ulang menjadi:

ˆ

β0 = ¯y−βˆ1x¯ (6)

Dengan memindahkan (6) ke persamaan (5) dan menghilangkan n−1 yang tidak

mempengaruhi hasilnya, kita dapat memperoleh:

n−1

Dengan menyusun ulang†_;

Dalam kasus multivariabel, maka lebih dari satu variabel independen masuk dalam persamaan (1):

y_i =β0+β1x1_i +β2x2_i+· · ·+β_jx_ji+ε_i

Persamaan di atas dapat ditulis dalam bentuk matriks:



Vektor parameter β yang diestimasi adalah vektor yang akan meminimumkan

jumlah kuadrat error ε′_ε. Berikut vektor vektor parameter sampel b yang

memi-nimumkan error kuadrat sampel e′e:

Mine′e_{= (}y₋Xb₎′₍y₋Xb₎ (10)

=y′y₋b′X′y₋y′Xb₊b′X′Xb =y′y₋2y′Xb₊b′X′Xb

Keadaan yang meminimumkan error‡ _adalah:

∂e′e

†_{Penurunan yang diuraikan di sini mengikuti method of moments.}

‡_{Penurunan yang diuraikan di sini mengikuti metode Least Squares, yang identik dengan}

4.1.2 Asumsi OLS

Dalam regresi, parameter estimasi perlu memenuhi kriteria yang sering disingkat

BLUE, yaitu Best (parameter estimasi meminimumkan varians (kuadrat) error),

Linear (persamaan yang diestimasi bersifat linear), Unbiased (parameter estimasi

tidak bias) danEstimator (parameter adalah estimator yang baik untuk parameter

populasi). Estimator yang tidak bias dan konsisten berarti parameter sesuai dengan parameter populasi dan semakin dekat dengan parameter populasi ketika sampel

ditambah (plim_βˆ_=β)

Berikut rangkuman definisi yang lebih formal dari asumsi OLS:

OLS 1 Parameter bersifat linear. yi =β0+β1x1+· · ·+β_jx_j

Dengan kata lain, parameter model populasi tidak dapat bersifat

bersifat non-linear, seperti xβ1

1 atau β1x1β2x2.

OLS 2 Random Sampling

Data yang diambil adalah sampel yang diambil secara random dari populasi yang hendak dipelajari.

OLS 3 Corr(x1, x2, . . . , x_j)̸=±1

Tidak adanya multikolinearitas sempurna antara variabel indepen-den.

OLS 4 Variasi dalam sampel.

Nilai sampel tidak konstan (hanya satu nilai) untuk satu variabel. Asumsi ini adalah implikasi asumsi sebelumnya.

OLS 5 E(ε|x) = 0 (zero conditional mean)

Nilai error yang diekspektasikan bernilai 0 untuk semua nilai x.

Implikasinya adalah(1)korelasixdanεadalah 0 dan(2)E(y|x) =

ˆ

y. Asumsi ini adalah dasar pendekatan method of moments yang

digunakan dalam persamaan (2) dan (3).

OLS 6 Corr(εi, εj) = 0

Tidak ada korelasi antar error dalam seluruh sampel.

OLS 7 Var(εi) = σ2

Data/model yang tidak memenuhi asumsi tersebut akan mengakibatkan pa-rameter yang diestimasi tidak memenuhi kriteria BLUE. Karena itu, dibutuhkan

(1) teknik deteksi pelanggaran asumsi tersebut untuk mengetahui adanya estimasi

yang tidak konsisten dan (2) teknik estimasi yang mampu mengkoreksi

pelang-garan yang terjadi untuk menghasilkan estimasi yang tetap konsisten dan efisien.

Teknik-teknik lain yang menggunakan metode least square ada untuk mengatasi

adanya pelanggaran asumsi OLS tersebut.

4.1.3 Pengujian Hipotesis

Sebagai bagian dari teknik statistik, ekonometrika tidak lepas dari pengujian hipote-sis. Pengujian statistik selalu menyajikan dua hipotesis yang bersifat eksklusif dan lengkap:

H0 : a

H1 : ∼a

Pada umumnya, peneliti “ingin” menolakH0. Perhitungan yang dilakukan akan

menghasilkan suatu ukuran tes (test statistic), seperti nilai z atau t. Statistik ini

digunakan untuk melihat apakah peneliti akan menolak H0 (menerima H1) atau

gagal menolak (menerima) H0. Dalam pengujian statistik yang melibatkan proses

inference, selalu terdapat dua kemungkinan kesalahan:

Type 1 error Menolak H0 ketika H0 benar (disebut juga false positive).

Contohnya: (1) Mendiagnosa orang sehat mengalami infeksi;(2) Membuang

produk yang sebenarnya memenuhi standar kualitas.

Type 2 error Menerima H0 ketika H0 tidak benar (disebut juga false negative).

Contohnya: (1)Mendiagnosa orang sakit tidak mengalami infeksi;(2)

Mener-ima/meluluskan produk yang sebenarnya tidak memenuhi standar kualitas.

Nilai berbagai statistik pengujian dapat digunakan untuk menghitung p-value,

yang dapat dikatakan mengukur kemungkinan terjadinya Type 1 error. Dalam

ekonometrika, pengujian yang sering dilakukan adalah melihat apakah suatu model/ variabel independen signifikan menjelaskan variabel dependen. Jadi, dalam

pen-gujian signifikansi, p-value mengukur peluang menyatakan bahwa model/variabel

independen tersebut tidak signifikan ketika model/variabel independen tersebut

signifikan. p-value dapat langsung dibandingkan denganconfidence interval (yang

seyogianya telah ditetapkan secara a-priori) untuk memutuskan apakah suatu

4.2 Regresi OLS dengan Stata

Dapat dikatakan seperti “Swiss Army Knife” pemodelan, regresi OLS digunakan secara paling luas dan menjadi alat paling mendasar dalam berbagai aplikasi pe-modelan ekonomi. Sintaks perintah regresi OLS di Stata adalah sebagai berikut:

regressdepvarname indepvarlist regress

Perhatikan bahwa variabel yang pertama disebut adalah (satu) variabel

inde-penden (y), sedangkan variabel yang disebut berikutnya adalah

variabel-variabel independent (x1, x2, . . . , x_j) dalam model persamaan yang hendak

diesti-masi. Berikut adalah contoh perintah dan output regresi dalam Stata dan panduan interpretasinya.

A – Bagian ini adalahglobal test untuk signifikansi model (apakah variasi dalam

model dapat menjelaskan variasi dalam variabel dependen -joint test). Dua

statistik yang dilaporkan adalah statistikF dan p-value-nya.

B – Bagian ini melaporkan goodness of fit dari model, yaitu berapa “persen”

variasi dalam variabel dependen dapat dijelaskan oleh model, yaitu R2 dan

R2 adj. R

2

adj mengkoreksi bias positif pada R

2 akibat penambahan variabel

independen.

C – Konstanta(β0). Stata dapat mencegah adanya konstanta, dengan cara

menam-bahkan opsinoconstant (tidak dianjurkan karena akan membuat estimator

menjadi tidak konsisten).

D – Koefisien parameter estimasi βj untuk masing-masing variabel independen

xj. Bagian ini dapat diinterpretasikan: “Bertambahnya 1 unit weight

E – Standar error parameter estimasi sd(βj).

F – Statistik t untuk masing-masing variabel independen. Statistik t dihitung

dari βj/sd(βj).

G – p-value untuk menguji signifikansi masing-masing variabel.

H – Range masing-masing parameter estimasi dalam rentang confidence interval.

Level yang dilaporkan dapat diatur dengan menambahkan opsi level()

4.3 Penanganan Pelanggaran Asumsi

4.3.1 Heteroskedasitas

Heteroskedasitas adalah keadaan ketika varians error berubah seiring perubahan

nilai variabel independen xj. Heteroskedasitas umumnya tidak menyebabkan

in-dikator menjadi bias, namun menyebabkan kesalahan dalam perhitungan standar error, yang menurunkan efisiensi model.

Deteksi

Terdapat dua metode statistik untuk mendeteksi heteroskedasitas sete-lah suatu model regresi diestimasi:

Breuch-Pagan Tes ini melakukan regresi OLS denganε2 sebagai variabel

depen-den dan fitted values model sebagai variabel independen. Untuk

menggu-nakan seluruh variabel independen dari model utama sebagai variabel

inde-penden, tambahkan opsi rhs. Metode ini mampu mendeteksi

heteroskeda-sitas yang bersifat linear. Perintah untuk melakukan BP-test adalah estat

hettest. Hasil yang dilaporkan adalah LM test-statistic yang mengikuti dis- hettest

tribusi χ2 dan

p-valuenya.

White Tes ini melakukan regresi OLS dengan varepsilon2 sebagai variabel depen-den dan seluruh variabel independepen-den, kuadrat dan hasil perkaliannya dari model utama sebagai variabel independen. Dengan demikian, metode ini mampu mendeteksi heteroskedasitas dalam bentuk yang lebih kompleks.

Pe-rintah untuk melakukan White test adalah estat imtest, white. Hasil imtest

yang dilaporkan termasuk LM test-statistic yang mengikuti distribusiχ2 dan

p-valuenya.

Metode grafis untuk mendeteksi heteroskedasitas adalah dengan melakukan plot error (variabel y) dan salah satu variabel independen (variabel x), yang dapat

Koreksi

Terdapat dua metode statistik untuk menangani heteroskedasitas.

weight Penggunaan weights (timbangan) untuk “menormalkan” efek variabel yang “menyebabkan” heteroskedasitas. Contohnya, varians error adalah linear dari

suatu variabel (Var(ε) = σ2

=αx2), sehingga perlu timbangan 1/x

2

2

menghi-langkan korelasi antara x2 dengan ε. Untuk menggunakan koreksi ini,

tam-bahkan [aweight=varlist] di akhir command, sebelum tanda koma.

Pe-rintah untuk contoh sebulumnya:

gen invdepvar2sq=1/depvar2ˆ2

regress indepvar depvar1 depvar2 [aweight=invdepvar2sq] aweight

robust Tambahkan opsi robust setelah perintah estimasi untuk menggunakan

standard error yang mampu menangani adanya heteroskedasitas

(heteroske-dascity robust). Contoh:

regress indepvar depvar1 depvar2, robust robust

Kedua metode tersebut dapat dikombinasikan. Bila variabel yang menyebabkan heteroskedasitas tersebut diketahui, variabel tersebut dapat ditransformasikan bila dimungkinkan oleh teori yang mendasari spesifikasi model.

4.3.2 Autokorelasi

Autokorelasi adalah adanya hubungan antara error satu observasi dengan error

observasi lainnya. Autokorelasi umumnya lebih umum terjadi pada data time

se-ries, di mana terjadi antara error suatu periode (εt) dengan error periode lainnya

(εt−1, εt₂, . . .). Autokorelasi dapat menyebabkan parameter estimasi menjadi bias, sehingga harus ditangani.

Deteksi

Untuk mendeteksi adanya autokorelasi secara grafis, Stata menyedi-akan tiga perintah:

corrgram varname corrgram

ac varname (grafik autokorelasi) _ac

pac varname (grafik autokorelasi parsial)

pac

Tambahkan opsi lags(#) untuk menampilkan autokorelasi sebanyak# lag.

Terdapat dua metode statistik untuk mendeteksi adanya autokorelasi.

Durbin-Watson Pengujian Durbin-Watson hanya dapat mendeteksi autokorelasi

dengan lag 1 error (εt−1). Statistik Durbin Watson berada di antara 0-4.

Nilai dekat 0 mengindikasikan autokorelasi positif, sedangkan nilai dekat 4 mengindikasikan autokorelasi negatif. Dengan demikian, nilai dekat 2 mengindikasikan tidak adanya autokorelasi. Perintah untuk menampilkan

Durbin menghasilkan estat durbinalt yang memungkinkan uji hipotesis. _durbinalt

Tambahkan opsi lags(numlist) untuk menspesifikasikan lag autokorelasi

yang diuji.

Breuch-Godfrey Tes Breuch-Godfrey dilakukan dengan melakukan regresi error terhadap error lag periode yang dispesifikasikan. Perintah untuk BG test di Stata adalah sebagai berikut:

estat bgodfrey, lags(numlist) bgodfrey

di mana numlist adalah lag-lag yang ingin diuji (dapat lebih dari satu).

Pengujian sebanyak lebih dari 1 lag periode dilakukan secara terpisah.

Koreksi

Koreksi untuk masalah autokorelasi sebaiknya dilakukan mengubah spesifikasi model, atau menggunakan metode time series (bukan hanya OLS), seperti penambahan lag variabel dependen ke dalam model (model AR). Walau demikian, terdapat dua metode OLS yang mampu menangani autokorelasi. Per-tama, menggunakan transformasi Cochrane-Orkutt dengan perintah sebagai berikut:

prais depvar indepvarlist, corc prais

Perintah ini memiliki berbagai opsi dan pendekatan lain untuk menangani autoko-relasi yang dapat dieksplorasi lebih lanjut. Kedua, menggunakan standar error Newey-West yang robust terhadap autokorelasi (dan heteroskedasitas) dengan pe-rintah sebagai berikut:

newey depvar indepvarlist, lag(#) newey

Perintah ini memungkinkan penanganan lagsdengan order yang lebih tinggi. Lags

maksimum yang digunakan dalam model dapat dispesifikasikan menggunakan opsi

lags(#)

4.3.3 Multikolinearitas

Multikolinearitas adalah adanya kombinasi linear korelasi antara variabel-variabel independen, yang menyebabkan adanya korelasi. Kolinearitas antara dua variabel independen dapat dilihat secara grafis dengan menggunakan perintah

graph matrix varlist.

Dalam Stata, statistik untuk mendeteksi multikolinearitas dapat ditampilkan

dengan perintah estat vif. Nilai Mean VIF yang lebih dari 10 dapat dikatakan vif

mengindikasikan adanya kolinearitas. Namun, tidak terdapat batasan yang definitif mengenai statistik ini untuk menguji hipotesis secara statistik.

yang tidak berkorelasi (terutama untuk data time series). Multikolinearitas mu-lai menjadi masalah bila terdapat variabel yang ‘benar-benar’ bergerak bersama (korelasi >90%). Hal ini dapat menyebabkan variabel-variabel yang mengalami kolinearitas secara bersama-sama tidak signifikan, sedangkan sebenarnya

berpen-garuh terhadap variabel dependen (signifikan secarajoint test). Kolinearitas akan

hilang dengan mengeluarkan variabel yang ber-kolinear dari model. Namun, hal

tersebut dapat menyebabkan omitted variabel bias yang serius. Tidak terdapat

metode yang definitif untuk menangani multikolinearitas, sehingga menjadi kebi-jakan peneliti untuk memutuskan variabel yang tetap dimasukkan dalam model bilamana terjadi multikolinearitas.

4.4 Instrumental Variables

Penggunakan Instrumental Variables (berikutnya disebut IV) dalam regresi adalah salah satu teknik untuk menangani pelanggaran asumsi adanya korelasi antara

satu atau lebih variabel independen dengan error term ε. Dimulai dari spesifikasi

persamaan utama;

yi =β0+β1x1i+· · ·+βjxji+βkxki+· · ·+βmxmi+εi

di mana variabel-variabel βkxki+· · ·+βmxmi berkorelasi dengan error;

Corr((x_k, . . . , x_m), ε_i)̸= 0

Pelanggaran ini akan menyebabkan estimator yang bias dan tidak konsisten. Pen-gujian dapat dilakukan dengan cara regresi dengan menggunakan error dari model utama sebagai variabel dependen.

Untuk mengatasi masalah bias yang ditimbulkan, diperlukan adanya variabel

z1, z2, . . . , z_v yang berkorelasi dengan variabel yang bermasalah dan tidak berko-relasi dengan error untuk dijadikan IV untuk variabel yang bermasalah tersebut. Dengan demikian, variabel independen dalam model tidak lagi berkorelasi dengan error, sehingga dapat dihasilkan parameter yang konsisten.

Perintah untuk menerapkan regresi dengan IV adalah:

ivregress method depvar indepvarlist (indepvarlist2 = ivvarlist) ivregress

method adalah cara melakukan estimasi dengan IV. 3 metode yang dapat dipilih adalah 2SLS, liml dan gmm.

depvar adalah variabel independen yang diestimasi.

indepvarlist2adalah variabel-variabel independen yangmengalami masalah ko-relasi dengan error, sehingga dicarikan variabel instrumen.

ivvarlistadalah variabel-variabel yang dijadikan Instrumental Variable.

4.5 Specification Test

Pengujian spesifikasi adalah salah satu topik paling penting dalam pemodelan, di mana spesifikasi persamaan regresi diuji untuk mendapatkan fungsi regresi populasi yang sedekat mungkin dengan fungsi “asli”. Teori yang dipelajari melalui

pemode-lan sering memberi usul mengenai bentuk persamaan model secara a priori, yang

tidak selalu didukung dengan temuan parameter estimasi. Hal ini membuat pen-gujian spesifikasi menjadi penting: Data dapat mengusulkan temuan yang berbeda dengan teori, atau memperlihatkan bahwa teori tersebut benar atau tidak. Men-dapat “informasi” yang tepat dari data adalah tujuan dari pengujian spesifikasi: Apakah suatu variabel signifikan dalam model, bagaimana seharusnya suatu va-riabel dispesifikasikan dalam model (linear, logaritma, dlsb.), dan apakah perlu ditambahkan variabel independen lainnya ke dalam model.

Dua hal perlu diperhatikan dalam pengujian spesifikasi. Pertama, adanya

va-riabel yangredundantatau tidak signifikan tidak akan parameter estimasi menjadi

bias, namun akan mengurangi degrees of freedom dan efisiensi model. Kedua,

adanya variabel yang signifikan namun tidak dimasukkan dalam suatu model akan membuat parameter menjadi bias. Bias memiliki pengaruh yang lebih merusak dibandingkan inefisiensi. Hal ini menunjukkan pentingnya pengujian spesifikasi yang dilakukan secara benar.

Metode formal uji spesifikasi cukup luas, termasuk pengujian manual seperti

dalam metode Mizon dan Richard (1986)§ _{atau Davidson MacKinnon “J Test”}

(1981)¶ _{untuk non-nested model dan metode Ramsey Regression Error}

Specifica-tion Test (RESET)‖_{. Stata memilikicommanduntuk melakukan pengujian Ramsey}

RESET, dengan perintah sebagai berikut:

estat ovtest ovtest

§_{Masukkan berbagai bentuk spesifikasi fungsional dari variabel yang sama ke dalam model, dan}

uji menggunakan Wald test apakah koefisien untuk masing-masing kelompok spesifikasi apakah koefisionnya sama dengan 0.

¶_{Untuk mempelajari bentuk fungsional spesifikasi A dan B, lakukan estimasi untuk kedua}

persamaan tersebut, dan diambil error masing-masing persamaan. Ambil persamaan dari satu model (misal model A) dan masukkan ke model satunya (Model B) sebagai variabel independen. Lakukan regresi model satunya tersebut dengan error. Bila koefision error model A dalam model B tersebut tidak signifikan, model A telah dispesifikasikan dengan benar. Prosedur yang sama dilakukan untuk model B.

‖_{Mengambil polinomial dari fitted values dan memasukkannya ke dalam model utama. Bila}

ovtest adalah singkatan untuk ommited variable test. Perintah ini dapat di-lakukan setelah estimasi OLS. Bila kita ingin menggunakan polinomial dari va-riabel independen (bukan hanya fitted values vava-riabel dependen), tambahkan opsi

rhs.

4.6 Setelah estimasi…

4.6.1 Perintah predict

Perintah predict berguna untuk membuat prediksi dari estimasi yang telah

di-lakukan, baik prediksi fitted values, residual, dan lainnya. Berikut sintaks perintah tersebut.

predict varname, options predict

Hasil perintah tersebut dimasukkan dalam variabel baru (varname) yang

dispesi-fikasikan. Nilai yang dapat diprediksi dispesifikasikan dalam options:

xb Analogis dengan Xβ, yaitu prediksi linear/fitted values dari model.

residuals Error εi hasil regresi.

rstd Nilaistandardized dari error.

stdp Standar error nilai fitted values.

stdf Standar error nilai forecast (nilai baru).

stdr Standar error nilai error.

4.6.2 Perintah estimates

Perintah estimates berguna untuk menyimpan, mengelola dan mengakses hasil estimates

estimasi yang telah dilakukan sebelumnya. Dengan adanya fitur ini, kita tidak perlu

menyimpan log-file Stata(.smcl)hanya untuk menyimpan hasil estimasi (lihat opsi

save). Di samping itu, perintah ini juga menyimpan lebih banyak detail yang tidak

ditampilkan dalam tabel laporan estimasi. Berikut adalah beberapa penggunaan perintah tersebut.

estimates store modelname — menyimpan hasil regresi ke dalam memori

(hilang bila Stata dimatikan) dengan nama modelname. Untuk

mengak-ses/mengaktifkan kembali hasil estimasi yang telah di-store, gunakan perintah

estimates restore modelname.

estimates save filename — menyimpan hasil regresi dengan nama filename

ke hard-disk. Untuk mengakses kembali hasil estimasi yang telah di-save,

estimates replay modelnamelist — menampilkan kembali laporan/tabel esti-masi untuk hasil model-model dalam memori. Untuk menampilkan kembali perintah regresi yang dilakukan dalam suatu model yang disimpan, gunakan

perintah estimates describe modelname (hanya satu model).

estimates table modelnamelist, options — menampilkan satu atau lebih

hasil estimasi dalam suatu tabel secara vertikal, yang (terutama) berguna untuk memilih model. Opsi yang dapat digunakan adalah:

• Menampilkan beberapa statistik sekaligus untuk satu model, atau meng-gunakan ‘bintang’ (*) untuk menandai variabel yang signifikan. Bila kita ingin menampilkan beberapa statistik sekaligus, tambahkan

statis-tik yang diinginkan secara langsung: b(koefisien estimasi),se(standard

error koefisien estimasi),t (statistiktterkait) dan p(p-value). Bila kita

ingin menggunakan ‘bintang’ tambahkan opsistar(#1 #2 #3), di mana

#1 adalah angka untuk mendapat 1 bintang, #2 adalah angka untuk

mendapat 2 bintang, dan seterusnya.

• Menampilkan statistik goodness of fit model. Statistik yang dapat

dita-mpilkan dimasukkan dalam stat(list), di mana list dapat berupa r2

(R2),

r2_a (adjustedR2)

ll (likelihood ratio), N(jumlah sampel), df_r

(degress of freedom model), AICdan BIC.

Untuk menunjukkan bagaimana menggunakanestimatesdigunakan, beberapa

baris perintah berikut ini dapat menampilkan contohnya.

sysuse auto, clear regress pr mp re tr estimates store model1 regress pr mp re

estimates store model2

estimates table model1 model2, b se p stats(r2 r2_a df_r) estimates table model1 model2, star(0.05 0.01 0.001) estimates describe model1

estimates describe model2 estimates replay model1 model2

Alternatif perintahestimates tableyang memiliki kemampuan menampilkan

beberapa statistik sekaligus dan bintang secara bersamaan, kontrol hasil tampilan

lebih baik serta ekspor hasil ke program lain (seperti LATEX) adalah paket estout.

Gunakan perintah ssc install estout, replace untuk meng-install paket ini