60-181-1-PB
-
Upload
afriliani-tri-lestari -
Category
Documents
-
view
47 -
download
0
description
Transcript of 60-181-1-PB
-
233
PERBANDINGAN MODEL REGRESI TOBIT DAN MODEL
REGRESI TERPOTONG
(Studi Kasus Data Konsumsi Rokok Rumah Tangga Kota Kediri 2011)
Asri Rizza Umami, Samingun Handoyo, Rahma Fitriani
Jurusan Matematika, F.MIPA, Universitas Brawijaya
Email : [email protected]
Abstrak. Analisis regresi merupakan salah satu metode statistika yang digunakan untuk mengetahui hubungan antara satu
peubah tak bebas dengan beberapa peubah bebas. Model regresi yang digunakan untuk menjelaskan hubungan antara peubah
tak bebas dengan beberapa peubah bebas yang memuat data tersensor adalah model regresi Tobit. Data tersensor adalah data
yang sebagian besar pengamatan tidak terobservasi sehingga bernilai nol, sedangkan untuk sebagian pengamatan lain
mempunyai nilai tertentu yang bervariasi. Data tersensor ini mengikuti sebaran normal tersensor. Model regresi yang
digunakan untuk menjelaskan hubungan antara peubah tak bebas dengan beberapa peubah bebas yang memuat data terpotong
adalah model regresi terpotong. Data terpotong adalah data dengan peubah tak bebas yang mengalami pembatasan atau
pemotongan untuk tujuan tertentu. Data terpotong ini mengikuti sebaran normal terpotong.. Pada penelitian ini akan
dibandingkan model regresi Tobit dan model regresi terpotong pada data pengeluaran konsumsi rokok rumah tangga kota
Kediri 2011 yang banyak dijumpai zero consumption (rumah tangga yang tidak mengkonsumsi rokok) dengan kriteria
perbandingan MSE (Mean Square Error) dan (Akaike Information Criterion) AIC. Model regresi Tobit melibatkan
keseluruhan data, sedangkan pada model regresi terpotong data dengan peubah tak bebas tanpa nol yang digunakan (tanpa
zero comsumption). Hasil analisis menunjukkan model regresi terpotong yang terbentuk lebih baik dari model regresi Tobit.
Kata Kunci : Model Regresi Tobit, Model Regresi Terpotong, Zero Consumption, MSE, AIC
1. PENDAHULUAN
Regresi linier klasik menggunakan peubah tak bebas minimal berskala interval, sedangkan bila
peubah tak bebas berskala kontinu dengan kisaran nilai lebih besar dari nol menggunakan regresi lain.
Peubah tak bebas berskala kontinu dengan kisaran nilai besar sering dijumpai pada survey konsumsi
atau pengeluaran rumah tangga pada bidang sosial dan ekonomi. Pada survey tersebut terdapat
sebagian rumah tangga tidak mengkonsumsi komoditas tertentu seperti terdapat rumah tangga tidak
mengkonsumsi rokok. Kondisi ini disebut dengan zero consumption. Dalam ilmu ekonomi keadaan
tersebut berimplikasi peubah tak bebas yang tersensor (peubah tak bebas yang mempunyai nilai nol
untuk sebagian pengamatan, sedangkan untuk sebagian pengamatan lain mempunyai nilai tertentu
yang bervariasi). Nilai nol pada peubah tak bebas menunjukkan bahwa rumah tangga tersebut tidak
mengkonsumsi rokok. Jenis data yang mempunyai varibel tak bebas tersensor dinamakan data
tersensor (censored data) (Greene, 1990). Permasalahan regresi yang memuat data tersensor
menggunakan regresi Tobit. Dalam bidang ekonomi seringkali dijumpai penelitian dengan peubah tak
bebas Y yang dibatasi untuk tujuan tertentu, misalkan saja dibatasi pada titik tertentu. Peubah tak
bebas yang mengalami pembatasan atau pemotongan disebut data terpotong. Permasalahan regresi
yang memuat data terpotong menggunakan regresi terpotong. Pada penelitian ini akan dibandingkan
model regresi Tobit dan model regresi terpotong pada data pengeluaran konsumsi rokok rumah tangga
kota Kediri 2011. Model regresi Tobit melibatkan keseluruhan data, sedangkan model regresi
terpotong data dengan peubah tak bebas tanpa nol yang digunakan (tanpa zero comsumption).
2. TINJAUAN TEORI
Jenis data tersensor merupakan data yang memuat nilai nol pada sebagian pengamatan
sedangkan untuk sebagian lain mempunyai nilai tertentu yang bervariasi. Peubah pengamatan
dikatakan tersensor bila mengikuti persamaan:
{
di mana i = 1,2, ... ,n dan n adalah banyaknya observasi dan adalah peubah tak bebas latent.
Model Tobit dibentuk dengan mengasumsikan ada hubungan linier antara dengan peubah bebas x yang dinyatakan dengan:
di mana:
: peubah tak bebas latent yang diamati
-
234
X : peubah bebas
: koefisien vektor yang berukuran kx1 yang tidak diketahui, k adalah banyaknya parameter
: residual model yang mengikuti sebaran normal tersensor (0, 2)
Model Tobit dengan peubah tak bebas tersensor memiliki distribusi normal tersensor di mana nilai
rata-rata Xi dan ragam . Pendugaan parameter regresi Tobit menggunakan metode Maximum Likelihood Estimation
(MLE).. Sehingga diperoleh nilai taksiran sebagai berikut.
( ) ( )
dengan : vektor 1 x k : vektor 1 x k :( )
:
di mana adalah pdf dari distribusi normal standar.
: ( )
: ( )
Pendugaan parameter regresi Tobit di atas menghasilkan sebuah persamaan non linier. Untuk
menyelesaikan persamaan non linier pada regresi Tobit digunakan metode iterasi Newton Raphson.
Regresi terpotong adalah suatu bentuk regresi yang memotong beberapa nilai pengamatan dari
sampel. Jika peubah tak bebas y terbatas pada titik tertentu, maka model regresi ini disebut regresi
terpotong. Hubungan antara peubah bebas dan peubah tak bebas dinyatakan dalam bentuk:
di mana adalah peubah tak bebas, adalah vektor penduga parameter, adalah peubah bebas
berukuran kx1, dan adalah sisaan (galat) yang bebas dan berdistribusi normal dengan nilai tengah nol dan ragam 2. Pada model regresi terpotong, pendugaan dilakukan hanya terhadap ( ), dengan a adalah batas pemotong tertentu.
Metode untuk melakukan pendugaan parameter regresi terpotong menggunakan Maksimum
Likelihood karena lebih efisien dibanding metode lain.
( | )
[
(
)
]
[ (
)]
Dalam mempermudah pemodelan maka dilakukan pendugaan kembali sebagai berikut:
dan
Maka fungsi log Likelihood di atas menjadi:
( | )
( )
( ) ( ( ))
Nilai dan akan diduga kembali dengan menggunakan metode iterasi Newton Rhapson
( | )
( ) ( ) (1)
( | )
)
( ) (2)
dengan ( ) ( )
( ) dan
Karena masing-masing persamaan (1) dan (2) masih mempunyai parameter lain yang belum diketahui.
Oleh karena itu diperlukan metode iterasi untuk memperoleh nilai dan menggunakan metode Newton Raphson.
Pengujian normalitas digunakan untuk melihat residual atau galat terdistribusi normal atau
tidak. Untuk menguji asumsi kenormalan galat digunakan uji Kolmogorov Smirnov. Autokorelasi
-
235
didefinisikan sebagai ada korelasi antara anggota serangkaian observasi yang diurutkan menurut
waktu atau ruang. Untuk mendeteksi autokorelasi digunakan uji Durbin-Watson.
Multikolinearitas adalah adanya hubungan linier yang sempurna di antara beberapa atau semua peubah bebas dari model regresi berganda. Pendeteksian multikolinearitas dilakukan dengan
melihat nilai VIF (Variance Inflation Factor). Homoskedastisitas, scedasticity (penyebaran) dan
homos (sama) yaitu ragam yang sama. Untuk mendeteksi asumsi homokedastisitas ini dapat dilakukan
dengan melihat plot residual.
Untuk menguji taksiran parameter, statistik uji yang biasa digunakan adalah uji Wald,
Likelihood Ratio (LR). Uji serentak digunakan untuk menguji parameter secara keseluruhan atau
bersama-sama. Pengujian menggunakan metode likelihood ratio atau uji G.
Pemilihan model terbaik adalah tujuan utama dari penelitian ini. Pemilihan model terbaik dari
model regresi Tobit dan medol regresi terpotong menggunakan MSE dan AIC.
( )
Selisih nilai ( ) merupakan nilai galat ( ).
AIC = -2 ln (maximum likelihood) + 2 (number of parameters)
Menurut metode MSE danAIC model regresi terbaik adalah model regresi yang mempunyai nilai MSE
dan AIC terkecil.
3. HASIL DAN PEMBAHASAN
Pada penelitian ini pemeriksaan asumsi normalitas dilakukan menggunakan uji Kolmogorov-
Smirnov. Hasil pengujian Kolmogorov-Smirnov secara ringkas disajikan pada Tabel 1.
Tabel 1. Hasil pengujian Kolmogorov-Smirnov
Data P Kolmogorov-Smirnov (= 0.05) Keterangan
Tersensor 0.079 Galat mengikuti sebaran Normal
Terpotong 0.637 Galat mengikuti sebaran Normal
Dapat disimpulkan galat pada semua data mengikuti sebaran Normal, karena p Kolmogorv-
Smirnov lebih besar dari . Pemeriksaan asumsi Non Autokorelasi (kebebasan galat) menggunakan uji Durbin-Watson.
Hasil pengujian Durbin-Watson secara ringkas disajikan pada Tabel 2.
Tabel 2. Hasil pengujian Durbin-Watson
Data Nilai Statistik Durbin-Watson dL dU Keterangan
Tersensor 2.066 1.7176 1.8199 Asumsi kebasan galat terpenuhi
Terpotong 2.167 1.7146 1.8033 Asumsi kebasan galat terpenuhi
Dari hasil pengujian di atas menunjukkan asumsi Non Autokorelasi atau kebebasan galat
terpenuhi, tidak adanya korelasi antara anggota dalam serangkaian pengamatan, karena nilai statistik
Durbin-Watson lebih besar dari dU.
Hasil pengujian multikolinieritas menunjukkan peubah bebas pada semua data memiliki nilai
VIF kurang dari 10. Hal ini berarti pada data tersensor dan terpotong yang digunakan tidak terjadi
kasus multikolinieritas di antara peubah bebas.
Asumsi homoskedastisitas dilakukan dengan melihat plot residual. Berdasarkan plot residual
pada masing-masing data tidak membentuk pola. Hal ini menunjukkan galat pada data tersensor dan
data terpotong mempunyai varians yang sama.
Hasil pendugaan koefisien regresi menggunakan model regresi Tobit secara ringkas disajikan
pada Tabel 3. Dari hasil tabel tersebut dapat disimpulkan koefisien yang mempunyai pengaruh positif
terhadap konsumsi rokok adalah proporsi anggota rumah tangga dewasa dalam rumah (PAR) dan
harga barang komplemeter (HBR). Model penuh (full model) hasil analisis menggunakan Regresi
Tobit adalah sebagai berikut:
-
236
Tabel 3. Hasil pendugaan koefisien regresi menggunakan model regresi Tobit
Peubah Koefisien Std.Error
PAR 755.9343 229.5706
PRT 0.0061861 0.0039523
PKR 9473.044 8734.447
JAR 1616.561 3830.952
HBR 60.60423 6.548305
Konstanta -90500.43 28884.08
Dapat disimpulkan koefisien yang mempunyai pengaruh positif terhadap konsumsi rokok
adalah proporsi anggota rumah tangga dewasa dalam rumah (PAR) dan harga barang komplemeter
(HBR). Model penuh (full model) hasil analisis menggunakan Regresi Tobit adalah sebagai berikut:
Hasil pendugaan koefisien regresi menggunakan model regresi terpotong secara ringkas
disajikan pada Tabel 4. Dari hasil tabel tersebut dapat disimpulkan koefisien yang mempunyai
pengaruh positif terhadap konsumsi rokok adalah pendapatan rumah tangga (PRT). Model penuh (full
model) hasil analisis menggunakan regresi terpotong adalah sebagai berikut:
Tabel 4 . Hasil pendugaan koefisien regresi menggunakan model regresi terpotong
Peubah Koefisien Std.Error
PAR 257.9547 191.7975
PRT 0.0199004 0.0031728
PKR -5017.607 6897.759
JAR 380.7286 3192.241
HBR 8.92129 6.84131
Konstanta 33763.62 25914.67
Pemilihan model terbaik dilakukan menggunakan nilai MSE dan AIC. Nilai MSE dan AIC dari
model regresi Tobit dan model regresi terpotong disajikan pada Tabel 5.
Tabel 5. Nilai MSE dan AIC dari model regresi Tobit dan model regresi terpotong
Nilai Model Regresi Tobit Model Regresi Terpotong
MSE 0.000408 0.0000718
AIC 5532.417 4355.8586
Dapat diketahui model regresi terpotong yang terbentuk lebih baik dari model regresi Tobit
karena memiliki nilai MSE dan AIC yang lebih kecil.
4. KESIMPULAN
Berdasarkan nilai MSE (Mean Square Error) dan AIC (Akaike Information Criterion) model
regresi terpotong yang terbentuk lebih baik dari model regresi Tobit karena memiliki nilai MSE dan
AIC yang lebih kecil. Hal ini disebabkan zero expendicture pada model regresi Tobit mencerminkan
seseorang yang tidak mempunyai keinginan untuk mengkonsumsi rokok.
DAFTAR PUSTAKA
Fair, R. C., (1977), A Note on the Computation of The Tobit Estimator. Jurnal Econometrica, 45(7).
Greene, W.H., (1990), Econometric Analysis, Macmillan Publishing Company, New York.
Gujarati, D., (1991), Basic Econometrics, Mc-Graw-Hill, Inc.
Long, J. S., (1997), Regression Models For Categorical and Limited Dependent Variables, Thousand
Oaks, SAGE Publication. Inc, CA.
Tobin, J., (1958), Estimation of Relationship for Limited Dependent Variable, Econometrica, 26(1)
hal. 24-36.