ujian tengah semester fakultas ekonomi...
Post on 08-Mar-2019
241 Views
Preview:
TRANSCRIPT
UJIAN TENGAH SEMESTER
FAKULTAS EKONOMI UNIVERSITAS INDONESIA
Mata Kuliah : Ekonometrika 2 Program : ILMU EKONOMI
Tanggal Ujian : 24 MARET 2017
Waktu : 08.30-11.30 (180 Menit)
SifatUjian : CLOSED BOOK
Pengajar : Khoirunurrofik
Petunjuk : 1. Kerjakan soal yang anda anggap mudah terlebih dahulu
2. Semua soal bobotnya sama
3. Jika tidak disebutkan dalam soal, maka gunakan taraf nyata (level of significance )
pengujian 5%
4. Kecuali kalkulator, alat elektronik lainnya (HP, Tablet, dan Laptop) tidak
diperkenankan untuk digunakan selama ujian.
Soal No. 1 (POIN = 20) a. Jelaskan bagaimana anda dapat mendeteksi adanya Autokorelasi dan jelaskan pula
implikasinya serta langkah-langkah yang dapat anda lakukan untuk mengatasinya!. b. Mengapa model non linear (Probit dan Logit) dianggap lebih baik daripada Linear
Probability Model (LPM) jika variable terikat dalam model tersebut adalah variable dummy?
Apa perbedaan asumsi yang digunakan ketika kita menggunakan Probit dan Logit? c. Apa yang dapat menyebabkan terjadinya Cov (x,e)¹0?, disebut apakah permasalahan
tersebut? Mengapa estimasi dengan OLS tidak tepat jika terdapat masalah tersebut?
Apakah solusi yang dapat dilakukan untuk mengatasi masalah tersebut?
d. Sebutkan ciri-ciri data yang bersifat stasioner! Mengapa dalam analisis time series
dibutuhkan persyaratan tersebut? e. Apa persyaratan yang harus dipenuhi kalau kita ingin menggunakan model ARMA? Tuliskan
persaman model untuk ARMA (1,2)!, model untuk ARIMA (0,1,2) dan model ARIMA (1,1,2)
1
Soal No. 2 (POIN= 20).
Seorang mahasiswa melakukan penelitian untuk melihat dampak kenaikan Harga Komoditas
Energi (Harga Bensin dan Tarif Tenaga Listrik) dan Nilai Tukar Rupiah terhadap kenaikan
inflasi dengan model sebagai berikut:
% = ( + * % + 0 % + 2 % + 3 % ∗ + % LIHKt adalah logaritma natural dari IHKt
LPBENSINt adalah logaritma natural dari harga bensin (Rp/Liter)
LTTLt adalah logaritma natural dari tariff tenaga listrik (Rp/KWH)
LNTKt adalah logaritma natural dari nilai tukar rupiah tergadap dollar
(Rp/USD) DCRISIS adalah periode waktu terjadi krisis ekonomi,1997-1999 Dia mengumpulkan data dari Triwulan pertama 1996 sampai triwulan terakhir 2014. Hasil
estimasi dapat dilihat di table berikut:
Source SS df MS Number of obs = 76
F( 4, 71) = 583.64
Model 19.7043825 4 4.92609562 Prob > F = 0.0000
Residual .599263595 71 .008440332 R-squared = 0.9705
Adj R-squared = 0.9688
Total 20.3036461 75 .270715281 Root MSE = .09187
LIHK Coef. Std. Err. t P>|t| [95% Conf. Interval]
LPBENSIN .3227056 .0439463 7.34 0.000 .2350792 .4103321
LTTL .401573 .0778027 5.16 0.000 .2464389 .5567071
LNTK .2276005 .0384943 5.91 0.000 .1508449 .304356
LNTK_DCrisis .0084012 .0049826 1.69 0.096 -.0015339 .0183363
_cons -2.980373 .2393256 -12.45 0.000 -3.457575 -2.503171
a. Tulislah persamaan hubungan antara harga komoditas energi dan nilai tukar dengan inflasi
sebagaimana hasil estimasi model diatas! b. Tentukan komoditas mana yang paling besar mempengaruhi tingkat inflasi! Mengapa anda
memilih variable tersebut? Berilah interpretasi atas koefisien dari variable tersebut!
2
c. Lakukan proyeksi, berapa tingkat inflasi, jika pemerintah bersepakat dengan DPR untuk
menurunkan harga bensin sebesar 10 %, menaikkan harga listrik sebesar 5%, dan nilai tukar
diperkirakan turun sebesar 10%. Asumsikan pada saat itu tidak terjadi krisis ekonomi.
d. Ujilah pula apakah koefisien regresi variabel interaksi antara Nilai Tukar dan Krisis (b4)
signifikan pada taraf nyata (a) 10%? Apa makna dari koefisien tersebut? e. Buatlah grafik dua dimensi untuk mengilustrasikan hasil regresi variablel interaksi antara
Nilai Tukar dan Krisis! Interpretasikan grafik dua dimensi tersebut!
Soal No. 3 (POIN=20).
Dibawah ini adalah tabel-tabel hasil analisis data panel tentang hubungan produktivitas
perusahaan (ValueAdded) dengan karakteristik perusahaan (Age, Lab, DFDI dan lingkungan
geografisnya (ruggedness, fisiografi, geologi).
time-invariant
variab
le dan individual-invariant variable!
Kelompokkan variabel-variabel berikut ini menurut jenis time-invariant variable dan individual-
invariant variable! B. Dari tabel ringkasan dibawah ini, berilah analisis apa makna within variation dan between variation
dari variable jumlah tenaga kerja (Lab) dan produktivitas (Value Added)? C. Buatlah analisis berdasarkan tabel-tabel berikut ini, apakah model OLS lebih baik
dibandingkan model FE! Gunakan informasi yang tersedia! D. Dari model terbaik yang anda pilih, apa interprestasi dari koefisien AGE?, berilah argumen
mengapa anda memilih model tersebut!
3
A. Apa yang dimaksud dengan
. desc year kabu1990 isic2 psid age lab DFDI Dexp ValueAdded ruggedness mfisiography mge
storage display value
variable name type format label variable label
year int %8.0g year of survey
kabu1990 int %8.0g Nama Kabupaten
isic2 byte %8.0g Jenis Industri ISIC 2
psid double %15.0f Kode Perusahaan
age double %10.0g Umur Perusahaan
lab double %10.0g Jumlah tenaga kerja
DFDI double %10.0g Dummy Perusahaan Asing
Dexp double %10.0g Dummy Kegiatan Ekspor
ValueAdded double %10.0g Nilai Tambah
ruggedness float %9.0g
mfisiography float %9.0g (mean) mfisiography
mgeology float %9.0g (mean) mgeology
labprod float %9.0g Produktivitas Tenaga Kerja
emp float %9.0g Jumlah Pekerja
4
. xtsum
Variable
Mean Std. Dev. Min Max
Observations
year overall 2008.425 1.120774 2007 2010 N = 98774
between .6212732 2007 2010 n = 30173
within 1.047458 2006.759 2010.092 T-bar = 3.27359
kabu1990 overall 3349.172 1039.729 1101 8209 N = 98774
between 1091.153 1101 8209 n = 30173
within .1784396 3318.672 3379.672 T-bar = 3.27359
isic2 overall 21.91609 6.921886 15 37 N = 98774
between 6.939492 15 37 n = 30173
within 0 21.91609 21.91609 T-bar = 3.27359
psid overall 45135.02 19286.5 1761 82470 N = 98774
between 19271.01 1761 82470 n = 30173
within 0 45135.02 45135.02 T-bar = 3.27359
age overall 16.59247 13.86754 0 109 N = 98774
between 13.77218 0 108 n = 30173
within 1.047458 14.92581 18.25914 T-bar = 3.27359
lab overall 175.496 666.8267 20 38343 N = 98774
between 606.2743 20 37542.5 n = 30173
within 173.8545 -13698.75 21819 T-bar = 3.27359
DFDI overall .0832203 .2762163 0 1 N = 98774
between .2573833 0 1 n = 30173
within .0761101 -.6667797 .8332203 T-bar = 3.27359
Dexp overall .1342357 .3409071 0 1 N = 98774
between .2894229 0 1 n = 30173
within .1775485 -.6157643 .8842357 T-bar = 3.27359
periode overall 3 0 3 3 N = 98774
between 0 3 3 n = 30173
within 0 3 3 T-bar = 3.27359
ValueA~d overall 87718.59 890527.2 71.31262 1.35e+08 N = 98774
between 815553.6 99.01947 1.06e+08 n = 30173
within 253612.6 -2.17e+07 2.89e+07 T-bar = 3.27359
5
Panel Model
(1) (2) (3) (4)
OLS RE FE DIF
age -316.62757** 1211.12517*** 4727.22739*** (160.1116) (254.7280) (900.6730)
lab 842.01572*** 580.98640*** 328.87922*** (3.3854) (4.0940) (5.4252)
DFDI -75840.60396*** 24860.69496*** -2712.71148 (8140.6921) (9479.0379) (12395.4748)
D.age 3970.45186***
(1437.8559)
D.lab 288.70164***
(5.2357)
D.DFDI 11254.65490
(12478.1884)
_cons -48486.65630*** -31599.84942*** -48209.02773*** (3526.8708) (5471.6524) (15012.3554)
N 98774 98774 98774 68084
r2 0.39213 0.05125 0.04288
r2_a 0.39212 -0.36609 0.04284
p 0.00000 0.00000 0.00000 0.00000
ll -1.46873e+06 -1.36666e+06 -9.70467e+05
Standard errors in parentheses * p<0.10, ** p<0.05, *** p<0.01
Breusch and Pagan Lagrangian multiplier test for random effects
ValueAdded[psid,t] = Xb + u[psid] + e[psid,t]
Estimated results: Var sd = sqrt(Var)
ValueAd~d 7.93e+11 890527.2
e 8.79e+10 296422.1
u 3.48e+11 589955.6
Test: Var(u) = 0 chibar2(01) = 97486.62
Prob > chibar2 = 0.0000
6
Coefficients
(b) (B) (b-B) sqrt(diag(V_b-V_B))
FE RE Difference S.E.
age 4727.227 1211.125 3516.102 863.9013
lab 328.8792 580.9864 -252.1072 3.559755
DFDI -2712.711 24860.69 -27573.41 7987.217
b = consistent under Ho and Ha; obtained from xtreg B = inconsistent
under Ha, efficient under Ho; obtained from xtreg
Test: Ho: difference in coefficients not systematic
chi2(3) = (b-B)'[(V_b-V_B)^(-1)](b-B)
= 5066.15
Prob>chi2 = 0.0000
Soal No. 4 (POIN=20).
Dengan menggunakan data yang sama sebagaimana informasi di SOAL 3, mahasiswa yang lain
ingin mengetahui hubungan antara karakteristik perusahaan (AGE, LAB, DFDI) dengan
keputusan untuk melakukan ekspor (DEXP). Dia menggunakan beberapa binary response model
seperti LPM, Logit, dan Probit Model.
A. Tulislah persamaan model LPM berdasarkan tabel dibawah ini? B. Apa interpretasi dari koefisien LAB di model LPM? Apakah kita bisa
menginterprestasikan secara langsung koefiesin dari hasil estimasi model LOGIT? Apa
kelebihan model LOGIT dibandingkan model LPM? C. Dari informasi yang diberikan, Bandingkan antara model PROBIT dan LOGIT! Manakah
model yang lebih baik? Jelaskan alasannya? D. Berdasarkan jawaban C, berilah interpretasi atas koefisien marginal effects dari AGE dan
LAB?
E. Apa yang dimaksud dengan ODD RATIO? Apa makna koefisien odd ratio dari AGE dan
LAB berdasarkan model LOGIT?
7
BINARY Model
(1) (2) (3)
LPM PROBIT LOGIT
main age -0.00025*** -0.00118*** -0.00234***
(0.0001) (0.0004) (0.0007)
lab 0.00005*** 0.00017*** 0.00041***
(0.0000) (0.0000) (0.0000)
DFDI 0.26229*** 0.88630*** 1.50219***
(0.0058) (0.0154) (0.0259)
_cons 0.10772*** -1.23338*** -2.11236***
(0.0017) (0.0083) (0.0158)
N 98774 98774 98774
r2 0.06267
r2_a 0.06264
p 0.00000 0.00000 0.00000 ll -30662.26961-36661.60392-36630.32000 Standard errors in parentheses * p<0.10, ** p<0.05, *** p<0.01
Probit model for Dexp
True
Classified D ~D Total
+ 230 228 458
- 13029 85287 98316
Total 13259 85515 98774
Classified + if predicted Pr(D) >= .5 True D defined as Dexp != 0
Sensitivity Pr( +| D) 1. 73%
Specificity Pr( -|~D) 99. 73%
Positive predictive value Pr( D| +) 50. 22%
Negative predictive value Pr(~D| -) 86. 75%
False + rate for true ~D Pr( +|~D) 0. 27%
False - rate for true D Pr( -| D) 98. 27%
False + rate for classified + Pr(~D| +) 49. 78%
False - rate for classified - Pr( D| -) 13. 25%
Correctly classified 86. 58%
8
. margins, dydx(lab)
Average marginal effects Number of obs = 98774
Model VCE : OIM
Expression : Pr(Dexp), predict() dy/dx w.r.t. : lab
Delta-method dy/dx Std. Err. z P>|z| [95% Conf. Interval]
lab .0000343 1.34e-06 25.65 0.000 .0000316 .0000369
. margins, dydx(age)
Average marginal effects Number of obs = 98774
Model VCE : OIM
Expression : Pr(Dexp), predict() dy/dx w.r.t. : age
Delta-method dy/dx Std. Err. z P>|z| [95% Conf. Interval]
age -.000239 .0000759 -3.15 0.002 -.0003877 -.0000903
Logistic model for Dexp
True
Classified D ~D Total
+ 332 362 694
- 12927 85153 98080
Total 13259 85515 98774
Classified + if predicted Pr(D) >= .5 True D defined as Dexp != 0
Sensitivity Pr( +| D) 2. 50%
Specificity Pr( -|~D) 99. 58%
Positive predictive value Pr( D| +) 47. 84%
Negative predictive value Pr(~D| -) 86. 82%
False + rate for true ~D Pr( +|~D) 0. 42%
False - rate for true D Pr( -| D) 97. 50%
False + rate for classified + Pr(~D| +) 52. 16%
False - rate for classified - Pr( D| -) 13. 18%
Correctly classified 86. 55%
9
. margins, dydx(lab)
Average marginal effects Number of obs = 98774
Model VCE : OIM
Expression : Pr(Dexp), predict() dy/dx w.r.t. : lab
Delta-method dy/dx Std. Err. z P>|z| [95% Conf. Interval]
lab .0000443 1.86e-06 23.79 0.000 .0000407 .000048
. margins, dydx(age)
Average marginal effects Number of obs = 98774
Model VCE : OIM
Expression : Pr(Dexp), predict() dy/dx w.r.t. : age
Delta-method dy/dx Std. Err. z P>|z| [95% Conf. Interval]
age -.000254 .0000768 -3.31 0.001 -.0004046 -.0001034
Logistic regression Number of obs
LR chi2(3)
Prob > chi2
Log likelihood = -36630.32 Pseudo R2
= 98774 = 4644.40 = 0.0000 = 0.0596
Dexp Odds Ratio Std. Err. z P>|z| [95% Conf. Interval]
age .9976658 .0007054 -3.31 0.001 .9962842 .9990493
lab 1.000408 .0000172 23.66 0.000 1.000374 1.000442
DFDI 4.491499 .1164546 57.94 0.000 4.268955 4.725645
_cons .1209521 .0019139 -133.50 0.000 .1172585 .124762
10
Soal No. 5 (POIN=20).
Dengan data yang sama seperti soal 3, mahasiswa yang lain mencoba menguji faktor-faktor yang
mempengaruhi produktivitas namun dengan variabel yang lain yaitu nilai tambah per pekerja
(LABPROD). Adapun varibel yang diperkirakan mempengaruhi produktitas perusahaan tersebut
antara lain EMP, AGE, LAB, DFDI, dan DEXP. Namun si mahasiswa curiga bahwa variabel
EMP adalah variabel endogen yang dapat menyebabkan kesalahan spesifikasi model.
A. Dari informasi tabel-tabel yang diberikan, apa yang akan terjadi jika benar bahwa
variabel EMP adalah variabel yang bersifat ENDOGEN? Apa akibatnya jika kita tetap
mengestimasinya menggunakan OLS?
B. Dari tabel yang diberikan, tentukan arah bias dari koefisien yang diduga bersifat
ENDOGEN?
C. Apa solusi yang bisa dilakukan untuk mengatasi masalah Endogeneity?
D. Setelah dilakukan estimasi dengan menggunakan variabel instrumen, tentukan apa
metode estimasi yang tepat dan digunakan di Model 2 dan Model 3? Apa yang
membedakan keduanya?
E. Model manakah yang lebih baik untuk mengatasi masalah Endogeneity tersebut? Berilah
penjelasan berdasarkan informasi dan uji-uji yang telah dilakukan? Benarkah bahwa bahwa
EMP adalah variabel endogen? Tepatkah variabel-variabel instrumen yang digunakan untuk
memproksi EMP? Jika ya, berilah argumen menurut intuisi persyaratan variabel-variabel
instrumen yang baik dan juga buktikan menurut pengujian yang relevan!.
11
INSTRUMENTAL Model
(1) (2) (3)
OLS TSLSJUST TSLSOVER
emp 0.00015*** 0.00022*** 0.00079***
( 0.0000) (0.0000) (0.0000)
age 1.04603*** 1.06999*** 1.25722***
( 0.1275) (0.1287) (0.1418)
lab 0.03937*** 0.03718*** 0.02009***
( 0.0027) (0.0031) (0.0032)
DFDI 350.52263*** 330.03350*** 169.92825***
( 6.7418) (15.1239) (12.4667)
Dexp 11.85923** 17.83126*** 64.49765***
( 5.3432) (6.6477) (6.5967)
_cons 198.61185*** 172.94932*** -27.58176**
( 3.2396) (17.2580) (13.0060)
N 98774 98774 98774
r2 0.05516 0.05239 .
r2_a 0.05511 0.05234 .
p 0.00000 0.00000 0.00000 ll -7.63953e+05
Standard errors in parentheses
* p<0.10, ** p<0.05, *** p<0.01
12
. ivregress 2sls labprod (emp = ruggedness ) age lab DFDI Dexp, first
First-stage regressions
Number of obs = 98774
F( 5, 98768) = 939.65
Prob > F = 0.0000
R-squared = 0.0454
Adj R-squared = 0.0454
Root MSE = 4.117e+05
emp Coef. Std. Err. t P>|t| [95% Conf. Interval]
age -443.3234 95.0266 -4.67 0.000 - 629.5744 -257.0724 lab 30.20905 2.017401 14.97 0.000 26.25497 34.16313
DFDI 279609.5 4939.155 56.61 0.000 269928.8 289290.2
Dexp -78277.36 3971.592 -19.71 0.000 - 86061.63 -70493.08
ruggedness -26.66416 .9524546 -28.00 0.000 - 28.53096 -24.79736
_cons 394318.6 2572.383 153.29 0.000 389276.7 399360.4
Instrumental variables (2SLS) regression Number of obs = 98774 Wald chi2(5) = 4525.85
Prob > chi2 = 0.0000
R-squared = 0.0524
Root MSE = 553.84
labprod Coef. Std. Err. z P>|z| [95% Conf. Interval]
emp .0002229 .0000481 4.64 0.000 .0001287 .0003171 age 1.069989 .1287095 8.31 0.000 .8177233 1.322255
lab .0371785 .0030772 12.08 0.000 .0311474 .0432097
DFDI 330.0335 15.12387 21.82 0.000 300.3913 359.6757
Dexp 17.83126 6.64766 2.68 0.007 4.80209 30.86044
_cons 172.9493 17.25802 10.02 0.000 139.1242 206.7744
Instrumented: emp Instruments: age lab DFDI Dexp ruggedness
. estat endogenous
Tests of endogeneity
Ho: variables are exogenous
Durbin (score) chi2(1) = 2.29887 (p = 0.1295)
Wu-Hausman F(1,98767) = 2.29876 (p = 0.1295)
13
. estat firststage, forcenonrobust
First-stage regression summary statistics
Adjusted Partial Variable R-sq. R-sq. R-sq. F(1,98768) Prob > F
emp 0.0454 0.0454 0.0079 783.731 0.0000
Minimum eigenvalue statistic = 783.731
Critical Values # of endogenous regressors: 1 Ho: Instruments are weak # of excluded instruments: 1
5% 10% 20% 30% 2SLS relative bias (not available)
10% 15% 20% 25% 2SLS Size of nominal 5% Wald test 16.38 8.96 6.66 5.53
LIML Size of nominal 5% Wald test 16.38 8.96 6.66 5.53
. ivregress 2sls labprod (emp = ruggedness mfisiography mgeology) age lab DFDI Dexp, first
First-stage regressions
Number of obs = 98774
F( 7, 98766) = 816.73
Prob > F = 0.0000
R-squared = 0.0547
Adj R-squared = 0.0547
Root MSE = 4.097e+05
emp Coef. Std. Err. t P>|t| [95% Conf. Interval]
age -388.9311 94.61185 -4.11 0.000 -574.3691 -203.493
lab 29.65565 2.007639 14.77 0.000 25.7207 33.59059
DFDI 263635.6 4945.91 53.30 0.000 253941.6 273329.5
Dexp -70211.45 3961.977 -17.72 0.000 -77976.88 -62446.02
ruggedness -16.71902 1.033898 -16.17 0.000 -18.74544 -14.69259
mfisiography 34808.24 1120.614 31.06 0.000 32611.85 37004.63
mgeology 11273.42 1812.556 6.22 0.000 7720.832 14826.01
_cons 268604.3 5655.787 47.49 0.000 257519 279689.6
Instrumental variables (2SLS) regression Number of obs = 98774
Wald chi2(5) = 4170.22
Prob > chi2 = 0.0000
R-squared = .
Root MSE = 612.81
labprod Coef. Std. Err. z P>|z| [95% Conf. Interval]
emp .0007892 .0000356 22.16 0.000 .0007194 .000859
age 1.257224 .1418136 8.87 0.000 .9792739 1.535173
lab .0200892 .0031895 6.30 0.000 .0138378 .0263405
DFDI 169.9283 12.46674 13.63 0.000 145.4939 194.3626
Dexp 64.49765 6.596663 9.78 0.000 51.56843 77.42687
_cons -27.58176 13.00597 -2.12 0.034 -53.07299 -2.090527
Instrumented: emp Instruments: age lab DFDI Dexp ruggedness mfisiography mgeology
14
. estat endogenous
Tests of endogeneity
Ho: variables are exogenous
Durbin (score) chi2(1) = 402.012 (p = 0.0000)
Wu-Hausman F(1,98767) = 403.626 (p = 0.0000)
. estat overid
Tests of overidentifying restrictions:
Sargan (score) chi2(2) = 234.164 (p = 0.0000) Basmann chi2(2) = 234.701 (p = 0.0000)
. estat firststage, forcenonrobust
First-stage regression summary statistics
Adjusted Partial Variable R-sq. R-sq. R-sq. F(3,98766) Prob > F
emp 0. 0547 0. 0547 0.0175 588.031 0.0000
Minimum eigenvalue statistic = 588.031
Critical Values # of endogenous regressors: 1
Ho: Instruments are weak # of excluded instruments: 3
5% 10% 20% 30% 2SLS relative bias 13. 91 9.08 6.46 5.39
10% 15% 20% 25% 2SLS Size of nominal 5% Wald test 22. 30 12.83 9.54 7.80
LIML Size of nominal 5% Wald test 6. 46 4.36 3.69 3.32
15
top related