Upload
others
View
56
Download
2
Embed Size (px)
Citation preview
Fakultas Ekonomi dan Bisnis Universitas Indonesia
1
UJIAN AKHIR SEMESTER GASAL 2019/2020
Mata Kuliah : Ekonometrika 2 (CSPD) - A Program : S1 Reguler Ilmu Ekonomi Tanggal Ujian : 17 Desember 2019 Waktu : 150 Menit (2 ½ Jam) Sifat Ujian : Closed Book/Closed Notes Tim Pengajar : I Dewa Gede Karma Wisana
Aufa Doarest/Dhaniel Ilyas Djoni Hartono
PetunjukUmum: 1. Perhatikan, lembar soal ini terdiri dari 8 Halaman dan 5 Soal. Semua soal wajib dijawab.
Bobot penilaian untuk setiap soal tersedia di akhir pertanyaan. Bobot setiap sub-komponen sama.
2. Boleh menggunakan kalkulator. Tidak boleh menggunakan telepon seluler/komputer/laptop sebagai kalkulator.
3. Sifat ujian adalah tutup buku (closed book) dan tutup catatan (closed notes). Pertanyaan 1 (25%):
Seseorang bisa memilih 2 jenis asuransi atau tidak memiliki asuransi sama sekali. Preferensi mengenai asuransi dari 616 sample dapat dilihat pada table di bawah ini:
Seorang peneliti kemudian berusaha untuk melihat korelasi antara karakteristik demografi dan jenis asuransi yang digunakan.
Anda diminta untuk membantu peneliti tersebut dengan menjawab beberapa pertanyaan di bawah ini.
a. Apa metode ekonometrika yang paling tepat untuk menjawab pertanyaan di atas? Jelaskan
Jika kemudian peneliti memilih untuk menggunakan multi nomial logit, hasil estimasi dengan dapat dilihat pada table di bawah ini.
Total 616 100.00 Uninsure 45 7.31 100.00 Prepaid 277 44.97 92.69 Indemnity 294 47.73 47.73 insure Freq. Percent Cum.
Fakultas Ekonomi dan Bisnis Universitas Indonesia
2
_cons -1.941934 .1782185 -10.90 0.000 -2.291236 -1.592632 nonwhite .3779586 .407589 0.93 0.354 -.4209011 1.176818Uninsure _cons -.1879149 .0937644 -2.00 0.045 -.3716896 -.0041401 nonwhite .6608212 .2157321 3.06 0.002 .2379942 1.083648Prepaid Indemnity (base outcome) insure Coef. Std. Err. z P>|z| [95% Conf. Interval]
Log likelihood = -551.78348 Pseudo R2 = 0.0086 Prob > chi2 = 0.0081 LR chi2(2) = 9.62Multinomial logistic regression Number of obs = 616
Iteration 3: log likelihood = -551.78348 Iteration 2: log likelihood = -551.78348 Iteration 1: log likelihood = -551.78935 Iteration 0: log likelihood = -556.59502
. mlogit insure nonwhite
Note: _cons estimates baseline relative risk for each outcome. _cons .1434263 .0255612 -10.90 0.000 .1011414 .2033896 nonwhite 1.459302 .5947956 0.93 0.354 .656455 3.244036Uninsure _cons .8286853 .0777011 -2.00 0.045 .6895682 .9958685 nonwhite 1.936382 .4177397 3.06 0.002 1.268702 2.955442Prepaid Indemnity (base outcome) insure RRR Std. Err. z P>|z| [95% Conf. Interval]
Log likelihood = -551.78348 Pseudo R2 = 0.0086 Prob > chi2 = 0.0081 LR chi2(2) = 9.62Multinomial logistic regression Number of obs = 616
. mlogit, rrr
Fakultas Ekonomi dan Bisnis Universitas Indonesia
3
b. Apa perbedaan antara estimasi dengan menggunakan relative risk ration (rrr) dan tanpa rrr? Jelaskan. Apakah hasil akan berbeda kalo kita menggunakan base yang berbeda.
c. Jelaskan intepretasi dari hasil regresi dari kedua table diatas. d. Hitung predicted probabilitas untuk menggunakan prepaid insurance bagi white dan nonwhite e. Hitung predicted relative risk dari memilih asuransi indemnity dibandingkan prepaid (bagi whites)
Pertanyaan 2 (15%):
Seorang peneliti sedang melakukan studi mengenai hubungan antara karakteristik demografi dan
pengeluaran dibidang kesehatan. Model yang digunakan adalah sebagai berikut:
𝐸! = 𝛽! + 𝛽! ∗ 𝐴𝑔𝑒 + 𝛽! ∗ 𝐹𝑎𝑚𝑖𝑙𝑦 𝑆𝑖𝑧𝑒 + 𝛽! ∗ 𝑆𝑡𝑎𝑡𝑢𝑠 𝑃𝑒𝑘𝑒𝑟𝑗𝑎𝑎𝑛 + 𝛽! ∗ 𝑇𝑖𝑛𝑔𝑘𝑎𝑡 𝑃𝑒𝑛𝑑𝑖𝑑𝑖𝑘𝑎𝑛
+ 𝜀!
Untuk menjawab pertanyaan diatas, dia menggunakan Susenas. Dalam proses tabulasi diketahui
bahwa banyak rumah tangga tidak memiliki pengeluaran dibidang kesehatan.
a. Apakah OLS merupakan metode yang tepat untuk menjawab pertanyaan di atas? Jelaskan
jawaban anda.
b. Apa implikasi penggunaan metode OLS dengan karakteristik data seperti di atas?
c. Apa saran anda mengenai metode estimasi yang lebih tepat? Jelaskan saran anda tersebut.
(Jika anda merasa OLS tepat, anda hanya perlu menulis OLS dan jelaskan alasan
menggunakan metode OLS Ini).
Pertanyaan 3 (20%):
Sebuah lembaga kampus diminta untuk melihat dampak dari pengurangan bea import terhadap
produktifitas perusahaan sektor manufaktur. Model yang akan digunakan adalah sebagai berikut.
𝑃𝑟𝑜𝑑𝑢𝑐𝑡𝑖𝑣𝑖𝑡𝑦!"# = 𝛽! + 𝛽! ∗ 𝑡𝑎𝑟𝑖𝑓𝑓!" + 𝛽! ∗ 𝐿𝑎𝑏𝑜𝑟!"#+ 𝑇𝑖𝑚𝑒! + 𝑣! + 𝜀!"
dimana:
𝑃𝑟𝑜𝑑𝑢𝑐𝑡𝑖𝑣𝑖𝑡𝑦!"# adalah produktifitas perusahaan i di sektor k pada tahun t
𝐿𝑎𝑏𝑜𝑟!"# adalah produktifitas perusahaan i di sektor k pada tahun t
𝑡𝑎𝑟𝑖𝑓𝑓!" adalah tariff dari sector i pada tahun t
𝑇𝑖𝑚𝑒! adalah panel invariant tahun characteristics
𝑣! adalah time invariant unobserved individual characteristics
Anda diminta untuk:
a. Jelaskan apa implikasi dari keberadaan 𝑣! terhadap pemilihan model estimasi yang akan
dilakukan. Jelaskan asumsi mengenai 𝑣! dari setiap model dan tunjukaan persamaan akhir
setiap metode
b. Jika ternyata DGP dari model diatas adalah random effect, apa metode ekonometrika yang
anda sarankan untuk digunakan? Jelaskan alasannya.
Fakultas Ekonomi dan Bisnis Universitas Indonesia
4
c. Jika ternyata DGP dari model diatas adalah fixed effect, apa metode ekonometrika yang
anda sarankan untuk digunakan? Jelaskan alasannya.
Jika kemudian, lembaga tersebut mengubah mode menjadi:
𝑃𝑟𝑜𝑑𝑢𝑐𝑡𝑖𝑣𝑖𝑡𝑦!"#= 𝛽! + 𝛽! ∗ 𝑡𝑎𝑟𝑖𝑓𝑓!" + 𝛽! ∗ 𝐿𝑎𝑏𝑜𝑟!"#+ 𝛽! ∗ 𝑃𝑟𝑜𝑑𝑢𝑐𝑡𝑖𝑣𝑖𝑡𝑦!"#!! + 𝑇𝑖𝑚𝑒! + 𝑣!
+ 𝜀!"
dimana 𝑃𝑟𝑜𝑑𝑢𝑐𝑡𝑖𝑣𝑖𝑡𝑦!"#!! adalah produktifitas perusahaan I di sector k pada tahun t-‐1
d. Jelaskan implikasi dari penambahan satu variable ini terhadap model yang akan digunakan.
Hubungkan dengan asumsi penting dalam panel data.
Pertanyaan 4 (20%):
Seorang peneliti memiliki data mengenai rumah tangga tangga dengan tingkat pendapatan diatas
garis kemiskinan. Dengan data tersebut dia berusaha untuk melakukan studi mengenai pengaruh
tingkat pendapatan rumah tangga terhadap capaian sekolah seorang anak. Model yang digunakan
adalah:
SA! = 𝛼 + 𝛽! ∗ Pendidikan Ibu + 𝛽! ∗ Pendidikan Ayah + 𝛽! ∗ Tingkat Pendapatan + 𝜀!
Dimana SA adalah capaian sekolah
Dengan menggunakan data dan model ekonomi tersebut, anda diminta untuk membantu peneliti
dengan menjawab beberapa pertanyaan berikut:
a) Apakah OLS bisa digunakan untuk menjawab pertanyaan riset di atas? Jelaskan
b) Jika tidak, apa metode ekonometrika yang sebaiknya digunakan oleh peneliti tersebut?
Karena usulan dari berbagai pihak, peneliti tersebut kemudian mengganti tujuan penelitian menjadi
pengaruh tingkat lokasi tinggal dan tingkat pendidikan terhadap pendapatan.
Tingkat Pendapatan != 𝛼 + 𝛽! ∗ Pendidikan Ibu + 𝛽! ∗ Pendidikan Ayah + 𝛽! ∗ Lokasi Rumah + 𝜀!
Dengan menggunakan model ekonomi yang baru ini, anda kembali diminta untuk membantu
peneliti dengan menjawab beberapa pertanyaan berikut:
c) Apakah OLS bisa digunakan untuk menjawab pertanyaan riset di atas? Jelaskan
d) Jika tidak, apa metode ekonometrika yang sebaiknya digunakan oleh peneliti tersebut?
Fakultas Ekonomi dan Bisnis Universitas Indonesia
5
Pertanyaan 5 (20%):
Seorang peneliti akan melakukan estimasi untuk melihat hubungan antara produktivitas (TFPR) dan daftar
Negatif Investasi (horizontal). Horizontal adalah dummy variable. Nilai 1 artinya sektor dimana perusahaan
beroperasi tertutup bagi foreign direct investment (FDI).
Untuk itu, dia menggunakan data industri Besar dan Sedang dari tahun 2008-‐2015. Unit observasi dari data
ini adalah perusahaan manufaktur dengan minimum jumlah tenaga kerja=20. Anda diminta untuk
melakukan interpretasi atas hasil estimasi dibawah ini.
a. Jelaskan interpretasi unbalanced panel? Jelaskan beberapa penyebab terjadinya unbalanced panel ini.
delta: 1 unit time variable: year, 2008 to 2015, but with gaps panel variable: PSID (unbalanced). tsset PSID year
rho .56373782 (fraction of variance due to u_i) sigma_e 2.1630884 sigma_u 2.4588899 _cons 4.156664 .021921 189.62 0.000 4.1137 4.199629 horizontal .0922142 .0346662 2.66 0.008 .0242698 .1601587 TFPR Coef. Std. Err. z P>|z| [95% Conf. Interval]
corr(u_i, X) = 0 (assumed) Prob > chi2 = 0.0078 Wald chi2(1) = 7.08
overall = 0.0005 max = 7 between = 0.0002 avg = 4.2 within = 0.0001 min = 1R-sq: Obs per group:
Group variable: PSID Number of groups = 16,250Random-effects GLS regression Number of obs = 68,678
Fakultas Ekonomi dan Bisnis Universitas Indonesia
6
b. Di atas terdapat 3 hasil estimasi dengan menggunakan FE, RE dan OLS. Jelaskan hasil estimasi diatas
dengan menyebutkan kelebihan dan kekurangan setiap estimasi. Kapan setiap tipe estimasi sebaiknya
dilakukan?
F test that all u_i=0: F(16249, 52427) = 6.01 Prob > F = 0.0000 rho .62145713 (fraction of variance due to u_i) sigma_e 2.1630884 sigma_u 2.7715475 _cons 4.130768 .0097345 424.34 0.000 4.111689 4.149848 horizontal .0699259 .0387258 1.81 0.071 -.0059771 .1458289 TFPR Coef. Std. Err. t P>|t| [95% Conf. Interval]
corr(u_i, Xb) = 0.0190 Prob > F = 0.0710 F(1,52427) = 3.26
overall = 0.0005 max = 7 between = 0.0002 avg = 4.2 within = 0.0001 min = 1R-sq: Obs per group:
Group variable: PSID Number of groups = 16,250Fixed-effects (within) regression Number of obs = 68,678
_cons 4.111578 .0131071 313.69 0.000 4.085888 4.137268 horizontal .2139299 .0359053 5.96 0.000 .1435556 .2843042 TFPR Coef. Std. Err. t P>|t| [95% Conf. Interval]
Total 702669.625 68,677 10.2315131 Root MSE = 3.1979 Adj R-squared = 0.0005 Residual 702306.59 68,676 10.2263759 R-squared = 0.0005 Model 363.034674 1 363.034674 Prob > F = 0.0000 F(1, 68676) = 35.50 Source SS df MS Number of obs = 68,678
. reg TFPR horizontal
Fakultas Ekonomi dan Bisnis Universitas Indonesia
7
c. Di atas adalah hasil estimasi dengan menambahkan year fixed effect sebagai salah satu regressor di FE.
Bagaimana intepretasi anda atas estimasi FE tanpa menggunakan year effect? Jelaskan jawaban anda.
F test that all u_i=0: F(16249, 52421) = 6.15 Prob > F = 0.0000 rho .62703209 (fraction of variance due to u_i) sigma_e 2.1404857 sigma_u 2.7753737 _cons 3.905957 .0208258 187.55 0.000 3.865138 3.946776 2014 1.199864 .0389297 30.82 0.000 1.123562 1.276167 2013 .2391396 .0328274 7.28 0.000 .1747976 .3034816 2012 .4303108 .0319261 13.48 0.000 .3677354 .4928862 2011 .1686306 .0304486 5.54 0.000 .1089512 .2283101 2010 .1857983 .0297766 6.24 0.000 .1274358 .2441608 2009 .0742525 .0288408 2.57 0.010 .0177242 .1307808 year horizontal -.0826558 .0391571 -2.11 0.035 -.1594041 -.0059075 TFPR Coef. Std. Err. t P>|t| [95% Conf. Interval]
corr(u_i, Xb) = -0.0210 Prob > F = 0.0000 F(7,52421) = 160.34
overall = 0.0059 max = 7 between = 0.0000 avg = 4.2 within = 0.0210 min = 1R-sq: Obs per group:
Group variable: PSID Number of groups = 16,250Fixed-effects (within) regression Number of obs = 68,678
. xtreg TFPR horizontal i.year, fe
Fakultas Ekonomi dan Bisnis Universitas Indonesia
8
d. Di atas adalah estimasi FE dengan menambahkan year fixed effect dan robust standard error.
Bandingkan estimasi ini dengan estimate tanpa robust standard error. Apakah sebaiknya kita
menggunakan robust standard error? Jelaskan jawaban anda.
rho .62703209 (fraction of variance due to u_i) sigma_e 2.1404857 sigma_u 2.7753737 _cons 3.905957 .0197712 197.56 0.000 3.867203 3.944711 2014 1.199864 .0465374 25.78 0.000 1.108646 1.291083 2013 .2391396 .0364333 6.56 0.000 .1677263 .3105529 2012 .4303108 .0363063 11.85 0.000 .3591464 .5014751 2011 .1686306 .0309441 5.45 0.000 .1079769 .2292844 2010 .1857983 .0268067 6.93 0.000 .1332542 .2383424 2009 .0742525 .0240558 3.09 0.002 .0271005 .1214044 year horizontal -.0826558 .0458903 -1.80 0.072 -.1726058 .0072942 TFPR Coef. Std. Err. t P>|t| [95% Conf. Interval] Robust (Std. Err. adjusted for 16,250 clusters in PSID)
corr(u_i, Xb) = -0.0210 Prob > F = 0.0000 F(7,16249) = 104.92
overall = 0.0059 max = 7 between = 0.0000 avg = 4.2 within = 0.0210 min = 1R-sq: Obs per group:
Group variable: PSID Number of groups = 16,250Fixed-effects (within) regression Number of obs = 68,678
. xtreg TFPR horizontal i.year, fe robust