P. 1
Dummy 1,2,3,

Dummy 1,2,3,

|Views: 51|Likes:
Published by Hikmah Nur Azza

More info:

Published by: Hikmah Nur Azza on Nov 13, 2011
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOCX, PDF, TXT or read online from Scribd
See more
See less

05/12/2014

pdf

text

original

1

Session 6

A .Variabel Dummy

1. ndikator
2. Biner
3. Kategorik
4. KualitatiI
5. Boneka ( dikhotomi )
Contoh Variabel Dummy ¨-:
enis Kelamin
arna Kulit
%ingkat Pendidikan
Status perkawinan
Krisis ekonomi
Kenaikan Harga BBM
ilayah ( Kota, Pedesaan )
B. Persamaan regresi
1. Variabel Kategorik sebagai variabel bebas
2. Variabel lain yang numeric

C Analysis of Variance ( ANOVA) ;
dalah regresi yang variabel bebasnya hanya variabel dummy atau yang
siIatnya kualitatiI.
Misalnya riset marketing segmentasi pasar :
Harga Produk
Daerah tempat tinggal
D÷1; perkotaan
D÷0; pedesaan

Pers. Reg. Y ÷ o + þ D + µ
Dimana :
Y ÷ Harga Produk
u ÷ Konstanta
D ÷ Dummy Variabel
Rata-rata harga produk yang bisa dipilih :
Kota : E(Y/D ÷ 1) ÷ u ¹ µ
Desa : E(Y/D ÷ 0 ) ÷ u
Bila :µ = 0 berarti
1. ada perbedaan harga antara pembeli yang tinggal dikota dengan
pedesaan
2. berbagai jenis produk mempunyai segmen pasar yang berbeda.


2
Misalnya hasil regresi dummy sbb :

Y ÷ 9,4 ¹ 16 D
t ( 53,22 ) ( 6,245 )
R· ÷ 96,54 °.
%aksiran ?.
1. u = 0 ÷ u ÷ 9,4
2. µ = 0 ÷ µ ÷ 16.
Bila keduanya signiIikan dari hasil uji t ; rata-rata hasil produk x yang
dipilih pembeli di perkotaan adalah : 9,4 ¹ 16 ÷ 25,4 ribu rupiah
di pedesaan adalah ÷ 9,4 ribu rupiah
esimpulan :
Pembeli diperkotaan memilih harga lebih mahal di banding dengan
pembeli yang tinggal dipedesaan.
Perlu kehati-hatian dalam interpretasi , karena model ini menganggap Iaktor
lain diangap kostant seperti; selera,pendidikan,gaya hidup dan lain lain.

D. ANCOVA.
Model nalysis oI Variance yang regresinya terdiri dari variabel kuantitatiI dan
kalitatiI
Mis. diskriminasi upah laki laki & perempuan
Y ÷ Gaji tahunan seorang dosen
X ÷ Lamanya mengajar ( tahun )
G ÷ Dummy : dosen laki-laki ÷ 1
Dosen perempuan ÷ 0
Pers. Reg. : Y ÷ o1 + o2G + þX + µ
Dari model ini dilihat bahwa :
1. rata-rata gaji dosen perempuan ÷ u1 ¹ µ X
2. rata rata gaji dosen laki-laki ÷ u1 ¹ u 2G ¹ µ X.
mis. hasil analisis :
Y ÷ 19,21 + 0,3736G + 1,453 X
t ( 11,33 ) ( 1,141 ) ( 37,997 ), R¹ ÷ 89,75º
dari uji t :
1,41 ( ;ariabel G) ÷ tidak signiIikant yang berarti : rata-rata gaji dosen laki-
laki dan dosen perempuan tidak berbeda secara signiIikan
Yang berpengaruh tentang tinggi rendahnya gaji dosen laki-laki dan
perempuan adalah pengalaman mengajar.









3
Y ( gaji / thn


÷ Dosen Laki-laki


÷ Dosen Perempua



2



1
X ( Pengalaman )

ika pendeIinisiannya dibalik : S ( 1÷ perempuan, 0 ÷ laki-laki )
Regresi.. Y ÷ uo ¹ u1 ¹ µX ¹ µ
Rata-rata gaji dosen perempuan ÷ u1 ¹ u2 ¹ µX
Rata-rata gaji dosen laki-laki ÷ u1 ¹ µX.,
%erlihat besaran koeIisien yang berbeda ,dan koeIisien dummy akan bertanda
negatiI namun interpretasi kedua bentuk regresi akan sama .


Y ( Gaji/thn )


÷ Dosen perempuan



÷ Dosen laki- laki


d2


d1


X ( Pengalaman )




4
odel lain regresi dummy
D2 ÷ 1 ; dosen laki-laki
0; dose perempuan

D3 ÷ 1; dosen perempuan
0; dosen laki-laki
Sehingga modelnya menjadi : Y ÷ oo + o1D1 + o2 D2 + þX +µ

pa yang akan terjadi bila model ini diestimasi dengan OLS ?.

Kalau kita perhatikan bahwa ada hubungan linier antara D1 dan D2
yakni D1 ÷ 1 D2 atau D2 ÷ 1 D1 , dengan demikian terjadi perIect colinearity
antara D1 dan D2 sehinga OLS tidak dapat digunakan .


Mis: data dosen berdasarkan jenis kelamin.
Dosen jenis kelamin D1 D2
P 0 1
B P 0 1
C L 1 0
D L 1 0
E L 1 0
F P 1 0

Dari table terlihat bahwa variabel D1 dan D2 mempunyai hubungan yang jelas yaitu
D1 ÷ 1 D2 atau D2 ÷ 1 D1 ( OLS tidak bisa digunakan )


Secara umum rumus Dummy

Dimana D ÷ Dummy
m ÷ kategori



Dummy dengan ;ariabel,kategori lebih dari dua

Mis; pendidikan mempunyai 3 kategori,:
1. tidak tamat SMU
2. tamat SMU
3. tamat P.%.
Dummynya adalah : ( D ÷ m 1) ÷ 3 1 ÷ 2
Dua variabel dummy tersebut adalah D1 dan D2 dideIinisikan sebagai :
D ÷ 1 ; pendidikan terakhir SMU
0; lainnya
D ÷ 1 ; pendidikan terakhir P.%
0 ; lainnya

D ÷ m 1

5
Dalam hal ini kelompok yang pendidikan tidak tamat SMU adalah grup dasar
( base category )
Contoh data nama karyawan & tingkat pendidikan

Nama Pendidikan D1 D2


B
C
D
E
F

SD
P%
SMU
SD
SL%P
SMU

0
0
1
0
0
1

0
1
0
0
0
0



Contoh aplikasi sebuah model regresi Dummy.

Pola pengeluaran beaya kesehatan ( healt care ) berdasarkan pendapatan seseorang
dengan pendidikan yang diperolehnya .
Pendidikan berprilaku sebagai tingkat kesadaran dan pengetahuan seseorang tentang
perlunya kesehatan,sedangkan pendapatan berprilaku sebagai kemampuan seseorang
memperoleh kesehatan ( healt care )

Regresi model : Y ÷ uo ¹ u1D1 ¹ u2D2 ¹ µ X ¹ µ

Y ÷ pengeluaran untuk kesehatan
X ÷ pendapatan pertahun
D ÷ 1; pendidikan tertingi SMU
0; lainnya

D ÷ 1; pend tertnggi P%
0; lainnya
Rata-rata pengeluaran seseorang berdasarka pendidikannya adalah :
1. tidak tamat SMU : uo ¹ µX ÷ pengeluaran dr coeI intersep ( uo )
2. tamat SMU : uo ¹ u1 ¹ µ X÷ SMu ,ada tambahan dr u1
3 .Pt ( s1) : u1 ¹ u2 ¹ µ X÷ tambahan dr u1 dan u2

Regresi dengan beberapa ;ariabel ualitatif.
Contoh gaji dosen ,dengan pengalaman mengajar dan jenis kelamin serta tempat
mengajar ( Iakultas ) yang diduga turut mempengaruhi gaji dosen mengajar.
Model regresinya adalah :

6
Y ÷ oo+ o1D1 + o2D2 + þ X + µ

Y ÷ gaji / tahun
X ÷ lamanya mengajar/ pengalaman dalam tahun
D1 ÷ 1 ; dosen laki laki
0 ; dosen perempuan
D2 ÷ 1 ; Iak ekonomi
0 ; lainnya.
Dari model di atas di dapatkan :
1. .Rata- rata gaji dosen perempuan yng mengajar diluar Iak Ekonomi
÷ oo + þ1 X
2. Rata-rata gaji dosen laki-laki yang mengajar diluar Iakultas ekonomi
÷ oo + o1 + þ X
3. Rata-rata gaji dosen perempuan yang mengajar di Iakultas ekonomi
÷ o1 + o2 + þ X
4. Rata-rata gaji dosen laki-laki yang mengajar di Iak ekonomi
÷ oo + o1 + o2 + þ X


Uji hipotesa :
1. pakah ada perbedaan antara gaji dosen yang mengajar di Iakultas
dan yang mengajar diluar Iakultas ekonomi
2. pakah ada perbedaan antara gaji dosen laki-laki dan perempuan .
Bila hasil pengolaha data didapatkan hasil analisis sbb

Y ÷ 7,43 + 0,207 D1 + 0,164 D2 + 1,226 X
R¹ ÷ 91,22 º

Hasil uji t
1. Bila D1 dan D2 tidak signiIikan ÷ tidak ada diskriminasi gaji dosen baik
berdasarkan jenis kelamin ,dan Iakultas ,gaji dosen lebih ditentukan oleh
pengalaman mengajar.
2. Bila semua koeIisien variabel ( intersep,slop ) adalah signiIikan, berarti
telah terjadi diskriminasi dalam pemberian gaji dosen .
3. Rata-rata perbedaan gaji dosen adalah :
a. Rata-rata gaji dosen perempuan yang mengajar diluar Iak. Ekonomi
÷ 7,43 ¹ 1,226 ÷ Rp 8656 juta
b. Rata-rata gaji dosen laki-laki yang mengajar di luar Iak Ekonomi
÷ 7,43 ¹ 0,207 ¹ 1,226 ÷ Rp 8863 juta
c. Rata-rata gaji dosen perempuan yang mengajar di Iak. Ekonomi
÷ 7,43 ¹ 0,164 ¹ 1,226 ÷ Rp 8820
d. Rata-rata gaji dosen laki-laki yang mengajar di Iak. Ekonomi
÷ 7,43 ¹ 0,207 ¹ 0,164 ¹ 1,226 ÷ Rp 9027 juta.


7
Kesimpulan
1. .Dosen laki-laki yang mengajar di Iakultas ekomi mempunyai rata-rata
gaji yang paling besar , kemudian di ikuti oleh dosen laki laki yang mengajar
di luar Iakultas ekonomi .
2 Diskriminasi berdasarkan jenis kelamin lebih berpengaruh dibanding
dengan Iakultas tempat mengajar.


Contoh soal

Bila di ketahui data hipotesis umlah isatawan sing yang menginap di Hotel ,
berlibur dan melakukan Bisnis %ahun 1997 sbb :


Negara Hotel Berlibur Bisnis
1. Brunei
2. Malaysia
3. Filipina
4. Singapura
5. %hailand
6. Hong Kong
7. ndia
8. epang
9. Korea
10. Pakistan
11. Bangladesh
12. Srilanka
13. %aiwan
14. Cina
15. Saudiarabia
16. Bahrain
17. sia lainnya
18. ustria
19. Belgia
20. Denmark
21. Prancis
22. erman
23. talia
24. Belanda
25. Spanyol & Pertugal
26. Swedia
27. Swiss
28. nggris
29. Finlandia
30. Norwegia
31. Eropa Barat lainnya
6.306
406.303
37.834
1.216.988
36.437
75.590
16.011
599.968
218.458
3.955
1.535
2.600
342.916
20.276
21.454
742
22.139
10.459
18.720
10.059
90.156
161.407
59.472
120.807
30.475
16.306
25.864
116.803
5.311
12.546
5.990
2.169
239.009
12.741
597.661
16.190
42.271
6.335
429.330
68.513
781
317
499
207.433
11.883
4.684
586
11.705
7.181
9.326
6.089
52.036
124.137
47.962
76.108
23.736
11.233
18.878
77.082
2.375
6.441
3.681
6.120
222.115
35.688
767.377
27.043
60.166
19.048
268.730
174.443
5.517
1.963
3.524
192.989
12.122
23.591
198
20.243
5.067
12.840
6.232
54.068
58.466
18.905
67.378
8.925
8.637
11.194
57.367
4.836
6.755
3.435
8
32. Rusia
33. Eropa %imur lainnya
34. merika Serikat
35. Kanada
36. merika %engah
37. merika Selatan
38. ustria
39. Selandia Baru
40. Osenia lainnya
41. Mesir
42. merika lainnya

4.408
3.502
127.300
19.490
1.761
6.368
494.161
35.330
446
728
19.287

979
1.472
69.950
10.252
1.023
4.268
436.457
30.686
160
156
10.755


5.961
4.019
99.127
16.310
1.290
3.134
93.456
7.576
429
887
11.987
%otal 4.428.678 2.684.443 2.409.168

Sumber :BPS


Hasil Regresi :

1. Hotel ÷ - 154,646 ¹ 0,867 Bisnis ¹ 0,913 Berlibur 3025,824 sia
Se (1390,045) ( 0,867 ) ( 0,016 ) ( 2251,548 )
t ( - 1,112 ) ( 51.741 ) ( 57.498 ) ( -1.344 )

R² = 99,9%.

nterpretasi ?.

a.
b
c ?.
d
e.














9
Kasus : Upah Moonlighting

Moonligter adalah orang yang mempunyai satu pekerjaan utama dan satu atau lebih
pekerjaan sambilan . Dapat diduga bahwa pekerjaan jenis ini, mempunyai
penghasilan yang kurang memadai dari pekerjaan utamanya ,sehingga terpaksa
mencari sumber pendapatan tambahan lain.
Faktor- Iaktor apakah yang mempengaruhi upah moonlighting , bila diketahui
variabel yang akan digunakan sbb:

m ÷ upah moonlighating/jam
u ÷ upah pekerjaan utama
Ras ÷ 0 ; bukan pribumi
÷ 1 ; pribumi
Kota ÷ 0 ` pedesaan
÷ 1 ; perkotaan
SMU ÷ 0 ; tidak tamat SMU
÷ 1 ; tidak tamat SMU
ily ÷ 0; kawasan timu
1 ; kawasan barat
Umur ÷ ( dalam tahun )

Regresi : Wm ÷ 1 + 2Wu + 3 Ras + 4 ota + 5 SU + 6 Wil
+ 7 Umur+:

Bila dketahui hasilnya sbb :

Wm ÷ 37,07 + 1,403 Wu - 90,06Ras + 75,51 ota + 47,33 SU +
t ( 3,2456) ( 18,4196 ) ( -5,7672 ) ( 2,4271 ) ( 16,5521 )
+ 133,64 Wilayah + 2,26 umur
( 14,7665 ) ( 5,5621 )
F ( 135,4421 ) , R ÷ 0,96

Interpretasi :
1. Semua Iariabel signiIikan pada level 5° , yang berarti ada perbedaan upah
antar Ras ,daerah tempat tinggal ( kota desa ) , pendidikan dan wilayah
2. Upah ditentukan oleh pekerja utama dan umur .
3. nilai koeIisien u ÷ 1,403, menunjukkan kecil jika dibanding nilai m nya
sebagai penambahan total koeIisien variabel yang berarti, pekerjaan sambilan
lebih besar upahnya dibanding pekerjaan utama .
4. Upah m di perkotaan , kawasan barat lebih tinggi dibanding denga daerah
pedesaan , kawasan timur
5. Kombinasi rerata pendapatan monlighter adalah sbb :
a. Upah pekerja kelompok bukan probumi yang tinggal dipedesaan Kawasan
%imur ndonesia dan tidak lulus SMU
Wm ÷ 37,07 + 1,403 Wu + 2,26 Umur

10
b. Upah pekerja untuk kelompok pribumi ,tinggal di perkotaan Kawasan
Barat ndonesia dan lulus SMU
Wm ÷ ( 37,07 - 90,06 + 75,51 + 113,64 + 47,33 ) + 1,403 Wu + 2,26 Umur
Wm ÷ 183,49 + 1,403 Wu + 2,26 Umur.
c. ......
d. ......
e. ......


. embandingkan dua regresi
dalah untuk melihat antar hubungan dan pendapatan model bb:
%abungan ( Y ) ÷ o1 + o2 Pendapatan ( X ) + µ
Pada kondisi tertentu hubungannya mungkin tidak selalu demikian,misalnya pada
situasi krisis moneter , apakah modelnya menjadi berbeda ,sebelum dan sesudah
krisis. Oleh karena itu perlu data dibagi dua kelompok :
1. sebeluk krisis
2. setelah krisis

modelnya : I. sebelum krisis: Yi ÷ o1 +o1 + Xi + µi ÷ i ÷ 1,2,....,n
II setelah krisis : Y ÷ þ1+ þ1Xi + ci ÷ i ÷ n+1, n+2,..,N
Hasil yang mungkin dari perbandingan :
Kasus 1 ; u1 ÷ ×1 dan u2 ÷ µ2
Kasus 2 : u1 = µ1 dan u2 ÷ µ2
Kasus 3 : u1 ÷ µ1 dan u2 = µ2
Kasus 4 : u1 = µ1 dan u2 = µ2

Untuk kasus , modelnya sama sebelum dan sesudah krisis
Untuk kasus 2 dan 3 modelnya berbeda ,dan kasus 4, ada pergeseran model
antara masa sebelum dan sesudah krisis, oleh karrena itu pemodelannya perlu
hati-hati .Variabel dummy dapat dimanIaatkan untuk mengantisipasi adanya
pergeseran model pada dua periode yang berbeda .
contoh Membandingkan Dua Regresi Dengan Variabel Dummy.

Yi ÷ o1 + o2Di + þ1 Xi + þ2 Di Xi + µi
Di ÷ 1 : pengamatan pada periode 1
0 : pengamatan pada periode 2
Rata rata tabungan ( Y ) pada perode :

. : Yi ÷ ( u1 ¹ u2 ) ¹ ( µ1 ¹ µ2 ) Xi
. : Yi ÷ u1 ¹ µ1 Xi
Dengan mengamati para meter diatas,dapat diketahui pergeseran model
regresi atau tidak, melalui pengamatan berikut :
kasus 1 ; bila u2 ÷ 0 dan µ2 ÷ 0 ÷ Model ÷ Model
kasus 2 : bila u2 = 0 dan µ2 ÷ 0 ÷ slope sama,intersep beda
kasus 3 : bila u2 ÷ 0 dan µ2 = 0 ÷ intercept sama ,slope beda
kasus 4 : bila u2 = 0 dan µ2 = 0 ÷ intercept dan slope berbeda.
11


asus 1 ( d1 ÷ ×1 dan (d2 ÷ ×2 )
Y


×2 ÷ d2



×1 ÷ d1

X
%itik potong dan koeIisien slope sama


asus 2 ( d1 = ×1 dan d2 ÷ ×2 )
Y



×1 ÷ d1

×1


d1

X
%itik potong berbeda, koeIisien slope sama ( paralel )

asus 3 ( d1 ÷ ×1 dan d2 = ×2 )

Y
×2


d2



×1 ÷ d1

X
ntersep sama , slope berbeda

12
Kasus 4 ( d1 = ×1 dan d2 = ×2 )

Y



: ×1 ¹ ×2



I : ×1

×1


0 X
Xt



×1-×2Xt
ntersep dan slope berbeda


F. Regresi Linier Sepotong - sepotong
( Piecewisw linear regression )
Variabel Dummy ,selain dapat digunakan untuk pemodelan regresi linier yang
diperkirakan akan bergeser pada satu periode ,dapat juga di gunakan untuk
pemodelan regresi linier sepotong-sepotong .contoh model ini seperti :
1. Komisi Penjualan .
bila tidak melebihi target penjualan :
Komisi ÷ u1 ¹ µ1 X; X _ X*
Bila melampaui target maka :
Komisi ÷ u1 ¹ ( µ1 ¹ µ2 ) X µ2 X* ; X* _ X
Sehingga modelnya dapat digabung menjadi :
Y ÷ u 1 ¹ µ1 X ¹ µ2 ( X-X* ) D










13

Komisi











d1

Penjualan .
X*


2. Pemodelan tariII listrik.
Berpatokan pada beaya beban tegantung dari daya listrik dimiliki pelangan.
bahwa semakin tinggi dayanya berarti beaya beban semakin besar. tau
dengan kata lain semaki tinggi daya yang digunakan ,mak harga per KH
semakin tingi seperti gambar 2

Harga





e

d




c

b
a
450 900 1300 2200 6500 KH

Gambar 2 %rend tariI listrik


14
3. Pemodelan Diskon .
Semakin tinggi produk yang dibeli ,maka semakin tinggi diskon yang diberikan
,sehingga rata-rata harga per produk semakin rendah
Membeli sampai dengan juta unit ,harga produk meningkat sebesar Rp.a
untuk setiap peningkatan pembelian produk.Sedangkan bila membeli antara 1
juta sampai 5 juta produk,maka peningkatan harga produk sebesar Rp.b untuk
setiap unitnya yang berarti b lebih kecil dari a. Secara rata-rata membeli 1 juta -
5 juta unit lebih murah yang berarti c lebih kecil dari pada b. dan seterusnya..

Harga



d
c


b



a c
Pembelian

1000 5000 10.000 20.000




Analisis Hotel dan Profesi Wisatawan Asing

Setelah melihat hubungan antara permintaan terhadap hotel dengan maksud
kunjungan wisatawan asing ke ndonesia pada bagian session 2 akan dianalisis
hubungan antara permintaan terhadap hotel dengan proIesi wisatawan yang akan
berkunjung .
Berdasarkan data tentang jumlah wisatawan asing yang menginap di hotel ,dan
proIesi ,menejer dan ibu R% %ahun 1997. Disamping itu ,variabel Dumy masih
digunakan untuk melihat apakah ada perbedaan antara wisatawan asing yang
berasal dari sia ( bernilai ÷ 1 ),dan wisatawan asing dari Negara lainnya ( bernilai
÷ 0 )
Model regresinya adalah :

Hotel ÷ µ1¹ µ2 PRF ¹ µ3 bu R% ¹ µ4 MNR ¹ µ5S ¹ µi
Dimana :
Hotel : jumlah wisatawan yang menginap di hotel
PRF : jumlah wisatawan asing yang bekerja sebagai proIessional
BUR% : jumlah wisatawan asing yang sebagai bu rumah tangga
15
MNR : jumlah wisatawan asing yang bekerja sebagai menejer
S : 1 ÷ wisatawan asing yang berasal dari sia
0 ÷ wisatawan asing yang berasal dari Negara lain.

Dari data dapat di deskrisikan sbb :
1 .jumlah wisatawan asing yang bekerja sebagai proIessional yang
berkunjung ke ndonesia terb anyak jumlahnya adalah dari Singapura
2 wisatawan yang berproIesi sebagai manejer yang terbanyak berkunjung ke
ndonesia adalah yang berasal dari Negara %aiwan.
3 wisatawan sebagai ibu rumah tangga yang berkunjung ke ndonesia
,terbesar adalah dari epang yang semata-mata untuk berlibur.


Hasil Regresinya :

Hotel ÷ - 43783,9 ¹ 3,723 PRF ¹ 2,681 Mnjr 6,088 buRt ¹ 44121,142 sia
Se ( 12908,668 ) 0,353 ) ( 1,333 ) ( 2,174 ) ( 19844,777 )
t (1,004 ) ( o,786 ) ( 7,14 ) ( 1,18 ) ( 2,08 )
R² ÷ 93,50

nterpretasi ?.

























16

Session 4.


Ekonometric Ior Human Capital Model

A. Latar belakang teori.
%ingkat upah tiap pekerja berbeda-beda dan sangat tergantung pada :
1. Pengalaman
2. pendidikan Iormal & non Iormal
3. proIesi
4. jenis kelamin
5. kelompok etnik
6. umur
7. jenis pekerjaan
8. resiko pekerjaan

Untuk itu perlu dikaji lebih mendalam ,bahwa mengapa upah berbeda-beda
pada individu yang berbeda dan Iaktor apa saja yang dapat mempengaruhi
upah .Dalam menganalis upah dimaksud ,variabel yang digukanakan
adalah noumerik dan Dummy atau variabel kategorik yang sangat
bermanIaaat untuk mengkuantiIisir data kualitatiI ( jenis
kelamin,pendidikan ,pengalaman dan lainnya ) . Menggunakan variabel
dummy bertujuan untuk menggabungkan ke dalam model regresi
membedakan upah. Sebagai contoh berikut ::
1. Equalizing Differences
ika terdapat dua pekerjaan yang membutuhkan keahlian yang
sama,namun lokasi berbeda sehingga kenyamanan berbeda , pemberian
upah perlu memperhatikan kompensasi dri ketidaknyamanan .
Disini perlu standar pengupahan secara berbeda
Mis. lokasi ,Iasilitas, perioritas kebutuhan pekerjaan.
. Pendidikan
Pendidikan adalah Iaktor berpengaruh kuat dalam pemberian upah
dan berkorelasi positiI dan signiIikan terhadap upah pekerja.,apakah
pendidikan yang diperolehnya sebagai pendidikan Iormal ataupun non
Iormal berupa training ( on the job training )

B. Intersting Human Capital odel.
1. Pengukuran dan sumber data
Besaran upah ( bulanan,mingguan,harian ,tunjangan )
%ingkat upah ( bulanan ,mingguan / jam kerja )
Lama sekolah ( berkait dengan stratiIikasi pendidikan )
2. Bentuk Fungsional
nalisis upah dengan variabel yang mempengaruhinya
Hubungan bisa berbentuk ( linier,kuadrat,eksponen,
logaritmik dan lainya )
17


Secara teoritis, upah dipengaruhi beberapa Iaktor antara lain :
pendidikan Iormal
pengalaman kerja
jenis kelamin
dan lainya

Secara matematis dapat dinyatakan sbb:

Upah ÷ I ( pendd,pengalaman,jenis kelamin,dan lainya )
Pemodelannya adalah :

n yi ÷ f ( si,xi,zi ) + ui ; i ÷ 1,,., n ( fungsi penghasilan ). .
(1)

yi : upah
si : pendidikan
xi : pengalaman
zi : Iaktor lain ( gender,umur,ras,wilayah )
µi : random error


C. encari hubungan fungsional dari masing-masing ;ariabel :

1. Rate oI return ( r1 ) untuk satu tahun sekolah
2. Rate oI return ( r2 ) untuk dua tahun sekokolah .
3. Rate oI return untuk s tahun sekolah ( Ys )
4. Dasar dari Iungsi penghasilan
5. Generalisasi dari Iungsi penghasilan dgn on the job
training
6. nteraksi antara pendidikan dan pengalaman .














18



D. Variabel Dummy dalam fungsi Penghasilan

Pada persamaan :

Ln Yi ÷ ln Yo ¹ u Si ¹ u Xi ¹ u Xi· ¹ u Si Xi ¹ µi, ----- 12
Denga mengantikan parameter u menjadi µ. ntercept, Ln Yo ,
menyatkan pendapatan dengan nol pendidikan dan nol pengalaman .
Namun bisa terjadi suatu kelompok dengan karakteristik yang sama
mempunyai penghasilan yang berbeda dengan sekelompok lain dengan
satu karasteristik yang berbeda.
Sebagai missal,pekerja keturunan Cina denga nol pengalaman dan nol
pendidikan akan memperoleh pendapatan yang lebih tinggi ( rendah ) bila
dibandingkan pekerja yang bukan keturunan Cina ,meskipun pendidikan
dan pengalaman adalah sama .Hal yang demikian sulit masuk dalam
model di atas , sehingga perlu penambahan variabel dumy sehingga
modelnya menjadi :

lnYi ÷ LnYo ¹ u C i ¹ µ Si ¹ µ Xi ¹ µ X·i ¹ µ Si Xi ¹ µi ..13

Dimana
C i ÷ 1 ; bila keturunan Cina
÷ 0 ; bila bukan keturunan Cina

u menyatakan perbedaan ln Yi antara pekerja turunan Cina dan bukan
Cina
pekerja dengan nol pendidikan dan nol pengalaman ,mempunyai
pendapatan berdasar ras terbesar
Cina : ln Yi ÷ ln Yo ¹u
Bukan Cina : ln Yi ÷ ln Yo

Cara lain dengan variabel kategorik
C i ÷ 1 : Cina
÷0 ; bukan Cina
C i ÷ 1 ;bukan Cina
÷ 0 ;Cina
u ÷ log earning bukan Cina dengan pendidikan nol dan pengalaman nol
u ÷ log earning Cina dengan pendidikan nol dan pengalaman nol
sehingga model nya adalah sbb :

ln Yi ÷ oo Coi + o² C i + ß Si + ß Si + ßS²i + ß SiXi + ui ... ( 14 )

model sebelumnya :

19
ln Yi ÷ lnYo + o C i + ß Xi + ß Xi + ß X²i + ß Si Xi + ui







Lihat OLS teori

%aksiran untuk µ pada dua model di atas adalah identik
%aksiran untuk u dan u adalah u* ÷ ln Yo ¹ u dan u ÷ ln Yo
Model ( 13 ) dan ( 14 ) identik ?.
pakah ada beda pendapatan antara pekerja keturenan Cina dengan bukan
Cina ,bila pendidikan dan pengalaman sama ?.

Cek uji hipotesa :
Untuk model ( 14 )

Ho : u ¹ u *
Bila Ho tidak ditolak ,berarti tidak ada perbedaan antara pekerja keturunan
Cina dengan bukan Cina .

Untuk model (13 )

Ho : u ÷ 0
Bila Ho tidak ditolak ,berarti tidak ada perbedaan antar pekerja keturunan
Cina dengan bukan cina , seningga kedua pengujian tersebut mempunyai
kesimpulan yang sama .

Pengembangan model gender ?
Dala hal ini perlu memasukka dampak jenis kelamin dalam model sehingga
.
modelnya menjadi

Ln Yi ÷ lnYo ¹ u C..i ¹ u D i ¹ µ Si ¹ µ Xi ¹ µ X·i ¹ µ Si Xi ¹ µi

D i ÷ 1 ; jika perempuan
÷ 0 ; jika laki-laki
u menyatakan perbedaan log earning antara laki-laki dan perempuan
u positip atau negatip

untuk menguji apakah pendapatan laki- laki tidak berbeda dengan
perempuan ,digunakan hipotesa :

Ho : u ÷ 0
20
Kalau diduga ada Iaktor interaksi antara ras denga jenis kelamin ,perlu
mendeIinisikan variabel dummy lagi kedalam model sehinga diperoleh :

lnYi ÷ lnYo ¹u C i ¹ u D ¹ u D ¹ µSi ¹ µ Xi ¹ µ X·i ¹ µ SiXi
¹µi .


nterpretasi para meter dalam model :
C i ÷ 1 ; jika Cina
÷ 0 ; jika bukan Cina

D i ÷ 1 ; jika perempuan
÷ 0 ; jika laki-laki
D ÷ 1 ; jika cina perempuan
÷ 0 ; jika tidak

esimpulan :
Expected log earningnya :
Laki-laki ; bukanbukan cina : ln Yi ÷ ln Yo
Perempuan; bukan Cina :ln Yi ÷ ln Yo ¹u
Laki-laki ; Cina :ln Yi ÷ ln Yo ¹ u
Perempuan ; Cina : ln Yi ÷ ln Yo ¹ u ¹ u ¹ u

ika tidak ada interaksi ,uji hipotesisnya :

Ho : u ÷ 0




















21








Session 5.

Model regresi dengan variabel dependent Dummy
. Rasional.
Model yang dipelajari pada session yang lalu adalah model variabel terikat
numeric,bukan kategori. .Session ini akan dibahas model dengan variabel
terikat dummy ( kategorik ) sbb:
1. yang dapat dikategorikan untuk pemodelan khusus
2. bentuk model yang ditawarkan
3. masalah dari pemodelan
4. antisipasi model dengan OLS.
dapaun contoh variabel kategorik adalah :
1. Partisipasi wanita dewasa pada angkatan kerja ( labor Iorce participation oI
adulI
Iemales ) sebagai Iungsi dari rata-rata tingkat upah ,pendapatan, suami,
umur,
banyaknya anak usia tingkat sekolah ,dan lain-lain.
2. %elah diketahui bahwa seorang bisa bisa menjadi angkatan kerja ,dan bisa
tidak.
Disini .variabel terikatnya adalah angkatan kerja wanita yang dapat kita
asumsikan sbb: bila berada dalam angkatan kerja ÷ 1 ,dan 0 bila tidak
berada dalam angkatan kerja
3. seorang buruh /pekerja menjadi anggota organisasi serikat buru atau tidak ,
Dalam hal ini bisa di modelkan bahwa :
Bernilai ÷ 1 bila ia menjadi seorang anggota serikat buruh, dan ÷ 0 ,bila tidak
.
4 mengamati hubungan antara pernah tidaknya seseorang melakukan
perjalanan
keluar negeri dan Iaktor yang mempengaruhinya , bahwa perjalanan ke luar
negeri bisa tergantung dari ; pendapatan,jenis pekerjaan ,dan lain-lain.
Variabel terikatnya bisa di asumsikan bahwa ;
bernilai ÷ 1 bila pernah melakukan perjalanan ke luar negeri, dan ÷0 ,jika
tidak .
pernah melakukan perjalanan .
Dari contoh di atas dapat disimpulkan bahwa variabel terikatnya merupakan suatu
jawaban ya atau tidak atau berupa variabel dikotomi
Beberapapertanyaan yang mungkin muncul bahwa ;
1. bagaimana mengatasi model dengan variabel terikat dikotomi
22
2. bagaimana mengestimasi model tersebut
3. apakah model tersebut bisa di estimasi dengan teknik OLS ?

B. Pemodelan matematik.
Perhatikan kembali model rekresi sederhana ( session 1 kuliah ek met )
Yi ÷ ß + ß X i + ui ------------ ( 1 )

X ÷ pendapatan
Y ÷ 1 ; bila pernah melakukan perjalanan ke luar negeri
0 ; bila tidak pernah .




ReIer to model ( 1 ) , secara statistic ,ekspektasi kondisional dari Yi jika diberikan
Xi ,secara umum di notasikan sebagai ; E ( Yi , Xi ) dapat di cari dengan cara :

E ( Yi [ Xi ) ÷ ( Yi ÷ 1 ).P(Yi ÷ 1 [ Xi ) + ( Yi ÷ ô ).P ( Yi ÷ ô [Xi )
÷ P ( Yi ÷ 1[ Xi ) ----------------- ( 2
)

Ekspektasi kondisional ,juga bisa di iinterpretasi sebagai probability kondisional
bahwa suatu peristiwa seperti pernah melakukan perjalanan keluar negeri ,bisa
terjadi bila X (pendapatan ) diketahui, yang di notasikan Pr ( Yi ÷ 1, Xi ) yang
berarti probability pernah melakkan perjalanan ke luar negeri bila pendapatnnya
diketahui , atau bisa dikatakan bahwa ekspektasi kondisional E ( Yi , Xi ), bisa di
artikan Pr ÷ 1 ,Xi yaitu probability pernah melakukan perjalanan ke luar negeri .(,
model probability linier .)
Secara matematis, pada model ( 1 ),dengan asumsi bahwa E (ui) ÷ 0, maka :

E ( Yi[ Xi ) ÷ ß + ß Xi -------------- ( 3 )
Dari persamaan ( 2 ) dan ( 3 ), ekspektasi kondisional E ( Yi , Xi ) adalah
probability kondisional dari P ( Yi ÷ 1 , Xi ) yang berkonsekwensi bahwa :
P ( Yi ÷ 1 , Xi ) ÷ µ ¹ µ Xi,
µ ¹ µ Xi , nilainya terletak antara 0 dan 1 ( sebagai persyaratan probability )
sedangkan hasil estimasi regresi , besaran ( µ ¹ µ Xi ) , bisa bernilai berapa saja
,tergantung dari nilai dari µ , µ dan Xi . ( modelnya perlu antisipasi
penyempurnaan )

Hal yang khusus, bila Pi adalah probability ,individu yang pernah perjalanan ke luar
negeri ( Yi ÷ 1 ) sedangkan ( 1 Pi ) probability individu ( i ) yang belum pernah
perjalanan ke luar negeri ( Yi ÷ 0 ),maka v ariabel Yi mempunyai distribusi sbb :

P (yi ÷ 1 ) ÷ P,dan P ( yi ÷ 0 ) ÷ ( 1 Pi ), sehingga berdasarkan teori
ekspektasi menghasilkan :
E(Yi[ Xi ) ÷ ( Yi ÷ ô ).P ( Yi ÷ ô [ Xi ) + ( Yi ÷ 1 ) P ( Yi ÷ 1 [ Xi
23
÷ P ( Yi ÷ 1 [ Xi ) ÷ Pi -----
(4)
Bandingkan persamaan (3) dan (4) dapat diperoleh persamaan :

E ( Yi[Xi) ÷ ß + ß Xi ÷ Pi ---------------- (5)

Karena Pi adalah suatu probability,maka 0_ P_ 1 sehingga, ô¿ ß + ß Xi ¿ -----
(6)

Dengan persamaan di atas baik ( 5) dan (6), bila diestimasi dengan OLS bisa
bermasalah ,karena estimator OLS belum tentu bisa menjamin bahwa besaran µ ¹ µ
Xi terletak antara 0 dan 1 ,juga apakah estimator masih bersiIat BLUE atau sudah
tidak .

C. Estimasi Model OLS
Looked back, model (1) ---- Yi ÷ µ ¹ µ Xi ¹ ui , di estimasi dengan
menggunakan OLS ,dapat dihasilkan suatu estimator ,dengan memperhatikan : :

1. ui tidak terdistribusi normal yang berarti : ui ÷ Yi - ß - ß Xi ------ (7 )
Pada saat Yi ÷ 1 ; ui ÷ 1 µ - µ Xi
Pada saat Yi ÷ 0 ; ui ÷ - µ - µ Xi, disini ui tidak bisa di asumsi terdistribusi normal
tetapi mengikuti distribusi binomial .
Cara mengatasinya adalah sample diperbesar ,memperpanjang range .
Pada OLS ,tidak ada persyaratan yang ketat bahwa ui harus terdistrubusi normal ,
kecuali diperlukan standar interval kepercayaannya.

2. variansi ui heteroskedastisitas
alaupun di asumsikan bahwa E(ui)÷0 dan E(ui,uj)÷0 untuk i = j, ui masih tidak
mempunyai variansi yang homoskedastisitas , bila ui mengikuti distribusi probability
seperti contoh :

ui probability
-µ - µ Xi
1 µ µ Xi
1 Pi
Pi

Berdasarkan rumus varian bahwa : var(ui) ÷ E| ui E(ui)|·
÷ E (ui )· ; dimana E (ui ) ÷ 0
Swehingga dala menggunakan dstribusi probability dari ui ,diperoleh :
Var(ui) ÷ E(ui·) ÷ (-µ µ Xi)· (1-Pi) ¹ (1-µ - µ Xi)· (pi)
÷ ( - µ - µ Xi )· (1-µ - µ Xi) ¹ ( 1-µ -µ Xi)· ( µ ¹ µ Xi )
÷ ( þ + þ Xi ) (1- þ - þ Xi ) ------------------------- (8)
tau
Var (ui) ÷ E(Yi , Xi) | 1- E(Yi , Xi)|
÷ Pi ( 1-Pi ) --------------------- ( 9)
Kesimpulan untuk ;ar ui :
1. sangat tergantung pada probability Pi yang berbeda setiap individu
24
. heteroskedastisiti,yang berakibat bila model (1) diestimasi dgn OLS
,estimatornya unbiased ,tetapi tidak eIisien karena variansinya cukup besar.
3. masalah heterskedastisiti ,bisa di atasi dengan transIormasi :
Wi ÷ Pi(1-Pi ) sehingga modelnya :

Yi ' \Wi ÷ ß ' \ Wi + ß . Xi ' \ Wi + ui '\ Wi ------------- (10)

Atau Yi² ÷ ß ² + ß Xi² + ui². --------------------------- (11)

Dari transIormasi ; E(ui*) ÷ 0, dan var(ui· ) ÷ 1 ( konstan )
Model (11) var(ui) homoskedastisiti,sehingga model (11) dapat diestimasi dgn
OLS dan estimatornya bisa bersiIat BLUE,yang menjadi penekanan adalah cara
mendapatkan i sebagaimana Pi sendiri tidak diketahui., sehinga perlu
melakukan
1). Estimasi model Yi ÷ µ ¹ µ Xi ¹ui dengan OLS dan menghitung
Yi,estimated
dari E(Yi , Xi ) ÷ Pi dan hitung i ÷Yi( 1- Yi)

2).Gunakan W untuk mendapatkan model yang sudah ditrasIormasi

Yi \wi ÷ µ \wi ¹ µ Xi \wi ¹ ui \wi

tau Yi* ÷ µ * ¹ µ Xi* ¹ ui*. -------------- (12)
Untuk pers.(12) dengan OLS regresi, µ * dan µ adalah bersiIat BLUE , µ dapat
diperoleh dengan menghitung : µ ÷ µ * \wi
3). untuk syarat 0_ E(Yi, Xi) _ 1,sulit terpenuhi , karena harus ada nilai dari Pi
yang terletak antara 0 dan 1.,dengan kata lain ; E(Yi , Xi) ÷ Pi harus ada nilai
yang terletak antara 0 dan 1 . Untuk itu perlu melakukan :
a. estimasi persamaan ( 12) dgn OLS
bila E(Yi , Xi ) terletak antara 0 dan1 , tidak ada masalah
bila nila E(Yi , Xi ) berada diluar 0 dan 1 berarti :
bila E(Yi , Xi) ~ 1, dianggap E (Yi , Xi ) ÷1
bila E(Yi , Xi) · 0, dianggap E ( Yi , Xi) ÷ 0

b. estimasi model Yi ÷ µ ¹ µ Xi ¹ui sehingga E(Yi , Xi ) terletak antara 0 dan 1
teknik yang digunakan adalah model ogit dan Probit ( dibahas kemudian ).
4) KoeIisien determinasi ( R¹ ). Pada model probability linier ,kurang bisa
dijadikan ukuran yang baik atau Goodness oI Fit nya., modelnya tidak cocok
dengan pendekatan garis linier ,pengamatan berkecenderungan pada
Y ÷ 0 dan Y ÷ 1 , sehingga garis yang diperoleh tidak menggambarkan
keadaan yang sesungguhnya ( riel ) .





25






















Case 1.

From Harley Davidson rmchairs to Coca-Cola Fishing Lures ; the
Rise oI Corporate Branding.

hen BM bought the Rolls Royce name nothing else,just the name Ior $
60 million ,it conIirmed what savvy investors have always known ; strong
brand name is one oI the most valuable assets a company has. Now companies
are realizing that they shouldn`t conIine such assets only to their showrooms
,stationery ,business cards,or the company`s core product. nstead ,more and
more companies ,Irom the Fortune 500 to the not Ior proIit sector ,are
licensing their names to generate additional brand recognition and revenues.
%hat`s why we`re suddenly seeing products like Pillsbury doughboy potholders
,Coca-Cola Picnic Barbie ,Crayola house paints ,eep bicycle ,Royal Doulton
perIume ,and baby clothes.
Last year,retail sales oI all licensed product totaled $ 71 billion in the United
States and Canada ,more than $ 132 billion worldwide . Corporate brand
licensing ,the Iastest growing category ,claimed 22 ° oI that total ,the same
amount earned Irom entertainment property licensing. ccording to a licensing
industry executive ,at the recent LCENSNG 99 nternational licensing show, '
%he showroom Iloor ¦ read } like a Fortune 500 directory ,packed with such high
proIit corporate brands as Coca Cola ,eep,Chrysler,nheuser-
Busch,Pillsbury,%exaco,Popside,Harley Davidson,Schwinn,McDonald`s ,%aco
Bell,and many more '.
26
hen it comes to corporate brand licensing ,Iew companies can equal Coca-
Cola ,whose extraordinary success has inspired hundreds oI companies to Iollow
suit. Yet Iew people know that Coca Cola`s entri into licensing was purely
deIensive . n the early 1980s, lawyers advised the company that iI it didn`t enter
the Coca-Cola %-shirt market ,others legally couls . Co-Cola responded by setting
up a licensing program,which started modestly but now consists oI a large
department overseeing some 320 licensees in 57 countries producing more than
10,000 products ,ranging Irom baby clothes and boxer shorts to earnings ,a Coca-
Cola Barbie doll,and even a Iishing lure shaped like a tiny coke can. Last year
alone ,licensees sold 50 million licensed Coca-Cola products..
llthough most companies have long sold promotional merchandise bearing their
names and logos to dealers and distributors,Iull-scale retail merchandising is areal
shiIt . Companies are making this shiIt both to capitalize on brand awareness in
current markets and to extend their brands into new markets. For example
,Carterpillar and ohn Deere ,both companies with norrow markets,are now
licensing a wide range oI products aimed at generating additional sales among
those already hoked on their brands.
Cartepillar has set up licensing agreements with appreal and and Iootwear
companies to make Cartepillar work clothes and work boots. %he 'Cat ' work
boot is now wolverine world wide`s ( oI Hush Puppies Iame ) hottest product.
Visitors to the online ohn Deere Mall ( mall deere.com ) will disconer an array
oI licensed products that includes everythin Irom logo
hats,shirts,jackets,mugs,and watches to ohn Deere version oI Canon calculator
,Victorinox penkniIes ,Mini Mag- lite Ilashlights,and handrubbed rosewood pens.
Sometimes companies get into licensing as a way to extend the brand to a new
target market. %hus ,although a Harley Davidson armchair seems like an
unlikely product ,it`s the motorcycle company`s way oI reaching out to women
,who make up only 9 ° oI the company`s market. Harley also licenses
toys,including a Barbie dressed in a ' very Ieminine outIit ' to appeal to Iuture
generationsoI Harley purchasers. %he ultimate goal is to sell more bikes to buyers
who are not part oI the core market . Similarly ,Cartepillar is teaming up with
Mattel to create a line oI toys based on its construction equipment.
t the same time that corporate brand licensing lets companies reap some oI
the value they`ve built up in their brands,it also provides an additional tool Ior
building even more brand value. For example , Unilever has invested heavily in
advertising to create positioning and personality Ior its snuggle Iabric soItener
brand and Ior the cute little snuggle Bear that appears on the label . Now
,licensing the snuggle Bear Ior use on other careIully selected products,says a
Unilever brand manager ,¨ will be another ways to .. Help snuggle leave lasting
impressions long aIter our 30 second commercial is over '.
hat`s in corporate licensing Ior the licensees ,the manuIactures who pay
large sums Ior the right to use corporate brand names or trade marks on their
products ?.
Compared to celebrity and entertainment names,corporate brands are much less
risky.For example ,what happeness to a product brandishing a sports celebrity`s
name when that celebrity is busted Ior drugs ?. Or what can a manuIacturer do
27
with all its Godzillz backpacks aIter the Godzila movie Ilops ( as it did ) ?
Corporete brands are much saIer bets . Many have been around Ior decades and
have a proven ,surprisingly strong appeal Ior customers. %here are powerIul
Iorces behind the impulse to buy a coke beach toel ,a Good Humor die cast
truck,Harley-Davidson bots ,or Doulton perIume . Says Seth Siegel , co
chairman oI the Beansstalk Gropup ,which manages licensing Ior Coca Cola
and Harley Davidson ,¨ e live in a .. Society |where| people still love to
surround themselves with icons that move them '.




---------------------------------
Questions;
1. hat core product ohn Deere ?.
2. hat are the actual and augmented part oI product Coca ¸ Cola ?.
3. hat are the implications oI the companies responded by setting up
licensing programs ?. hy they were into corporate brand licensing ?.
4. How does each Harley Davidson diIIerentiate itselI Irom the others : Coca-
Cola,eep,Chrysler ,Pillsbury ,McDonald`s to corporate brand ?
5. hot marketing recommendations would you make to Harley Davidson and
Coca-Cola ?.
























28
Ujian khir Semester ( US ) Magister Management
Universitas Muhammadiyah akarta


Mata Kuliah : Manajemen Pemasaran
Hari/tgl : Saptu ,8 Nopember 2008
Dosen : Yahya Hamja MM PhD
SiIat : Open Book.




Petunjuk 1. Kerjakan semua soal yang disediakan
2. awaban soal dikerjakan pada kertas yang disediakan,dengan tulis
tangan
3. awaban selambat-lambatnya dikumpulkan pada tgl 15 Nopember
2008



. Essay .

1. Berikanlah penjelasan keterkaitan antara kekuatan merek dengan
kemampuan
Perusahaan berkompetisi dipasar ?.

2. Mengapa untuk mencapai equitas merek diperlukan positioning dan
diIIerensiasi produk ?

3. . pa Iungsi dari marketing terhadap pencarian ,pertumbuhan pasar
sasaran ?. jelaskan pendapat sdr !

4. Business Franchise sangat subur dan cepat perkembangannya di ndonesia ,
baikan jamur yang tumbuh di musim hujan . Kharakteristik ini terlihat sejak
tahun 1980 an hingga sekarang . Coba sdr jelaskan dan terangkan ( bisa
dilengkapi dengan suporting data ) bahwa tipe segmen apa yang berpengaruh
sehingga sasaran ( aim ) business tersebut bisa tepat bidikannya , yaitu
ndonesia ,yaitu ndonesia khususnya business retail


5. pa perlunya suatu company melakukan Line Extention , dan persyaratan apa
yang harus diperlukan untuk program line extention tersebut . jelaskan.




29



Ujian %engah Semester ( U%S ) Magister Manajemen
Universitas Muhammadiyah

Mata kuliah : Riset Marketing
Program : Marketing consentration
Dosen : Yahya Hamja MM PhD
Hari/tgl ; Saptu, 21 Nopember 2008
SiIat : %ake home.

Petunjuk ; 1. Kerjakan semua soal yang disediakan
2. awaban ditulis tangan dan tidak diketik.
3. awaban dikumpulkan selambat-lambatnya
satu minggu setelah ujian.

. Soal
1. Berikanlah perbedaan antara marketing research dengan marketing sttrategy!
2. pa perbedaan antara data primer dan data sekunder ?. berikan contoh
penggunaannya masing masing !.
3. %eknik pengambilan sampel berupa convenience sampling hanya didasarkan
pada
kenyamanan periset belaka sehingga sering kali tidak representatiI .Oleh karena
itu
teknik ini jarang digunakan dalam pemasaran,tapi dalam hal tertentu bisa
diguna
kan . berika alasan sdr ,kenapa bisa menggunakannya .
4.Semakin besar jumlah sampel yang digunakan ,hasil riset juga dapat semakin
dipercaya . Setujukah sdr dengan pernyataan ini ?. berikan penjelasan !
5. Berapakah jumlah sampel yang ideal untuk riset yang bertujuan mengukur
loyalitas pelanggan ?. berikan alasannya !.

B. Kasus
1. Persepsi masyarakat terhadap suatu lokasi perbelanjaan
Masyarakat merupakan pasar sasaran bagi pengecer yang berada didaerahnya .
Kecenderungan masyarakat berbelanja di suatu lokasi bisa disebabkan oleh berbagai
Iaktor seperti ; kedekatan,nyaman,jam buka,kelengkapan barang,dan sebagainya.
Harga murah yang ditawarkan para pengecer juga bisa menjadi daya tarik tersendiri
bagi pelanggan. Sebagai contoh di akarta bisa di jumpai I%C angga dua dan
Pasar Pagi yang selalu dipadati pengunjung yang datang . Kemampuan menawar
dari pengunjung ,harga murah yang ditawarkan ,dan ragam barang yang beraneka
macam merupakan Iaktor yang membentuk persepsi pelanggan terhadap pusat
perbelanjaan tersebut . Sebaliknya suatu pusat perbelanjaan yang sepih pengunjung
karena persepsi buruk yang dimilikinya ,misalnya tidak aman ,produk yang dijual
gampang rusak ,penjualnya tidak jujur ,dan sebagainya. Karena persepsi yang
30
membentuk orang berbelanja,perlu dilakukan riset terhadap persepsi dimaksud pada
lokasi perbelanjaan .
Pertanyaan ;
a. pa jenis riset yang sdr lakukan untuk kasus di atas. ?
b. enis data dan teknik pengumpulan data nya ?
c. Metode analisa data yang sdr perlukan ?
d. Rumusan hipotesa ?
e. Standar uji yang di perlukan ?.
I. Buatlah daItar pertanyaan untuk menjaring data yang sdr perlukan pada kasus di
atas.

2. Manfaat Iklan 1elevisi
Salah satu upaya perusahaan untuk berkomunikasi dengan para pelanggannya
adalah melalui iklan . Dalam melakukan kegiatan pengiklanan ,perusahaan memiliki
berbagai alternatiI media seprti media cetak,( surat kabar,majalah,brosur ),media
elektronik( televisi ,radio ) ,dan media lain seperti internet ,spanduk . Beriklan
melalui media televisi sangat populer dilakukan oleh perusahaan karena cakupan
geograIis yang luas dan kemampuan iklan televisi menampilkan paduan audio dan
visual yang baik . Namun demikian ,beayanya besar bagi perusahaan. Oleh karena itu
, beaya ini harus diimbangi dengan manIaat iklan televisi yang mampu
mempengaruhi para calon konsumen . Riset ini memberikan penekanan pada
pengukuran manIaaat yang diterima oleh para pemirsa iklan televisi. ika para
pemirsa memberikan tanggapan yang baik terhadap manIaat iklan televisi, maka
perusahaan akan menjadi lebih tertarik menggunakan media televisi dalam iklan
walaupun biayanya besar bagi perusahaan.
Pertanyaan .
a. pa judul riset yang tepat pada kasus tersebut di atas.
b. Manakah variabel bebas ( X ) dan variabel terikat ( Y ) pada kasus di atas ?.
c. andaikata hasil analisa menggambarkan sbb: ( data 50 respoden )

Y 13303,485 0,11 X1 ¹ 3,046 X2 ¹ 0, 235 X3 ¹ u .
Se ( 2816,414) ( 0,262 ) ( 0,157 ) ( 0,785 )
t ( 11,3 3 ) ( 1,141 ) ( 1,37 ) ( 1,98 )
R· ÷ 0,672 .
Berikanlah interpretasi dari hasil analisa tersebut di atas , da posisikan X1,X2, dan
X3 dan Y itu adalah variabel yang sdr maksud dari kasus di atas .





oooooooooooooooooooooooooooo





31
Session ix
Model Regresi Panel data

Panel data adalah data time series ,cross-section. Nama lain dari panel data adalah :
1. Pooled data ; kumpulan data time series dan cross-section.
2. micropanel data ( longitudinal ) ; kombinasi studi atas dasar waktu dari
berbagai variabel atau kelompok subyek ,
3. event historis analysis ; studi perubahan suatu subyek dengan syarat waktu
4. cohort analysis ; studi jalur perkembangan karir dari kelompok manajer .
Pengumpulan data panel pada bidang ekonomi semakin berkembang ,misalnya data
yang dibentuk oleh Biro Pusat Statistik ( BPS ) ,Laporan Keuangan Bank dan sumber
sumber lainnya.

. Data Panel

Beberapa keuntungan data panel ,dibanding data time series atau cross-section :
1. Bila data panel berhubungan dengan individu, perusahaan ,negara,daerah dan lain
lain pada waktu tertentu ,maka data tersebut adalah homogen,sehingga penaksiran
data dapat di pertimbangkan dalam perhitungkan .
2. Kombinasi data time series dan cross-section akan memberikan inIormasi yang
lebih lengkap ,beragam,kurang berkorelasi antar variabel ,derajat bebas lebih besar
dan lebih eIisien .
3. Studi data panel lebih memuaskan untuk menentukan perubahan dinamis dibanding
dengan studi berulang dari cros-section.
4. Data panel lebih baik mendeteksi dan mengukur eIek yang secara sederhana tidak
dapat diukur oleh data time series atau cross-section ,misalnya eIek dari upah
minimum,penurunan penjualan, penurunan beaya iklan , kualitas produksi dll.
5. Data panel membantu study untuk menganalisis perilaku yang lebih kompleks ,
misalnya Ienomena skala ekonomi dan perubahan teknoliogi
6. Data panel dapat meminimalkan bias yang dihasilkan oleh agregasi individu atau
perusahaan karena unit data yang lebih banyak .

Contoh data panel dapat dilihat pada tabel 1. , yaitu studi yangberhubungan dengan
investasi bruto rill(NV ) tergantung pada nilai riil perusahaan ( Val) data modal riil
( Cap),.data investasi bruto riil adalah investasi bruto nominal dibagi dengan deIlator
produsen barang tahan lama. Sedangkan nilai riil perusahaan adalah nilai nominal
perusahaan dibagi dengan deIlator PDB ,dan nilai stok modal riil adalah nilai stok
modal nominal dibagi dengan deIlator biaya penyusutan . Untuk tujuan tersebut
dikumpulkan data 20 tahun da empat perusahaan ;
1. General Electric Company ( G )
2. General Motor Corpotation ( G )
3. Univacs Company ( Us ) , pioneer yg gagal
4. rigley`s House company ( WH)
5.


32
Kombinasi atau pooling penghasilan 80 observasi dengan Iungsi instalasi bruto riil :

NVit ÷ µo ¹ µ1 CPit ¹ µ2 VL2t ¹ c it ----------- ( 1 )
Dimana i ÷ 1,2,3,4 dan t ÷ 1,2,3,,4,.... 20 tahun , diasumsikan variabel CP dan
VL adalah nonstochastic da E ( cit) ~ N (0,o· )

ika setiap data unit cross-section sama dengan jumlah observasi time series maka
data panel disebut balance panel , seperti pada tabel 1., karena setiap perusahaan
mempunyai data time series yang sama ,20 periode .ika jumlah observasi berbeda
pada masing masing anggota panel disebut unbalance panel .

B. Penaksiran Model Regresi Data Panel
( Iixed eIIect )
Penaksiran tabel 1 , tergantung pada asumsi tentang titik potong,koeIisen slope,dan
error term.. Beberapa kemunkinan dari Iixed eIIect ;
1. Semua koeIisien kostan antar waktu dan anggota panel
2 KeIisien slope konstan tetapi titik potong bervariasi antar anggota panel
3. KeIisien slope konstan tetapi titik potong bervariasi antar anggota panel dan waktu
4. Semua koeIisien bervariasi antar angota panel
5. Semus koeIisien bervariasi antar anggota panel dan waktu .

1.Semua koefisien konstan antar anggota panel dan waktu.

Model ; INVit ÷ þo + þ1 CAP it + þ2 VAL2t + cit , adalah merupaka model pooled
regression model. Hasil taksiran ordinary least Squares estimator ( OLSE ) dan
persamaan di atas di tunjukkan pada tabel 2. ( hasil regressi pooled OLSE. ).

. Koefisien slope konstan tetapi titik potong bervariasi antar anggota panel ( least-
squares Dummy variable SDJ ).
Secara Iaktual walaupun titik potong berbeda antar anggota panel tetapi antar waktu
tidak berbeda ,disebut time invariant.
Model regregsi LSDV adalah :

INV it ÷ þo + þ G DG + þ US DUS + þ WH D WH + þ1 CAP it +
þ2 VAL2t +cit ---(2)
( covariance model )
Di mana D GM ,D US DH masing masing variabel boneka
D ÷ 1 untuk perusahaan G dan ÷0 perusahaan lainnya
D ÷ 1 untuk perusahaan US dan ÷ 0 perusahaan lainnya
D ÷ 1 untuk perusahaan WH dan ÷ 0 perusahaan lainnya

CP dan VL juga disebut covariate. nalisis regresi (2) menunjukkan bahwa
koeIisien variabel boneka tidak ada yang signiIkan sehingga model ( 1 ) lebih baik
dan pilihan adalah model ( 1 ) .
Untuk mengetest model terbaik anatara (1) dan (2), dgn restricted F test,
33


F ÷ ( R ¹ - R¹ ) ' 3 --------- (3)
( 1 - R¹ / 74

umlah restriksi model (2) adala 3, yaitu D D dan D . ika uji restriksi F
menunjukkan tingkat signiIikansi yang lebih tinggi ,maka model restriksi lebih valid
. nalisis eIek waktu dari model (2) menggunakan variabel boneka untuk
menjelaskan berbagai perubahan ( teknologi, regulasi pemerintah,pengaruh eksternal
lainnya ), sehingga persamaan modelnya mengalami perubaha sbb :

INV it ÷ þ 2oo4 + þ 1985 D1985 + þ 1986 D1986 + ..... + þ 2003 D2003 +þ1 CAPit +

B2 VAL2t +c it .......... (4)

dimana D 1985 ÷ 1 untuk tahun 1935
D 1986 ÷ 1 untuk tahun 1936
D 1987 ÷ 1 untuk tahun 1937 dst sampai tahun 1953.

3. Koefisien slope konstan tetapi titik potong bervariasi antar anggota panel &
Waktu .
Model ini adalah kombinasi dari model (2 dan (4) ;

INV ÷ oo + o G D G +o US D US + oWH DWH + þ 2004 + þ1985 D1985 + þ1986
D1986 + ... + þ 2003 D2003 + þ1 CAP it + þ2 CAP 2t + c it ----- (5)

nterpretasi koeIisien variabel boneka tersebut dapat dijelaskan melalui perbedaan
titik potong apabila signiIikan secara statistik . ika koeIisien variabel boneka dari
waktu tidak signiIikan secara statistik maka model kembali ke pada pers. ( 1 ).

4. Semua koefisien bervariasi antar anggota Panel.
Model ini menunjukkan perbedaan titik potong dan koeIisien slope dengan variabel
boneka. Model (2 ) dapat ditulis sbb:

Yit ÷ oo + o G DG + o US D US + o WH D WH + þG1 ( DG CAP it )
+ þG2( DG Val 2t ) + þU1( DUS CAP it ) + þ U2 ( DUS VAL2t )
+ þW1( DWH CAP it ) + þW2 ( D WH Val 2t) + þ1Val it + c it

nterpretasi koeIisien variabel boneka tersebut dapat dijelaskan melalui perbedaan
titik potong dan koeIisien slope apabila signiIikan secara statistik . Misalnya
perbedaan koeIisien slope perusahaan G ( µ1 ) terhadap variabel CP dengan
perusahaan G,US dan WH masing- masing adalah : ( µ1 ¹ µG1 ) untuk perusahaan G ; (
µ1 ¹ µ U1) perusahaan US ; dan (µ1 ¹ µ1 ) untuk perusahaan WH., demikian
seterusnya untuk penjelasan koeIisien slope VL ika koeIisien slope variabel
boneka tersebut tidak signiIikan secara statistik, maka kembali ke model (1).

34


Semua koefisien bervariasi antar anggota panel dan waktu .
ni merupakan pengembangan dari model (4 ) dan (5 ) dengan cara interaksi variabel
boneka waktu dan perusahaan ke variabel CP dan VL . Penulisan model lebih
panjang ( dijelaska kemudian ) .

Penggunaan model Iixed eIect atau LSDV harus hati-hati karena model mengandung
beberapa masalah seperti :

1. ika pengenalan variabel terlau banyak seperti model (4 ) maka masalah
derajat bebas akan muncul
2. ika metrix variabel X relatiI banyak maka masalah multikolinieritas akan
muncul dan penaksiran lebih sulit .
3. Dala Iixed eIIect model ( FEM ) juga dicakup variabel seperti ; sex,warna
kulit,suku,agama dan lain-lain sehingga pendekatan LSDV tidak dapat
mengindentiIkasi dampak variabel time variant
4. sumsi (c it ) ~N (0,o¹ ) dapat dimodiIkasi dengan beberapa kemungkinan
,antara lain dengan asumsi homoskedastisitas atau autokorelasi R (1 ).


C. Penaksiran Model Regresi Data Panel
( Random eIIect )
Penggunaan model LSDV relatiI mahal terhadap derajat bebas jika data cross-section
terbatas . Pengetahuan yang terbatas terhadap makna variabel boneka mendorong
penggunaan eror component model (ECM ) atau random eIIect model ( REM ). de
dasar dari model ini adalah :

INV it÷ þoi + þ1 CAP it +þ VAL2t + c it ------ (7 )

Dimana µoi ÷ µo ¹ ci i ÷ 1, 2, 3 ....., N.
Substitusi persamaann ;

INV it ÷ þo + þ1 CAP it + þ2 VAL 2t +ci + c it
INV it ÷ þo + þ1 CAP it + c2VAL 2t + it. ------ (8 )

Error term pada ( 8 ) terdiri dari dua komponen ,yaitu komponen cross section
spesiIik perusahaan (ci ) dan komponen error ( c it ). Komponen error ( Eit )
merupakan kombinasi time series error dan cross-section error .
ssumsi ECM terdiri dari :c ~ N(0,o·e);
cit ~ N( 0,o·t )
E( ci, c it )÷ 0
E ( ci,cj ) ÷ 0 ( i = j )
E(cit cis ) ÷ E(cit cjt ) ÷ E(cit cjs) ÷ 0 (i=j ), (t = s )
35
rtinya ; komponen error tidak berkorelasi satu sama lain dan tidak berkorelasi antara
cross-section dan time series .
Perbedaan penting antara FEM dan ECM adalah ; pada FEM setiap unit cross-
section mempunyai nilai titik potong tetap dari semua observasi N,sedangkan pada
ECM nilai titik potong µo menjelaskan nilai rata-rata semua titik potong cross-
section dan komponen error (ci) menjelaskan deviasi titik potong anggota panel dari
rata-rata . Komponen error ini tidak dapat diamati atau unobservable . Oleh karena
itu asumsi di atas harus mengikuti : E (Eit ) ÷ 0 dan var Eit ) ÷ o· / o·e ¹ o·c ,dan
o·÷0 pada model ( 1 ). Bagaimanapun asumsi homoskedastisitas dari E it
menunjukkan korelasi antara E(cit,cjs), yaitu ;
Corr (it,is ) ÷ o¹e / o¹e + o¹c ------- (9 )

da dua siIat dari koeIisien korelasi ini :
1. pada unit time series tertentu ,nilai korelasi antara error pada dua waktu yang
berbeda tetap sama ,tidak masalah berapa besar jarak antara dua periode
waktu tersebut,
2. struktur korelasi (8 ) tetap sama untuk semua unit cross-section dan identik
untuk semua anggota panel.Hasil analisis regresi dengan eviews dari ECM
Iungsi investasi seperti pada tabel berkut yang terdiri dari beberapa asIek. ;
yakni ;
1. ika random eIIect empat perusahaan dijumlahkan ,maka hasilnya adalah nol
karena komponen error (Eit ) merupakan kombinasi time series error dan
sross-section error.
2. Nilai R· diperoleh dari transIormasi regresi GLSE.
3. Rata-rata nilai komponen random error cross-section spesiIik perusahaan (ci )
adalah -73.0353. Nilai random eIIect dari GE adalah -169,9282 menjelaskan
besar perbedaan komponen random error GE dari nilai titik potong bersama
keempat perusahaan.
Menurut udge ,ada empat pertimbangan pokok untuk memilih FEM dan ECM ;
1. ika jumlah time series ( % ) besar dan jumlah cross-secton (N) kecil maka
nilai taksiran para meter berbeda kecil sehingga pilihan didasarkan pada
kemudahan perhitungan ,yaitu FEM.
2. Bila N besar dan % kecil , penaksiran dengan FEM dan ECM menghasilkan
perbedaan yang signiIikan. Pada ECM dketahui bahwa µoi ÷ µo ¹ci, dimana
ci adalah komponen acak cross-section,pada FEM diperlukan µo adalah tetap
atau tidak acak . Bila diyakini bahwa individu atau crosssection tidak acak ,
maka FEM lebih tepat, sebaliknya jika cross section acak maka ECM lebih
tepat.
3. jika komponen error ci individu berkorelasi maka penaksir ECM adalah bias
dan penaksir FEM tidak bias.
4. ika N besar dan % kecil serta asumsi ECM dipenuhi maka penaksir ECM
lebih eIisien dari penaksir FEM




36
Inter;ening Variabel

ntervening variabel adalah variabel antara ,atau penengah sehingga variabel
eksplanatoris daya pengaruhnya lebih kuat terhadap variabel dependent

Misalnya udul Penelitian ;

1. Pengaruh komitmen proIesional dan komitmen organisasi terhadap intensi
keluar ( turn over ) ; variabel motivasi sebagai intevening .

Hipotesa 1. Y1 ÷ a ¹ b1X1 ¹ e 1 -------- 1 )
Y2 ÷ a ¹ b1X1 ¹ b2X2 ¹ e2 ---- 2 )

Hipotesa 2. Y1 ÷ a ¹ b3X3 ¹ e1 ------- 1 )
Y2 ÷ a ¹ b3X3 ¹ b2X2 ¹ e2
Dimana :
Y1 ; motivasi
b1X1 ; komitmen proIesional
b2X2 ; motivasi
Y2 ; ntensi keluar
a ; konstanta
e ; error term

2. Pengaruh mage dan beneIit, terhadap keputusan pembelian
Variabel ekuitas merek sebagai intervening .

Hipotesa 1. Y1 ÷ a ¹ b3X3 ¹ e1 ----------- 1)
Y2 ÷ a ¹ b1X1 ¹ b2X2 ¹ e2---- 2 )

Hipotesa 2 Y1 ÷ a ¹ b3X3 ¹ e1 ----------- 1 )
Y2 ÷ a ¹ b3X3 ¹ b2X2 ¹ e2 ----- 2 )

Y1 ÷ equitas merek
b1X1 ÷ mage
b2X2 ÷ equitas merek
Y2 ÷ keputusan pembelian
b3X3 ÷ beneIit
a ÷ konstanta
e ÷ error term



.




37
Session 10

odel konometrik Dinamis

Pada analisis regressi data time series,model regressi tidak hanya mencakup nilai
sekarang dari variabel tetapi dapat mencakup nilai sebelumnya atau lagged. Model
regressi seperti ini disebut distributed lag model.
ika model mencakup satu atau lebih nilai variabel eksplanatoris sebelumnya maka
modelnya disebut autoregresive model sbb ;

odel distributed - lag
Yt ÷ u o ¹µoXt ¹ µ1Xt-1 ¹ µ2Xt-2 ¹ ... ¹ µi Xt-k ¹c t ------- 1).

odel autoregresi;e ( dynamic model )
Yt ÷ uo ¹ µo Xt ¹ ¸Y t-1 ¹ c t --------- 2).

yang menjelaskan gambaran jalur atau time path nilai regressan dan hubungannya
dengan nilai sebelumnya atau dengan kata lain hubungan antara variabel terikat dan
variabel bebas yang menggunakan periode/waktu berbeda. Biasanya variabel terikat
merujuk pada saat sekarang (t),sedangkan variebel bebas merujuk pada waktu lalu (
t-s ).
Sebagai contoh bahwa pengeluaran konsumsi suatu keluarga tidak hanya tergantung
pada pendapatan keluarga saat ini ( waktu t ) ,melainkan tergantung juga pada
pendapatan beberapa periode lalu ( t-s ) , demikian juga tentang banyaknya barang
yang ada digudang tergantung pada tingkat produksi saat ini ( waktu t ) dan juga
pada tingkat persediaan yang ada digudang pada masa lalu ( waktu t-s )
adi variabel terikat (Y) tidak hnaya akan dipengaruhi variabel X pada saat
t,tetapi juga besaran X pada saat t-1 ,t-2 .......,t-s . dan ukuran waktu yang digunakan
tergantung penggunaan analisisnya ( hari,minggu,bulan,tahun, lima tahun,sepuluh
tahun ).
Model distributed lag dan autoregresive secara intensiI banyak digunakan dalam
analisis ekonometrik yang berkaitan dengan :
1. peran lag dalam ekonomi
2. alasan menggunakan lag
3. penjelasan teoritis penggunaan model lag pada penelitian ekonometrik
4. hubungan model distributed lag dan autoregressive
5. statistika yang digunakan untuk menaksir model
6. hubungan antara lag variebel bersiIat kausalitas.

Peranan waktu Lag dalam konomi.

Dala ekonomi regressan selain ditentukan oleh nilai sekarang dari regressor ,juga
ditentukan nilai sebelumnya dari regressor . Secara umum model distributed lag ,
dirumuskan seperti persamaan (1) dmana k adalah periode waktu lag . KoeIisien µo
disebut angka penganda jangka pendek ( short -run multiplier ) karena
menjelaskan perubahan nilai sekarang Y akibat perubahan nilai sekarang X. ika
38
perubahan X sama dengan perubahan sebelumnya maka ( µo ¹ µ 1 ) adalah
perubaha nilai rata-rata Y satu periode berikutnya atau disebut angka pengganda
antara atau interim or intermediate multiplier .
Penjumlahan µo ¹µ1 ¹ ... ¹ µ k ÷ µ











































39
Session 11
lmon atau Polynomial Distributed Lag ( PDL )

KoeIisien µi pada awalnya dapat naik kemudian posisi maksimum dan turun (
kecenderungan untuk naik turun . Shirley lmon menyarankan model distributed
Lag berhingga sbb:
Yt ÷ u ¹ _µiXt-i ¹ct ----------- 1)
Dalam matematik, persamaan di atas dikenal dengan persamaan ¨Welerstrass
%heorem ¨. lmon mengasumsikan bahwa µi dapat ditaksir dengan derajat
polinomial , dimana µi ÷ ao ¹ a1i ¹ a2i· ¹ ..... ¹ am i .
Sehingga model persamaan 1) di atas bisa dituliskan sbb :

Yt ÷ u ¹ _ ( ao ¹ a1i ¹ a2i· ) Xt-i ¹ ct ------ 2)

Yt ÷ u ¹ ao _Xt-1 ¹ a1_iXt-i ¹ a2_i· Xt-1 ¹ ct

Dan dalam elerstrass persamaan tersebut dideIinisikan sb :

Zot ÷ ao_Xt-i ; Z1t ÷ a1_iXt-i ; Z2t ÷ a2_i·Xt-i
Sehingga dapat dituliskan menjadi :

Yt ÷ uo ¹ao Zot ¹ a1Z1t ¹ a2Z2t ¹ ct ---- 3)

Skema lmon menunjukkan bahwa Y diregresikan pada variabel Z bukan pada
variabel awal X. Pada persaman 3) di atas biasanya ditaksir dengan OLS dan
asumsi dari term error diharapkan dapat terpenuhi , yang menjadi kelebihan PDL
dibanding dengan model oyck .
Oleh karena itu sebelum menggunakan model lmon ,mak masalah praktis harus
diselesaikan terlebih dahulu yang berupa
1. Maksimum panjang lag k terlebih dahulu harus disepakati dengan
menggunakan Akaike or Schwa: information criteria
2. Setelah memperoleh k ,baru menentukan derajat polinomial m.
3. derajat polinomial ditentukan lebih besar dari jumlah titik belok ( inIlection
point ) dari kurva hubungan µi dan i.
4. umlah m yang disarankan adalah m ÷ 2 atau m ÷ 3
Bila m ÷ 3 ( third-degree plynomial ) adalah :

Yt ÷ uo ¹ aoZot ¹ a1Z1t ¹ a2Z2t ¹ a3Z3t ¹ ct ---- 4)
5. Sesudah k dan m di sIesiIikasi , nila Z dapat ditentukan .
Contoh . bila k ÷ 4 dan m ÷ 2

Zot ÷ Xt ¹ Xt-1 ¹ Xt-2 ¹Xt-3 ¹ Xt-4

Z1t ÷ Xt-1 ¹2Xt-2 ¹3Xt-3 ¹4Xt-4 --- 5)

Z2t ÷ Xt-1 ¹4Xt-2 ¹ 9Xt-3 ¹ 16Xt-4
40
Dari model indeks harga umum dan jumlah uang kas misalnya k ÷ 1:

Yt ÷ u ¹ aoZot ¹ a1Z1t ¹ c t ------ 6)
Dimana Zot ÷ ln M0t ¹ lnM0t-1 dan Z1t ÷ lnM0t-1.
Misalnya hasil model regresi PDL

Yt ÷ -0,626683 ¹ 0,289125Zot 0,018414Z1t
ni dikonIersi ke model pertama ( awal ) dengan menghitung µ :

µo ÷ ao ÷ 0,289125 dan

.µt ÷ ( ao ¹at ) ÷ 0,289125 0,018414 ÷ 0,270711

SiIat siIat khusus dari PDL
1. dapat langsung ditaksir dengan OLS
2. penaIsiran koeIisiennya disebut unrestricted estimates
3. jumlah koeIisien lag adalah derajat polinomial
4. penaIsiran koeIisien disebut restricted least-squares .


Kausalitas Ekonomi ( Granger Causality %est )

Beberapa variabel yang sudah ditentukan ,tidak mampu menjelaskan kausalitasnya ,
atau eksistensi hubungan antara variabel,tidak bisa membuktikan kausalitasnya yang
menyangkut arah pengaruh .Oleh karena itu masalah kausalitas dilakuka oleh
Granger ( Granger Quality %est )
Granger melihat data time series berhubungan dengan suatu substansi bahwa
apakah PDB menyebabkan penawran uang ( PDB ÷ M ) atau penawaran yang
menyebabkan PDB ( M ÷ PDB )

Uji Granger test : PDBt ÷ _ µjPDB t-j ¹ c 1t ------ 7)

Mt ÷ _oiMt-i ¹ _ìj PDBt-j ¹ c 2t ----- 8)
Diasumsikan bahwa disturbance term error masing masing c1t dan c 2t tidak
berkorelasi. Dua variabel kemingkinan bilateral causality dan pengembangan
kausalitasnya untuk variabel disebut ;ector autoregression (VR )
Disini beberapa kasus yang perlu dibedakan adalah :
1. Kausalitas tidak langsung dari M ÷ PDB ,bisa ada jika koeIisien lag M
SigniIikan ( berbeda denmgan nol ) ; _ui = 0 , dan perlu ditentukan bahwa
koeIisien lag PDB tidak berbeda dengan nol ; _ìj ÷ 0.
2. Bila kausalitas dari PDB ÷ M bisa ada jika koeIisien lag M tidak signiIikan
( tidak berbeda dengan nl ) ; _ ui ÷ 0 dan koeIisien lag PDB adalah signiIikan
( berbeda dengan nol ) ; _ ìj = 0

41

3. Bilateral causality terjadi bila koeIisien PDB dan M seigniIikan( berbeda dengan
nol pada kedua model regresi
4. Variabel independen ditemukan jika koeIisien PDB dan M tidak signiIikan
( tidak berbeda dengan nol ) pada kedua model regresi

tau secara umum dari model Granger test bahwa ¨ jika variabel X menyebabkan
variabel Y maka perubahan X akan mendahului atau precede perubahan Y .
Oleh karena itu implementasi Granger causality test dilakukan beberapa tahap :
1. Regregsikan PDB pada semua lag PDB dan variabel lainnya ,namun tidak
meliputi variabel lag pada M,dan hasil regresinya adalah RSSR
2. Regresikan PDB denga semua lag PDB dan M ,hasil regresi diperoleh RSSUR
3. Hipotesa nol nya adalah Ho ;_ui ÷ 0 yang berarti koeIisien lag tidak tercakup
dalam model --7 )
4. Uji hipotesa nol dengan statistik F ( lihat rumusnya )

( RSSR RSSUR ) / m
F ÷ ----------------
RSSUR/ ( N-k )

Dimana m ÷ jumlah bentuk dari lag M
K ÷ para meter yang ditaksir pada regresi restriksi .
ika F lebih besar dari nilai kritis F, maka menolak Ho atau koeIisien lag M
tercakup dalam model . ( M yang menyebablan PDB )
5. Langkah ( 1-5 ) di ulangi untuk menguji PDB menyebabka M

Perhatian penting dalam menggunakan GC test
1. Diasumsika bahwa kedua PDB dan M adalah stationer
2. jimlah lag yang perkenankan pada uji causality batas m ÷1 s/d m ÷3:
3. Diasumsikan bahwa disturbance term error tidak berkorelasi
4. ika errorterm berkorelasi harus ditrasIormasi ( cek pembahasan autokerelasi )















42
Session 12


Model Persamaan Simultan

%eori ekonomi pada umumnya vaiabel independen dan spdependen saling
mempengaruhi . sumsi model persamaan simultan bahwa variabel independen
adalah sebab sedangkan variabel dependen adalah akibat.
Kondisi ini menunjukka dua cara pengaruh antar variabel ekonomi yaitu :
1. satu vatriabel yang mempengaruhi variabel lain
2. variabel tersebut kembali dipengaruhi oleh variabel lain
mis. Variabel Y tergantung pada variabel X ,kemudian variabel X tergantung kepada
variabel Y.
Masalah identiIikasi dalam persamaan simultan yang mencakup dua atau lebih
persamaan adlah penting untuk menunjukkan jumlah variabel independen adan
variabel dependen
Mis. Quantitas ( Q ) tergantung pada harga ( P ), persamaan Iungsi permintaan &
penawaran . Data yang diperoleh hanya harga ( P ) dan Quantitas ( Q ) ,inIormasi
lain tidak ada .dentiIikasi model akan lebih sulit untuk menentukan apakah data
yang diperoleh apakah Iungsi permintaan ataukah penawara .

SiIat Model Persamaan Simultan .

da suatu kondisi yang bisa terjadi bahwa Y ditentukan X ,kemudian X di tentukan
oleh Y, sehingga hubungan antara Y & X akan menentukan variabel dependen dan
variabel independen . Model yang demikian terdiri dari lebih satu persamaan dan
sslah satu variabel adalah mutually atau jointly,dependent atau endogenous
variabels. Variabel lain yang non stochastic disebut exogenous atau predetermined
;ariables .
Penaksiran dengan OLS .
sumsinya : 1.non stochastic dari variabel independen ( eksplanatoris X )
2.jika stochastoc maka OLS tidak bias dan juga tidak konsisten .
3.bila observasi bertambah takberhingga penaksir tidak konvergens
atau ( pemusatan ) terhadap nilai populasi yang sebenarnya .

perhatikan model :

Y1 ÷ þo + þ1 Y2 + þ2 X + c1 ----------- 1)

Y2 ÷ oo + o1 Y1 + o2 X + c 2 ----------- 2)

Dimana : Y1 dan Y2 ÷ mutually dependent atau endogen
X ÷ variabel eksogen ( independen )
c1 , c2 ÷ stochastic disturbance


43
Model di atas dapat seperti ; model permintaan & penawaran , dimana quantitas Q
dan harga P adalah jointly dependent variabels
Model lain seperti teori M..Keynes konsumsi C ditentukan oleh pendapatan Y dan
pendapatan adalah identitas dari konsumsi dan investasi

Model perubahan upah ( A),dan perubaha harga (AP )
Perubahan upah ditentukan oleh perubahan harga da perubaha harga ditentukan
oleh perubahan upah .

Model ekonomi makro ,dan liqudity money ( LM )
Permintaan uang (M ) dan pendapatan (Y ) juga adalah jointly dependent variables .



nkonsistensi ( bias persamaan OLS )

Bila terjadi satu atau lebih variabel eksplanatoris berkorelasi dengan disturbance
term error berarti aplkasi pelaksanaan OLS tidak oknsisten .

Contoh dari model Keynes ;

C ÷ þo + þ1Y + c ------- 3)

Y ÷ C + I ---------- 4)
Dimana C ÷ konsumsi
Y ÷ pendapatan
÷ investasi
pabila para meter konsumsi yang ingin ditaksir maka diasumsikan bahwa :

E ( c )÷ 0, E ( c· ¹ o·, E ( ct ct-1) ÷ 0 untul j= 0,dan cov ( i ,c ) ÷ 0

Dari persamaan 3 dan 4 di atas bahwa Y dan c berkorelasi , yakni ;

Y ÷ µo ¹ µ1Y ¹ ¹ c

Y ÷ þo /1-þ1 + 1/ 1-þ1 I + 1/ 1-þ1 c ------ 5)

(Y) ÷ þo /1-þ1 + 1/1-þ1 I -------- 6)

Dari persamaan 5) dan ,6) ditunjukan bahwa c E(c ) ÷ c dan covarians Y dan c
adalah :
Cov( Y,c ) ÷ E | Y E(Y)| | c E(c)|

÷ (c¹ ) /1-þ1 ÷ o¹ / 1-þ1 ---------------------7).

44
Diketahui bahwa ¹ adalah positip sehingga kovarians Y dan c berbeda dari nol
sehingga keduanya diharapkan berkorelasi . Untuk membuktikan bahwa OLS adalah
penaksir yang tidak konsisten ,misal ; model Keynes ;

y ÷ Y¸ ¹ Xµ ¹ c
. y ÷ | Y X | | | ¹ c
. y ÷ Z +c ----------- 8)
dimana Z ÷ (Y ), ( y ÷ C ),
c ÷ koeIisien variabel eksogen
. ¸ ÷ koeIisien variabel endogen

Metode OLS dari persamaan 8) adalah o ÷ (Z`Z ) ¯ Z` y sehinga rata-rata vektor
acak E() :

E(o) ÷ ( Z`Z)¯ Z`y ÷ E|Z`Z)¯ Z`(Zo ¹ c ) |
÷ E|(z`Z)¯ Z`Zo | ¹ E|(Z`Z)¯ Z` c |
÷ + (Z`Z)¯ Z` c ] ------------ 9)

Maatrix Z mencakup variabel endogen Y dan tidak independen dari c sehingga
E(o ) = o atau bias , yang berarti peningkatan observasi akan meningkatkan taksiran o
dan tidak konIergen ( pemusatan ) terhadap nilai populasi o.
Suatu penaksiran dari os. adala konsisten bila probability limit (plim ) adalah sama
dengan nilai populasi yang sebenarnya yaitu ;

Plim s ÷ + plim % ¯ Z`Z]¯ plim % ¯ Z` c / -------- 10)

Dari model Keynes di atas mengambarka bahwa peningkatan c akan meningkatkan
konsumsi C sehingga pendapatan Y naik. Oleh sebab itu peningkatan c akan
meningkatkan pendapatan dan berakibat E | (Z`Z )¯ Z` c | semakin tinggi . Bias
seperti ini bias atas ( over estimate sehingga os ~ o.















45
Session 13

Masalah dentiIikasi Model

Masalah identiIikasi model adalah bagaimana menjamin tentang Iungsi yang ditaksir
apakah variabel eksplanatoris ataukah dependen variabel .
Misalnya pada harga P dan kuantitas Q tertentu, bagaimana mengetahui bahwa yang
ditaksir adalah Iungsi permintaan ataukah penawaran ?. Bagaimana menjamin bahwa
Iungsi yang ditaksir adalah Iungsi permintaan bukan Iungsi penawaran ?.
Suatu persaman simultan akan ditunjukkan apakah satu atau lebih persamaan
teridentiIikasi atrau tidak sama sekali .

Notasi dan DeIinisi
ika ada persamaan dalam suatu persamaan simultan , maka ada sebanyak
variabel endogen atau jointly dependent variables.
Persamaan simultan dapat dituliskan sbb :













dimana









Variabel yang termasuk persamaan simultan ada dua tipe :
a. variabel endogen yang nilainya ditentukan dalam model ( stochastic)
b. variabel predetermin yang nilainya diluar model (non stochastic )
Variabel predetermin dibagi dalam dua kategori :
a. variabel eksogen termasuk lag
b. lagged endogenous
46
Variabel eksogen,lag eksogen dan lag endogen nilainya tidak ditentukan oleh model
tetapi ditentukan terlebih dahulu.
Contohnya :











Dimana Ct ÷ pengeluaran konsumsi personal periode t
Yt ÷ pendapatan nasional periode t
t ÷ total kekayaan periode t
t ÷ pengeluaran investasi periode t
Rt ÷ tingkat bunga pinjaman periode t.

Sistim persamaan 1) di atas adalah structural atau behavioral karena persamaan
tersebut merupakan suatu struktur perekonomian . KoeIisien þs` dan os` disebut
structural parameter atau koeIisien struktural.
Dari persamaan struktural , adalah satu dari M variabel endogen diselesaikan dengan
reduced-Iorm equation ( adalah bentuk persamaan semua variabel endogen adalah
Iungsi dari semua variabel predetermin dan disturbance term erro.).

Untuk menentukan jumlah variabel endogen digunakan Iormula banyaknya
persamaan ,yang terdiri dari 3 persaman atau 3 variabel endogen ( C,Y dan ) dan
variabel lainnya merupakan variabel predetermin ( dan R )
Reduced Iorm equation adalah :












Dengan cara substitusi ketiga persamaan reduced-Iorm ,kemungkinan koeIisien
reduced-Iorm lainnya dapat ditentukan ( substitusi antar persamaan ) ,penaIsiranya
menghasilka persaman struktural ( model ndirect Least Squares Estimator OLSE ).
47

Masalah dentiIikasi .
Masalah identiIikasi dimaksudkan apakah penaksiran numeris parameter persamaan
struktural dapat diperoleh dari taksiran koeIisien reduced-Iorm.
ika taksiran koeIisien persamaan struktural dapat dihasilkan dari taksiran koeIisien
reduced-Iorm maka persamaan dikatakan teridentiIikasi atau identified,jika tidak
persamaanya dikatakan unidentified ( underidentified ).

Persamaan teridentiIikasi ada dua tipe :
a. exactly identiIied ; nilai numeris parameter struktural yang
diperoleh dari reduced-Iorm equation
b. overidentiIied ; bila numeris para meter struktural lebi dari satu yang
diperoleh dari reduced Iorm ecuation.
c. Diketahui bahwa satu reduced-Iorm equation tertentu dapat
dibandingkan denga satu persamaan struktural atau hipotetis .

UnderidentiIied.
Pada model ppermintaan & penawaran suatu komoditas :















Dari persamaan 3a) dan 3b) ditunjukkan bahwa µt dan vt adalah linier kombinasi.
Reduced Iorm equation terdiri dari empat parameter struktural tetapi ada cara
untuk menaksir ke empat para meter dari kedua reduced-Iorm equation tersebut.
ika reduced-Iorm equation ( persamaan 3a &3b ) diregresikan ,maka variabel
predetermin tidak ada ,hanya ada konstanta yang menggambarkan harga P dan
quantitas Q secara rata-rata.
Salah satu alternatiI untuk mengatasi masalah identiIikasi ini adalah
mengalikan keseimbangan permintaan dengan dan penawaran ( 1-ì ), yaitu ;





48
Penjumlahan persamaan 4a) dan 4b) akan menghasilkan kombinasi linier
persamaan permintaan dan penawaran awal :









Pada persamaan 50 dapat diobservasi dan sudah berbeda dengan persamaan
penawaran dan permintaan semula ( awal ) karena model regrasi Q telah
mencakup variabel predetermin P.


ust, or exact identiIication .
Pertimbangan model permintaan dan penawaran di atas ,Iungsi permintaan dan
penawarannya adalah :

Dt ÷ µo1 ¹ u11 Pt ¹ µ12 Yt ¹ c1t 6a)

St ÷ µo ¹ u 12 Pt ¹c2t 6b)

Di mana Yt adalah variabel predetermin ( penda|patan konsume ) .
Keseimbangan pasar atau market clearing menjelaskan bahwa :

.µo1 ¹ u11 Pt ¹ µ12 Yt ¹ c1t ÷ µo2 ¹ u21 Pt ¹ c2t

Pt ÷ ao ¹ a1 Yt ¹ut 7a)

Qt ÷ a2 ¹ a3 Yt ¹ vt 7b)

Untuk persamaan 7a) dan 7b) ,adalah empat para meter sedangkan persamaan 6a) dan
6b) adalah lima para meter sehinggga sulit untuk dihitung . Para meter 6b) dapat
ditaksir ( diidentiIikasi ) dengan terlebih dahilu menentukan besaran koeIisien
ao,a1,a2 dan a3 yaitu :

.µo ÷ a2 u 21 ao dan u 21 ÷ a3 / a1 8).
Sebaliknya para meter model permintaan tidak sulit,sederhana sehinga persamaan
6a) unidentiIied . Perkalian 6a) dengan ì dan 6b) dengan ( 1 ì ) dan penjumlahan
keduanya akan menghasilkan kombinasi linier persaman permintaan dan
penawaran awal yaitu :

Qt ÷ a 4 ¹ a5 Pt ¹ a6 Yt ¹ çt 9).
49
alaupun persamaan 9) dapat dibedakan dengan 6a) dan 6b) ,Iungsi permintaannya
tetap unidentiIied karena model penawaran tidak mencakup variabel predetemin Y.
adi adanya variabel tambahan dari Iungsi permintaan mengakibatkan Iungsi
penawaran menjadi identiIied . Penambahan inIormasi pendapatan pada Iungsi
permintaan merupakan tambahan inIormasi variabel Iungsi.
dapun model permintaan dan penawaran sbb : .














Dari 10) dan 10b) ada enam para meter struktural dan reduced-Iorm equation
juga enam para meter . Karena jumlah para meter sama maka penaksiran reduced
Iorm equation akan menghasilkan solusi yang unik ( sulit ), sehingga model
permintaan dan penawaran adalah identiIied.

OveridentiIied.
Pada persamaan model 10a dan 10b dikembangkan menjadi model permintaan dan
penawaran berikut :
Dt ÷ µto1 ¹ u11 Pt ¹ µ12 t ¹ c1t 12a)

St ÷ µto2 ¹ u 2t Pt ¹ µ22 Pt-1 ¹ c 2t 12b)
Dimana t adalah kekayaan konsumen . Keseimbangan permintaan dan penawaran
( market clearing menghasilkan reduced Iorm equation ,yaitu :
Pt ÷ a0 ¹ a1Yt ¹ a2 t ¹ a3 Pt-1 ¹ ut 13a)

Qt ÷ a4 ¹ a5 Yt ¹ a6 t ¹ a7 Pt-1 ¹ vt 13b)

Dari 12a) dan 12b) terdapat tuju parameter struktural ,sedangkan pada 13a) dan
13b) terdapat delapan para meter reduced- Iorm equation . Oleh sebab itu jumlah
persamaan lebih dari jumlah yang tidak diketahui sehingga taksiran dari semua
para meter terdapat lebih dari satu nilai para meter struktural ( o;ersufficiency of
information ) . ni diperlukan restriksi yang banyak untuk menaksir para meter
struktural . ika besaran koeIisien reduced Iorm equation ditentukan ,maka nilai
þ21 ada dua yaitu : o 21 ÷ n6/n2 dan o 21 ÷ n5 /n1 . ( model penawaran
overidentiIied )
50
Kaidah dentiIikasi































You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->