Professional Documents
Culture Documents
Studenmund Ch7 Emetrics 1 Akt 2018
Studenmund Ch7 Emetrics 1 Akt 2018
Spesifikasi: Memilih
Formulir Fungsional
7.1 Penggunaan dan Interpretasi Istilah Konstan
7.2 Formulir Fungsional Alternatif
7.3 Variabel-variabel Independen Tertinggal
7.4 Slope Dummy Variables
7.5 Masalah dengan Formulir Fungsional yang Salah
7.6 Ringkasan dan Latihan
7.7 Lampiran: Econometric Lab # 4
190. Bab ini dimulai dengan diskusi singkat tentang istilah konstan. Khususnya, kami
menyarankan bahwa istilah konstan harus dipertahankan dalam persamaan dan bahwa
perkiraan jangka waktu konstan tidak dapat diandalkan untuk kesimpulan atau analisis. Bab
ini diakhiri dengan diskusi tentang variabel dummy lereng.
Dalam model regresi linier, _0 adalah intercept atau constant term. Ini adalah nilai Y yang
diharapkan ketika semua variabel penjelas (dan istilah kesalahan) sama dengan nol. Perkiraan
_0 memiliki setidaknya tiga komponen:
1. _0 yang benar,
2. dampak konstan dari setiap kesalahan spesifikasi (variabel yang dihilangkan, misalnya),
3. mean e untuk persamaan yang ditentukan dengan benar (jika tidak sama dengan nol).
Sayangnya, komponen-komponen ini tidak dapat dibedakan satu sama lain karena kita hanya
bisa mengobservasi _N 0, jumlah dari tiga komponen. Hasil adalah bahwa kita harus
menganalisa _N0 berbeda dari cara kita menganalisa yang lain koefisien dalam persamaan
Kadang-kadang, _0 adalah kepentingan teoritis. Pertimbangkan, misalnya, persamaan biaya
berikut:
Ci = _0 + _1Qi + ei
dimana Ci adalah total biaya produksi output Qi. Istilah _1Qi mewakili total biaya variabel
yang terkait dengan tingkat output Qi, dan _0 mewakili total biaya tetap, yang didefinisikan
sebagai biaya ketika output Qi = 0. Dengan demikian, regresi Persamaan mungkin tampak
berguna bagi seorang peneliti yang ingin menentukan besaran relatif biaya tetap dan variabel.
Ini akan menjadi contoh bergantung pada istilah konstan untuk penyimpulan. Di sisi lain,
produk yang terlibat mungkin salah satunya diketahui bahwa ada beberapa — jika ada —
biaya tetap. Dalam kasus seperti itu, seorang peneliti mungkin ingin menghilangkan istilah
konstan; untuk melakukannya akan sesuai dengan Gagasan nol biaya tetap dan akan
menghemat tingkat kebebasan (yang mungkin akan membuat perkiraan _1 lebih tepat). Ini
akan menjadi sebuah contoh menekan istilah konstan.
1. Jika komponen kedua dan ketiga dari _0 kecil dibandingkan dengan komponen pertama,
Maka perbedaan ini berkurang. Lihat R. C. Allen dan J. H. Stone, “Buku Teks Mengabaikan
Konstan Koefisien, ”The Journal of Economic Education, Fall 2005, hlm. 379–384.
Kemiringan garis estimasi ini sangat rendah, dan nilai t-taksiran koefisien kemiringan
mungkin sangat dekat dengan nol. Namun, jika peneliti itu menekan istilah konstan, yang
mana menyiratkan bahwa garis regresi diperkirakan harus melewati asal, kemudian garis
regresi yang diperkirakan ditunjukkan pada
Jika konstanta (atau intercept) term ditekan, estimasi regresi akan berjalan asal. Efek seperti
itu berpotensi membuat bias _N dan meng-upgrade t-skor mereka. Khususnya ini Misalnya,
kemiringan yang benar mendekati nol dalam kisaran sampel, tetapi memaksa regresi melalui
asal membuat lereng tampak positif secara signifikan.
Koefisien lereng bias ke atas dibandingkan dengan koefisien kemiringan yang benar. Itu
t-score juga bias ke atas, dan mungkin cukup besar untuk menunjukkan bahwa koefisien
kemiringan yang diperkirakan secara statistik signifikan positif. Kesimpulan seperti itu akan
salah. Dengan demikian, meskipun beberapa paket regresi mengijinkan istilah konstan
menjadi ditekan (ditetapkan ke nol), aturan umumnya adalah: Jangan! Jangan Mengandalkan
Estimasi Istilah Konstan Tampaknya logis jika itu adalah ide yang buruk untuk menekan
istilah konstan, maka istilah konstan harus menjadi alat analitis penting untuk digunakan
dalam mengevaluasi hasil dari regresi. Sayangnya, setidaknya ada dua alasan yang
menunjukkan bahwa intersepsi tidak harus diandalkan untuk tujuan analisis atau
penyimpulan.
Pertama, istilah kesalahan dihasilkan, sebagian, oleh kelalaian angka variabel independen
marginal, efek rata-rata yang ditempatkan di istilah konstan. Istilah konstan bertindak sebagai
pengumpul sampah, dengan sebuah jumlah yang tidak diketahui dari efek berarti ini dibuang
ke dalamnya. Konstan koefisien estimasi jangka mungkin berbeda dari yang seharusnya tanpa
melakukan tugas ini, yang dilakukan demi persamaan sebagai a seluruh. Akibatnya, tidak ada
artinya menjalankan uji-t pada _N0.
Kedua, istilah konstan adalah nilai dari variabel dependen kapan semua variabel independen
dan istilah kesalahan adalah nol, tetapi variabelnya digunakan untuk analisis ekonomi
biasanya positif. Jadi, asalnya sering terletak di luar jangkauan pengamatan sampel (seperti
dapat dilihat pada Gambar 7.1). Sejak istilah konstan adalah perkiraan Y ketika Xs berada di
luar jangkauan pengamatan sampel, perkiraan itu renggang.
Koefisien lereng bias ke atas dibandingkan dengan koefisien kemiringan yang benar. T-score
juga bias ke atas, dan mungkin cukup besar untuk menunjukkan bahwa koefisien kemiringan
yang diperkirakan secara statistik positif signifikan. Kesimpulan seperti itu akan salah. Jadi,
meskipun beberapa paket regresi memungkinkan istilah konstan untuk ditekan (ditetapkan ke
nol), aturan umumnya adalah: Jangan!
Tampaknya logis bahwa jika ide yang buruk untuk menekan istilah konstan, maka istilah
konstan harus menjadi alat analitis penting untuk digunakan dalam mengevaluasi hasil
regresi. Sayangnya, setidaknya ada dua alasan yang menunjukkan bahwa intersepsi tidak
harus diandalkan untuk tujuan analisis atau penyimpulan. Pertama, istilah kesalahan
dihasilkan, sebagian, oleh kelalaian sejumlah variabel independen marjinal, efek rata-rata
yang ditempatkan dalam istilah konstan. Istilah konstan bertindak sebagai pengumpul
sampah, dengan jumlah yang tidak diketahui dari efek berarti ini dibuang ke dalamnya.
Koefisien perkiraan jangka konstan mungkin berbeda dari apa yang seharusnya tanpa
melakukan tugas ini, yang dilakukan demi persamaan secara keseluruhan. Akibatnya, tidak
ada artinya menjalankan uji-t pada β N0. Kedua, istilah konstan adalah nilai dari variabel
dependen ketika semua variabel independen dan istilah kesalahan adalah nol, tetapi variabel
yang digunakan untuk analisis ekonomi biasanya positif. Dengan demikian, asal sering
terletak di luar kisaran pengamatan sampel (seperti dapat dilihat pada Gambar 7.1). Karena
istilah konstan adalah perkiraan Y ketika Xs berada di luar rentang pengamatan sampel,
perkiraannya adalah lemah.
Pilihan bentuk fungsional untuk persamaan adalah bagian penting dari spesifikasi persamaan
itu. Sebelum kita dapat berbicara tentang bentuk-bentuk fungsional, bagaimanapun, kita perlu
membuat perbedaan antara persamaan yang linear dalam koefisien dan salah satu yang linear
dalam variabel. Persamaan linear dalam variabel jika merencanakan fungsi dalam hal X dan
Y menghasilkan garis lurus. Misalnya, Persamaan 7.1:
Y = β0 + β1X + є (7.1)
Y = β0 + β1X2 + є (7.2)
tidak linier dalam variabel, karena jika Anda merencanakan Persamaan 7.2 itu akan menjadi
kuadrat, bukan garis lurus.
Persamaan linear dalam koefisien hanya jika koefisien (βs) muncul dalam bentuk yang paling
sederhana — mereka tidak dinaikkan ke kekuatan apa pun (selain dari satu), tidak dikalikan
atau dibagi dengan koefisien lain, dan tidak termasuk beberapa jenis fungsi (seperti log atau
eksponen). Sebagai contoh, Persamaan 7.1 adalah linear dalam koefisien, tetapi Persamaan
7.3:
Y = β0 + Xβ1 (7.3)
tidak linier dalam koefisien β0 dan β1. Persamaan 7.3 tidak linier karena tidak ada penataan
ulang persamaan yang akan membuatnya linear dalam βs dari minat awal, β0 dan β1. Bahkan,
dari semua persamaan yang mungkin untuk variabel penjelas tunggal, hanya fungsi dari
bentuk umum:
Bentuk Linear
Model regresi linier, yang digunakan hampir secara eksklusif dalam teks ini sejauh ini,
didasarkan pada asumsi bahwa kemiringan hubungan antara variabel independen dan variabel
dependen adalah konstan: 2
Jika hubungan yang dihipotesiskan antara Y dan X sedemikian rupa sehingga kemiringan
hubungan dapat diharapkan menjadi konstan, maka bentuk fungsional linear harus digunakan.
Karena kemiringannya konstan, elastisitas Y terhadap X (perubahan persentase dalam
variabel dependen yang disebabkan oleh peningkatan 1 persen dalam variabel independen,
memegang variabel lain dalam persamaan konstanta) dapat dihitung dengan mudah:
Kecuali teori, akal sehat, atau pengalaman membenarkan penggunaan beberapa bentuk
fungsional lainnya, Anda harus menggunakan model linier. Karena, pada dasarnya, itu
digunakan secara default, model linier kadang-kadang disebut sebagai bentuk fungsional
standar.
Formulir Double-Log
Bentuk double-log adalah bentuk fungsional yang paling umum yang tidak linier dalam
variabel sementara masih linear dalam koefisien. Memang, bentuk double-log sangat populer
sehingga beberapa peneliti menggunakannya sebagai bentuk fungsional standar mereka
daripada bentuk linear. Dalam bentuk fungsional double-log, log alami Y adalah variabel
dependen dan log alami X adalah variabel independen:
di mana lnY mengacu pada log natural dari Y, dan seterusnya. Untuk tinjauan singkat tentang
makna log alami, lihat fitur kotak di halaman 196 dan 197.
Bentuk double-log, kadang-kadang disebut bentuk log-log, sering digunakan karena peneliti
telah menetapkan bahwa elastisitas model adalah konstan dan lereng tidak. Ini berbeda
dengan model linier, di mana lerengnya konstan tetapi elastisitasnya tidak. Dalam persamaan
double-log, koefisien regresi individu dapat diartikan sebagai elastisitas karena:
Karena koefisien regresi adalah konstan, kondisi bahwa model memiliki elastisitas konstan
dipenuhi oleh persamaan double-log. Cara menginterpretasikan βk dalam persamaan double-
log adalah jika Xk meningkat sebesar 1 persen sementara X lainnya dipertahankan konstan,
maka Y akan berubah sebesar βk persen. Karena elastisitasnya konstan, lereng sekarang tidak
lagi konstan. Gambar 7.2 adalah grafik fungsi double-log (mengabaikan istilah kesalahan).
Apa itu Log? Apa itu log? Jika e (konstan sama dengan 2,71828) ke "bth power" menghasilkan x, maka b
adalah log dari x:
Jadi, log (atau logaritma) adalah eksponen ke mana basis ya ng diberikan harus diambil untuk menghasilkan
angka tertentu. Meskipun log memiliki lebih dari satu variasi, kami hanya akan menggunakan log natural
(log ke basis e) dalam teks ini. Simbol untuk log natural adalah "ln," jadi ln1x2 = b berarti 12.718282 b = x
atau, lebih sederhana,
ln1x2 = b berarti eb = x
ln17. 3892 = 2
Dengan demikian, log natural 7.389 adalah 2! Dua adalah kekuatan e yang menghasilkan 7.389. Mari kita
lihat beberapa perhitungan log natural lainnya:
ln (100) = 4.605
ln (1000) = 6.908
Panel di sebelah kiri menunjukkan konsep ekonomi dari isoquant atau kurva indiferen.
Isoquants dari fungsi produksi menunjukkan berbagai kombinasi faktor X1 dan X2, mungkin
modal dan tenaga kerja, yang dapat digunakan untuk menghasilkan tingkat output yang
diberikan Y. Panel di sebelah kanan Gambar 7.2 menunjukkan
hubungan antara Y dan X1 yang akan ada jika X2 dipertahankan konstan atau tidak termasuk
dalam model. Perhatikan bahwa bentuk kurva tergantung pada tanda dan besarnya koefisien
β1. Jika β1 negatif, bentuk fungsional double-log dapat digunakan untuk memodelkan kurva
permintaan yang khas. Model double-log harus dijalankan hanya ketika variabel yang di-log
mengambil nilai positif. Variabel dummy, yang dapat mengambil nilai nol, seharusnya tidak
dicatat.
Semilog Form
Bentuk fungsional semilog adalah varian dari persamaan double-log di mana beberapa tetapi
tidak semua variabel (dependen dan independen) dinyatakan dalam log alami mereka.
Misalnya, Anda mungkin memilih untuk menggunakan logaritma dari salah satu variabel
independen asli, seperti dalam:
Dalam hal ini, arti ekonomi dari dua koefisien kemiringan berbeda, karena X2 berhubungan
linier dengan Y sedangkan X1 secara non-linear terkait dengan Y.
ln1100002 = 9.210
ln11000002 = 11.513
ln110000002 = 13,816
Perhatikan bahwa ketika angka mulai dari 100 hingga 1.000.000, log naturalnya berasal4,605
menjadi hanya 13,816! Karena log adalah eksponen, bahkan perubahan kecil dalam logbisa
berarti perubahan besar dalam hal dampak. Akibatnya, log dapat digunakan dalam
ekonometri jika seorang peneliti ingin mengurangi ukuran absolut dari angka-angka yang
terkaitdengan makna yang sebenarnya sama.Salah satu properti yang berguna dari kayu alam
dalam ekonometri adalah yang mereka buatlebih mudah untuk mengetahui dampaknya dalam
persentase. Jika Anda menjalankan double-logregresi, arti koefisien kemiringan adalah
perubahan persentase dalam variabel dependen yang disebabkan oleh peningkatan satu poin
persentase dalam independen variabel, memegang variabel independen lainnya dalam
persamaanconstant.3 Ini karena persentase ini mengubah properti yang koefisien
kemiringannyadalam persamaan double-log adalah elastisitas.
3. Ini karena turunan dari log natural X sama dengan dX / X (atau X / X), yang samasebagai
perubahan persentase.
Sisi kanan Gambar 7.3 menunjukkan hubungan antara Y dan X1 pada persamaan semilog
seperti ini ketika X2 dipertahankan konstan. Perhatikan bahwa jika 1 lebih besar dari nol,
dampak perubahan X1 pada Y menurun saat X1 semakin besar. Jadi, itu bentuk fungsional
semilog harus digunakan ketika hubungan antara X1 dan Y dihipotesiskan untuk memiliki
bentuk "meningkat pada laju penurunan" ini.4 Aplikasi formulir semilog cukup sering.
Sebagai contoh, sebagian besar fungsi konsumsi cenderung meningkat dengan laju penurunan
4. Bentuk fungsional lain yang dapat digunakan ketika Anda mengantisipasi bahwa hubungan
antaraX dan Y memiliki "peningkatan pada tingkat penurunan" bentuk adalah bentuk
fungsional terbalik. Formulir inimenyatakan Y sebagai fungsi timbal balik (atau kebalikan)
dari satu atau lebih variabel independen
(dalam hal ini X1):
Yi = 0 + 1 (1 / X1i) + 2X2i + ei
Bentuk fungsional terbalik harus digunakan ketika dampak dari variabel independen
tertentudiharapkan mendekati nol karena variabel independen mendekati infinity. Untuk
melihat ini,perhatikan bahwa ketika X1 semakin besar, dampaknya pada Y menurun.Hati-
hati, karena X1 tidak dapat sama dengan nol, karena jika X1 menyamai nol, membaginya
menjadiapa pun akan menghasilkan nilai yang tak terbatas atau tidak terdefinisi.
beberapa tingkat pendapatan. Kurva Engel ini cenderung rata karena pendapatan menjadi
lebih tinggi, persentase pendapatan yang lebih kecil masuk ke konsumsi dan persentase yang
lebih besar pergi ke tabungan. Konsumsi dengan demikian meningkat pada a tingkat
penurunan. Jika Y adalah konsumsi barang dan X1 dapat dibuang pendapatan (dengan X2
berdiri untuk semua variabel independen lainnya), lalu penggunaan bentuk fungsional
semilog dibenarkan kapan saja
konsumsi dapat diharapkan meningkat pada tingkat penurunan sebagai pendapatan
meningkat. Misalnya, ingat persamaan permintaan daging sapi, Persamaan 2.7, dari Bab 2:
CBt = 37,54 - 0,88Pt + 11,9Ydt (2,7)
(0,16) (1,76)
t= -5.36 6.75
R2 = 0,631 N = 28 (tahunan)
dimana:
CB = konsumsi daging sapi per kapita
P = harga daging sapi dalam sen per pon
Yd = pendapatan sekali pakai AS dalam ribuan dolar
Jika kita mengganti log dari disposable income (lnYdt) untuk pendapatan sekali pakai dalam
Persamaan 2.7, kita mendapatkan:
CBt = -71,75 - 0,87Pt + 98,87lnYdt (7,8)
(0,13) (11,11)
t= -6,93 8,90
R2 = 0,750 N = 28 1annual2
Dalam Persamaan 7.8, variabel independen termasuk harga daging sapi dan log
penghasilan sekali pakai. Persamaan 7.8 akan sesuai jika kita berhipotesis bahwa ketika
pendapatan naik, konsumsi akan meningkat pada tingkat yang menurun. Untuk yang lain
produk, mungkin seperti yacht atau rumah musim panas, tidak ada penurunan laju yang bisa
terjadi dihipotesiskan, dan fungsi semilog tidak akan sesuai. Tidak semua fungsi semilog
memiliki log di sisi kanan persamaan, seperti pada Persamaan 7.7. Bentuk semilog alternatif
adalah memiliki logon sisi kiri persamaan. Ini berarti bahwa log alami Y akan menjadi fungsi
dari nilai Xs yang belum terinstal, seperti pada:
Model ini tidak memiliki kemiringan konstan maupun elastisitas konstan, tetapi koefisien
memiliki interpretasi yang sangat berguna. Jika X1 meningkat sebesar satu unit, maka Y akan
berubah dalam persentase. Secara khusus, Y akan berubah sebesar 1 # 100 persen untuk
setiap unit yang X1 meningkat, menahan konstanta X2. Sisi kiridari Gambar 7.3
menunjukkan fungsi semilog seperti itu.
Fakta ini berarti bahwa fungsi semilog lnY dari Persamaan 7.9 adalah sempurna untuk model
apa pun di mana variabel dependen menyesuaikan dalam istilah persentase ke unit berubah
dalam variabel independen. Ekonomi paling umum dan aplikasi bisnis Persamaan 7.9 adalah
dalam model pendapatan dari individu, di mana perusahaan sering memberikan kenaikan
tahunan dalam hal persentase. Sedemikian model, Y akan menjadi gaji atau upah karyawan
engan, dan X1 akan pengalaman pekerja engan. Setiap tahun X1 akan meningkat satu, dan 1
akan mengukur kenaikan persentase yang diberikan oleh perusahaan.
Perhatikan bahwa kita sekarang memiliki dua jenis bentuk fungsional semilog yang berbeda,
menciptakan kebingungan yang mungkin terjadi. Akibatnya, banyak ekonometrik
menggunakan frasa seperti "Sisi kanan semilog" atau "bentuk fungsional lin-log" untuk
merujuk ke Persamaan 7.7 sementara
menggunakan "sisi kiri semilog" atau "bentuk fungsional log-lin" untuk merujuk ke
Persamaan 7.9
FORMULIR POLINOMIAL
Dalam kebanyakan fungsi biaya rata-rata, kemiringan kurva biaya mengubah tanda sebagai
outputperubahan. Jika kemiringan hubungan diharapkan tergantung pada tingkatvariabel itu
sendiri, maka model polinomial harus dipertimbangkan. Polinomial, formulir fungsional
menyatakan Y sebagai fungsi variabel independen, beberapa di antaranyadibangkitkan untuk
kekuatan selain 1. Sebagai contoh, dalam polinomial tingkat dua(Juga disebut kuadrat)
persamaan, setidaknya satu variabel independen dikuadratkan:
Yi = 0 + 1X1i + 2 (X1i) 2 + 3X2i + ei (7.10)
Model seperti itu memang bisa menghasilkan lereng yang mengubah tanda sebagai
independenvariabel berubah. Kemiringan Y sehubungan dengan X1 dalam Persamaan 7.10
adalah:
Y
X1= 1 + 2 2X1 (7.11)
Perhatikan bahwa kemiringan tergantung pada tingkat X1. Untuk nilai kecil X1, 1
mungkinmendominasi, tetapi untuk nilai besar X1, 2 akan selalu mendominasi. Jika ini
biayafungsi, dengan Y menjadi biaya produksi rata-rata dan X1 adalah tingkatoutput dari
perusahaan, maka kita akan mengharapkan 1 menjadi negatif dan 2 menjadi positif
jikaperusahaan memiliki kurva biaya berbentuk U khas yang digambarkan di bagian kiri
Gambar 7.4. Untuk contoh lain, pertimbangkan model penghasilan karyawan tahunan sebagai
fungsi usia setiap karyawan dan sejumlah ukuran lainnyaproduktivitas seperti pendidikan.
Apa dampak yang diharapkan dari usia terhadap penghasilan?Ketika seorang pekerja muda
bertambah usia, penghasilannya biasanya akan meningkat.
Namun, di luar titik tertentu, peningkatan usia tidak akan meningkatkan penghasilan
sangat banyak sekali, dan sekitar masa pensiun kami mengharapkan penghasilan mulai turu
tiba-tiba dengan usia. Akibatnya, hubungan logis antara penghasilan dan usiamungkin terlihat
seperti separuh kanan dari Gambar 7.4; pendapatan akan naik,
naik level, dan kemudian jatuh saat usia bertambah. Hubungan teoretis seperti itu bisa
dimodelkan dengan persamaan kuadrat:
Pendapatani = β0 + β1Usiai + β2Usia2i+ .... + €i
Apa yang akan tanda-tanda yang diharapkan? β1 dan? β2 menjadi? Karena Anda
mengharapkan dampaknya usia naik dan turun, sehingga Anda berharap? β1 menjadi positif
dan? β2 menjadi negatif (semua yang lain sama). Sebenarnya, ini adalah apa yang banyak
peneliti di ekonomi tenaga kerja telah diamati.
Dengan regresi polinomial, interpretasi regresi individu koefisien menjadi sulit, dan
persamaan dapat menghasilkan yang tidak diinginkan hasil untuk rentang X tertentu.
Perhatian besar harus diambil saat menggunakan polinomial persamaan regresi untuk
memastikan bahwa bentuk fungsional akan tercapai apa yang dimaksudkan oleh peneliti dan
tidak lebih.
Namun, tidak semua situasi ekonomi atau bisnis menyiratkan sesaat seperti itu
hubungan antara variabel dependen dan independen. Di banyak kasus waktu berlalu antara
perubahan dalam variabel independen dan perubahan yang dihasilkan dalam variabel
dependen. Periode waktu antara penyebab (perubahan X) dan efek (perubahan dalam Y)
disebut lag. Periode waktu dapat diukur dalam beberapa hari, bulan, tahun, dll. Banyak
ekonometrik persamaan termasuk satu atau lebih variabel independen yang tertinggal seperti
X1t-1, di mana subscript t - 1 menunjukkan bahwa pengamatan X1 berasal periode waktu
sebelum periode waktu t, seperti dalam persamaan berikut:
Dalam persamaan ini, X1 telah tertinggal oleh satu periode waktu, tetapi hubungannya
antara Y dan X2 masih seketika. Sedangkan jeda waktu satu kali ini lag paling sering dalam
ekonomi, tertinggal dari dua atau lebih periode waktu dapat digunakan ketika dibenarkan
oleh teori yang mendasarinya. Untuk contoh variabel independen yang tertinggal, pikirkan
tentang prosesnya dimana persediaan suatu produk pertanian ditentukan. Sejak pertanian
barang membutuhkan waktu untuk tumbuh, keputusan tentang berapa banyak hektar untuk
ditanam atau berapa banyak telur yang dibiarkan menetas menjadi ayam penghasil telur
(bukan menjualnya segera) harus dilakukan berbulan-bulan, jika tidak bertahun-tahun,
sebelum produk benar-benar dipasok ke konsumen. Setiap perubahan di pasar pertanian,
seperti peningkatan harga yang dapat diperoleh petani untuk menyediakan kapas, memiliki
efek tertinggal pada suplai produk tersebut:
Ct = β +β1PCt-1 + β2PFt + €t
di mana:
Ct = jumlah kapas yang disediakan di tahun t
PCt-1 = harga kapas pada tahun t - 1
PFt = harga buruh tani di tahun t
Perhatikan bahwa persamaan ini menghipotesiskan lag antara harga kapas dan
produksi kapas, tetapi tidak di antara harga tenaga kerja pertanian danproduksi kapas. Masuk
akal untuk berpikir bahwa jika harga kapas berubah,petani tidak akan dapat segera bereaksi
karena butuh waktu lama untuk kapasuntuk ditanam dan tumbuh.Yang dimaksud dengan
koefisien regresi dari variabel yang tertinggal adalah bukansama dengan arti koefisien
variabel yang tidak terikat. Perkiraankoefisien X yang tertinggal mengukur perubahan pada Y
tahun ini yang dikaitkan dengan peningkatan satu unit di X tahun lalu (memegang konstan X
lain dalam persamaan).Dengan demikian? 1 dalam Persamaan 7.15 mengukur jumlah ekstra
unit kapasyang akan diproduksi tahun ini sebagai hasil dari peningkatan satu unit
terakhirharga kapas tahun ini, menahan harga konstan tenaga kerja tahun ini.
Jika struktur lag dihipotesiskan berlangsung lebih dari satu kaliperiode, atau jika variabel
dependen tertinggal dimasukkan di sisi kanansebuah persamaan, pertanyaannya menjadi jauh
lebih kompleks. Seperti itukasus, yang disebut kelambatan terdistribusi, akan dibahas dalam
Bab 12.
7.4 Slope Dummy Variables
Dalam Bagian 3.3 kami memperkenalkan konsep variabel boneka, yang kami
didefinisikan sebagai salah satu yang mengambil nilai 0 atau 1, tergantung pada
kualitatifatribut seperti jenis kelamin. Di bagian itu fokus kami hanya pada
penggunaanvariabel dummy sebagai intercept dummy, yang mengubah konstanta
ataumemotong istilah, tergantung pada apakah kondisi kualitatif terpenuhi. Ini
ambil bentuk umum:
Pembatasan ini tidak berlaku untuk jenis variabel baru yang disebut interaksiistilah. Istilah
interaksi adalah variabel independen dalam regresipersamaan yang merupakan kelipatan dari
dua atau lebih variabel independen lainnya.
Setiap istilah interaksi memiliki koefisien regresi sendiri, sehingga hasil akhirnya adalah
bahwa istilah interaksi memiliki tiga atau lebih komponen, seperti dalam? 3XiDi. Seperti
ituistilah interaksi digunakan ketika perubahan dalam Y terhadap satu independenvariabel
(dalam hal ini X) tergantung pada tingkat independen lain
variabel (dalam hal ini D). Untuk contoh penggunaan istilah interaksi, lihat
Latihan 8.
Istilah interaksi dapat melibatkan dua variabel kuantitatif ( β3X1X 2) atau dua
variabel dummy (β3D1D2), tetapi aplikasi interaksi yang paling seringistilah melibatkan satu
variabel kuantitatif dan satu variabel dummy (β3X1D2),
kombinasi yang biasanya disebut dummy lereng. Variabel dummy lerengmemungkinkan
kemiringan hubungan antara variabel dependen danvariabel independen menjadi berbeda
tergantung apakah kondisinyaditentukan oleh variabel dummy terpenuhi. Ini berbeda dengan
intersepsivariabel dummy, yang mengubah intercept, tetapi tidak mengubah slope,ketika
suatu kondisi tertentu terpenuhi.
Perhatikan bahwa Persamaan 7.17 sama dengan Persamaan 7.16, kecuali yang kita
milikimenambahkan sebuah istilah interaksi di mana variabel dummy dikalikan dengan
variabel independen (β3XiDi). Mari periksa untuk memastikan kemiringan Y
sehubungan dengan X memang berubah jika D berubah:
Intinya, koefisien X berubah ketika kondisi ditentukan olehD terpenuhi. Untuk melihat ini,
gantikan D = 0 dan D = 1, secara berurutan, menjadi Persamaan 7.17 dan faktor X.
Yi = βo + β1Xi + €i [ketika D = 0]
Jika slope dummy (β3Xi Di) dan memotong dummy (β2Di ) istilah ditambahkan ke persamaan,
grafik persamaan akan memiliki penyadapan yang berbeda dan kemiringan yang berbeda
tergantung pada nilai kondisi kualitatif yang ditentukan oleh variabel dummy. Perbedaan
antara dua intersep adalah β2, sedangkan perbedaan antara dua lereng adalah β3.
Dalam Persamaan 7.18, 1 akan menjadi perkiraan perbedaan rata-rata dalam penghasilan
antara laki-laki dan perempuan, berpegang pada pengalaman mereka dan faktor lain dalam
persamaan. Persamaan 7.18 juga memaksa dampak kenaikan pengalaman (dan faktor-faktor
lain dalam persamaan) memiliki efek yang sama bagi perempuan seperti bagi laki-laki karena
slopenya adalah sama untuk kedua jenis kelamin.
Jika Anda berhipotesis bahwa pria juga meningkatkan penghasilan mereka lebih banyak per
tahun daripada wanita, maka Anda akan menyertakan boneka slope dummy juga sebagai
intercept dalam model seperti ini:
ln (Earningsi ) = β0 + β1Di + β2EXPi + β3Di EXPi + g + ei (7.19)
3 akan menjadi perkiraan dampak diferensial dari suatu tahun tambahan pengalaman tentang
penghasilan antara pria dan wanita. Kita bisa menguji kemungkinan beta β 3 positif dengan
menjalankan uji t satu arah pada 3. Jika 3 berbeda secara signifikan dari nol ke arah yang
positif, maka kita bisa menolak hipotesis nol tidak ada perbedaan karena jenis kelamin dalam
dampak pengalaman pada pendapatan, memegang konstan variabel lain dalam persamaan.
2
1. s sulit untuk membandingkan jika variabel dependen berubah.
2. Bentuk fungsional yang salah dapat memberikan kecocokan yang wajar dalam sampel
tetapi memiliki potensi untuk membuat kesalahan perkiraan besar ketika digunakan di luar
kisaran sampel
2
s Sulit Dibandingkan Saat Y Berubah
2
Ketika variabel dependen berubah dari versi linearnya, secara keseluruhan ukuran fit, s,
tidak dapat digunakan untuk membandingkan kecocokan nonlinear persamaan dengan yang
asli linear satu. Masalah ini tidak terlalu penting dalam banyak kasus karena penekanan
2
dalam analisis regresi yang diterapkan biasanya pada estimasi koefisien. Namun, jika s
pernah digunakan untuk membandingkan kesesuaian dua bentuk fungsional yang berbeda,
maka menjadi sangat penting untuk ini kurangnya komparabilitas harus diingat. Misalnya,
Anda mencoba untuk membandingkan persamaan linear:
dengan versi semilog dari persamaan yang sama (menggunakan versi semilog fungsi yang
mengambil log dari variabel dependen):
Perhatikan bahwa satu-satunya perbedaan antara Persamaan 7.20 dan 7.21 adalah bentuk
2
fungsional dari variabel dependen. Alasan bahwa s dari persamaan masing-masing tidak
dapat digunakan untuk membandingkan kecocokan keseluruhan dari dua persamaan adalah
jumlah total kuadrat (TSS) dari variabel dependen sekitar artinya berbeda dalam dua
2
formulasi. Yaitu, s tidak sebanding karena variabel dependen berbeda. Tidak ada alasan
untuk itu berharap bahwa variabel dependen yang berbeda akan memiliki yang identik (atau
mudah sebanding) derajat dispersi di sekitar sarana mereka
Bentuk Fungsional yang Salah di Luar Rentang Sampel
Jika bentuk fungsional yang salah digunakan, maka kemungkinan salah kesimpulan tentang
parameter populasi yang sebenarnya akan meningkat. Menggunakan sebuah Bentuk
fungsional yang salah adalah sejenis kesalahan spesifikasi yang mirip dengan menghilangkan
bias variabel yang dibahas dalam Bagian 6.1. Bahkan jika salah fungsional formulir
menyediakan statistik yang baik dalam sampel, residual besar hampir pasti akan muncul
ketika persamaan misspecified digunakan pada data yang bukan bagian dari sampel yang
digunakan untuk memperkirakan koefisien.
Secara umum, ekstrapolasi persamaan regresi ke data yang berada di luar kisaran di mana
persamaan diperkirakan mengalami peningkatan risiko kesalahan perkiraan besar dan
kesimpulan salah tentang nilai populasi. Risiko ini meningkat jika regresi menggunakan
bentuk fungsional yang tidak pantas untuk variabel tertentu yang sedang dipelajari.
Dua bentuk fungsional yang berperilaku sama di atas rentang sampel mungkin berperilaku
sangat berbeda di luar jangkauan itu. Jika formulir fungsional dipilih atas dasar teori, maka
peneliti dapat memperhitungkan bagaimana Persamaan akan bertindak atas berbagai rentang
nilai, bahkan jika beberapa dari nilai-nilai tersebut di luar kisaran sampel. Jika formulir
fungsional dipilih atas dasar dari fit, kemudian ekstrapolasi di luar sampel menjadi renggang.
Gambar 7.6 berisi sejumlah contoh hipotetis. Seperti yang terlihat, beberapa bentuk
fungsional yang memiliki potensi untuk cukup pas di luar
Gambar 7.6 Formulir Fungsional yang Salah di Luar Rentang Sampel
Jika formulir yang salah diterapkan pada data di luar rentang sampel yang menjadi tempatnya
Diperkirakan, kemungkinan kesalahan besar meningkat. Khususnya, perhatikan bagaimana
polinomial bentuk fungsional dapat mengubah kemiringan dengan cepat di luar rentang
sampel (panel b) dan bahwa bahkan bentuk linear dapat menyebabkan kesalahan jika bentuk
fungsional yang sebenarnya adalah nonlinier (panel d).
berbagai sampel. Grafik semacam itu dimaksudkan sebagai contoh dari apa yang bisa terjadi,
bukan sebagai pernyataan apa yang akan terjadi, ketika salah fungsional formulir didorong di
luar kisaran sampel di mana mereka diperkirakan. Jangan menyimpulkan dari diagram ini
bahwa fungsi nonlinear harus dihindari. Jika hubungan yang benar adalah nonlinier, maka
bentuk fungsional linier akan membuat kesalahan peramalan besar di luar sampel.
Sebaliknya, peneliti harus meluangkan waktu untuk memikirkan bagaimana persamaannya
akan bertindak untuk nilai-nilai baik di dalam maupun di luar sampel sebelum memilih
fungsional bentuk yang digunakan untuk memperkirakan persamaan. Jika secara teoritis tepat
Persamaan nonlinier tampaknya bekerja dengan baik di atas rentang yang relevan
nilai-nilai, maka itu harus digunakan tanpa mempedulikan masalah ini.
Ringkasan
1. Jangan menekan istilah konstan. Di sisi lain, jangan bergantung pada perkiraan istilah
konstan untuk penyimpulan bahkan jika tampaknya signifikan secara statistik.
2. Pemilihan bentuk fungsional harus didasarkan pada teori ekonomi yang mendasarinya
sejauh teori menyarankan bentuk yang serupa dengan yang diberikan oleh bentuk
fungsional tertentu. Suatu bentuk yang linear dalam variabel harus digunakan kecuali
hipotesis tertentu menunjukkan sebaliknya.
3. Bentuk fungsional yang tidak linier dalam variabel termasuk bentuk log ganda, bentuk
semilog, dan bentuk polinomial. Bentuk double-log sangat berguna jika elastisitas yang
terlibat diharapkan konstan. Bentuk semilog memiliki keuntungan yang memungkinkan
efek dari variabel independen terhadap ekor sebagai variabel itu meningkat. Bentuk
polinomial berguna jika lereng diharapkan untuk mengubah tanda, tergantung pada
tingkat variabel independen.
4. Sebuah model lereng (slope dummy) adalah variabel tiruan yang dikalikan dengan
variabel independen untuk memungkinkan kemiringan hubungan antara variabel
dependen dan variabel independen tertentu untuk berubah, tergantung pada apakah suatu
kondisi tertentu terpenuhi.
5. Penggunaan bentuk fungsional nonlinier memiliki sejumlah masalah potensial. Secara
khusus, R2 sulit untuk membandingkan jika Y telah ditransformasikan, dan residu
berpotensi besar jika bentuk fungsional yang salah digunakan untuk memperkirakan di
luar rentang sampel.
Latihan
(Jawaban untuk latihan bernomor genap ada di Lampiran A.)
1. Tuliskan arti dari masing-masing istilah berikut tanpa mengacu pada buku (atau catatan
Anda), dan bandingkan definisi Anda dengan versi dalam teks untuk masing-masing.
2. Untuk masing-masing pasangan dependen berikut (Y) dan independen (X) variabel, pilih
bentuk fungsional yang menurut Anda mungkin tepat, dan kemudian menjelaskan alasan
Anda (menganggap bahwa semua yang lain variabel independen yang relevan termasuk
dalam persamaan):
a. Y = penjualan sepatu
X = pendapatan sekali pakai
b. Y = kehadiran di simfoni luar ruangan Hollywood Bowl konser pada malam yang
diberikan
X = apakah konduktor orkestra paling terkenal dijadwalkan untuk melakukan malam
itu
c. Y = agregat konsumsi barang dan jasa di Amerika Serikat
X = pendapatan total agregat di Amerika Serikat
d. Y = jumlah uang beredar di Amerika Serikat
X = tingkat bunga pada Treasury Bills (dalam fungsi permintaan)
e. Y = biaya produksi rata-rata satu kotak pasta
X = jumlah kotak pasta yang diproduksi
3. Lihat persamaan berikut dan putuskan apakah keduanya linear dalam variabel, linear dalam
koefisien, keduanya, atau tidak:
a. Yi = β0 + β1X3i+ €i
b. Yi = β0 + β1ln Xi +€i
c. ln Yi = β0 + β1ln Xi +€i
d. Yi = β0 + β1Xiβ2 + €i
e. Y iβ 0 = β1 + β2Xi2 + €i
4. Pada tahun 2003, Ray Fair6 menganalisis hubungan antara harga saham dan penghindaran
risiko dengan melihat kinerja tahun 1996-2000 dari 65 perusahaan yang telah menjadi bagian
dari indeks terkenal Standard and Poor (S & P 500) sejak didirikan pada tahun 1957. Fair
terfokus pada P / E rasio (rasio harga saham perusahaan terhadap pendapatan per saham) dan
hubungannya dengan koefisien beta (ukuran suatu perusahaan keberisikoan — beta tinggi
menyiratkan risiko tinggi). Hipotesis bahwa harga saham akan menjadi fungsi positif dari
pertumbuhan laba dan dividen pertumbuhan, ia memperkirakan persamaan berikut:
N = 65 R2 = 0,232 2
= 0,194
di mana:
LNPEi = log rasio P / E median dari perusahaan engan dari tahun 1996 hingga 2000
BETAi = koefisien beta rata-rata dari perusahaan engan dari 1958 hingga 1994
EARNi = rata-rata persentase tingkat pertumbuhan pendapatan untuk perusahaan engan dari
tahun 1996 hingga 2000
DIVi = rata-rata persentase pertumbuhan dividen rata-rata untuk perusahaan engan dari tahun
1996 hingga 2000
6 Ray C. Adil, "Risiko Pembalikan dan Harga Saham," Paparan Yayasan Cowles Foundation 1382, Cowles Foundation: Universitas Yale, direvisi Februari 2003
© 2003. Sebagian besar artikel berada di luar cakupan teks ini, tetapi Fair dengan murah hati menyertakan data (termasuk data kepemilikan yang dihasilkannya)
yang diperlukan untuk mereplikasi hasil regresinya. Perhatikan bahwa koefisien beta tidak sama dengan? koefisien regresi yang digunakan dalam ekonometri.
a. Buat dan uji hipotesis yang tepat tentang koefisien kemiringan persamaan ini pada tingkat
5 persen.
b. Salah satu variabel ini tertinggal dan ini adalah persamaan cross-sectional
c. Jelaskan variabel mana yang tertinggal dan mengapa menurut Anda Fair tertinggal.
d. Apakah salah satu variabel Fair berpotensi tidak relevan? Yang mana? Menggunakan Stata,
EViews, atau program regresi Anda sendiri pada data di Tabel 7.2 untuk memperkirakan
persamaan Fair tanpa kemungkinan Anda
a. Formulir fungsional apa yang digunakan oleh Fair? Apakah formulir ini
tampaknya tepatatas dasar teori? (Petunjuk: Tinjauan literatur akan membantu
Anda menjawab pertanyaan ini, tetapi sebelum Anda memulai review,
pikirkan arti koefisien slope dalam bentuk fungsional ini.)
b. (opsional) Misalkan literature yang Anda review membuat Anda khawatir
bahwa Fair seharusnya menggunakan bentuk fungsional double-log untuk
persamaannya. Gunakan data pada Tabel 7.2 untuk memperkirakan bentuk
fungsional pada data Fair. Apa hasil perkiraan Anda? Apakah itu hasilnya
mendukung soal Anda? Jelaskan
5. Dalam upaya untuk menjelaskan perbedaan upah regional, Anda mengumpulkan data
upah dari 7.338 pekerja tidak terampil, membagi negara menjadi empat wilayah (Timur
Laut, Selatan, Barat Tengah, dan Barat), dan perkirakan persamaan berikut (kesalahan
standar dalam tanda kurung):
YN i = 4.78 - 0.038Ei - 0.041Si - 0.048Wi
R2 = .49 N = 7,338
Ei = sebuah variable dummy yang sama dengan 1 jika pekerja ke-i tinggal di Timur
Laut, 0 jika tidak
Si = = sebuah variable dummy yang sama dengan 1 jika pekerja ke-i tinggal di
Selatan, 0 jika tidak
Wi = = sebuah variable dummy yang sama dengan 1 jika pekerja ke-i tinggal di Barat,
0 jika tidak
a. Apa saja elastisitas output sehubungan dengan tenaga kerja dan modal untuk
setiap industri?
b. Signifikansi ekonomi apa yang dipengaruhi oleh jumlah (β N1 + β N2) ?
c. Murti dan Sastri mengharapkan koefisien kemiringan positif. Uji hipotesis
mereka pada tingkat signifikansi 5 persen. (Petunjuk: Ini jauh lebih sulit dari
yang terlihat!)
8. Richard Fowles dan Peter Loeb mempelajari efek interaktif dari minum dan ketinggian
pada kematian lalu lintas. Para penulis berhipotesis bahwa kematian mengemudi dalam
keadaan mabuk lebih mungkin pada ketinggian tinggi daripada di ketinggian rendah
karena peningkatan yang lebih tinggi mengurangi asupan oksigen otak, meningkatkan
dampak dari jumlah alkohol yang diberikan. Untuk menguji hipotesis ini, mereka
menggunakan variabel interaksi antara ketinggian dan konsumsi bir. Mereka
memperkirakan model cross-sectional (oleh negara bagian untuk Amerika Serikat)
berikut tingkat kematian kendaraan bermotor (Catatan: skor-t dalam tanda kurung):
Di mana:
Fi = kematian lalu lintas per mil untuk kendaraan bermotor yang digerakkan dalam
keadaan i.
a. Hati-hati nyatakan dan uji hipotesis yang tepat tentang koefisien B, S, dan D
pada tingkat 5-persen. Apakah hasil ini memberikan indikasi masalah
ekonometrik dalam persamaan? Jelaskan.
b. Pikirkan melalui variabel interaksi. Apa itu mengukur? Sebutkan arti koefisien
B * A.
c. Buat dan uji hipotesis yang tepat tentang koefisien variabel interaksi pada
tingkat 5 persen.
d. Perhatikan bahwa Ai termasuk dalam persamaan dalam variabel interaksi tetapi
bukan sebagai variabel independen independen. Jika sebuah persamaan
mencakup variabel interaksi, haruskah kedua komponen interaksi interaksi
tersebut menjadi variabel independen dalam persamaan sebagai hal yang biasa?
Mengapa iya atau mengapa tidak? (Petunjuk: Ingat bahwa dengan slope
dummy, kami menekankan bahwa baik intercept dummy dan variabel slope
dummy harus dalam persamaan.)
e. Ketika penulis memasukkan Ai dalam model mereka, hasilnya seperti pada
Persamaan 7.23 (dengan skor-t sekali lagi dalam kurung). Persamaan apa yang
Anda lebih pilih? Jelaskan.
7.7 Lampiran: Ekonometrika Lab#4
Pada laboratorium ini terdapat latihan spesifikasi yaitu: memilih variabel dan bentuk
fungsional. Ini juga akan memberikan anda pengalaman dalam mengubah variabel dan
melakukan tes hipotesis bersama di perguruan tinggi atau program perangkat lunak
ekonometrik pada komputer anda. Variabel yang akan kita pelajari adalah harga traktor
pertanian yang di jual di Amerika Serikat.
Karena anda mungkin bukan ahli dalam harga pada traktor, mari mulai dengan tinjauan
singkat pada literatur ini. Ini adalah model harga traktor yang digunakan sebagai fungsi dari
atribut traktor dan waktu penjualan, jadi ini adalah salah satu contoh lain dari model hedonis.
Untuk lebih lanjut tentang model hedonis, lihat pada halaman 358.
Percaya atau tidak, telah ada sejumlah penelitian ekonometrik tentang harga traktor. Yang
paling signifikan, pada tahun 2008 Diekmann dkk. mempelajari harga traktor bekas yang
menggunakan bentuk fungsional semi kayu dan menemukan bahwa kunci dari variabel
independen utama termasuk dari membuat, daya kuda, umur, waktu penggunaan, tanggal
penjualan, penggerak (penggerak roda empat atau penggerak roda dua), transmisi otomatis,
dan bahan bakar (diesel atau gas). Ini memberikan titik awal yang berguna.
9. Florian Diekmann, Brian E. Roe, dan Marvin T. Batte, “Traktor di eBay: Perbedaan antara Internet
dan Lelang Langsung. ” Ekonomi Pertanian pada Jurnal Amerika, Vol. 90, No. 2, hal. 306–320. Lihat
juga Gregory Perry, Ahmet Bayaner, dan Clair J. Nixon, “Pengaruh dari Penggunaan dan Ukuran pada
Penyusutan Traktor” Ekonomi Pertanian pada Jurnal Amerika, Vol. 72, No. 2, pp. 317–325
Tabel 7.3 Definisi Variabel untuk Model Harga Traktor yang Digunakan
Variabel Deskripsi Analisis Tanda
pada Koefisien
Spesifikasi Traktor:
Seperti model dasar yang kita gunakan, mari kita perkirakan variasi model Diekmann
menggunakan kumpulan data yang lebih baru. Tabel 7.3 berisi definisi variabel yang kita
butuhkan untuk meniru regresi Diekmann. Variabel dependen adalah harga yang digunakan
pada traktor pertanian yang telah terjual dan di lelang di Amerika Serikat antara 1 Juni 2011
dan 31 Mei 2012. Tersedia data di situs web dalam kumpulan data TRAKTOR7. Tabel 7.3
juga memiliki dugaan hipotesis dari koefisien masing-masing variabel, berikut adalah hal
yang mendasari teori tesebut. Yaitu:
a. Memperkirakan persamaan harga jual dari kayu asli (harga jual i) sebagai variabel
dependen dan semua variabel lain dalam Tabel 7.3 sebagai variabel independen. (Petunjuk:
Jangan lupa untuk membuat harga yang tidak terjual sebelum anda menjalankan regresi, dan
pastikan untuk tidak menyertakan variabel apa pun yang tidak terdapat pada Tabel 7.3.)
b. Lihatlah hasil regresi Anda. Apa itu R 2? Apakah ini terlihat masuk akal? Jelaskan hasil
pemikiran Anda.
c. Apakah salah satu koefisien yang telah anda perkirakan memiliki tanda-tanda yang tidak
terduga? Jika ya, yang mana?
d. Jalankan uji t 5-persen satu sisi pada semua koefisien variabel independen anda kecuali
untuk keadaan musiman. Untuk koefisien yang mana anda dapat menolak hipotesis nol?
e. Tafsirkan dengan hati-hati koefisien johndeere. Apa artinya dalam istilah dunia nyata?
f. Apa masalah ekonometrik (jika ada) yang terdapat dalam model dasar tersebut?
Sudah diketahui bahwa mesin diesel cenderung lebih tahan lama daripada mesin bensin.
Fakta itu menimbulkan pertanyaan apakah tambahan jam mempengaruhi nilai penggunaan
pada traktor diesel dan traktor bensin. Hasilkan variabel yang Anda perlukan untuk menguji
hipotesis ini, tambahkan variabel ini ke model dasar pada Langkah ke 2, perkirakan revisi
pada model dummy lereng, dan uji hipotesis dummy lereng yang sesuai pada tingkat 5
persen. Berapa nilai t anda? Bisakah Anda menolak hipotesis nol?