Zablin, . (2016) Regresi Kuantil Bayesian Dengan Penalti Adaptif Lasso Untuk Estimasi Pengaruh Pendidikan Terhadap Pendapatan Di Provinsi Sulawesi Selatan. Masters thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
1314201713-Master-Thesis.pdf - Published Version Download (8MB) | Preview |
Abstract
Pendidikan diharapkan dapat mendorong peningkatan produktivitas
yang pada akhirnya bermuara pada peningkatan pendapatan masyarakat.
Hubungan antara pendidikan dan pendapatan dapat dianalisis dengan
persamaan Mincer. Studi ini bertujuan untuk meneliti hubungan antara lama
sekolah (variabel yang mewakili pendidikan) dan potensi pengalaman
(umur - lama sekolah) terhadap pendapatan. Pengaruh pendidikan terhadap
pendapatan digambarkan oleh koefisien dari variabel lama sekolah yang
umumnya dikenal sebagai return pendidikan. Regresi kuantil digunakan
dalam penelitian ini untuk melihat efek pendidikan terhadap pendapatan
pada berbagai tingkatan kuantil, bukan hanya pada ukuran pemusatan
distribusi dari pendapatan. Persamaan Mincer ditaksir menggunakan tiga
pendekatan, yaitu: (i) Quantile Regression (QR), (ii) Bayesian Quantile
Regression (BQR), dan (iii) Bayesian Adaptive Lasso Quantile Regression
(BALQR). Metode BALQR ini adalah perluasan dari metode BQR dengan
memberikan penalti yang berbeda pada setiap koefisien regresi. Invers
gamma digunakan sebagai distribusi prior untuk parameter penalti. Data
yang digunakan untuk penelitian ini adalah hasil survei angkatan kerja
nasional (SAKERNAS) 2014 di Provinsi Sulawesi Selatan. Hasil studi
menunjukkan bahwa metode BALQR relatif lebih baik dibanding dengan
dua metode lainnya berdasarkan hasil backtesting dan perbandingan nilai
standar error. Selain itu, terdapat perbedaan plot garis regresi kuantil untuk
sektor pertanian dan jasa-jasa. Return pendidikan pada sektor pertanian
relatif sama antar kuantil sementara pada sektor jasa return pendidikan
antar kuantil sebagian besar berbeda secara signifikan.
==================================================================================================================
Education plays an important role toward the increasing in
productivity and earning. Using so-called mincer earning function, we
investigated the effect of education and earning. This study using years of
schooling (interpretation of education) and potensial experience as
predictor variables. Effect of education represented by coefficient of
variable years of schooling, commonly known as return to education. With
quantile regression, allowing to specify the effect of covariate at different
quantile levels not only at the center of its distribution, but also at its
spread. We employed three methods to estimate parameters in mincer
equation: (i) Quantile Regression (QR), (ii) Bayesian Quantile Regression
(BQR) and (iii) Bayesian Adaptive Lasso Quantile Regression (BALQR).
The latter method extends the bayesian Lasso penalty term by employing
different penalty function with an adaptive tuning parameter accomodated
in the inverse gamma prior distribution. Data used in this paper is samples
from workers in agricultural and services sectors in South Sulawesi.
Empirical results showed that BALQR relative outperformed over BQR and
QR because it resulted better in backtesting and smaller standart error (SE).
In addition, there are different pattern quantile regression line for
agricultural and services sectors. Return to education in agricultural sector
in most of quantile of earning are not different. More over, return to
education in services different in most of quantile of earning.
| Item Type: | Thesis (Masters) |
|---|---|
| Additional Information: | RTSt 519.536 Zab r |
| Uncontrolled Keywords: | adaptif lasso, persamaan mincer, regresi kuantil, regresi kuantil Bayesian. |
| Subjects: | L Education > L Education (General) |
| Divisions: | Faculty of Mathematics and Science > Statistics > 49101-(S2) Master Thesis |
| Depositing User: | Users 13 not found. |
| Date Deposited: | 15 Jun 2017 06:57 |
| Last Modified: | 27 Dec 2018 04:30 |
| URI: | http://repository.its.ac.id/id/eprint/41696 |
Actions (login required)
 |
View Item |