Ghazali, Muhammad (2016) Regresi Data Longitudinal Dengan Estimasi Generalized Method Of Moments Pada Pemodelan Penduduk Miskin Di Indonesia Tahun 2008-2012. Masters thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
1311201006-Master_Thesis.pdf - Accepted Version Download (1MB) | Preview |
Abstract
Indeks kedalaman kemiskinan merupakan ukuran rata-rata kesenjangan
penyebaran pengeluaran masing-masing penduduk terhadap garis kemiskinan.
Banyak faktor yang mempengaruhi indeks kedalaman kemiskinan, baik dari
indikator kesehatan, SDM maupun ekonomi. Oleh karena itu diperlukan sebuah
pemodelan statistika untuk menganalisa faktor-faktor yang mempengaruhi indeks
kedalaman kemiskinan di Indonesia. Data kemiskinan yang digunakan pada
penelitian ini bersumber dari data SUSENAS yang berupa data longitudinal
dengan individu pengamatan adalah seluruh kabupaten/kota di Indonesia dari
tahun 2008 sampai 2012. Analisis data longitudinal tidak cukup menggunakan
OLS karena beberapa asumsi OLS seperti homokedastisitas dan tidak ada
autokorelasi sulit terpenuhi pada analisa data longitudinal karena cendurung
adanya pengaruh antar individu dan antar waktu pengamatan dalam model. Untuk
mengatasi hal tersebut digunakan metode Generalized Method of Moment
(GMM) yang digunakan untuk menaksir parameter model data longitudinal.
GMM adalah metode penaksiran parameter yang fokus utamanya adalah
meminimalkan fungsi kuadratik untuk mencari
parameter . Analisis GMM untuk data longitudinal pada penelitian ini dibagi
menjadi 3 metode yaitu metode Common Effect, Fixed Effect dan Random Effect.
Untuk memilih model terbaik dari 3 metode tersebut digunakan uji Chow, uji
Lagrange Multiplier dan uji Hausman. Pada kasus penelitian ini, Model terbaik
yang diperoleh adalah model Fixed Effect. Kesimpulan yang diperoleh adalah
semakin tinggi Rata-rata lama sekolah (X1) dan Angka harapan hidup (X6) maka
indeks kedalaman kemiskinan akan semakin kecil. Sedangkan jika semakin tinggi
Persentase pengeluaran non makanan (X2) dan persentase rumah tangga yang
pernah membeli beras raskin (X4) maka indeks kedalaman kemiskinan juga
semakin tinggi.
==================================================================================================================
Poverty gap index is the average size of population distribution the poor people
between the poverty line. There’s many factors that affect the poverty gap index
such as healthy factors or economics factors. Therefore it is necessary to find
good statistics models to find to analyze the factors affecting the poverty gap
index in Indonesia. The data is used in this study are the SUSENAS poverty data
in Indonesia from 2008 to 2012, which is a longitudinal data. There is why weed
need a good statistics modeling for a longitudinal data. One of the longitudinal
data analyzing methods is Generalized Method of Moment (GMM). Generalized
Method of Moments (GMM) is a generic method for estimating parameters in
statistical models. The GMM estimators are known to be consistent,
asymptotically normal, and efficient in the class of all estimators that do not use
any extra information aside from that contained in the moment conditions. The
estimator is defined by minimizing . In this study, we
used 3 model of longitudinal data regression : Common Effect Models, Fixed
Effect Models and Random Effect Model. We used 3 test mehtods : Chow-test,
Lagrange Multiplier test and Hausman test to find the best of those 3 models. We
found that the best models for poverty data in Indonesia is Fixed Effect models.
The conclusion was if the higher average length of school (X1) and life
expectancy (X6), then the poverty gap index will be smaller. Meanwhile, if the
higher percentage of non-food expenses (X2) and the percentage of households
that never buy cheapest rice or raskin (X4), then the poverty gap index will also
higher
| Item Type: | Thesis (Masters) |
|---|---|
| Additional Information: | RTSt 519.536 Gha r |
| Uncontrolled Keywords: | SDM, SUSENAS, OLS, GMM, Parameter, Indeks |
| Subjects: | Q Science > QA Mathematics > QA278.2 Regression Analysis. Logistic regression |
| Divisions: | Faculty of Mathematics and Science > Statistics > 49101-(S2) Master Thesis |
| Depositing User: | ansi aflacha |
| Date Deposited: | 10 Aug 2020 01:16 |
| Last Modified: | 10 Aug 2020 01:16 |
| URI: | http://repository.its.ac.id/id/eprint/77347 |
Actions (login required)
 |
View Item |