MODEL REGRESI LOGISTIK (LOGIT) | EKONOMETRIKA

00:58:12
https://www.youtube.com/watch?v=x4zGCqo1zwA

概要

TLDRThe video explains advanced econometrics, focusing on regression models where the dependent variable is qualitative, such as logit and probit models. It first discusses the limitations of linear probability models (LPM), which can yield probabilities outside the acceptable range of 0 to 1 and are not effective for binary outcomes. The focus then shifts to logit models, which provide a logistic function for estimating probabilities of binary outcomes, like decisions to buy a house or get married based on various independent variables. The video also covers the method of maximum likelihood for estimating model parameters and practical applications, demonstrating how to analyze household decisions with real-life examples.

収穫

  • 📊 Understanding econometrics with qualitative variables is crucial.
  • 🔍 Linear probability models can yield inaccurate probabilities.
  • 📈 Logit models provide better solutions for binary outcomes.
  • ⚖️ Factors like income and marital status influence major life decisions.
  • 🔎 Maximum likelihood estimation is key for estimating probabilities effectively.

タイムライン

  • 00:00:00 - 00:05:00

    The lecture begins with an introduction to advanced econometrics, focusing on regression models, particularly the requirement for the second model called the mandatory regression, discussing dummy variable regression from the previous session.

  • 00:05:00 - 00:10:00

    The discussion transitions to qualitative dependent variable regression models, with qualitative and binary dependent variables affecting decisions in real life, such as marriage and home ownership influenced by various factors.

  • 00:10:00 - 00:15:00

    The lecturer introduces linear probability models (LPM), emphasizing their linear nature between dependent and independent variables describing binary outcomes, using income as a determining factor for buying a house.

  • 00:15:00 - 00:20:00

    The lecture discusses the limitations of LPM, namely non-normal distribution of residuals, heteroskedasticity, expected value issues, and biases in the coefficient of determination.

  • 00:20:00 - 00:25:00

    The lecture emphasizes that due to the limitations of LPM, alternative models such as logit and probit models will be discussed, starting with logit models that adhere to cumulative distribution function characteristics.

  • 00:25:00 - 00:30:00

    The instructor defines logit models that evaluate the probability of a household buying a house based on income, explaining the logistic probability function and its calculations.

  • 00:30:00 - 00:35:00

    The lecture covers more complex mathematical formulas underlying the logit model, specifying how to convert these into interpretive outputs.

  • 00:35:00 - 00:40:00

    The use of the logit model is demonstrated through examples, applying it to assess factors influencing home ownership decisions with various independent variables.

  • 00:40:00 - 00:45:00

    The lecture emphasizes the importance of large sample sizes in logit models, exploring the method of maximum likelihood estimation to find regression coefficients efficiently.

  • 00:45:00 - 00:50:00

    The instructor shows how to interpret the logit model output using software, assessing statistical significance of independent variables and overall fit, detailing steps for practical application.

  • 00:50:00 - 00:58:12

    Finally, the session concludes with an explanation of how the estimated logit model can support decision-making regarding home ownership, analyzing variable impacts and probabilities for real-life applications.

もっと見る

マインドマップ

ビデオQ&A

  • What is the main topic of the video?

    The video discusses advanced econometric models, particularly focusing on logit and probit models for qualitative dependent variables.

  • What are the limitations of linear probability models (LPM)?

    LPMs have issues with normal distribution of residuals, heteroskedasticity, and can yield probabilities outside the range of 0 to 1.

  • What is a logit model used for?

    Logit models are used to analyze binary outcomes, determining the probability of a certain event occurring based on independent variables.

  • How is the maximum likelihood method used in econometrics?

    Maximum likelihood estimation is used to maximize the probability of observing the data given a set of parameters in models like logit.

  • What factors can influence binary decisions discussed in the video?

    Factors such as income, marital status, family size, and education level can influence decisions like buying a house or getting married.

ビデオをもっと見る

AIを活用したYouTubeの無料動画要約に即アクセス！
字幕
id
オートスクロール:
  • 00:00:00
    Hai di kicik-kicik Halo semuanya pada
  • 00:00:20
    mahasiswa dimanapun anda berada pada
  • 00:00:23
    hari ini kita kembali bertemu melalui
  • 00:00:27
    perkuliahan garing pada matakuliah
  • 00:00:30
    ekonometrika lanjutan susu dara pada
  • 00:00:35
    hari ini kita akan meneruskan materi
  • 00:00:37
    pembelajaran kita pada ekonometrika
  • 00:00:40
    lanjutan yaitu melihat pengembangan
  • 00:00:45
    model yang kedua namanya model regresi
  • 00:00:49
    wajib
  • 00:00:50
    Hai kalau pada minggu yang lalu kita
  • 00:00:53
    melihat model regresi dengan variabel
  • 00:00:56
    dummy yaitu sebuah model dengan variabel
  • 00:01:02
    bebasnya adalah bersifat kualitatif nah
  • 00:01:08
    pada pertemuan hari ini dan pertemuan
  • 00:01:11
    minggu depan ya akan kita lihat adalah
  • 00:01:15
    model regresi dengan Variabel terikat
  • 00:01:19
    yang bersifat kualitatif Seperti apa
  • 00:01:25
    Model regresi dengan Variabel terikat
  • 00:01:28
    yang bersifat kualitatif silahkan anda
  • 00:01:32
    Simak penjelasan materinya pada hari ini
  • 00:01:37
    kita awali dulu dengan model regresi
  • 00:01:40
    wajib ya
  • 00:01:50
    sebelum kita melihat Seperti apakah
  • 00:01:54
    model regresi logit Ini pertama kita
  • 00:01:58
    kembali mengingat materi kita minggu
  • 00:02:01
    yang lalu bahwa Apabila salah satu atau
  • 00:02:05
    beberapa variabel bebas yang ada dalam
  • 00:02:09
    sebuah model regresi bersifat kualitatif
  • 00:02:13
    atau dikotomis maka model regresi itu
  • 00:02:19
    kita beri nama model regresi dummy nah
  • 00:02:23
    dia menjadi pokok pembahasan kita Minggu
  • 00:02:25
    sebelumnya Lalu bagaimana kalau misalnya
  • 00:02:29
    yang bersifat dikotomis nya atau
  • 00:02:33
    bersifat kualitatif nya adalah variabel
  • 00:02:36
    terikatnya atau dibenerin variabelnya
  • 00:02:40
    kwik karena itu untuk menginspirasi
  • 00:02:42
    model yang seperti ini maka model
  • 00:02:47
    regresi nya kita beri nama dengan model
  • 00:02:50
    regresi dengan Variabel terikat yang
  • 00:02:53
    bersifat kualitatif
  • 00:02:54
    [Musik]
  • 00:02:56
    Hal ini tentu banyak sekali ya kita bisa
  • 00:03:00
    dapatkan dalam kehidupan sehari-hari
  • 00:03:04
    yaitu keputusan-keputusan yang sifatnya
  • 00:03:08
    dikotomis misalnya keputusan kuliah atau
  • 00:03:12
    tidak kuliah keputusan bekerja tidak
  • 00:03:16
    bekerja Keputusan menikah atau tidak
  • 00:03:20
    menikah dan beberapa keputusan-keputusan
  • 00:03:23
    yang lain yang sifatnya dikotomis gimana
  • 00:03:28
    keputusan tersebut tentu dipengaruhi
  • 00:03:30
    oleh beberapa variabel kita akan
  • 00:03:35
    Keputusan menikah tidak menikah tapi
  • 00:03:39
    sialnya ditentukan oleh umur
  • 00:03:44
    Hai jenis kelamin budaya pekerjaan
  • 00:03:48
    pendapatan dan beberapa variabel lain
  • 00:03:51
    yang turut menentukan keputusan
  • 00:03:54
    seseorang untuk menikah atau tidak atau
  • 00:03:58
    misalnya tahu apa yang menentukan orang
  • 00:04:03
    membeli rumah atau tidak tertutup banyak
  • 00:04:07
    variabel yang menentukan keluarga
  • 00:04:10
    membeli rumah atau tidak soalnya
  • 00:04:13
    kepemilikan atau tingkat pendapatan yang
  • 00:04:15
    dimiliki atau kekayaan yang mereka
  • 00:04:19
    miliki dan lain sebagainya
  • 00:04:21
    Hai Nah jadi mode atau kasus yang
  • 00:04:25
    seperti ini variabel terikatnya bukan
  • 00:04:29
    variabel atau bukan bersifat kuantitatif
  • 00:04:31
    tetapi sifatnya kualitatif yaitu
  • 00:04:36
    variabel yang dikotomis Nah untuk
  • 00:04:42
    menginspirasi model yang seperti itu
  • 00:04:45
    kita akan menggunakan beberapa
  • 00:04:48
    pendekatan untuk mengisi Masnya yang
  • 00:04:52
    pertama adalah model probabilitas linier
  • 00:04:55
    atau linier probability models sering
  • 00:04:59
    juga disingkat dengan LPM
  • 00:05:02
    Hai yang kedua model logit dan yang
  • 00:05:05
    ketiga model probit nah pada pembahasan
  • 00:05:09
    kita nanti model lpmi kita tidak ada
  • 00:05:13
    alami karena ada beberapa kelemahan yang
  • 00:05:17
    akan kita diskusikan Nanti pada model
  • 00:05:20
    feminim jadi yang akan kita diskusikan
  • 00:05:25
    pada model regresi dengan variabel
  • 00:05:29
    terikatnya dikotomis Adalah fokus kepada
  • 00:05:32
    model logit dan model probit jadi hari
  • 00:05:36
    ini kita akan berdiskusi untuk model
  • 00:05:39
    ojeknya makan minggu depan kita akan
  • 00:05:42
    lihat model yang profitnya Nah kita
  • 00:05:48
    lihat dulu pendekatan model probability
  • 00:05:51
    biner atau help LPM itu mengasumsikan
  • 00:05:55
    atau model opm.com isikan bahwa nilai
  • 00:05:59
    probabilitas dari variabel terikatnya
  • 00:06:02
    itu bersifat linier terhadap variabel
  • 00:06:04
    bebas jadi Variabel terikat yang
  • 00:06:10
    bersifat dikotomis memiliki hubungan
  • 00:06:15
    yang linear dengan variabel bebasnya nah
  • 00:06:20
    misalnya kalau kita ingin menganalisis
  • 00:06:23
    keputusan sebuah rumah tangga untuk
  • 00:06:25
    membeli rumah atau tidak ya Maka faktor
  • 00:06:29
    yang menentukan nya itu Katakan tingkat
  • 00:06:33
    pendapatannya
  • 00:06:35
    Hai Oleh karena itu dengan menggunakan
  • 00:06:38
    model LPM ini maka studi kasus seperti
  • 00:06:42
    ini kita bisa model kan dia menjadi
  • 00:06:45
    begini yaitu y = b 0 ditambah b1x
  • 00:06:52
    ditambah Eh ini gimana bahwa Yei adalah
  • 00:06:59
    keputusan untuk membeli rumah kalau
  • 00:07:03
    misalnya ya iya sama gm1 dan kalau Yi
  • 00:07:07
    adalah nol adalah keputusan tidak mau
  • 00:07:10
    beli rumah
  • 00:07:12
    hai lalu aksinya adalah variabel bebas
  • 00:07:15
    yaitu pendapatan rumah tangga lalu c-nya
  • 00:07:20
    atau residualnya adalah teknik kemudian
  • 00:07:25
    model-model yang seperti ini Kita cari
  • 00:07:29
    nilai harapannya atau expecting videonya
  • 00:07:32
    [Musik]
  • 00:07:34
    jadi harapan dari y adalah expectedly
  • 00:07:40
    dari yang ditentukan oleh X yaitu b0
  • 00:07:45
    Tambah d1x Nah jikalau misalnya P itu
  • 00:07:50
    adalah merupakan nilai probabilitas
  • 00:07:53
    kalau y = 1 atau bahasa lainnya adalah P
  • 00:07:59
    itu adalah menunjukkan probabilitas
  • 00:08:02
    rumah tangga membeli rumah
  • 00:08:06
    Hai dan tentu satu kurang Phei karena
  • 00:08:11
    nilai dari probabilitas yang kita
  • 00:08:13
    pelajari di statistika nilainya adalah
  • 00:08:16
    antara nol dan satu paling tinggi nilai
  • 00:08:20
    probabilitas telah satu berarti kalau
  • 00:08:23
    Phei adalah probabilitas membeli rumah
  • 00:08:27
    sisanya berarti prioritas tidak membeli
  • 00:08:30
    rumah karena nilai produk tas paling
  • 00:08:33
    tinggi adalah satu maka satu kurang Fei
  • 00:08:37
    menunjukkan probabilitas tidak membeli
  • 00:08:39
    rumah jadi ketika y = 0 artinya kondisi
  • 00:08:45
    tidak membeli rumah jadi y = 1 dan y = 0
  • 00:08:52
    adalah dikotomis dari Variabel terikat
  • 00:08:57
    nah Oleh karena itu maka ketika kita
  • 00:09:02
    jumlahkan ya probabilitasnya ini yaitu
  • 00:09:06
    mobilitas nilai dari y memiliki rumah
  • 00:09:12
    tentu adalah satu kali probabilitas
  • 00:09:15
    karena nilai dari Yes satu maka satu
  • 00:09:19
    kali nilai proyek tasnya tambahkan dan 0
  • 00:09:23
    nilai tidak atau di ketika tidak membeli
  • 00:09:27
    rumah Dian prawitasari salah satu kurang
  • 00:09:30
    by ya karena ini nol ketika dikalikan
  • 00:09:33
    dan ini pasti hasilnya nol tinggal by
  • 00:09:37
    sehingga Sina adalah by jadi by
  • 00:09:41
    menunjukkan probabilitas rumah tangga
  • 00:09:46
    membeli rumah nah kalau kita
  • 00:09:51
    memperhatikan bahwa nilai probabilitas
  • 00:09:54
    sebuah kejadian ya adalah terletak dalam
  • 00:09:59
    interval 0 dan 1
  • 00:10:01
    Hai maka probabilitas bersyarat dari ini
  • 00:10:04
    juga harus memenuhi konsep nilai
  • 00:10:07
    probabilitas yang kita pelajari di
  • 00:10:10
    statistika ya karena dia adalah
  • 00:10:15
    menunjukkan nilai probabilitas ya maka
  • 00:10:20
    nilainya haruslah terletak di antara nol
  • 00:10:24
    dan satu ya jadi prioritas sebuah rumah
  • 00:10:30
    tangga membeli rumah atau tidak main
  • 00:10:34
    membeli rumah adalah tentu mulai dari
  • 00:10:36
    nol sampai 10 artinya tidak membeli
  • 00:10:40
    rumah dan satu artinya pasti membeli
  • 00:10:43
    rumah oke nah karena karakteristik dari
  • 00:10:49
    LPM ini ya kalau kita lihat
  • 00:10:52
    ini dia identik dengan model regresi
  • 00:10:55
    linier yang kita pelajari pada
  • 00:10:58
    ekonometrika dasar
  • 00:11:01
    Oh ya sehingga kalau kita mau ngisi
  • 00:11:04
    masih model LPM ini kita boleh
  • 00:11:08
    menggunakan metode Ordinary least Square
  • 00:11:11
    untuk mengisi masi parameternya
  • 00:11:16
    Hai Nah kalau kita identifikasi kemudian
  • 00:11:19
    ya bahwa sebenarnya metode altman ini
  • 00:11:23
    memiliki beberapa kelemahan-kelemahan
  • 00:11:27
    yang pertama adalah bahwa nilai
  • 00:11:30
    residualnya itu tidak terdistribusi
  • 00:11:33
    normal Nah karena tadi kita Kabarkan
  • 00:11:36
    bahwa LPM kita estimasi dengan metode
  • 00:11:39
    OLS Ordinary least Square salah satu
  • 00:11:43
    asumsi dalam OLX itu kan bahwa haruslah
  • 00:11:47
    residualnya terdistribusi secara normal
  • 00:11:51
    atau kita beri bahasa kemarin expect to
  • 00:11:56
    daily of residual equal by Zero
  • 00:12:00
    Hai Nah jadi kalau di dalam model LPM
  • 00:12:05
    ini bisa dipastikan bahwa residualnya
  • 00:12:09
    tidaklah terdistribusi normal
  • 00:12:12
    Hai nah Apa yang mendasari pernyataan
  • 00:12:14
    seperti ini yaitu karena kalau kita
  • 00:12:18
    kembali kepada konsep LPM variabel
  • 00:12:21
    terikatnya bersifat generik atau
  • 00:12:24
    dikotomis yaitu 1 dan 0 1 kalau beli
  • 00:12:30
    rumah nol kalau tidak beli rumah Itulah
  • 00:12:34
    sifat dari variabel terikatnya dikotomis
  • 00:12:38
    atau binering ya karena sifat biner atau
  • 00:12:43
    dikotomis dari Variabel terikat ini maka
  • 00:12:47
    tentu residual model LKM itu tidak akan
  • 00:12:50
    terdistribusi normal melainkan dia akan
  • 00:12:54
    mengikuti sebuah distribusi binomial Nah
  • 00:12:57
    jadi distribusi binomial ini ya tentu
  • 00:13:02
    tidak bisa dipakai pada model OLX nah
  • 00:13:07
    itu yang pertama salah satu kelemahan
  • 00:13:09
    dari metode atau model
  • 00:13:12
    ini reuptake abad LPM ini ya oke
  • 00:13:18
    Kemudian yang kedua kalau kita ukur
  • 00:13:21
    nilai varian dari residunya itu akan
  • 00:13:25
    mengandung heteroskedastisitas atau
  • 00:13:29
    masalah heteroskedastisitas yaitu Bahwa
  • 00:13:34
    varian dari residunya tidak konstan atau
  • 00:13:39
    tidak homogen melainkan dia bersifat
  • 00:13:43
    heterogen
  • 00:13:45
    Hai itu arti dari heteroskedastisitas
  • 00:13:49
    Hai Nah kenapa Nilai residual ni akan
  • 00:13:53
    menyetor sifat heteroskedastisitas ya
  • 00:13:58
    variannya karena ia kembali tadi kepada
  • 00:14:03
    sifat nilai dari distribusi produk atau
  • 00:14:07
    nilai dari apa variabel terikatnya bahwa
  • 00:14:13
    sifatnya adalah binery atau bersifat
  • 00:14:18
    dikotomi sehingga tentu variabel residu
  • 00:14:24
    yang akan kita hasilkan dari LPM ini ya
  • 00:14:28
    takkan mengikuti distribusi binomial
  • 00:14:30
    juga karena variabel terikatnya
  • 00:14:35
    mengikuti distribusi binomial gitu ya
  • 00:14:41
    Alasannya itu ya jadi karena sifat dari
  • 00:14:44
    variabel terikatnya adalah binery atau
  • 00:14:48
    dikotomi di
  • 00:14:49
    ini maka dipastikan bahwa residualnya
  • 00:14:52
    juga akan mengikuti distribusi trek
  • 00:14:56
    binomial
  • 00:14:59
    Hai nah Oleh karena itu tentu ini tidak
  • 00:15:01
    bisa dipertahankan untuk menggunakan
  • 00:15:06
    metode love Mia karena op Nikita
  • 00:15:09
    estimasi menggunakan metode Ordinary
  • 00:15:12
    Days cream jadi asumsi kenormalan itu
  • 00:15:16
    sudah dilanggar yang kedua asumsi
  • 00:15:19
    heteroskedastisitas juga tidak terpenuhi
  • 00:15:22
    nah yang ketiga ya Kelemahan derel vemmy
  • 00:15:26
    bahwa expectedly darinya itu tidak akan
  • 00:15:30
    selalu bernilai nol nanti kita buktikan
  • 00:15:32
    siapa
  • 00:15:34
    Oh ya bahwa dia tidak akan selalu
  • 00:15:38
    bernilai nol jadi
  • 00:15:40
    ndak jadi eh ini salah satu yang
  • 00:15:44
    mendasarnya adalah bahwa nilai expected
  • 00:15:47
    value yaitu karena tadi probabilitas
  • 00:15:49
    yang tadi sudah kita jabarkan di awal
  • 00:15:52
    adalah merupakan nilai probabilitas dari
  • 00:15:56
    kalau misalnya membeli tidak membeli
  • 00:15:59
    berarti ya ketika y = 1 proritas rumah
  • 00:16:04
    tangga membeli rumah oke nah karena tadi
  • 00:16:08
    sifatnya di awal adalah bersifat linier
  • 00:16:12
    maka tentu ketika pendapatannya terus
  • 00:16:15
    meningkat dampaknya Apa artinya bahwa
  • 00:16:19
    prioritasnya akan terus meningkat juga
  • 00:16:21
    ya dengan proporsi yang sama dengan
  • 00:16:25
    peningkatan pendapatan kalau misalnya
  • 00:16:29
    variabel yang menentukannya adalah
  • 00:16:31
    pendapatan
  • 00:16:33
    Hai nah Artinya bahwa nilai
  • 00:16:36
    probabilitasnya itu ya ketika kita
  • 00:16:39
    hitung bisa jadi lebih dari satu ya Nah
  • 00:16:43
    ini yang saya maksud tadi tidak memenuhi
  • 00:16:47
    [Musik]
  • 00:16:49
    syarat nilai probabilitas yang kita
  • 00:16:52
    pelajari di statistika bangunlah
  • 00:16:55
    promitas itu ya berkisar antara mau dan
  • 00:16:58
    satu dan terakhir ya nilai koefisien
  • 00:17:01
    determinasinya bersifat bias ya nah jadi
  • 00:17:06
    inilah beberapa kelemahan-kelemahan ya
  • 00:17:09
    yang dimiliki oleh model LPM Nah untuk
  • 00:17:17
    menjawab ini kemudian tentu kita akan
  • 00:17:21
    menggunakan pendekatan yang berbeda jadi
  • 00:17:26
    dengan menggunakan LPM ya mengestimasi
  • 00:17:30
    sebuah model dengan Variabel terikat
  • 00:17:33
    ia bersifat generik atau dikotomi ya
  • 00:17:37
    tadi sudah dijelaskan
  • 00:17:39
    kelemahan-kelemahannya menggunakan LPM
  • 00:17:42
    Oleh karena itu kita bisa memilih
  • 00:17:45
    alternatif lain yaitu menggunakan
  • 00:17:48
    pendekatan cutau komulatif distribusikan
  • 00:17:53
    bisa nah Seperti apakah cdf itu Oke
  • 00:17:57
    kalau tadi ke dalam model LPM ya
  • 00:18:00
    dikatakan bahwa probabilitas misalkan y
  • 00:18:06
    = 1 adalah membeli rumah atau
  • 00:18:11
    probabilitas membeli rumah itu
  • 00:18:14
    ditentukan oleh tingkat XT katakan make
  • 00:18:18
    ini merupakan pendapatan ya maka ketika
  • 00:18:22
    aksi ini naik ya tentu akan menaikkan
  • 00:18:26
    ini dimana peningkatan dari ini sebesar
  • 00:18:31
    atau tat
  • 00:18:33
    personal dia dengan peningkatan dari XD
  • 00:18:36
    Kenapa karena sifat dari linearnya tadi
  • 00:18:41
    dan jadi ketika aksinya naik variabel
  • 00:18:45
    terikatnya naik maka tentu variabel
  • 00:18:47
    bebas ADB area bebas yang naik maka
  • 00:18:50
    variabel terikatnya juga akan air karena
  • 00:18:53
    dia bersifat linier ya searah Jadi kalau
  • 00:18:56
    mirip linear dan kita sudah belajar ya
  • 00:18:59
    sebelumnya yang bahwa merupakan garis
  • 00:19:03
    lurus ya artinya memiliki shlok yang
  • 00:19:09
    sama untuk setiap titiknya Nah jadi
  • 00:19:13
    kalau selopnya sama berarti dia akan
  • 00:19:16
    proporsional itu ketika variabel trike
  • 00:19:20
    bebasnya berubah atau meningkat tentu
  • 00:19:23
    akan meningkatkan variabel terikatnya
  • 00:19:26
    dengan fokus yang sama nah ini saya
  • 00:19:29
    katakan tadi bahwa bisa jadi ya nilai
  • 00:19:33
    dari
  • 00:19:33
    keep probabilitasnya ini lebih dari satu
  • 00:19:36
    artinya tidak akan memenuhi unsur dari
  • 00:19:41
    syarat nilai probabilitas haruslah 0 dan
  • 00:19:44
    1 nah jadi nilai dari ya proritas
  • 00:19:50
    bersyarat ini dapat dipertahankan kalau
  • 00:19:55
    misalnya kita menggunakan kumulatif
  • 00:19:57
    distribution function karena Pak dengan
  • 00:20:01
    LPM tadi ya menggunakan OLX ya karena
  • 00:20:06
    kita anggap dia bersikap linier itu
  • 00:20:10
    tidak akan bisa tercapai ya nilai
  • 00:20:13
    probabilitas dari variabel terikatnya
  • 00:20:17
    itu antara nol dan satu jadi dengan
  • 00:20:20
    menggunakan cdf ini ini bisa kita
  • 00:20:23
    pertahankan karena apa Karena CD fitur
  • 00:20:28
    punya sifat yang pertama jika x-nya naik
  • 00:20:32
    Vario
  • 00:20:33
    kipasnya naik maka variabel terikatnya
  • 00:20:37
    akan naik tetapi nilai peningkatan dari
  • 00:20:42
    Variabel terikat ini masih pada interval
  • 00:20:45
    0 dan 1 tidak akan jauh dari sini dari
  • 00:20:49
    nol dan
  • 00:20:50
    hai hai tuh itu sifat dari cdef yang
  • 00:20:54
    kedua hubungan antara Phei dan aksi itu
  • 00:20:59
    adalah nonlinier ya Nah sehingga tentu
  • 00:21:04
    ketika aksinya berubah maka perubahan
  • 00:21:09
    exit tidak akan sama dengan perubahan
  • 00:21:11
    dari by karena dia bersifat non linier
  • 00:21:14
    berbeda tadi Kalau menggunakan model
  • 00:21:17
    alvent Ya sifatnya adalah linier maka
  • 00:21:22
    tentu peningkatan dari atau perubahan
  • 00:21:25
    pada X akan mengubah nilai probabilitas
  • 00:21:28
    atau ia variabel terikatnya dengan
  • 00:21:32
    proporsi yang sama
  • 00:21:34
    Hai tetapi dengan cdf tidak akan sama
  • 00:21:37
    karena sifatnya yang enam linear ini
  • 00:21:42
    sosok satu Gambaran seperti apakah
  • 00:21:44
    kurva.pdf itu ya jadi kurvanya kurang
  • 00:21:48
    lebih seperti ini ya jadi nilai
  • 00:21:54
    probabilitas itu kan paling tinggi satu
  • 00:21:57
    ya Jadi kalau misalnya variabel bebas
  • 00:22:00
    yang mempengaruhi nilai probabilitas
  • 00:22:03
    variabel terikatnya ya karena nilai
  • 00:22:07
    protes telah paling tinggi satu maka
  • 00:22:10
    nilai CD video pasti sebatas ini mulai
  • 00:22:13
    dari nol sampai dengan satu nah karena
  • 00:22:18
    parkour father's side itu seperti ini
  • 00:22:20
    kotanya dan tidak oval yang garis lurus
  • 00:22:25
    Nah kalau bergerak lurus bisa jadi
  • 00:22:28
    melewati batas in the
  • 00:22:31
    a&g jadi Itulah sebabnya ya untuk
  • 00:22:36
    menggunakan variabel terikatnya yang
  • 00:22:39
    sifatnya binery atau dichotomous ya
  • 00:22:43
    dengan menggunakan model LPM ya tidak
  • 00:22:48
    akan bisa dipertahankan nilai
  • 00:22:51
    probabilitas antara Mongol dan Sabtu ya
  • 00:22:54
    bisa jadi pada beberapa penemuan
  • 00:22:57
    nilainya dibawah satu tetapi pada
  • 00:23:00
    kasus-kasus tertentu Ya Mawar nilai dari
  • 00:23:04
    probabilitasnya itu bisa jadi lebih dari
  • 00:23:06
    satu yaitu jadi dengan menggunakan cdef
  • 00:23:12
    ini kita bisa mempertahankan nilai
  • 00:23:15
    kualitas atau syarat dari nilai
  • 00:23:18
    probabilitas itu adalah 0 dan 1 nah
  • 00:23:22
    sehingga nanti ketika kita lihat
  • 00:23:25
    pembahasan selanjutnya bahwa untuk
  • 00:23:29
    mengisi Mas iseng
  • 00:23:31
    model dengan variabel terikatnya adalah
  • 00:23:34
    variabel yang bersifat binery ya Kita
  • 00:23:39
    akan menggunakan pendekatan cgv kemudian
  • 00:23:46
    dalam CD itu ada dua model yang gak bisa
  • 00:23:51
    memenuhi kriteria cdf tadi jadi salah
  • 00:23:54
    satu kriterianya adalah bahwa nilainya
  • 00:23:57
    atau bisa mempertahankan nilai
  • 00:23:59
    probabilitas dari variabel terikatnya
  • 00:24:02
    antara nol dan satu nah model apa saja
  • 00:24:06
    yang memenuhi kriteria dari cdf ini yang
  • 00:24:09
    pertama disebut dan model logit ya
  • 00:24:13
    Kenapa dia memenuhi kriteria side
  • 00:24:16
    effectnya karena dalam model logit ini
  • 00:24:19
    kita menggunakan distribusi probabilitas
  • 00:24:23
    yang logistik ya oke itu identik dengan
  • 00:24:28
    cdf model yang kedua
  • 00:24:31
    adalah model probit jadi berkaitan
  • 00:24:34
    dengan fungsi protes distribusi normal
  • 00:24:37
    Nah jadi kedua model inilah yang akan
  • 00:24:41
    kita pakai untuk mengestimasi model
  • 00:24:46
    regresi dimana variabel terikatnya
  • 00:24:49
    bersifat kualitatif atau kain kafan
  • 00:24:55
    khususnya atau kita fokuskan langsung
  • 00:24:58
    kepada yang bersifat dikotomis atau
  • 00:25:02
    binery ya jadi dikotomi apa biner ini
  • 00:25:05
    artinya bahwa nilainya ada dua ya jadi
  • 00:25:09
    nilai dari variabel terikatnya
  • 00:25:12
    kategorinya ada dua membeli tidak
  • 00:25:15
    membeli ya satu dan penolong
  • 00:25:18
    Hai belajar tidak belajar kuliah tidak
  • 00:25:21
    kuliah bekerja tidak kuliah bekerja
  • 00:25:23
    menikah tidak menikah dan lain
  • 00:25:26
    sebagainya Nah jadi karena kita akan
  • 00:25:31
    fokus pada dua model tadi yaitu model
  • 00:25:35
    logit dan model probit untuk pertemuan
  • 00:25:39
    hari ini kita fokus pada model ojeknya
  • 00:25:43
    sedangkan model probit nya kita akan
  • 00:25:46
    diskusikan pada pertemuan selanjutnya
  • 00:25:49
    nah Seperti apakah model logit itu ya
  • 00:25:52
    jadi model logit itu misalnya ya kita
  • 00:25:55
    coba lihat Bagaimana cara menerapkannya
  • 00:26:02
    ya menggunakannya kita lihat misalnya
  • 00:26:05
    dalam sebuah contoh kasus ya agar lebih
  • 00:26:09
    aplikatif katakan kita ingin
  • 00:26:13
    menganalisis keputusan membeli rumah ya
  • 00:26:17
    bagi setiap
  • 00:26:18
    tetangga atau bagi keluarga ya gimana
  • 00:26:22
    keputusan mereka membeli tidak membeli
  • 00:26:25
    rumah ini ditentukan oleh tingkat
  • 00:26:29
    pendapatan yang mereka peroleh Berarti
  • 00:26:32
    ada satu variabel bebas yang menentukan
  • 00:26:35
    keputusan membeli tidak membeli rumah
  • 00:26:39
    sebuah rumah tangga Nah kalau begitu
  • 00:26:43
    maka fungsi probabilitas logistiknya ya
  • 00:26:48
    atau logic nya yang bersifat kumulatif
  • 00:26:51
    stadia cdf dapat kita Tuliskan begini ya
  • 00:26:57
    jadi inilah merupakan fungsi protes
  • 00:27:00
    logic kumulatif yang memenuhi tsdf
  • 00:27:04
    adalah Fei merupakan itu nilai
  • 00:27:08
    probabilitas dari variabel terikatnya
  • 00:27:12
    adalah fungsi dari Z di mana z Itu
  • 00:27:16
    adalah ini
  • 00:27:18
    jumlahan nilai konstanta kemudian nilai
  • 00:27:23
    koefisien atau diluar dari nilai residu
  • 00:27:27
    Oh ya jadi inilah nilai z nilai
  • 00:27:31
    hai oke nah atau nilai z ini Ya dengan
  • 00:27:36
    konsep cdf Ya itu bisa dihitung dengan
  • 00:27:41
    formula ini server dari satu tambah
  • 00:27:47
    e-pharm katmini zi-0 ae disini Bukan
  • 00:27:51
    residual Ya bukan residual tetapi ini
  • 00:27:56
    nanti merupakan basis dari nilai
  • 00:27:59
    logaritma natural dimana besarannya
  • 00:28:03
    Sudah sudah menjadi ketentuan yaitu 2,7
  • 00:28:08
    1828 nah itu jadi sekali lagi ya bahwa
  • 00:28:13
    karena kita menggunakan cdf maka fungsi
  • 00:28:18
    probabilitas logistik dari
  • 00:28:21
    Hai ini model logit ini Ya dengan satu
  • 00:28:26
    variabel bebasnya tadi ya yaitu
  • 00:28:28
    pendapatan adalah face sama dengan ya Pi
  • 00:28:33
    adalah probabilitas membeli rumah sama
  • 00:28:37
    dan fungsi dari Zee dimana zat itu
  • 00:28:42
    adalah ini deh yaitu penjumlahan
  • 00:28:46
    konstanta dengan koefisien regresi kali
  • 00:28:50
    variabel bebasnya Nah jadi inilah
  • 00:28:53
    persamaannya ya untuk menghitung atau
  • 00:28:56
    mencari nilai probabilitasnya seperti
  • 00:29:00
    dari satu Tambak e4z Nah jadi karena
  • 00:29:05
    mint z-z-z-z Iya itu adalah d0ta 41 exim
  • 00:29:10
    maka ini kita kita ganti menjadi ini
  • 00:29:13
    Oh ya inilah yang sedang bersama empat
  • 00:29:15
    Oke jadi Eh ini bukan residual ya tetapi
  • 00:29:19
    adalah basis logaritma natural kemudian
  • 00:29:24
    by adalah prawita seorang membeli rumah
  • 00:29:27
    ya kemudian z nya adalah nilainya tak
  • 00:29:33
    terhingga dari mint sampai postif
  • 00:29:36
    kemudian nilai by antara 0 dan 1 patd
  • 00:29:41
    prawita seseorang membeli rumah ya Yaitu
  • 00:29:45
    sesuai teori produces the antara modem
  • 00:29:48
    satu kemudian ya Ketika kita melihat
  • 00:29:55
    probabilitas pertama membeli rumah
  • 00:29:59
    Hai yaitu pada saat y = 1 ya adalah p i
  • 00:30:05
    = server 1 + e-pharm card zeti seperti
  • 00:30:11
    tadi formula tadi inilah prioritas
  • 00:30:13
    membeli rumah Nah dari persamaan 5 ini
  • 00:30:17
    ya kalau kita kali kemudian dengan nilai
  • 00:30:21
    e ^ zq ya kalau kita kalikan ke
  • 00:30:25
    persamaan 5 maka persamaan 5 ini akan
  • 00:30:29
    menjadi ya menggunakan pendekatan
  • 00:30:32
    matematis ya Jadi kita terima saja
  • 00:30:34
    karena memperoleh ini tentu ada teknik
  • 00:30:38
    matematika khusus menggunakan pendekatan
  • 00:30:43
    pembagian pengalihan kalau ada bilangan
  • 00:30:46
    epsilon Key jadi kita terima saja bahwa
  • 00:30:50
    hasil perkaliannya ya ketika kita
  • 00:30:53
    kalikan ini kepada persamaan 5 adalah ep
  • 00:30:58
    angkat Zee
  • 00:30:59
    Hai persatu + y ^ Zee G ini lah
  • 00:31:05
    merupakan provitas membeli rumah nah kan
  • 00:31:09
    ada dua tadi yaitu adalah membeli rumah
  • 00:31:12
    dan tidak membeli rumah itulah nilai
  • 00:31:15
    dari variabel terikatnya Maka kalau kita
  • 00:31:18
    hitung prioritas tidak membeli rumah
  • 00:31:20
    atau pada saat iye ih sama dengan nol ya
  • 00:31:24
    adalah tentu satu kurang P1 kurang P itu
  • 00:31:29
    tentu satu di kurang dari nilai ini tadi
  • 00:31:32
    atau ini ya Jadi kalau kita kurangi 1
  • 00:31:37
    dikurang dengan ini ya sama juga dengan
  • 00:31:40
    memperoleh ini tadi yang menggunakan
  • 00:31:42
    teknik matematika ya penambahan
  • 00:31:46
    penjumlahan perkalian untuk bilangan
  • 00:31:49
    yang epsilon ya atau bilangan bilangan
  • 00:31:52
    bilangan eat a bilangan nilai natural
  • 00:31:56
    ini ya Oke kita akan
  • 00:31:59
    Slank nilai dari satu kurang P itu
  • 00:32:01
    adalah seperti ya Satu tambah ep angkat
  • 00:32:07
    ZTE
  • 00:32:09
    Hai gif Nanda bedakan ini dengan ini Ya
  • 00:32:12
    itu berbeda nilainya jadi setelah kita
  • 00:32:15
    dapatkan nilai dari provitas ketika y =
  • 00:32:19
    1 dan nilai prioritas ketiga y = 0
  • 00:32:22
    karena kita fokus tadi ke membeli tidak
  • 00:32:25
    membeli rumah maka Pro with us mau beli
  • 00:32:28
    rumah dan protes tidak membeli rumah oke
  • 00:32:31
    Sudah bisa kita hitung sekarang ya ini
  • 00:32:33
    nilainya ya lalu kemudian ya kita
  • 00:32:37
    bandingkan atau kita cari rasio
  • 00:32:40
    perbandingan antara protes ketika y = 1
  • 00:32:46
    dan y = 0 ya atau karena tadi prioritas
  • 00:32:52
    untuk Yi sama dan satu adalah by dan
  • 00:32:55
    prioritas untuk Yi sama danau adalah
  • 00:32:58
    satu kurang tapi maka perbandingan atau
  • 00:33:01
    rasulnya ini by persatu kurang by ya
  • 00:33:05
    artinya perbandingan atau rasio profit
  • 00:33:08
    as
  • 00:33:09
    Kyle dan Y = 1 dan y = 0 Oke kalau sudah
  • 00:33:16
    mengerti sampai di sini maka tinggal
  • 00:33:18
    kita ganti-ganti aja nilai pi tadi ya
  • 00:33:21
    ini nilainya ya Jadi kalau jumpa kembali
  • 00:33:23
    dari hasil pertemuan kita sebelumnya
  • 00:33:25
    bahwa ini nilai by ini nilai satu kurang
  • 00:33:29
    Ti nah nilai kedua ini dari persamaan 6
  • 00:33:32
    dan 7 dan kita masukkan ke dalam
  • 00:33:35
    perbandingan ini daging dan ini hasil
  • 00:33:39
    perbandingannya Nah agar kita bisa
  • 00:33:42
    selesaikan ini kita balikan ya jadi
  • 00:33:45
    seperti dari satu + y ^ Zee kita
  • 00:33:49
    balikkan dan ini kita kalikan jadinya
  • 00:33:52
    oke nah seperti ini hasilnya Nah karena
  • 00:33:57
    disini di sebelah kiri ya nilainya satu
  • 00:34:01
    menjadi penyebut ya Satu tambah xpangkat
  • 00:34:05
    Devi lalu kemudian sebelah kanannya juga
  • 00:34:07
    sama nilainya
  • 00:34:09
    KMI bisa saja orang ya tinggal apa eh ^
  • 00:34:14
    zeti persatu ya atau Epang kzt jadi
  • 00:34:19
    rasio ya probilitas membeli rumah dan
  • 00:34:23
    tidak membeli rumah adalah ep angkat z i
  • 00:34:27
    z i tadi adalah b0 Tambah b1x Nah
  • 00:34:34
    persamaan 8 ini atau nilai ini Eh ^ zq
  • 00:34:38
    ini disebut dengan rasio perbedaan atau
  • 00:34:43
    occlusio
  • 00:34:45
    Hai G6 persamaan 8 ini kemudian kita
  • 00:34:49
    kalikan dengan bilangan logaritma
  • 00:34:51
    natural ya atau kita lolen kan kalau
  • 00:34:57
    kita lengkan tentu sebelah kiri dan
  • 00:34:59
    sebelah kanan harus sama ya jadi sebelah
  • 00:35:02
    kiri kita lem kan sebelah kanan juga
  • 00:35:05
    dilanjutkan Nah kalau sebelah kiri
  • 00:35:07
    dilengkepan berarti Legendary pheifer
  • 00:35:11
    server1 kurang pipis2 salah satu kurang
  • 00:35:15
    ke inilah tadi out ratio atau rasio
  • 00:35:20
    perbandingan rasio promitas membeli
  • 00:35:23
    rumah dengan tidak membeli rumah
  • 00:35:26
    a = laundry xpangkat Zee Oke jadi karena
  • 00:35:32
    inilah merupakan basis dari logaritma
  • 00:35:35
    natural ya maka ketika kita
  • 00:35:38
    operasionalkan bilangan lainnya ini kita
  • 00:35:41
    lanjutkan jadi ini kedepan menjadi ZTE *
  • 00:35:46
    LED lamp e-nota ini tadi kan saya
  • 00:35:50
    katakan Allah bilangan bilangan basis
  • 00:35:53
    dari basis dari bilangan logaritma
  • 00:35:56
    natural sebesar apel 2,7 sekian lagi nah
  • 00:36:01
    kalau kita lebihkan dia sama dengan satu
  • 00:36:03
    Land Itulah satu oke karena itu basisnya
  • 00:36:08
    ya
  • 00:36:09
    Hai jadi tinggal zetheera berarti ya
  • 00:36:12
    jadi Ulen dari Viper satu kurang by
  • 00:36:16
    adalah tentu Zee jadi zat kita ganti
  • 00:36:21
    lagi dengan b0 tambah b satu XV ya maka
  • 00:36:27
    Inilah yang disebut dengan persamaan
  • 00:36:31
    atau model logit Oke jadi beginilah
  • 00:36:37
    bentuk model ojek Nah kalau model logit
  • 00:36:43
    yang kita lihat sebelumnya adalah model
  • 00:36:46
    logit dengan satu variabel bebas
  • 00:36:49
    Hai kalau misalnya kita mau menambah dua
  • 00:36:51
    variabel bebas dalam model wajib kita
  • 00:36:54
    maka ia Sama aja seperti ini ya kita
  • 00:36:56
    tinggal tambah ya kalau misalnya ada dua
  • 00:36:59
    variabel bebas kalau Sebelumnya kan
  • 00:37:02
    hanya ini sekarang dia tambah dan
  • 00:37:04
    variabel bebasnya satu lagi menjadi fe2
  • 00:37:08
    s2i menjadi persamaan 10 Kalau misalnya
  • 00:37:13
    sebanyak variabel bebasnya Nah kalau ada
  • 00:37:15
    banyak variabel bebasnya ya maka
  • 00:37:19
    penulisannya sama seperti ini ya kita
  • 00:37:21
    tinggal nambahkan variabel bebasnya jadi
  • 00:37:25
    lendari piper satu kurang p i = gnoll
  • 00:37:31
    tambah satu dan seterusnya oke nah kalau
  • 00:37:36
    kita kembali kepada model logit tadi
  • 00:37:39
    yang didasarkan pada kriteria cdf ya
  • 00:37:45
    Hai maka sesungguhnya bahwa model dari
  • 00:37:48
    Logitech ini adalah model yang nonlinear
  • 00:37:52
    karena tsdf tadi kita Gambarkanlah
  • 00:37:55
    sebuah kurva yang tidak garis lurus
  • 00:37:58
    Hai Ki berarti bahwa model logit Ini
  • 00:38:01
    adalah sebuah model regresi dengan yang
  • 00:38:05
    tidak tergolong linear atau bersifat non
  • 00:38:08
    linier Oleh karena itu untuk
  • 00:38:11
    mengestimasi model logit ini Ya baik ini
  • 00:38:14
    ya Bisanya Yang ini tadi yang yang hanya
  • 00:38:20
    satu variabel bebas dua variabel bebas
  • 00:38:23
    tiga variabel bebas kita tidak bisa
  • 00:38:26
    mengisi masih lagi dengan OLX karena apa
  • 00:38:30
    Karena ya Sekali lagi model logit ini
  • 00:38:33
    didasarkan pada cdf cdf adalah sebuah
  • 00:38:38
    pendekatan yang nonlinier ya bentuk
  • 00:38:42
    kurva y tadi kan bukan garis lurus dari
  • 00:38:44
    segi efeknya jadi Oleh karena itu kita
  • 00:38:47
    tidak lagi menggunakan OS tetapi kita
  • 00:38:51
    menggunakan metode lain yaitu disebut
  • 00:38:53
    dengan metode maksimum likelihood atau
  • 00:38:57
    email
  • 00:38:58
    Hai jadi untuk model logit dan model
  • 00:39:02
    probit ini kita tidak menggunakan metode
  • 00:39:06
    RS untuk menginspirasi nyamankan metode
  • 00:39:09
    email berarti bahwa ya hasil estimasi
  • 00:39:13
    kita nanti kita tidak perlu lagi
  • 00:39:16
    mengecek asumsi olesnya Ya seperti pada
  • 00:39:22
    model regresi linier atau model regresi
  • 00:39:25
    sederhana berganda bahkan kemarin a
  • 00:39:29
    model dan Iya karena masih menggunakan
  • 00:39:32
    metode OLX maka tetap kita menguji
  • 00:39:36
    apakah model itu memenuhi asumsi klasik
  • 00:39:39
    tidaknya ya nah jadi pada model logit
  • 00:39:43
    ini dan mau ke model probit kedepan
  • 00:39:46
    besok minggu depan ya kita tidak perlu
  • 00:39:49
    lagi menguji apakah memenuhi asumsi
  • 00:39:51
    klasik tidak hanya karena kita tidak
  • 00:39:54
    menggunakan OLX melainkan menggunakan
  • 00:39:56
    metode mag
  • 00:39:58
    mulai merekrut Oke Baik Nah sekarang
  • 00:40:03
    Bagaimana kamu maksud dari metode
  • 00:40:05
    maksimum likelihood itu jadi metode
  • 00:40:10
    email ini atau langsung Meliput ini ya
  • 00:40:13
    ini umumnya digunakan untuk mencari
  • 00:40:16
    nilai koefisien regresi ya Sehingga apa
  • 00:40:21
    probabilitas kejadian dari variabel
  • 00:40:24
    terikatnya bisa setinggi mungkin atau
  • 00:40:28
    dimaksimumkan ya
  • 00:40:32
    Hai jadi suatu nilai metode yang
  • 00:40:36
    memaksimumkan nilai probabilitas
  • 00:40:38
    Variabel terikat kalau oleh siapa
  • 00:40:43
    meminimumkan ya kuadrat pangkat 2 dari
  • 00:40:47
    residual Nah itulah perbedaan antara
  • 00:40:50
    oles dan majemuk Lego dalam metode
  • 00:40:55
    relasi ini er metode maksimum likelihood
  • 00:40:58
    ini ya oh litas memaksimumkan kejadian
  • 00:41:02
    itu disebut dengan look of the
  • 00:41:04
    likelihood ya atau disingkat dengan ll
  • 00:41:08
    love of the likelihood dimana nilai dari
  • 00:41:13
    elne ya atau lovely keywordnya atau Log
  • 00:41:18
    off the light debutnya ini ya ini mirip
  • 00:41:21
    dengan RSS yang kita pelajari dioles
  • 00:41:24
    yaitu residual Sam Square jumlah kuadrat
  • 00:41:29
    residual
  • 00:41:31
    Oh ya jadi sifat atau fungsi atau
  • 00:41:34
    peranan dari Log off the light pada
  • 00:41:39
    metode email atau maksimum likelihood
  • 00:41:42
    ini sama dengan peranan dari residual
  • 00:41:47
    subscribe pada metode
  • 00:41:50
    Hai Kemudian pada metode Mama Gem layout
  • 00:41:54
    ya umumnya kita menggunakan sampel besar
  • 00:41:59
    sehingga kalau sampelnya cukup banyak
  • 00:42:03
    cukup besar maka kita nanti
  • 00:42:06
    mengasumsikan bahwa ya sampel errornya
  • 00:42:09
    itu mengikuti distribusi normal
  • 00:42:12
    Hai karena jumlah sampelnya sangat besar
  • 00:42:16
    Nah kalau pada metode uji signifikansi
  • 00:42:20
    variabel yang akan kita gunakan Uji T
  • 00:42:24
    Apakah variabel X1 X2 dan seterusnya
  • 00:42:28
    signifikan tidak maka kita gunakan uji-t
  • 00:42:32
    ya tetapi pada metode Emma jumlah kita
  • 00:42:37
    tidak menggunakan uji-t melekat bizet
  • 00:42:41
    itu perbedaannya lalu di dalam metode
  • 00:42:47
    OLS ya kita kenal ada Islam yaitu uji
  • 00:42:50
    Goodness of Fit yaitu uji F ya Nah kalau
  • 00:42:56
    pada metode maksimum likelihood ini ya
  • 00:42:59
    Uji Goodness of Fit nya ini tidak lagi
  • 00:43:03
    pakai uji-f tetapi menggunakan uji
  • 00:43:06
    namanya layout rasio atau LR jadi
  • 00:43:12
    kalau tadi perang nanya sama dengan RSS
  • 00:43:16
    ya kemudian ellerini sama perannya
  • 00:43:20
    dengan uji F nah di mana ya lagi Hut
  • 00:43:26
    rasio ini rumusnya adalah dua kali
  • 00:43:29
    selisih antara dan Log Off lagi rivet
  • 00:43:34
    tadi ya look of the livelihood untuk
  • 00:43:39
    yang terrestris tipe yang tidak
  • 00:43:42
    restrictive dikurangi dengan ll diam
  • 00:43:46
    restriktif
  • 00:43:48
    Oh ya jadi unrestricted dan restrictive
  • 00:43:51
    itu perbedaannya adalah terletak kepada
  • 00:43:55
    bentuk persamaan yang kita gunakan Oke
  • 00:44:00
    yaitu kalau the dia dikatakan
  • 00:44:03
    unrestricted ya kalau model regresi
  • 00:44:06
    yaitu menggunakan nilai konstanta dan
  • 00:44:09
    semua variabel bebas tapir ya penuh
  • 00:44:12
    nilai z yang kita pakai Tetapi kalau dia
  • 00:44:17
    restrictive ya ya kita hanya menggunakan
  • 00:44:20
    nilai konstanta nya saja oke nah Ini
  • 00:44:26
    untuk goodness-of-fit nya kalau benda
  • 00:44:29
    soft dikira kita gunakan uji-f yang
  • 00:44:32
    membandingkan antara f-hitung dengan
  • 00:44:34
    f-tabel itu pada metode OLX pada metode
  • 00:44:39
    maksimum likelihood ini ya kita tidak
  • 00:44:42
    gunakan itu lagi mainkan gunakanlah
  • 00:44:45
    gracium Apakah lagi ludruk
  • 00:44:48
    di signifikan tidaknya ya lalu Grace ini
  • 00:44:52
    kita bandingkan dengan tabel Khair
  • 00:44:55
    karena abang lagi hotrace ini ya
  • 00:44:59
    diasumsikan terdistribusi mendekati
  • 00:45:02
    distribusikan Square ya Jadi kita
  • 00:45:06
    bandingkan nanti nilai lagi hydration
  • 00:45:10
    statistik dengan tabel casquette nah
  • 00:45:14
    nilai khas kepada apa pada degree of
  • 00:45:17
    Freedom tak kurang satu jadi kalau
  • 00:45:20
    misalnya taji ada variabel terikatnya
  • 00:45:23
    adalah membeli keputusan membeli rumah
  • 00:45:27
    dan variabel bebasnya adalah pendapatan
  • 00:45:30
    berpisahnya ada dua orang satu berarti
  • 00:45:33
    tinggal satu itulah diri of Freedom
  • 00:45:36
    untuk distribusikan Square nah ukuran
  • 00:45:41
    kebaikan garis regresinya kalau di
  • 00:45:43
    metode RS kita gunakan er spare
  • 00:45:48
    Oh ya kalau pada metode email ini atau
  • 00:45:51
    majemuj hot kita menggunakan er spare
  • 00:45:55
    yang mcfadden nya jadi kita gunakan
  • 00:45:59
    sebuah koefisien determinasi yang
  • 00:46:03
    dikembangkan oleh mcfadden ya diberi
  • 00:46:07
    nama r-square mcfadden atau mcef key
  • 00:46:13
    Jadi itulah yang disebut dengan metode
  • 00:46:15
    maksimum likelihood sekarang kita lihat
  • 00:46:29
    Bagaimana cara penerapannya ya atau
  • 00:46:33
    penggunaan model logit ini kemarin kita
  • 00:46:37
    lihat contoh kasusnya begini misalkan ya
  • 00:46:40
    kita ingin mengetahui faktor apa saja
  • 00:46:44
    yang menentukan kepemilikan
  • 00:46:48
    rumah ya jadi variabel terikatnya
  • 00:46:54
    artinya memiliki rumah atau tidak Kita
  • 00:46:59
    apa saja yang menentukan seseorang atau
  • 00:47:01
    sebuah rumah tangga memiliki rumah atau
  • 00:47:04
    tidak bisa jadi karena pendapatannya
  • 00:47:08
    kemudian status pernikahannya jumlah
  • 00:47:12
    anggota keluarganya tingkat pendidikan
  • 00:47:14
    kepala keluarga dan umur kepala keluarga
  • 00:47:18
    karena apa dia walau sekarang kan ada
  • 00:47:22
    banyak kontrakan ya kos-kosan Jadi kalau
  • 00:47:24
    keluarga baru itu ya tentu masih belum
  • 00:47:29
    siap untuk membeli rumah oleh karena itu
  • 00:47:31
    ya ya harus tinggal di kos-kosan dulu
  • 00:47:35
    atau dikontrakkan nah kemudian setelah
  • 00:47:38
    lama berkeluarga ya Ada juga yang belum
  • 00:47:40
    bisa membeli rumah atau masih setia
  • 00:47:42
    dikontrakkan ada juga yang siap untuk
  • 00:47:45
    membeli rumah berarti bahwa apa
  • 00:47:48
    Nda dua kemungkinan ya si responden itu
  • 00:47:52
    yang akan kita tanyakan itu memiliki
  • 00:47:56
    rumah atau tidak memiliki rumah
  • 00:47:59
    Hai hehe nah Apa saja saya free bunyi
  • 00:48:02
    kita gunakan lima variabel bebas yaitu
  • 00:48:05
    pendapatan ya betina variabel
  • 00:48:08
    kuantitatif status pernikahan menikah
  • 00:48:12
    tidak menikah nah ini berarti juga
  • 00:48:14
    variabel dummy kemudian jumlah anggota
  • 00:48:17
    keluarga itu kuantitatif tingkat
  • 00:48:20
    pendidikan bergantung ukuran kita pakai
  • 00:48:23
    kalau kita pakai usia atau lama dia
  • 00:48:29
    belajar bertidak kuantitatif Tetapi
  • 00:48:32
    kalau level pendidikan yang kita pakai
  • 00:48:36
    tertidurlah kualitatif C di dalam studi
  • 00:48:40
    kasus ini nanti kita gunakanlah lama
  • 00:48:43
    waktu dia belajar si kepala keluarganya
  • 00:48:46
    kemudian nomor kepala keluarganya Nah
  • 00:48:50
    karena ada lima variabel bebas yang kita
  • 00:48:53
    gunakan ya dan di dalam model logit tadi
  • 00:48:57
    syaratnya salah satunya lelah
  • 00:48:59
    Hai guys menggunakan sampel yang besar
  • 00:49:02
    Oleh karena itu maka jumlah sampel dalam
  • 00:49:04
    contoh kita ini kita gunakan 1000 kepala
  • 00:49:09
    keluarga nah sehingga dengan demikian
  • 00:49:12
    kita bisa model kan dia menjadi seperti
  • 00:49:15
    ini ya karena ada lima variabel bebas
  • 00:49:18
    model logit nya adalah ya laundry by per
  • 00:49:23
    satu kurang p i nilah model ojeknya
  • 00:49:27
    seperti ini variabel terikatnya = b 0
  • 00:49:30
    tanggal bisa to exe ya X1 tambah b 2x 2
  • 00:49:36
    tanggal b3s 3-5 X5 Lalu bagaimana cara
  • 00:49:43
    menginspirasinya tentu kita tidak
  • 00:49:45
    menghitung secara manual ya tetapi
  • 00:49:49
    menggunakan alat bantu yang saling
  • 00:49:52
    eviews
  • 00:49:53
    Hai hehe Jadi bagaimana cara mengisi Mas
  • 00:49:58
    Iya mangkanya seperti biasanya setelah
  • 00:50:03
    kita bentuk variabelnya dan jadi karena
  • 00:50:07
    ada lima variabel bebas maka sekarang
  • 00:50:10
    kita estimasi kita cek status sudah
  • 00:50:12
    terisi datanya ya ada 1000 sampel dan
  • 00:50:17
    sudah terisi semua ke ini variabel S2
  • 00:50:22
    dan seterusnya oke nah sekarang kita
  • 00:50:27
    coba atau kita estimasi model ini ya
  • 00:50:31
    bagaimana caranya adalah kita klik objek
  • 00:50:35
    kemudian apa nih objek lalu kemudian
  • 00:50:41
    kita trik-trik question kita bentuk
  • 00:50:44
    persamaannya misalnya
  • 00:50:47
    Halo Jeep Ya kemudian oke nah disini
  • 00:50:53
    kita masukkan variabel bebasnya ya
  • 00:50:59
    variabel bahasa apa saja yaitu variabel
  • 00:51:02
    terikatnya dulu ya ye kemudian konstanta
  • 00:51:06
    lalu X1 X2 spasi S3 spasi X4 dan X5
  • 00:51:13
    karena ada lima variabel bebas oke lalu
  • 00:51:18
    kalau menggunakan metode koordinat
  • 00:51:21
    lescor bisa akan kita langsung pilih ini
  • 00:51:23
    ya tetapi karena kita menggunakan model
  • 00:51:27
    logit tetap menggunakan pendekatan like
  • 00:51:31
    Abang Maximum likelihood maka kita
  • 00:51:35
    memilihnya itu bukanlah Square atau oles
  • 00:51:38
    tetapi di sini ada pinery ya ada binery
  • 00:51:42
    choice ya kita klik dengan Rejoice ini
  • 00:51:45
    untuk wajib Pro
  • 00:51:47
    dan ekstrim video kayak jadi kita Klik
  • 00:51:50
    yang login.ttr ini saja ya kita klik
  • 00:51:53
    yang generik maka disini ada pilihannya
  • 00:51:56
    Project atau Extreme value kita klik
  • 00:52:01
    yang login Oke jadi sudah selesai
  • 00:52:05
    persamaannya sudah kita pilih rojib
  • 00:52:07
    karena kita menggunakan model logit lalu
  • 00:52:10
    kemudian kita klik oke nah Inilah hasil
  • 00:52:14
    dari hasil estimasi kita
  • 00:52:18
    Oh ya menggunakan aplikasi FB jadi hasil
  • 00:52:24
    yang kita es Timnas tadi ya setelah kita
  • 00:52:28
    ini dia ya setelah kita estimasi yaitu
  • 00:52:32
    ada lima variabel bebas Nah kita
  • 00:52:34
    perhatikan ya kalau kita uji
  • 00:52:36
    statistiknya ya satu-satu ya nilai
  • 00:52:39
    variabel bebas satu set statistik nyala
  • 00:52:44
    4,9 nanti kita bandingkan dengan zat
  • 00:52:48
    tabel ya menggunakan tabel-tabel normal
  • 00:52:53
    ya atau tabel distribusi normal silahkan
  • 00:52:57
    Anda coba sendiri karena sudah pernah
  • 00:52:59
    belajar di statistika inferensial atau
  • 00:53:04
    induktif dan juga sudah pernah kita
  • 00:53:07
    pelajari di ya ekonometrika dasar oke
  • 00:53:13
    nah kita hanya menggunakan agar lebih
  • 00:53:15
    cepat kita gunakan aja Nilai
  • 00:53:17
    probabilitasnya saja
  • 00:53:18
    Hai ghoul-re signifikan ya ini untuk
  • 00:53:22
    semua variabel 1 2 4 dan 5 ya sangat
  • 00:53:27
    kecil atau dibawah 0,05 politiknya
  • 00:53:33
    berarti bahwa variabel X1 variabel X2
  • 00:53:37
    variabel x-4y variables 5 sesungguhnya
  • 00:53:42
    signifikan pada Alfa 1% Ok ini satu atau
  • 00:53:48
    secara pengujiannya ya yang kedua ya
  • 00:53:52
    yaitu menggunakan nilai menghitung nilai
  • 00:53:58
    goodness-of-fit nya ya yaitu menggunakan
  • 00:54:01
    LR nya towernya bagi atau uji efeknya Ya
  • 00:54:06
    kurang lebih sama di oles-oles
  • 00:54:09
    statistiknya ini sebesar 305 ya Nah
  • 00:54:15
    rumusnya tadi adalah restriktif
  • 00:54:18
    di tengah understated ya Jadi ada apa
  • 00:54:27
    nilai restrictive tetapi disini tidak
  • 00:54:30
    dimunculkan lagi ya kalau pada aplikasi
  • 00:54:35
    belum itu muncul pakai jadi kita
  • 00:54:38
    langsung menghitung nilainya sebesar ini
  • 00:54:39
    ya 375 kita bandingkan dengan nilai
  • 00:54:44
    qqwweerr tabelnya pada degree of Freedom
  • 00:54:48
    berapa yaitu pada degrees of Freedom 5
  • 00:54:52
    karena ada enam variabelnya kurang 15
  • 00:54:56
    #va berapa silakan dibuka kabel.cas
  • 00:54:59
    guardnya Nah kalau lebih tinggi nilai R
  • 00:55:02
    hitung nih dengan kweh tabel maka tentu
  • 00:55:06
    definisikan Nah di sini kita lihat nilai
  • 00:55:09
    prolite six probably fisiknya inilah
  • 00:55:12
    sebesar 0,23 memang bahwa lrt
  • 00:55:18
    ngetiknya ini signifikan Artinya bahwa
  • 00:55:22
    model ini ya cukup bagus yang memiliki
  • 00:55:26
    er goodness-of-fit yang signifikan
  • 00:55:30
    kemudian kalau kita melihat gambaran
  • 00:55:34
    variabel bebas terhadap Variabel terikat
  • 00:55:36
    kita boleh menggunakan r-square dari
  • 00:55:39
    mcfadden yaitu 0,23 ya jadi inilah
  • 00:55:45
    besaran dari er schrader internet Raden
  • 00:55:48
    nah sehingga ya urutan
  • 00:55:52
    menginterprestasikan hasil dari estimasi
  • 00:55:54
    kita ingat tadi bahwa ini dalam bentuk
  • 00:55:57
    bulan ya yaitu ketika kita C buat
  • 00:56:01
    kembali ke persamaan ada di bahwa
  • 00:56:03
    persamaannya ulandari piper satu kurang
  • 00:56:07
    p i nah ketika kita kembalikan dia ke
  • 00:56:10
    dalam rasio out-nya maka kita harus anti
  • 00:56:15
    Lenggang dulu ya nanti
  • 00:56:18
    Agan dia koefisien dari regression kita
  • 00:56:21
    dapatkan sebelum kita interprestasikan
  • 00:56:24
    silahkan nanti anda interprestasikan
  • 00:56:26
    sendiri kemudian untuk memprediksinya
  • 00:56:30
    hitung nilai zee-zee dari hasil ramalan
  • 00:56:36
    atau headnya dan jadi z Ini yang mana
  • 00:56:40
    adalah tentu Perkalian antara aksi
  • 00:56:44
    dengan Tapa konstanta koefisien ideal
  • 00:56:49
    konstanta penilai aksi koefisien dan ini
  • 00:56:52
    dan seterusnya ya dengan Verrel bassnya
  • 00:56:55
    nah dimana kita melakukan pemisalan
  • 00:56:58
    Berapa besar dari X1 X2 dan X3 dan
  • 00:57:02
    seterusnya kita boleh mengambil dari
  • 00:57:04
    salah satu data saja atau bikin dari
  • 00:57:06
    satu responden untuk lupa untuk tetap
  • 00:57:10
    menghitung nilai probabilitasnya
  • 00:57:13
    Hai probitas sea responden yang kita
  • 00:57:17
    pilih itu probabilitas Dia memiliki
  • 00:57:22
    rumah dan tidak memiliki rumah nah jadi
  • 00:57:27
    selagi dapat z nya ya maka kita masukkan
  • 00:57:30
    ke dalam persamaan p i untuk menghitung
  • 00:57:33
    besaran dari probabilitas si responden
  • 00:57:37
    itu memiliki rumah dan kita masukkan ke
  • 00:57:42
    dalam persamaan ini untuk memperoleh
  • 00:57:45
    probabilitas respon itu tidak memiliki
  • 00:57:49
    rumah nah jadi begitulah cara penggunaan
  • 00:57:54
    hasil estimasi model logit silahkan anda
  • 00:57:58
    kembangkan nanti ada membaca beberapa
  • 00:58:00
    literatur review this
タグ
  • econometrics
  • logit model
  • probit model
  • qualitative variables
  • linear probability model
  • maximum likelihood
  • binary outcomes
  • econometric analysis
  • household decisions
  • data analysis