PEMODELAN RANDOM EFFECT PADA REGRESI DATA LONGITUDINAL DENGAN ESTIMASI GENERALIZED METHOD OF MOMENTS (STUDI KASUS DATA PENDUDUDUK MISKIN DI INDONESIA)

 Abstract views: 464 ,  downloads: 301
  • muhammad ghazali
  • bambang widjanarko otok

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  denganRandom Effect. Dengan menggunakan model Random Effect maka kesimpulan yang diperoleh adalah semakin tinggi Rata-rata lama sekolah (X1), Angka Melek Huruf penduduk usia 15-55 tahun (X3), Persentase rumah tangga yang menggunakan air bersih (X5) dan Angka harapan hidup (X6) maka indeks kedalaman kemiskinan akan semakin kecil. Sedangkan jika semakin tinggi Persentase rumah tangga yang pernah membeli beras raskin (X4) maka indeks kedalaman kemiskinan juga semakin tinggi.

Downloads

Download data is not yet available.

References

Anuraga, G., (2013). Pemodelan Kemiskinan di Jawa Timur Dengan Structural Equation Modeling-Partial Least Square,Tesis, Institut Teknologi Sepuluh Nopember.

Alvarez, I. C., Barbero, J., Zoffo, J. L., (2013) A Panel Data Toolbox for Matlab. Universidad Autinoma De Madrid.

Badan Pusat Statistik, (2012), Berita Resmi Statistik: Profil Kemiskinan di Indonesia Maret 2012, BPS, Jakarta.

Badan Pusat Statistik, (2015). Persentase Penduduk Miskin Maret 2015 Mencapai 11,22 Persen. http://bps.go.id/brs/view/1158  (diakses 1 desember 2015)

Baltagi, Badi H (2005). Econometric Analysis of Panel Data, Third Edition. John Wiley & Sons.

Chausse, P., (2010). Computing Generalized Methods of Moments and Generalized Empirical Likelihood with R. University of Waterloo, Waterloo (Ontario) Canada.

Chin, W.W., (1998), The Partial Least Squares Approach for Structural Equation Modeling, Cleveland, Ohio.

Cliff, M.T., (2003). GMM and MINZ Program Libraries for Matlab. Purdue University.

Damayanti dan Ratnasari., (2013), Pemodelan Penduduk Miskin di Jawa Timur Menggunakan Metode Geographically Weighted Regression (GWR), JURNAL SAINS DAN SENI POMITS Vol. 2, No.2, Institut Teknologi Sepuluh Nopember, Surabaya.

Dinas Sosial dan Pemakaman Kota Batam, (2014). 14 Kriteria Miskin Menurut Standar BPS. http://skpd.batamkota.go.id/sosial/persyaratan-perizinan/14-kriteria-miskin-menurut-standar-bps/ (diakses 2 desember 2015)

Davidson, R. and  MacKinnon, J. G., (2003). Econometric Theory and Method. Oxford University Press. USA.

Gujarati, D. N., (2003). Basic Econometric 4th Edition. McGrew-Hill Press. USA.

Hall, A.R. (2005). Generalized Method Of Moments: Advanced Texts In Econometrics. Oxford University Press Inc: New York.

Hansen, L.P., (1982). Large Sample Properties of Generalized Method of Moments Estimator. Econometrica, Vol. 50, No.4

LeSage, J. P. (1999). Applied Econometrics using MATLAB. Departement of Econometrics, University Toledo.

Lubis, K.A dan Setiawan (2013) Penerapan Generalized Method Of Moments Pada Persamaan Simultan Panel Dinamis Untuk Pemodelan Pertumbuhan Ekonomi Di Indonesia. Prosiding Seminar Nasional Manajemen Teknologi XIX, MMT ITS, Surabaya

Magallanes, A.B., (2007). Generalized Methods of Moments Estimation on a Linear Panel Data Model of a Clinical Trial. University of the Philippines, Manila.

Matyas, L., et al (1999). Generalized Method of Momenets Estimation. Cambridge University Press. Cambridge.

Ngafiyah, A. N., (2014). Meta-Analityc Structural Equation Modeling (MASEM) Pada Faktor-Faktor Yang Mempengaruhi Kemiskinan Di Pulau Jawa. Tesis, Institut Teknologi Sepuluh Nopember.

Permatasari, E., O., (2013) Pendekatan Boosting Multivariate Adaptive Regression Spline untuk klasifikasi kemiskinan di Propinsi Jawa Timur. Tesis, Institut Teknologi Sepuluh Nopember.

Sita, Eta D. A. A. dan Otok, B. W., (2014). Pendekatan Multivariate Adaptive Regression SPLINES (MARS) pada Pemodelan Penduduk Miskin di Indonesia Tahun 2008-2012. Prosiding Seminar Nasional Matematika, Universitas Jember. Jember.

Suharto, Edi dkk. (2004), Kemiskinan dan Keberfungsian Sosial: Studi Kasus Keluarga Miskin di Indonesia, Lembaga Studi Pembangunan (LSP) STKS, Bandung

Suryawati, C., (2005), Memahami Kemiskinan Secara Multidimensional, Jurnal Manajemen Pelayanan Kesehatan (JMPK), 8(3). p.121-129.

Taurif, M., Otok, B. W., Latra, I Nyoman (2014). Estimation of Generalized Method of Moment in Logistic Regression Model. Prosiding Seminar Nasional Matematika, Universitas Jember, Jember.

Taurif, M. R, (2015). Estimasi generalized method of moments (GMM) pada model Regresi Logistik (studi kasus: penderita HIV/AIDS di surabaya). Tesis, Institut Teknologi Sepuluh Nopember.

Published
2016-07-01
How to Cite
ghazali, muhammad, & otok, bambang widjanarko. (2016). PEMODELAN RANDOM EFFECT PADA REGRESI DATA LONGITUDINAL DENGAN ESTIMASI GENERALIZED METHOD OF MOMENTS (STUDI KASUS DATA PENDUDUDUK MISKIN DI INDONESIA). J Statistika: Jurnal Ilmiah Teori Dan Aplikasi Statistika, 9(1). https://doi.org/10.36456/jstat.vol9.no1.a286