Pendahuluan: Definisi dan Ruang Lingkup Ekonometrika

Tedy Herlambang

class: middle, title-slide

<div class="lab-logo"></div>

# Pendahuluan

## Ekonometrika Sesi 1

### Tedy Herlambang .small[ ]

[ bangtedy](https://bangtedy.github.io)

[ @t_hlb](https://twitter.com/t_hlb)

---

# Capaian Pembelajaran
Setelah mempelajari modul ini Anda diharapkan mampu:
- Menjelaskan definisi dan ruang lingkup ekonometrika serta distribusi probabilitas yang digunakan dalam uji statistika

Secara khusus Anda diharapkan mampu:

1. Menjelaskan definisi dan tujuan ekonometrika
2. Langkah-langkah dalam riset ekonomi dengan menggunakan ekonometrika
3. Merumuskan model-model ekonometrika untuk riset ekonomi
4. Menjelaskan dasar-dasar statistika yang digunakan untuk riset dengan ekonometrika

---
# KB1: Teori Ekonomi dan Ekonometrika

> Penyederhanaan perilaku manusia yang sangat kompleks, tetapi
mampu menjelaskan dengan baik perilaku manusia

---

# Teori Ekonomi dan Ekonometrika

- Teori ekonomi mungkin mengatakan bahwa terdapat hubungan antara dua variabel atau lebih (misal harga barang dengan jumlah permintaannya), 
  + Ekonomi terapan menghendaki bukti bahwa hubungan ini nyata sekaligus bisa diamati di kehidupan sehari-hari, serta kuantifikasi hubungan antara variabel tersebut.
- The study of the methods that enable us to quantify economic relationships using actual data is known as *econometrics* (ekonometrika).

---

class: middle, center

<img src="img/econ_stat1.png" width="41%" style="display: block; margin: auto;" />
---
# Metodologi Ekonometrika
1. Teori Ekonomi (misal teori Permintaan)
2. Model Matematika (Hukum Permintaan)
3. Model Ekonometrika (Hukum Permintaan)
4. Pengumpulan Data
5. Estimasi
6. Uji Model
7. Prediksi dan Kebijakan
---
# Program Komputer
- Eviews, GAUSS, Limdep, Matlab, Minitab, SPSS, Stata, --> berbayar, support resmi dari pabrikan
- R (open source) --> gratis, tutorial banyak tersedia di internet
- Mempermudah penghitungan

---
# Pertanyaan:
.font150[Mengapa hubungan antara variable di dalam model ekonometrika bersifat statistik bukan matematis?]

---

# KB 2: Dasar-Dasar Statistika

.font150[There are three kinds of lies: lies, damned lies and statistics] — 
variously attributed to Benjamin Disraeli, Mark Twain etc.

---
# Kasus 1: simulasi data yang terdistribusi normal, t, Chi-square, F
- Dengan bantuan program komputer ini sangat mudah dilakukan
    + (juga untuk membuat data riset abal-abal)
- Di dalam praktek data riset yang kita peroleh seringkali tidak "mulus" seperti di dalam teori.

```r
set.seed(12345) # jika ingin mendapatkan hasil sama gunakan seed yang sama
x <- rnorm(1000) # membuat angka acak sebanyak 1000 tersebar normal
mean(x) # menghitung rata-rata
# [1] 0.04619816
median(x) # menghitung nilai median
# [1] 0.04621674
var(x) # menghitung nilai varians
# [1] 0.9974968
sd(x) # menghitung nilai simpangan baku/standard deviasi
# [1] 0.9987476
quantile(x) # menghitung quantile
# 0% 25% 50% 75% 100% 
# -2.77832551 -0.59597347 0.04621674 0.68856728 3.33073331
```
---

```r
par(mfrow=c(1,2)) # membagi layar menjadi 1 X 2 bidang
hist(x, col="#00ff80") # membuat histogram x dengan warna
curve(dnorm(x), from=-4, to=4) # membuat kurva normal x
```

<img src="sesi1_files/figure-html/unnamed-chunk-5-1.png" width="504" style="display: block; margin: auto;" />
---
# Kasus 2: [CPS1985](https://rdrr.io/cran/AER/man/CPS1985.html)
Deskripsi data:
- Data *cross-section* dari survei populasi Mei 1985 oleh badan statistik AS.
- Data frame terdiri dari 534 pengamatan pada 11 variabel:
 + wage (in dollars per hour).
 + education (Number of years of education).
 + experience (Number of years of potential work experience (age - education - 6)).
 + age (Age in years).
 + ethnicity (Factor with levels "cauc", "hispanic", "other").
 + region (Factor. Does the individual live in the South?)

---
#### Lanjutan ...
- Data frame terdiri dari 534 pengamatan pada 11 variabel
    + gender (Factor indicating gender.
    + occupation (Factor with levels "worker" (assembly line worker), "technical" (technical worker), "services" (service worker), "office" (office and clerical worker), "sales" (sales worker), "management" (management and administration).
    + sector (Factor with levels "manufacturing" (manufacturing), "construction", "other").
    + union (Factor. Does the individual work on a union job?)
    + married (Factor. Is the individual married?)
    
---

# Data bisa dipanggil dari AER package:

```r
library(AER) # memanggil library AER
data(CPS1985) # memanggil data CPS1985
attach(CPS1985) # melampirkan data CPS1985
str(CPS1985) # menampilkan struktur data CPS1985
# 'data.frame':	534 obs. of  11 variables:
#  $ wage      : num  5.1 4.95 6.67 4 7.5 ...
#  $ education : num  8 9 12 12 12 13 10 12 16 12 ...
#  $ experience: num  21 42 1 4 17 9 27 9 11 9 ...
#  $ age       : num  35 57 19 22 35 28 43 27 33 27 ...
#  $ ethnicity : Factor w/ 3 levels "cauc","hispanic",..: 2 1 1 1 1 1 1 1 1 1 ...
#  $ region    : Factor w/ 2 levels "south","other": 2 2 2 2 2 2 1 2 2 2 ...
#  $ gender    : Factor w/ 2 levels "male","female": 2 2 1 1 1 1 1 1 1 1 ...
#  $ occupation: Factor w/ 6 levels "worker","technical",..: 1 1 1 1 1 1 1 1 1 1 ...
#  $ sector    : Factor w/ 3 levels "manufacturing",..: 1 1 1 3 3 3 3 3 1 3 ...
#  $ union     : Factor w/ 2 levels "no","yes": 1 1 1 1 1 2 1 1 1 1 ...
#  $ married   : Factor w/ 2 levels "no","yes": 2 2 1 1 2 1 1 1 2 1 ...
mean(wage) # menghitung nilai rata-rata upah pada data CPS1985
# [1] 9.024064
var(wage) # menghitung nilai ragam upah pada data CPS1985
# [1] 26.41032
sd(wage) # menghitung simpangan baku upah pada data CPS1985
# [1] 5.139097
summary(wage) # menampilkan kesimpulan data upah
#    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
#   1.000   5.250   7.780   9.024  11.250  44.500
```
---

```r
par(mfrow=c(1,2))
hist(wage, freq = FALSE, col="#b091c3")
hist(log(wage), freq = FALSE, col="#91c3b0")
lines(density(log(wage)), col = "#ff0000")
```

<img src="sesi1_files/figure-html/unnamed-chunk-7-1.png" width="504" style="display: block; margin: auto;" />
---

```r
summary(occupation)
# worker technical services office sales management 
# 156 105 83 97 38 55
pekerjaan <- table(occupation)
prop.table(pekerjaan)
# occupation
# worker technical services office sales management 
# 0.29213483 0.19662921 0.15543071 0.18164794 0.07116105 0.10299625
par(mfrow=c(1,2))
barplot(pekerjaan, col="khaki3") # membuat barplot data pekerjaan
pie(pekerjaan) # membuat pie chart data pekerjaan
```

<img src="sesi1_files/figure-html/unnamed-chunk-8-1.png" width="504" style="display: block; margin: auto;" />
---

```r
xtabs(~ gender + occupation, data = CPS1985)
#         occupation
# gender   worker technical services office sales management
#   male      126        53       34     21    21         34
#   female     30        52       49     76    17         21
par(mfrow=c(1,1))
plot(gender ~ occupation, data = CPS1985, col=c("blue", "gold"))
```

<img src="sesi1_files/figure-html/unnamed-chunk-9-1.png" width="504" style="display: block; margin: auto;" />
---
class: inverse, right, bottom

# Kso'on, find me at...
<hr width="45%" align="right" size="0.3" color="orange"></hr>

[ @t_hlb ](https://twitter.com/t_hlb)
[ bangtedy.github.io](https://bangtedy.github.io)