Latihantugas

Latihan tugas

masukkan data konsumsi daging

# Memuat paket haven

library(haven)

# Impor data dari file .dta
data <- read_dta("b1_ks1.dta")

# Filter data untuk hanya menampilkan yang mengkonsumsi kategori "K"
data_Konsumsi <- subset(data, ks1type %in% c("K", "L"))

ekspor data konsumsi

# Instal dan memuat paket haven
library(haven)

# Mengekspor data ke format .dta
write_dta(data_Konsumsi, "data_Konsumsi.dta")

masukkan data pendapatan

# Memuat paket haven
library(haven)
b3a_tk1 <- read_dta("b3a_tk1.dta")
View(b3a_tk1)

regresi konsumsi dan pendapatan

library(haven)

# Impor file data dependen dan independen
dependen_data <- read_stata("data_Konsumsi.dta")
independen_data <- read_stata("b3a_tk1.dta")

# Gabungkan kedua data berdasarkan ID responden
merged_data <- merge(dependen_data, independen_data, by = "hhid14_9", all = FALSE) 
# Jika ID responden sama di kedua file, Anda bisa menggunakan all = FALSE atau menghilangkan parameter all.

# Buat model regresi
model <- lm(ks02 ~ tk16a , data = merged_data)

# Melihat ringkasan model
summary(model)

## 
## Call:
## lm(formula = ks02 ~ tk16a, data = merged_data)
## 
## Residuals:
##    Min     1Q Median     3Q    Max 
## -31601 -13903 -13576   2449 886507 
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 1.347e+04  8.074e+02  16.680   <2e-16 ***
## tk16a       7.253e-04  3.931e-04   1.845   0.0651 .  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 36170 on 2508 degrees of freedom
##   (66196 observations deleted due to missingness)
## Multiple R-squared:  0.001356,   Adjusted R-squared:  0.0009574 
## F-statistic: 3.404 on 1 and 2508 DF,  p-value: 0.06514

\[ Y_i = \beta_0 + \beta_1 X_i + \varepsilon_i\] \[ Y_i = 1,3 + 7,2 X_i + \varepsilon_i\] hasil regresi menunjukkan variabel ini tidak mempengaruhi variabel Y.

regresi dua variabel

masukkan data harga daging

# Memuat paket haven

library(haven)

# Impor data dari file .dta
data <- read_dta("b1_ks4.dta")

# Filter data untuk hanya menampilkan yang mengkonsumsi kategori "K"
data_harga <- subset(data, ks4type %in% c("K", "L"))

ekspor data harga

# Instal dan memuat paket haven
library(haven)

# Mengekspor data ke format .dta
write_dta(data_harga, "data_harga.dta")

##Regresi antara dua variabel

library(haven)

# Impor file data dependen dan independen
dependen_data <- read_stata("data_Konsumsi.dta")
independen_data1 <- read_stata("b3a_tk1.dta")
independen_data2 <- read_stata("data_harga.dta")

# Gabungkan kedua data berdasarkan ID responden
merged_data <- merge(dependen_data, independen_data1, by = "hhid14_9", all = FALSE) 
merged_data <- merge(merged_data, independen_data2, by = "hhid14_9", all = FALSE)
# Jika ID responden sama di kedua file, Anda bisa menggunakan all = FALSE atau menghilangkan parameter all.

# Buat model regresi
model <- lm(ks02 ~ tk16a + ks15 , data = merged_data)

# Melihat ringkasan model
summary(model)

## 
## Call:
## lm(formula = ks02 ~ tk16a + ks15, data = merged_data)
## 
## Residuals:
##    Min     1Q Median     3Q    Max 
## -31526 -15981 -15775   4345 884211 
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 1.555e+04  1.016e+03  15.306   <2e-16 ***
## tk16a       3.001e-04  4.369e-04   0.687    0.492    
## ks15        1.148e-02  8.225e-03   1.395    0.163    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 40420 on 2083 degrees of freedom
##   (135306 observations deleted due to missingness)
## Multiple R-squared:  0.001317,   Adjusted R-squared:  0.0003579 
## F-statistic: 1.373 on 2 and 2083 DF,  p-value: 0.2535

Interpretasi Hasil

Model Persamaan

Model Persamaan yang digunakan adalah sebagai berikut: \[ Y_i = \beta_0 + \beta_1 X_i + \beta_2 X_2 + \varepsilon_i\] Hasil Regresi menunjukkan bahwa variabel Pendapatan dan harga daging tidak signifikan mempengaruhi variabel Konsumsi Daging, karena nilai p untuk koefisien X1 (0.492) lebih dari 0.05. Namun, Multiple R-squared yang sangat rendah (0.001317) atau 0,1% menunjukkan bahwa model secara keseluruhan mungkin tidak memberikan penjelasan yang baik tentang variasi dalam variabel dependen.

\[ Y_i = 555000 + 0 X_i + 0 X_2 + \varepsilon_i\] Berdasarkan persamaan tersebut Konsumsi Daging pada saat konstanta (tanpa pengaruh X) sebesar Rp555.000 dan jika ada Pendapatan, dikalikan dengan koefisien sebanyak 0