# Memuat paket havenlibrary(haven)# Impor data dari file .dtadata <-read_dta("b1_ks1.dta")# Filter data untuk hanya menampilkan yang mengkonsumsi kategori "BC"data_Konsumsi <-subset(data, ks1type %in%c("B", "C"))# Tampilkan data yang telah difilterprint(data_Konsumsi)
# A tibble: 30,288 × 9
hhid14_9 ks1type hhid14 ks02 ks03 ks02x ks03x version module
<chr> <chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <chr>
1 001060000 C 0010600 0 0 3 3 1.3 B1_KS1
2 001060000 B 0010600 0 0 3 3 1.3 B1_KS1
3 001060004 B 0010651 0 0 3 3 1.3 B1_KS1
4 001060004 C 0010651 0 0 3 3 1.3 B1_KS1
5 001080000 B 0010800 0 0 3 3 1.3 B1_KS1
6 001080000 C 0010800 10000 0 1 3 1.3 B1_KS1
7 001080003 C 0010851 0 0 3 3 1.3 B1_KS1
8 001080003 B 0010851 0 0 3 3 1.3 B1_KS1
9 001220000 C 0012200 0 0 3 3 1.3 B1_KS1
10 001220000 B 0012200 0 0 3 3 1.3 B1_KS1
# ℹ 30,278 more rows
##Ekspor Data Komsumsi
# Instal dan memuat paket havenlibrary(haven)# Mengekspor data ke format .dtawrite_dta(data_Konsumsi, "data_Konsumsi.dta")
library(haven)# Impor file data dependen dan independendependen_data <-read_stata("data_Konsumsi.dta")independen_data <-read_stata("b3a_tk1.dta")# Gabungkan kedua data berdasarkan ID respondenmerged_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 regresimodel <-lm(ks02 ~ tk16a , data = merged_data)# Melihat ringkasan modelsummary(model)
Call:
lm(formula = ks02 ~ tk16a, data = merged_data)
Residuals:
Min 1Q Median 3Q Max
-3174 -2828 -2822 166 259659
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 2.820e+03 2.246e+02 12.55 <2e-16 ***
tk16a 1.418e-05 1.094e-04 0.13 0.897
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residual standard error: 10060 on 2507 degrees of freedom
(66197 observations deleted due to missingness)
Multiple R-squared: 6.703e-06, Adjusted R-squared: -0.0003922
F-statistic: 0.0168 on 1 and 2507 DF, p-value: 0.8969
Interpretasi Hasil
Model Persamaan
Model Persamaan yang digunakan adalah sebagai berikut:
\[ Y_i = \beta_0 + \beta_1 X_i + \varepsilon_i\]
Hasil Regresi menunjukkan bahwa bahwa variabel Pendapatan tidak signifikan mempengaruhi variabel Konsumsi jagung dan sagu, karena nilai p untuk koefisien X (0.897) Lebih dari 0.05.
\[ Y_i = 2820 + 0 X_i + \varepsilon_i\] Berdasarkan persamaan tersebut Konsumsi Jagung dan Sagu pada saat konstanta (tanpa pengaruh X) sebesar Rp2820 dan walaupun ada Pendapatan, dikalikan dengan 0 karena tidak signifikan.
Regresi Dua Variabel
# Memuat paket havenlibrary(haven)# Impor data dari file .dtadata <-read_dta("b1_ks4.dta")# Filter data untuk hanya menampilkan yang mengkonsumsi kategori "BC"data_Harga <-subset(data, ks4type %in%c("B", "C"))# Tampilkan data yang telah difilterprint(data_Harga)
# A tibble: 15,135 × 14
hhid14_9 ks4type ks13a ks13 ks14 ks14a ks14b ks16 hhid14 ks15
<chr> <chr> <dbl+lbl> <dbl> <dbl+lbl> <dbl> <dbl> <dbl+lb> <chr> <dbl>
1 001060000 C 1 [1:Yes] 1 1 [1:Kg… NA NA 2 [2:M… 00106… 15000
2 001060004 C 1 [1:Yes] 1 1 [1:Kg… NA NA 2 [2:M… 00106… 15000
3 001080000 C 1 [1:Yes] 1 1 [1:Kg… NA NA 1 [1:H… 00108… 18000
4 001080003 C 1 [1:Yes] 1 1 [1:Kg… NA NA 2 [2:M… 00108… 20000
5 001220000 C 1 [1:Yes] 2 1 [1:Kg… NA NA 1 [1:H… 00122… 40000
6 001220009 C 3 [3:No] NA NA NA NA NA 00122… NA
7 001224100 C 1 [1:Yes] 1 1 [1:Kg… NA NA 2 [2:M… 00122… 15000
8 001224200 C 1 [1:Yes] 1 1 [1:Kg… NA NA 1 [1:H… 00122… 15000
9 001240000 C 1 [1:Yes] 1 1 [1:Kg… NA NA 1 [1:H… 00124… 27000
10 001240005 C 1 [1:Yes] 2 1 [1:Kg… NA NA 2 [2:M… 00124… 16000
# ℹ 15,125 more rows
# ℹ 4 more variables: ks13x <dbl>, ks14x <dbl>, version <dbl>, module <chr>
##Ekspor Data Komsumsi
# Instal dan memuat paket havenlibrary(haven)# Mengekspor data ke format .dtawrite_dta(data_Harga, "data_Harga.dta")
library(haven)# Impor file data dependen dan independendependen_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 respondenmerged_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 regresimodel <-lm(ks02 ~ tk16a + ks15 , data = merged_data)# Melihat ringkasan modelsummary(model)
Call:
lm(formula = ks02 ~ tk16a + ks15, data = merged_data)
Residuals:
Min 1Q Median 3Q Max
-3587 -3183 -3171 811 259339
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 3.183e+03 3.053e+02 10.424 <2e-16 ***
tk16a -1.815e-05 1.457e-04 -0.125 0.901
ks15 4.138e-04 6.737e-03 0.061 0.951
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residual standard error: 10750 on 1838 degrees of freedom
(66855 observations deleted due to missingness)
Multiple R-squared: 9.795e-06, Adjusted R-squared: -0.001078
F-statistic: 0.009002 on 2 and 1838 DF, p-value: 0.991
Hasil Regresi menunjukkan bahwa bahwa variabel Pendapatan tidak signifikan mempengaruhi variabel Konsumsi jagung dan sagu, karena nilai p untuk koefisien X (0.991) yang lebih besar dari tingkat signifikansi yang umumnya digunakan (biasanya 0.05).
Hasil Regresi menunjukkan bahwa bahwa variabel Harga tidak signifikan mempengaruhi variabel Konsumsi jagung dan sagu, karena nilai p untuk koefisien X (0.951) yang juga lebih besar dari tingkat signifikansi yang umumnya digunakan.(biasanya 0.05).
\[ Y_i = 0 + 0 X_1 + X_2 + \varepsilon_i\]
Berdasarkan persamaan tersebut maka Konsumsi Jagung dan Sagu tidak dipengaruhi oleh baik pendapatan dan harga.