Regresi Sederhana

##data konsumsi kecap

# Memuat paket haven

library(haven)

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

# Filter data untuk hanya menampilkan yang mengkonsumsi kategori "R"
data_Konsumsi <- subset(data, ks1type %in% c("R"))
 
# Tampilkan data yang telah difilter
print(data_Konsumsi)

# A tibble: 15,144 × 9
   hhid14_9  ks1type hhid14   ks02  ks03 ks02x ks03x version module
   <chr>     <chr>   <chr>   <dbl> <dbl> <dbl> <dbl>   <dbl> <chr> 
 1 001060000 R       0010600  5000     0     1     3     1.3 B1_KS1
 2 001060004 R       0010651     0     0     3     3     1.3 B1_KS1
 3 001080000 R       0010800     0     0     3     3     1.3 B1_KS1
 4 001080003 R       0010851     0     0     3     3     1.3 B1_KS1
 5 001220000 R       0012200  5000     0     1     3     1.3 B1_KS1
 6 001220009 R       0012251     0     0     3     3     1.3 B1_KS1
 7 001224100 R       0012241 14000     0     1     3     1.3 B1_KS1
 8 001224200 R       0012242     0     0     3     3     1.3 B1_KS1
 9 001240000 R       0012400 15000     0     1     3     1.3 B1_KS1
10 001240005 R       0012451     0     0     3     3     1.3 B1_KS1
# ℹ 15,134 more rows

##DATA KONSUMSI

# Instal dan memuat paket haven
library(haven)

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

##DATA PENDAPATAN

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

##regresi konsumsi dan pendapatan

# 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 
 -3829  -3812  -1828   1208  96198 

Coefficients:
              Estimate Std. Error t value Pr(>|t|)    
(Intercept)  3.829e+03  2.046e+02   18.71   <2e-16 ***
tk16a       -3.289e-05  9.961e-05   -0.33    0.741    
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 6481 on 1253 degrees of freedom
  (33098 observations deleted due to missingness)
Multiple R-squared:  8.702e-05, Adjusted R-squared:  -0.000711 
F-statistic: 0.109 on 1 and 1253 DF,  p-value: 0.7413

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 Kecap, karena nilai p untuk koefisien X (0.741) lebi dari dari 0.05.

\[ Y_i = 3829 + 0. X_i + \varepsilon_i\] Berdasarkan persamaan tersebut Konsumsi Kecap pada saat konstanta (tanpa pengaruh X) sebesar 3829. dan untuk Pendapatan tidak memiliki pengaruh karena tidak significan

regresi 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("b1_ks4.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 
 -7370  -4049  -2044   1889  95941 

Coefficients:
              Estimate Std. Error t value Pr(>|t|)    
(Intercept)  4.035e+03  8.801e+01  45.850  < 2e-16 ***
tk16a       -3.243e-05  4.316e-05  -0.751 0.452453    
ks15         3.338e-03  9.826e-04   3.397 0.000684 ***
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 6358 on 7529 degrees of freedom
  (335948 observations deleted due to missingness)
Multiple R-squared:  0.001562,  Adjusted R-squared:  0.001297 
F-statistic: 5.889 on 2 and 7529 DF,  p-value: 0.002782

#3 INTERPRETASI # 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 Kecap, karena nilai p untuk koefisien X (0.452453) Lebi dari 0.05. Hasil Regresi menunjukkan bahwa bahwa variabel Pendapatan secara signifikan mempengaruhi variabel Konsumsi Daging, karena nilai p untuk koefisien X (0.000684) kurang dari 0.05. Namun, Multiple R-squared yang sangat rendah (0.001562) atau 0,1% menunjukkan bahwa model secara keseluruhan mungkin tidak memberikan penjelasan yang baik tentang variasi dalam variabel dependen.

\[ Y_i = 4035 + 0.452453 X_1 + 0.000684 x_2 \varepsilon_i\] Berdasarkan persamaan tersebut Konsumsi kecap pada saat konstanta (tanpa pengaruh X) sebesar 4035. untuk pendapatan tidak mempengaruhi karena tidak signifikan sedangkan variabel harga berpengaruh signifikan sebesar 0.003338.