Regresi Sederhana

##data konsumsi TERASI

# Memuat paket haven

library(haven)

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

# Filter data untuk hanya menampilkan yang mengkonsumsi kategori "T"
data_Konsumsi <- subset(data, ks1type %in% c("T"))
 
# 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 T       0010600     0     0     3     3     1.3 B1_KS1
 2 001060004 T       0010651     0     0     3     3     1.3 B1_KS1
 3 001080000 T       0010800     0     0     3     3     1.3 B1_KS1
 4 001080003 T       0010851     0     0     3     3     1.3 B1_KS1
 5 001220000 T       0012200     0     0     3     3     1.3 B1_KS1
 6 001220009 T       0012251     0     0     3     3     1.3 B1_KS1
 7 001224100 T       0012241     0     0     3     3     1.3 B1_KS1
 8 001224200 T       0012242     0     0     3     3     1.3 B1_KS1
 9 001240000 T       0012400  2500     0     1     3     1.3 B1_KS1
10 001240005 T       0012451     0     0     3     3     1.3 B1_KS1
# ℹ 15,134 more rows

##DATA KONSUMSI Terasi

# 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 
 -1075  -1074  -1071    -73  43928 

Coefficients:
              Estimate Std. Error t value Pr(>|t|)    
(Intercept)  1.075e+03  9.016e+01  11.925   <2e-16 ***
tk16a       -3.988e-06  4.393e-05  -0.091    0.928    
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 2856 on 1252 degrees of freedom
  (33099 observations deleted due to missingness)
Multiple R-squared:  6.584e-06, Adjusted R-squared:  -0.0007921 
F-statistic: 0.008243 on 1 and 1252 DF,  p-value: 0.9277

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 (0.928) 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 1075. 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 
 -1656  -1183  -1174   -172  43827 

Coefficients:
              Estimate Std. Error t value Pr(>|t|)    
(Intercept)  1.178e+03  4.187e+01  28.143   <2e-16 ***
tk16a       -9.038e-06  2.055e-05  -0.440    0.660    
ks15         4.787e-04  4.675e-04   1.024    0.306    
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 3025 on 7522 degrees of freedom
  (335955 observations deleted due to missingness)
Multiple R-squared:  0.0001567, Adjusted R-squared:  -0.0001091 
F-statistic: 0.5894 on 2 and 7522 DF,  p-value: 0.5547

#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 ( 0.660) Lebi dari 0.05. Hasil Regresi menunjukkan bahwa bahwa variabel Harga tidak signifikan mempengaruhi variabel Konsumsi Daging, karena nilai p untuk koefisien X (0.306) lebi dar dari 0.05.

\[ Y_i = 1178. + 0 X_1 + 0 x_2 + \varepsilon_i\] Berdasarkan persamaan tersebut Konsumsi Terasi pada saat konstanta (tanpa pengaruh X) sebesar 1178. untuk variabel lain tidak berpengaruh