Author:
- G1401221027 Nabil Ibni Nawawi
lapply(c("kableExtra","tidyverse","plm","tinytex","tseries","lmtest",
"broom", "stargazer", "RColorBrewer"), library, character.only = T)[[1]]## Warning: package 'kableExtra' was built under R version 4.3.3## Warning: package 'tidyverse' was built under R version 4.3.2## Warning: package 'readr' was built under R version 4.3.3## Warning: package 'forcats' was built under R version 4.3.2## Warning: package 'lubridate' was built under R version 4.3.2## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.1.3 ✔ readr 2.1.5
## ✔ forcats 1.0.0 ✔ stringr 1.5.0
## ✔ ggplot2 3.5.2 ✔ tibble 3.2.1
## ✔ lubridate 1.9.3 ✔ tidyr 1.3.0
## ✔ purrr 1.0.2
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::group_rows() masks kableExtra::group_rows()
## ✖ dplyr::lag() masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors
##
## Attaching package: 'plm'
##
##
## The following objects are masked from 'package:dplyr':
##
## between, lag, lead## Warning: package 'tinytex' was built under R version 4.3.2## Warning: package 'tseries' was built under R version 4.3.2## Registered S3 method overwritten by 'quantmod':
## method from
## as.zoo.data.frame zoo## Warning: package 'lmtest' was built under R version 4.3.3## Loading required package: zoo## Warning: package 'zoo' was built under R version 4.3.2##
## Attaching package: 'zoo'
##
## The following objects are masked from 'package:base':
##
## as.Date, as.Date.numeric
##
##
## Please cite as:
##
## Hlavac, Marek (2022). stargazer: Well-Formatted Regression and Summary Statistics Tables.
## R package version 5.2.3. https://CRAN.R-project.org/package=stargazer## [1] "kableExtra" "stats" "graphics" "grDevices" "utils"
## [6] "datasets" "methods" "base"Data
Data yang digunakan adalah data Tingkat Pengangguran Terbuka atau TPT Dengan 5 Peubah bebas. Data ini berjenis data panel dengan individunya adalah 27 Kab/Kota di Provinsi Jawa Barat selama 6 tahun (Tahun 2019-2024) dengan peubah-peubah sebagai berikut:
TPT : Tingkat Pengangguran Terbuka (%)
PPP : Pengeluaran per Kapita Disesuaikan (000 Rp)
TPAK : Tingkat Partisipasi Angkatan Kerja (%)
IPM : Indeks Pembangunan Manusia
Persen_miskin : Persentase Penduduk Miskin Menurut Kabupaten/Kota di Jawa Barat (%)
Upah_minimum : Upah minimum Kabupaten/Kota di Jawa Barat (Rupiah)
library(readxl)## Warning: package 'readxl' was built under R version 4.3.3data <- read_xlsx("C:/Users/Nabil Ibni Nawawi/Documents/KULIAH/Semester 7/Data laporan individu 2.xlsx")# Ganti nama "Kab/kota" menjadi "Kab_Kota"
data <- data %>%
rename(Kab_Kota = "Kab/kota")glimpse(data)## Rows: 162
## Columns: 8
## $ Kab_Kota <chr> "Bogor", "Bogor", "Bogor", "Bogor", "Bogor", "Bogor", "S…
## $ Tahun <dbl> 2019, 2020, 2021, 2022, 2023, 2024, 2019, 2020, 2021, 20…
## $ TPT <dbl> 9.11, 14.29, 12.22, 10.64, 8.47, 7.34, 8.05, 9.60, 9.51,…
## $ PPP <dbl> 10683, 10317, 10410, 10860, 11153, 11563, 8973, 8823, 88…
## $ TPAK <dbl> 65.41, 62.65, 62.55, 63.75, 64.22, 66.30, 62.65, 61.56, …
## $ IPM <dbl> 70.65, 70.40, 70.60, 71.20, 71.78, 73.02, 66.87, 66.88, …
## $ Persen_miskin <dbl> 6.66, 7.69, 8.13, 7.73, 7.27, 7.05, 6.22, 7.09, 7.70, 7.…
## $ Upah_minimum <dbl> 3763406, 4083670, 4217206, 4217206, 4520212, 4579541, 27…data %>% head(6)Memunculkan 6 data teratas yaitu Kabupaten Bogor dari tahun 2019-2024
Metodologi
Metodologi yang digunakan adalah sebagai berikut:
Eksplorasi Data
Menduga parameter model CEM
Menduga parameter model FEM
Melakukan Uji Chow
Menduga Parameter model REM
Melakukan Uji Hausman
Pengujian asumsi terhadap Model terpilih
Jika asumsi tidak terpenuhi, akan dilakukan penanganan asumsi
Interpretasi model terbaik
Eksplorasi Data
ggplot(data=data, aes(x=Tahun, y=TPT, group = Kab_Kota, colour = `Kab_Kota`))+ theme_bw()+
geom_line(size=1.2) +
geom_point( size=3, shape=19, fill="red") +
labs(colour="Kab/kota di Jawa Barat", title = "Tingkat Pengangguran Terbuka di Provinsi Jaa Barat", subtitle = "Tahun 2019-2024") +
theme(plot.title = element_text(hjust = 0.5,face = "bold"), plot.subtitle = element_text(hjust = 0.5))## Warning: Using `size` aesthetic for lines was deprecated in ggplot2 3.4.0.
## ℹ Please use `linewidth` instead.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.
Pemeriksaan Multikolinearitas
library(car)## Loading required package: carData##
## Attaching package: 'car'## The following object is masked from 'package:dplyr':
##
## recode## The following object is masked from 'package:purrr':
##
## somemodel1 <- lm(TPT ~ PPP + TPAK + IPM + Persen_miskin + Upah_minimum, data%>%filter(Tahun==2019))
model2 <- lm(TPT ~ PPP + TPAK + IPM + Persen_miskin + Upah_minimum, data%>%filter(Tahun==2020))
model3 <- lm(TPT ~ PPP + TPAK + IPM + Persen_miskin + Upah_minimum, data%>%filter(Tahun==2021))
model4 <- lm(TPT ~ PPP + TPAK + IPM + Persen_miskin + Upah_minimum, data%>%filter(Tahun==2022))
model5 <- lm(TPT ~ PPP + TPAK + IPM + Persen_miskin + Upah_minimum, data%>%filter(Tahun==2023))
model6 <- lm(TPT ~ PPP + TPAK + IPM + Persen_miskin + Upah_minimum, data%>%filter(Tahun==2024))
model7 <- lm(TPT ~ PPP + TPAK + IPM + Persen_miskin + Upah_minimum, data)
Multikol <- rbind(as.vector(vif(model1)),as.vector(vif(model2)),as.vector(vif(model3)),
as.vector(vif(model4)),as.vector(vif(model5)),as.vector(vif(model6)),
as.vector(vif(model7))
)
rownames(Multikol) <- c("Tahun 2019","Tahun 2020","Tahun 2021","Tahun 2022","Tahun 2023","Tahun 2024","Tahun 2019-2024")
colnames(Multikol) <- c("PPP","TPAK","IPM","Persen_miskin","Upah_minimum")
Multikol## PPP TPAK IPM Persen_miskin Upah_minimum
## Tahun 2019 1.530659 1.210733 2.696826 2.878604 1.910709
## Tahun 2020 8.142932 1.267635 8.806496 2.613486 2.080959
## Tahun 2021 8.391678 1.291695 9.471401 2.931518 2.114175
## Tahun 2022 8.059022 1.349495 9.292990 3.096018 2.261014
## Tahun 2023 7.738800 1.428790 9.314730 3.428071 2.293339
## Tahun 2024 7.808121 1.512907 9.427272 3.214549 2.336777
## Tahun 2019-2024 2.818855 1.141777 4.009271 2.466057 1.831579Pada model7 yaitu gabungan semua tahun tidak ada multikolinearitas
Common-Effect Model
cem <- plm(TPT ~ PPP + TPAK + IPM + Persen_miskin + Upah_minimum, data = data, model = "pooling")
summary(cem)## Pooling Model
##
## Call:
## plm(formula = TPT ~ PPP + TPAK + IPM + Persen_miskin + Upah_minimum,
## data = data, model = "pooling")
##
## Balanced Panel: n = 27, T = 6, N = 162
##
## Residuals:
## Min. 1st Qu. Median 3rd Qu. Max.
## -3.57389 -1.10230 -0.10118 1.11243 4.25943
##
## Coefficients:
## Estimate Std. Error t-value Pr(>|t|)
## (Intercept) 2.6741e+01 5.2770e+00 5.0675 1.127e-06 ***
## PPP -1.0414e-04 7.7232e-05 -1.3484 0.17949
## TPAK -3.7393e-01 3.8505e-02 -9.7112 < 2.2e-16 ***
## IPM 4.1991e-02 5.7069e-02 0.7358 0.46296
## Persen_miskin 1.6354e-01 7.6671e-02 2.1331 0.03448 *
## Upah_minimum 9.2323e-07 1.7802e-07 5.1860 6.581e-07 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Total Sum of Squares: 933.39
## Residual Sum of Squares: 448.37
## R-Squared: 0.51963
## Adj. R-Squared: 0.50423
## F-statistic: 33.7497 on 5 and 156 DF, p-value: < 2.22e-16Fixed-Effect Model
FEM Individual
fem <- plm(TPT ~ PPP + TPAK + IPM + Persen_miskin + Upah_minimum,
index = c("Kab_Kota", "Tahun"),
model = "within", effect = "individual", data = data)
summary(fem)## Oneway (individual) effect Within Model
##
## Call:
## plm(formula = TPT ~ PPP + TPAK + IPM + Persen_miskin + Upah_minimum,
## data = data, effect = "individual", model = "within", index = c("Kab_Kota",
## "Tahun"))
##
## Balanced Panel: n = 27, T = 6, N = 162
##
## Residuals:
## Min. 1st Qu. Median 3rd Qu. Max.
## -2.704984 -0.619738 -0.034773 0.589112 2.823592
##
## Coefficients:
## Estimate Std. Error t-value Pr(>|t|)
## PPP -5.7110e-05 5.5290e-05 -1.0329 0.3035613
## TPAK -1.1061e-01 4.3808e-02 -2.5249 0.0127744 *
## IPM -1.0716e+00 1.5802e-01 -6.7815 3.771e-10 ***
## Persen_miskin 6.3928e-01 1.6029e-01 3.9884 0.0001104 ***
## Upah_minimum 1.2469e-06 6.0842e-07 2.0495 0.0424292 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Total Sum of Squares: 306.07
## Residual Sum of Squares: 118.65
## R-Squared: 0.61233
## Adj. R-Squared: 0.51988
## F-statistic: 41.0666 on 5 and 130 DF, p-value: < 2.22e-16Nilai intersep dari setiap individu
summary(fixef(fem, effect="individual"))## Estimate Std. Error t-value Pr(>|t|)
## Bandung 84.9098 9.6943 8.7588 9.140e-15 ***
## Bandung Barat 80.0931 9.4210 8.5015 3.818e-14 ***
## Bekasi 88.8250 9.2187 9.6353 < 2.2e-16 ***
## Bogor 84.4207 9.0773 9.3002 4.374e-16 ***
## Ciamis 81.9117 10.1042 8.1067 3.351e-13 ***
## Cianjur 77.8617 9.2477 8.4196 6.007e-14 ***
## Cirebon 81.7636 10.0470 8.1381 2.821e-13 ***
## Garut 78.8436 9.6692 8.1541 2.585e-13 ***
## Indramayu 77.8797 9.8485 7.9078 9.889e-13 ***
## Karawang 83.3398 8.9339 9.3285 3.728e-16 ***
## Kota Bandung 98.7745 10.5928 9.3247 3.809e-16 ***
## Kota Banjar 85.2947 10.1992 8.3628 8.214e-14 ***
## Kota Bekasi 96.6287 10.1918 9.4810 < 2.2e-16 ***
## Kota Bogor 90.9846 9.8381 9.2482 5.868e-16 ***
## Kota Cimahi 95.7950 10.3830 9.2262 6.643e-16 ***
## Kota Cirebon 89.0422 10.7558 8.2786 1.306e-13 ***
## Kota Depok 96.2202 10.1679 9.4631 < 2.2e-16 ***
## Kota Sukabumi 89.5015 10.4213 8.5884 2.359e-14 ***
## Kota Tasikmalaya 83.3523 10.6643 7.8160 1.625e-12 ***
## Kuningan 82.1898 10.3351 7.9525 7.760e-13 ***
## Majalengka 76.5375 9.9401 7.6999 3.038e-12 ***
## Pangandaran 77.8525 9.8243 7.9245 9.034e-13 ***
## Purwakarta 83.1610 9.2042 9.0351 1.947e-15 ***
## Subang 81.5776 9.4814 8.6040 2.163e-14 ***
## Sukabumi 80.2715 8.9967 8.9224 3.663e-15 ***
## Sumedang 83.3336 9.8511 8.4593 4.822e-14 ***
## Tasikmalaya 75.4132 9.4925 7.9445 8.103e-13 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Nilai diatas adalah nilai pengaruh konstan dari masing-masing individu pada model.
FEM TIME
Efek komponen sisaaan satu arah pada waktu.
fem_time <- plm(TPT ~ PPP + TPAK + IPM + Persen_miskin + Upah_minimum,
index = c("Kab_Kota", "Tahun"),
model = "within", effect = "time", data = data)
summary(fem_time)## Oneway (time) effect Within Model
##
## Call:
## plm(formula = TPT ~ PPP + TPAK + IPM + Persen_miskin + Upah_minimum,
## data = data, effect = "time", model = "within", index = c("Kab_Kota",
## "Tahun"))
##
## Balanced Panel: n = 27, T = 6, N = 162
##
## Residuals:
## Min. 1st Qu. Median 3rd Qu. Max.
## -2.962589 -0.959993 0.014052 0.879758 3.708087
##
## Coefficients:
## Estimate Std. Error t-value Pr(>|t|)
## PPP -1.5034e-04 6.5464e-05 -2.2965 0.0230239 *
## TPAK -2.6474e-01 3.4969e-02 -7.5707 3.421e-12 ***
## IPM 1.2883e-01 4.8220e-02 2.6717 0.0083748 **
## Persen_miskin 2.3583e-01 6.9301e-02 3.4030 0.0008534 ***
## Upah_minimum 1.1353e-06 1.5356e-07 7.3930 9.172e-12 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Total Sum of Squares: 698.67
## Residual Sum of Squares: 293.78
## R-Squared: 0.57951
## Adj. R-Squared: 0.55167
## F-statistic: 41.6218 on 5 and 151 DF, p-value: < 2.22e-16Nilai Intersep dari setiap waktu
summary(fixef(fem_time, effect="time"))## Estimate Std. Error t-value Pr(>|t|)
## 2019 12.4145 4.7538 2.6115 0.009924 **
## 2020 14.2219 4.7684 2.9825 0.003334 **
## 2021 13.4009 4.8077 2.7874 0.005997 **
## 2022 12.1966 4.8492 2.5152 0.012944 *
## 2023 11.5396 4.8672 2.3709 0.019008 *
## 2024 11.0721 4.9159 2.2523 0.025745 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1FEM TWO WAYS
fem_twoways <- plm(TPT ~ PPP + TPAK + IPM + Persen_miskin + Upah_minimum,
index = c("Kab_Kota", "Tahun"),
model = "within", effect = "twoways", data = data)
summary(fem_twoways)## Twoways effects Within Model
##
## Call:
## plm(formula = TPT ~ PPP + TPAK + IPM + Persen_miskin + Upah_minimum,
## data = data, effect = "twoways", model = "within", index = c("Kab_Kota",
## "Tahun"))
##
## Balanced Panel: n = 27, T = 6, N = 162
##
## Residuals:
## Min. 1st Qu. Median 3rd Qu. Max.
## -1.869071 -0.393930 0.021576 0.407810 2.189397
##
## Coefficients:
## Estimate Std. Error t-value Pr(>|t|)
## PPP -7.9006e-05 3.9299e-05 -2.0104 0.04654 *
## TPAK -5.7802e-02 3.1394e-02 -1.8412 0.06796 .
## IPM 4.8644e-02 2.5092e-01 0.1939 0.84660
## Persen_miskin -1.0910e+00 2.6190e-01 -4.1658 5.742e-05 ***
## Upah_minimum 7.2692e-07 7.0089e-07 1.0371 0.30167
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Total Sum of Squares: 71.353
## Residual Sum of Squares: 55.934
## R-Squared: 0.2161
## Adj. R-Squared: -0.0096642
## F-statistic: 6.89179 on 5 and 125 DF, p-value: 1.0304e-05Nilai Intersep dari setiap individu dan waktu
data.frame(summary(fixef(fem_twoways, effect="twoways")))FEM LSDV
fem_lsdv <- lm(TPT ~ PPP + TPAK + IPM + Persen_miskin + Upah_minimum + factor(Tahun) + factor(Kab_Kota), data)
summary(fem_lsdv)##
## Call:
## lm(formula = TPT ~ PPP + TPAK + IPM + Persen_miskin + Upah_minimum +
## factor(Tahun) + factor(Kab_Kota), data = data)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.86907 -0.39393 0.02158 0.40781 2.18940
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 1.178e+01 1.907e+01 0.618 0.537848
## PPP -7.901e-05 3.930e-05 -2.010 0.046545 *
## TPAK -5.780e-02 3.139e-02 -1.841 0.067965 .
## IPM 4.864e-02 2.509e-01 0.194 0.846598
## Persen_miskin -1.091e+00 2.619e-01 -4.166 5.74e-05 ***
## Upah_minimum 7.269e-07 7.009e-07 1.037 0.301674
## factor(Tahun)2020 3.180e+00 3.669e-01 8.668 1.92e-14 ***
## factor(Tahun)2021 3.130e+00 5.226e-01 5.990 2.08e-08 ***
## factor(Tahun)2022 1.245e+00 5.506e-01 2.260 0.025521 *
## factor(Tahun)2023 -2.826e-02 7.167e-01 -0.039 0.968603
## factor(Tahun)2024 -8.668e-01 9.203e-01 -0.942 0.348083
## factor(Kab_Kota)Bandung Barat 6.665e+00 1.509e+00 4.415 2.16e-05 ***
## factor(Kab_Kota)Bekasi -4.498e-01 1.400e+00 -0.321 0.748571
## factor(Kab_Kota)Bogor 3.572e+00 8.192e-01 4.360 2.68e-05 ***
## factor(Kab_Kota)Ciamis -4.783e-01 1.215e+00 -0.394 0.694441
## factor(Kab_Kota)Cianjur 6.469e+00 2.156e+00 3.001 0.003246 **
## factor(Kab_Kota)Cirebon 8.007e+00 1.726e+00 4.639 8.69e-06 ***
## factor(Kab_Kota)Garut 5.492e+00 2.130e+00 2.579 0.011082 *
## factor(Kab_Kota)Indramayu 7.561e+00 2.113e+00 3.578 0.000494 ***
## factor(Kab_Kota)Karawang 3.636e+00 1.189e+00 3.058 0.002722 **
## factor(Kab_Kota)Kota Bandung -6.354e-01 2.568e+00 -0.247 0.805001
## factor(Kab_Kota)Kota Banjar -3.909e-01 1.098e+00 -0.356 0.722362
## factor(Kab_Kota)Kota Bekasi -1.655e+00 2.928e+00 -0.565 0.572893
## factor(Kab_Kota)Kota Bogor 2.455e+00 1.490e+00 1.647 0.102018
## factor(Kab_Kota)Kota Cimahi 1.704e+00 1.515e+00 1.125 0.262821
## factor(Kab_Kota)Kota Cirebon 5.335e+00 1.090e+00 4.896 2.96e-06 ***
## factor(Kab_Kota)Kota Depok -4.727e+00 2.748e+00 -1.720 0.087918 .
## factor(Kab_Kota)Kota Sukabumi 3.707e+00 7.629e-01 4.859 3.47e-06 ***
## factor(Kab_Kota)Kota Tasikmalaya 6.777e+00 1.574e+00 4.305 3.34e-05 ***
## factor(Kab_Kota)Kuningan 1.013e+01 2.046e+00 4.948 2.37e-06 ***
## factor(Kab_Kota)Majalengka 4.059e+00 2.031e+00 1.998 0.047860 *
## factor(Kab_Kota)Pangandaran 2.347e-01 1.764e+00 0.133 0.894343
## factor(Kab_Kota)Purwakarta 3.587e+00 8.922e-01 4.021 9.96e-05 ***
## factor(Kab_Kota)Subang 4.918e+00 1.193e+00 4.124 6.75e-05 ***
## factor(Kab_Kota)Sukabumi 1.977e+00 1.413e+00 1.399 0.164147
## factor(Kab_Kota)Sumedang 4.543e+00 9.303e-01 4.884 3.12e-06 ***
## factor(Kab_Kota)Tasikmalaya 3.238e+00 2.121e+00 1.527 0.129331
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.6689 on 125 degrees of freedom
## Multiple R-squared: 0.9401, Adjusted R-squared: 0.9228
## F-statistic: 54.47 on 36 and 125 DF, p-value: < 2.2e-16Uji-Chow
Uji Chow adalah uji formal untuk menguji ada atau tidaknya pengaruh spesifik individu dan pengaruh spesifik waktu pada data panel.
Hipotesis pada uji ini yaitu :
- Untuk menguji pengaruh individu
\[ \begin{aligned} H_{01} &: \text{Tidak ada pengaruh spesifik individu} \\ H_{11} &: \text{Ada pengaruh spesifik individu} \end{aligned} \]
- Untuk menguji pengaruh waktu
\[ \begin{aligned} H_{02} &: \text{Tidak ada pengaruh spesifik waktu} \\ H_{12} &: \text{Ada pengaruh spesifik waktu} \end{aligned} \]
Statsitik Uji yang digunakan :
- Pengaruh individu
\[ \begin{aligned} F_{Hitung} = \frac{JKG_{MG} - JKG_{MPTI}}{JKG_{MPTI}} . \frac{NT-N-K}{N-1} \end{aligned} \]
- Pengaruh Waktu
\[ \begin{aligned} F_{Hitung} = \frac{JKG_{MG} - JKG_{MPTW}}{JKG_{MPTW}} . \frac{N-T-K}{T-1} \end{aligned} \]
Uji Chow
\[ \begin{aligned} H_0 &: \text{Model Common Effect} \\ H_1 &: \text{Model Fixed Effect} \end{aligned} \]
\(H_0\) akan ditolak apabila
p-value lebih kecil dari alpha yaitu 0.05
pooltest(cem, fem)##
## F statistic
##
## data: TPT ~ PPP + TPAK + IPM + Persen_miskin + Upah_minimum
## F = 13.894, df1 = 26, df2 = 130, p-value < 2.2e-16
## alternative hypothesis: unstabilityNilai p-value sebesar \(2.2e-16\) berarti keputusan Tolak
H0 atau model fixed effect lebih layak digunakan pada data ini.
Uji pengaruh individu / waktu
Selanjutnya karena yang terpilih adalah model Fixed-Effect akan dilihat komponen yang memiliki pengaruh tetap apakah individu, waktu, atau keduanya.
Efek Individu dan Waktu
plmtest(fem, type = "bp", effect = "twoways")##
## Lagrange Multiplier Test - two-ways effects (Breusch-Pagan)
##
## data: TPT ~ PPP + TPAK + IPM + Persen_miskin + Upah_minimum
## chisq = 201.69, df = 2, p-value < 2.2e-16
## alternative hypothesis: significant effectsEfek Individu dan Waktu
plmtest(fem, type = "bp", effect = "individual")##
## Lagrange Multiplier Test - (Breusch-Pagan)
##
## data: TPT ~ PPP + TPAK + IPM + Persen_miskin + Upah_minimum
## chisq = 51.736, df = 1, p-value = 6.348e-13
## alternative hypothesis: significant effectsEfek Waktu
plmtest(fem, type = "bp", effect = "time")##
## Lagrange Multiplier Test - time effects (Breusch-Pagan)
##
## data: TPT ~ PPP + TPAK + IPM + Persen_miskin + Upah_minimum
## chisq = 149.95, df = 1, p-value < 2.2e-16
## alternative hypothesis: significant effectsDari ketiga uji diatas didapat nilai p-value yang lebih kecil dari 0.05 yang berarti keputusannya adalah Tolak \(H_0\) atau terdapat pengaruh yang signifikan dari individu maupun waktu. Sehingga akan diduga parameter pengaruh twoways pada Random Effect Model.
pFtest(fem_twoways, fem)##
## F test for twoways effects
##
## data: TPT ~ PPP + TPAK + IPM + Persen_miskin + Upah_minimum
## F = 28.033, df1 = 5, df2 = 125, p-value < 2.2e-16
## alternative hypothesis: significant effectsRandom-Effect Model
Model pengaruh acak mengasumsikan tidak ada korelasi antara pengaruh spesifik individu dan pengaruh spesifik waktu dengan peubah bebas. Asumsi ini membuat komponen sisaan dari pengaruh spesifik individu dan pengaruh spesifik waktu dimasukan kedalam sisaan.
REM Generalized Least Square
rem_gls2 <- plm(TPT ~ PPP + TPAK + IPM + Persen_miskin + Upah_minimum,
index = c("Kab_Kota", "Tahun"),
model = "random", effect = "twoways", random.method = "walhus", data = data)
summary(rem_gls2)## Twoways effects Random Effect Model
## (Wallace-Hussain's transformation)
##
## Call:
## plm(formula = TPT ~ PPP + TPAK + IPM + Persen_miskin + Upah_minimum,
## data = data, effect = "twoways", model = "random", random.method = "walhus",
## index = c("Kab_Kota", "Tahun"))
##
## Balanced Panel: n = 27, T = 6, N = 162
##
## Effects:
## var std.dev share
## idiosyncratic 0.8329 0.9127 0.302
## individual 1.1468 1.0709 0.415
## time 0.7828 0.8848 0.283
## theta: 0.6714 (id) 0.8053 (time) 0.6466 (total)
##
## Residuals:
## Min. 1st Qu. Median 3rd Qu. Max.
## -1.74419 -0.57779 -0.01722 0.57810 2.65312
##
## Coefficients:
## Estimate Std. Error z-value Pr(>|z|)
## (Intercept) 9.4493e+00 5.9734e+00 1.5819 0.11368
## PPP -1.1719e-04 4.5983e-05 -2.5487 0.01081 *
## TPAK -1.5033e-01 3.3374e-02 -4.5044 6.655e-06 ***
## IPM 7.7960e-02 6.6343e-02 1.1751 0.23996
## Persen_miskin 1.0945e-01 1.1070e-01 0.9887 0.32280
## Upah_minimum 1.0816e-06 2.4580e-07 4.4001 1.082e-05 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Total Sum of Squares: 147.99
## Residual Sum of Squares: 104.9
## R-Squared: 0.2912
## Adj. R-Squared: 0.26848
## Chisq: 64.0902 on 5 DF, p-value: 1.7304e-12Cek Signifikansi Pengaruh Individu
#efek individu
plmtest(rem_gls2,type = "bp", effect="individu")##
## Lagrange Multiplier Test - (Breusch-Pagan)
##
## data: TPT ~ PPP + TPAK + IPM + Persen_miskin + Upah_minimum
## chisq = 51.736, df = 1, p-value = 6.348e-13
## alternative hypothesis: significant effectsKarena nilai p-value < 0.05, maka tolak \(H_0\) atau pengaruh individu signifikan terhadap model.
Cek Signifikansi Pengaruh Waktu
#efek waktu
plmtest(rem_gls2,type = "bp", effect="time")##
## Lagrange Multiplier Test - time effects (Breusch-Pagan)
##
## data: TPT ~ PPP + TPAK + IPM + Persen_miskin + Upah_minimum
## chisq = 149.95, df = 1, p-value < 2.2e-16
## alternative hypothesis: significant effectsKarena nilai p-value < 0.05, maka tolak \(H_0\) atau pengaruh waktu signifikan terhadap model. Artinya, model twoways tepat digunakan untuk metode REM.
tidy_ranef <- tidy(ranef(rem_gls2, effect="individual"))## Warning: 'tidy.numeric' is deprecated.
## See help("Deprecated")kable(tidy_ranef, digits=3, caption = "Pengaruh Acak Individu",
col.names = c("Kab/kota", "Pengaruh Acak Individu"))| Kab/kota | Pengaruh Acak Individu |
|---|---|
| Bandung | -1.164 |
| Bandung Barat | 0.504 |
| Bekasi | -0.233 |
| Bogor | 0.771 |
| Ciamis | -1.834 |
| Cianjur | 1.274 |
| Cirebon | 1.321 |
| Garut | 0.704 |
| Indramayu | 0.012 |
| Karawang | -0.077 |
| Kota Bandung | 1.008 |
| Kota Banjar | -0.608 |
| Kota Bekasi | -0.700 |
| Kota Bogor | 0.417 |
| Kota Cimahi | 2.109 |
| Kota Cirebon | 0.877 |
| Kota Depok | -1.457 |
| Kota Sukabumi | 0.867 |
| Kota Tasikmalaya | -0.761 |
| Kuningan | 1.956 |
| Majalengka | -1.868 |
| Pangandaran | -1.915 |
| Purwakarta | -0.175 |
| Subang | 0.689 |
| Sukabumi | 0.291 |
| Sumedang | -0.352 |
| Tasikmalaya | -1.654 |
Output diatas merupakan pengaruh acak dari setiap unit individu, nilai tersebut tersebut menunjukkan seberapa besar perbedaan nilai komponen error acak masing-masing unit indvidu terhadap nilai intersep umum.
tidy_ranef <- tidy(ranef(rem_gls2, effect="time"))## Warning: 'tidy.numeric' is deprecated.
## See help("Deprecated")kable(tidy_ranef, digits=3, caption = "Pengaruh Acak Waktu",
col.names = c("Kab/Kota", "Pengaruh Acak Waktu"))| Kab/Kota | Pengaruh Acak Waktu |
|---|---|
| 2019 | -0.067 |
| 2020 | 1.778 |
| 2021 | 1.069 |
| 2022 | -0.266 |
| 2023 | -0.978 |
| 2024 | -1.535 |
Output diatas merupakan pengaruh acak dari setiap unit waktu, nilai tersebut tersebut menunjukkan seberapa besar perbedaan nilai komponen error acak masing-masing unit waktu terhadap nilai intersep umum.
FEM vs REM
Pada bagian sebelumnya, cukup bukti yang menyatakan bahwa model FEM
lebih baik daripada model CEM. Oleh karena itu, tahap selanjutnya akan
dibandingkan kebaikan model FEM jika dibanding model REM. Uji yang
digunakan adalah uji Hausman dengan menggunakan fungsi
phtest(FEM,REM).
Pengujian ini dilakukan untuk memilih model antara model pengaruh tetap atau model pengaruh acak yang sesuai untuk menggambarkan suatu data panel. Uji Hausman didasarkan pada perbedaan penduga model pengaruh tetap \(\hat{\beta}_{MPT}\) dengan penduga model pengaruh acak \(\hat{\beta}_{MPA}\). Kedua penduga konsisten dalam kondisi \(H_0\), tetapi \(\hat{\beta}_{MPA}\) akan bias dan tidak konsisten pada \(H_1\). Pengujian hipotesisnya adalah:
\(H_0\): Model pengaruh acak (REM) adalah model yang tepat
\(H_1\): Model pengaruh tetap (FEM) adalah model yang tepat
Karena nilai p-value yang diperoleh kurang dari dari alpha 5%, maka Tolak H0 yang mengindikasikan bahwa model yang sesuai adalah model FEM.
#fem_twoways dengan rem_gls2
phtest(fem_twoways, rem_gls2)##
## Hausman Test
##
## data: TPT ~ PPP + TPAK + IPM + Persen_miskin + Upah_minimum
## chisq = 6.5853, df = 5, p-value = 0.2534
## alternative hypothesis: one model is inconsistentKarena nilai p-value yang diperoleh lebih besar dari dari alpha 5%, maka Tak Tolak H0 yang mengindikasikan bahwa model yang sesuai adalah model REM two ways.
Uji Diagnostik Sisaan
res <- residuals(rem_gls2)Uji Normalitas
jarque.bera.test(res)##
## Jarque Bera Test
##
## data: res
## X-squared = 0.99153, df = 2, p-value = 0.6091Tak Tolak \(H_0\) sisaan menyebar normal.
# Histogram
ggplot(as.data.frame(res), aes(x = res)) +
geom_histogram(aes(y = after_stat(density)), color = "white", fill = "steelblue") +
geom_density(color = "red", linewidth = 1) +
theme_minimal()## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
Uji Autokorelasi
pbgtest(rem_gls2)##
## Breusch-Godfrey/Wooldridge test for serial correlation in panel models
##
## data: TPT ~ PPP + TPAK + IPM + Persen_miskin + Upah_minimum
## chisq = 38.257, df = 6, p-value = 1e-06
## alternative hypothesis: serial correlation in idiosyncratic errorsTolak \(H_0\) terdapat autokorelasi antar sisaan
# Durbin Watson
pdwtest(rem_gls2)##
## Durbin-Watson test for serial correlation in panel models
##
## data: TPT ~ PPP + TPAK + IPM + Persen_miskin + Upah_minimum
## DW = 1.1336, p-value = 3.872e-09
## alternative hypothesis: serial correlation in idiosyncratic errorsTolak \(H_0\) terdapat autokorelasi antar sisaan
Uji Kehomogenan
bptest(rem_gls2)##
## studentized Breusch-Pagan test
##
## data: rem_gls2
## BP = 2.2758, df = 5, p-value = 0.8098Tak tolak \(H_0\)
Kesimpulan
Hasil uji Hausman menunjukkan bahwa model yang terpilih adalah REM
two ways dengan hasil sebagai berikut. Dapat dilihat bahwa model
tersebut menghasilkan nilai p-value sebesar \(1.7304e-12\) menunjukkan Tolak \(H_0\) artinya model REM Two ways layak.
Selain itu, dapat dilihat peubah-peubah yang berpengaruh dalam menduga
Tingkat Pengangguran Terbuka berdasarkan Kabupaten/Kota di Provinsi Jawa
Barat adalah Pengeluaran per Kapita Disesuaikan dengan satuan Ribu
Rupiah (PPP), Tingkat Partisipasi Angkatan Kerja dengan satuan persen
(TPAK), dan Upah minimum Kabupaten/Kota di Jawa Barat dengan satuan
Rupiah (Upah_minimum).
summary(rem_gls2)## Twoways effects Random Effect Model
## (Wallace-Hussain's transformation)
##
## Call:
## plm(formula = TPT ~ PPP + TPAK + IPM + Persen_miskin + Upah_minimum,
## data = data, effect = "twoways", model = "random", random.method = "walhus",
## index = c("Kab_Kota", "Tahun"))
##
## Balanced Panel: n = 27, T = 6, N = 162
##
## Effects:
## var std.dev share
## idiosyncratic 0.8329 0.9127 0.302
## individual 1.1468 1.0709 0.415
## time 0.7828 0.8848 0.283
## theta: 0.6714 (id) 0.8053 (time) 0.6466 (total)
##
## Residuals:
## Min. 1st Qu. Median 3rd Qu. Max.
## -1.74419 -0.57779 -0.01722 0.57810 2.65312
##
## Coefficients:
## Estimate Std. Error z-value Pr(>|z|)
## (Intercept) 9.4493e+00 5.9734e+00 1.5819 0.11368
## PPP -1.1719e-04 4.5983e-05 -2.5487 0.01081 *
## TPAK -1.5033e-01 3.3374e-02 -4.5044 6.655e-06 ***
## IPM 7.7960e-02 6.6343e-02 1.1751 0.23996
## Persen_miskin 1.0945e-01 1.1070e-01 0.9887 0.32280
## Upah_minimum 1.0816e-06 2.4580e-07 4.4001 1.082e-05 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Total Sum of Squares: 147.99
## Residual Sum of Squares: 104.9
## R-Squared: 0.2912
## Adj. R-Squared: 0.26848
## Chisq: 64.0902 on 5 DF, p-value: 1.7304e-12\[ \begin{aligned} TPT_{it} &= 9.449+\lambda_t-1.172(10^{-4})PPP_{it}-0.150TPAK_{it}+7.796(10^{-2})IPM_{it}+0.109Persen\_miskin_{it}+1.082(10^{-6})Upah\_minimum_{it}+f_{i}+ \lambda_{t}+\varepsilon_{it} \\ \end{aligned} \]
Interpretasi :
Setiap kenaikan satu satuan
Pengeluaran per Kapita Disesuaikan (000 Rp)menyebabkanTingkat Pengangguran Terbukamenurun sebesar1.172x10^-4persen dengan menganggap peubah lain konstan.Setiap kenaikan satu satuan
Tingkat Partisipasi Angkatan Kerja (%)menyebabkanTingkat Pengangguran Terbukamenurun sebesar0.150persen dengan menganggap peubah lain konstan.Setiap kenaikan satu satuan
Indeks Pembangunan ManusiamenyebabkanTingkat Pengangguran Terbukameningkat sebesar7.796x10^-2persen dengan menganggap peubah lain konstan.Setiap kenaikan satu satuan
Persentase Penduduk Miskin Menurut Kabupaten/Kota di Jawa Barat (%)menyebabkanTingkat Pengangguran Terbukameningkat sebesar0.109persen dengan menganggap peubah lain konstan.Setiap kenaikan satu satuan
Upah minimum Kabupaten/Kota di Jawa Barat (Rupiah)menyebabkanTingkat Pengangguran Terbukameningkat sebesar1.082x10^-6persen dengan menganggap peubah lain konstan.
Untuk semua p-value di bawah 5%, maka terdapat cukup bukti untuk menolak \(H_0\) (kurang dari 5% kemungkinan bahwa \(H_0\) benar).
- Model memiliki
p-valuepada uji F yang lebih kecil dari 0.05 (1.7304e-12) yang berarti model ini layak untuk digunakan - p-value uji-T untuk peubah PPP, TPAK, Upah_minimum < 5%. Artinya, dapat dikatakan bahwa peubah tersebut berpengaruh signifikan terhadap model.
\(R^2\) merupakan nilai yang menunjukan kekuatan hubungan antara peubah bebas dan peubah respons. Semakin tinggi nilai \(R^2\), maka semakin baik model tersebut.
\(R^2\) pada model sebesar 0.2912 atau 29.12% yang mengindikasikan bahwa peubah yang digunakan tidak baik dalam menggambarkan model.
Model dapat menjelaskan sebesar 26.848% dari keragaman data yang dilihat dari \(R^2 Adj\) yang mengindikasikan bahwa peubah yang digunakan tidak baik dalam menggambarkan model.