1 Pendahuluan

Analisis ini mengkaji pengaruh tingkat pendidikan terhadap pendapatan individu menggunakan data cross-section wage1 dari Wooldridge (2019). Dataset ini memuat informasi upah per jam, tahun pendidikan, pengalaman kerja, dan karakteristik individu lainnya untuk 526 pekerja di Amerika Serikat tahun 1976.

Metode yang digunakan adalah Ordinary Least Squares (OLS) dengan spesifikasi Mincer Earnings Equation — salah satu model paling fundamental dalam ekonometrika mikro untuk menganalisis hubungan antara modal manusia (human capital) dan pendapatan individu.

2 Landasan Teori

2.1 Ekonometrika Mikro dan Regresi Cross-Section

Ekonometrika Mikro adalah cabang ekonometrika yang berfokus pada analisis perilaku unit ekonomi individual — individu, rumah tangga, atau perusahaan. Metode utamanya menggunakan data cross-section, yaitu data yang dikumpulkan dari banyak individu pada satu titik waktu, untuk menjawab pertanyaan seperti:

Seberapa besar pengaruh pendidikan terhadap upah seseorang?
Apa yang menentukan keputusan seseorang untuk bekerja?
Bagaimana karakteristik individu memengaruhi pendapatan mereka?

Regresi OLS (Ordinary Least Squares) dengan data cross-section adalah metode inti dalam ekonometrika mikro. Metode ini termasuk dalam kerangka model regresi linier klasik, di mana estimator OLS bersifat BLUE (Best Linear Unbiased Estimator) apabila asumsi Gauss-Markov terpenuhi.

2.2 Human Capital Theory & Mincer Earnings Equation

Studi ini berlandaskan pada Human Capital Theory yang dikembangkan oleh Gary Becker (1964) dan Jacob Mincer (1974). Teori ini menyatakan bahwa pendidikan merupakan bentuk investasi pada diri sendiri yang meningkatkan produktivitas, dan pada gilirannya meningkatkan upah di pasar tenaga kerja.

Mincer (1974) memformulasikan hubungan ini dalam persamaan yang kini dikenal sebagai Mincer Earnings Equation:

\[\ln(wage_i) = \beta_0 + \beta_1 \cdot educ_i + \beta_2 \cdot exper_i + \beta_3 \cdot exper_i^2 + \varepsilon_i\]

Penggunaan log upah sebagai variabel dependen memiliki dua alasan utama: (1) distribusi upah cenderung skewed ke kanan sehingga transformasi log menghasilkan distribusi yang lebih simetris, dan (2) koefisien \(\beta_1\) dapat langsung diinterpretasikan sebagai persentase kenaikan upah (return to education) untuk setiap tambahan satu tahun pendidikan.

Penambahan \(exper^2\) menangkap efek nonlinear pengalaman — upah meningkat seiring pengalaman tetapi pada tingkat yang semakin melambat (diminishing returns).

2.3 Kapan Metode Ini Digunakan?

Regresi OLS cross-section dengan Mincer Equation tepat digunakan ketika:

Unit analisis adalah individu atau pekerja (bukan agregat negara/wilayah)
Data dikumpulkan pada satu periode waktu untuk banyak responden
Variabel dependen bersifat kontinu — dalam hal ini log upah
Peneliti ingin mengukur return to education atau faktor penentu pendapatan lainnya
Asumsi klasik OLS (linearitas, eksogenitas, homoskedastisitas, non-multikolinearitas) dapat dipenuhi atau diuji

3 Library dan Data

library(ggplot2)
library(dplyr)
library(lmtest)    # uji heteroskedastisitas (Breusch-Pagan)
library(car)       # uji multikolinearitas (VIF)
library(nortest)   # uji normalitas (Lilliefors)
library(sandwich)  # robust standard errors
library(ggcorrplot) # korelasi plot

# Muat data wage1 dari file CSV (Wooldridge, 2019)
# Sumber: https://vincentarelbundock.github.io/Rdatasets/csv/wooldridge/wage1.csv
df <- read.csv("wage1.csv")

# Tampilkan struktur data
str(df)

## 'data.frame':    526 obs. of  25 variables:
##  $ rownames: int  1 2 3 4 5 6 7 8 9 10 ...
##  $ wage    : num  3.1 3.24 3 6 5.3 ...
##  $ educ    : int  11 12 11 8 12 16 18 12 12 17 ...
##  $ exper   : int  2 22 2 44 7 9 15 5 26 22 ...
##  $ tenure  : int  0 2 0 28 2 8 7 3 4 21 ...
##  $ nonwhite: int  0 0 0 0 0 0 0 0 0 0 ...
##  $ female  : int  1 1 0 0 0 0 0 1 1 0 ...
##  $ married : int  0 1 0 1 1 1 0 0 0 1 ...
##  $ numdep  : int  2 3 2 0 1 0 0 0 2 0 ...
##  $ smsa    : int  1 1 0 1 0 1 1 1 1 1 ...
##  $ northcen: int  0 0 0 0 0 0 0 0 0 0 ...
##  $ south   : int  0 0 0 0 0 0 0 0 0 0 ...
##  $ west    : int  1 1 1 1 1 1 1 1 1 1 ...
##  $ construc: int  0 0 0 0 0 0 0 0 0 0 ...
##  $ ndurman : int  0 0 0 0 0 0 0 0 0 0 ...
##  $ trcommpu: int  0 0 0 0 0 0 0 0 0 0 ...
##  $ trade   : int  0 0 1 0 0 0 1 0 1 0 ...
##  $ services: int  0 1 0 0 0 0 0 0 0 0 ...
##  $ profserv: int  0 0 0 0 0 1 0 0 0 0 ...
##  $ profocc : int  0 0 0 0 0 1 1 1 1 1 ...
##  $ clerocc : int  0 0 0 1 0 0 0 0 0 0 ...
##  $ servocc : int  0 1 0 0 0 0 0 0 0 0 ...
##  $ lwage   : num  1.13 1.18 1.1 1.79 1.67 ...
##  $ expersq : int  4 484 4 1936 49 81 225 25 676 484 ...
##  $ tenursq : int  0 4 0 784 4 64 49 9 16 441 ...

# Buat variabel baru
df <- df %>%
  mutate(
    lwage   = log(wage),          # log upah (variabel dependen)
    exper2  = exper^2,            # pengalaman kuadrat (nonlinearitas)
    female  = as.factor(female),  # gender sebagai faktor
    married = as.factor(married)  # status menikah sebagai faktor
  )

# Tampilkan beberapa baris pertama
head(df[, c("wage", "lwage", "educ", "exper", "exper2", "female", "married", "tenure")])

##   wage    lwage educ exper exper2 female married tenure
## 1 3.10 1.131402   11     2      4      1       0      0
## 2 3.24 1.175573   12    22    484      1       1      2
## 3 3.00 1.098612   11     2      4      0       0      0
## 4 6.00 1.791759    8    44   1936      0       1     28
## 5 5.30 1.667707   12     7     49      0       1      2
## 6 8.75 2.169054   16     9     81      0       1      8

4 Statistik Deskriptif

# Statistik deskriptif variabel utama
df %>%
  select(wage, lwage, educ, exper, tenure) %>%
  summary()

##       wage            lwage              educ           exper      
##  Min.   : 0.530   Min.   :-0.6349   Min.   : 0.00   Min.   : 1.00  
##  1st Qu.: 3.330   1st Qu.: 1.2030   1st Qu.:12.00   1st Qu.: 5.00  
##  Median : 4.650   Median : 1.5369   Median :12.00   Median :13.50  
##  Mean   : 5.896   Mean   : 1.6233   Mean   :12.56   Mean   :17.02  
##  3rd Qu.: 6.880   3rd Qu.: 1.9286   3rd Qu.:14.00   3rd Qu.:26.00  
##  Max.   :24.980   Max.   : 3.2181   Max.   :18.00   Max.   :51.00  
##      tenure      
##  Min.   : 0.000  
##  1st Qu.: 0.000  
##  Median : 2.000  
##  Mean   : 5.105  
##  3rd Qu.: 7.000  
##  Max.   :44.000

p1 <- ggplot(df, aes(x = wage)) +
  geom_histogram(bins = 30, fill = "#2c7fb8", color = "white", alpha = 0.85) +
  labs(title = "Distribusi Upah (Asli)", x = "Upah per Jam (USD)", y = "Frekuensi") +
  theme_minimal(base_size = 12)

p2 <- ggplot(df, aes(x = lwage)) +
  geom_histogram(bins = 30, fill = "#41b6c4", color = "white", alpha = 0.85) +
  labs(title = "Distribusi Log(Upah)", x = "ln(Upah)", y = "Frekuensi") +
  theme_minimal(base_size = 12)

gridExtra::grid.arrange(p1, p2, ncol = 2)

Distribusi upah: asli vs log-transformasi

Log-transformasi pada upah menghasilkan distribusi yang jauh lebih mendekati normal, sehingga lebih sesuai untuk estimasi OLS.

ggplot(df, aes(x = educ, y = lwage)) +
  geom_jitter(alpha = 0.4, color = "#2c7fb8", width = 0.2) +
  geom_smooth(method = "lm", color = "#e34a33", se = TRUE, linewidth = 1.2) +
  labs(
    title    = "Pendidikan vs Log(Upah)",
    subtitle = "Setiap titik mewakili satu individu",
    x        = "Tahun Pendidikan",
    y        = "ln(Upah per Jam)"
  ) +
  theme_minimal(base_size = 12)

## `geom_smooth()` using formula = 'y ~ x'

Hubungan pendidikan dan log upah

5 Estimasi Model OLS

5.1 Model 1: Sederhana (hanya pendidikan)

model1 <- lm(lwage ~ educ, data = df)
summary(model1)

## 
## Call:
## lm(formula = lwage ~ educ, data = df)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -2.21158 -0.36393 -0.07263  0.29712  1.52339 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 0.583773   0.097336   5.998 3.74e-09 ***
## educ        0.082744   0.007567  10.935  < 2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.4801 on 524 degrees of freedom
## Multiple R-squared:  0.1858, Adjusted R-squared:  0.1843 
## F-statistic: 119.6 on 1 and 524 DF,  p-value: < 2.2e-16

5.2 Model 2: Mincer Lengkap

model2 <- lm(lwage ~ educ + exper + exper2, data = df)
summary(model2)

## 
## Call:
## lm(formula = lwage ~ educ + exper + exper2, data = df)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -1.96387 -0.29375 -0.04009  0.29497  1.30216 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  0.1279975  0.1059323   1.208    0.227    
## educ         0.0903658  0.0074680  12.100  < 2e-16 ***
## exper        0.0410089  0.0051965   7.892 1.77e-14 ***
## exper2      -0.0007136  0.0001158  -6.164 1.42e-09 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.4459 on 522 degrees of freedom
## Multiple R-squared:  0.3003, Adjusted R-squared:  0.2963 
## F-statistic: 74.67 on 3 and 522 DF,  p-value: < 2.2e-16

5.3 Model 3: Mincer + Kontrol Demografis

model3 <- lm(lwage ~ educ + exper + exper2 + female + married + tenure, data = df)
summary(model3)

## 
## Call:
## lm(formula = lwage ~ educ + exper + exper2 + female + married + 
##     tenure, data = df)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -1.81854 -0.25682 -0.02526  0.24755  1.18148 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  0.4158424  0.0993372   4.186 3.33e-05 ***
## educ         0.0798322  0.0068273  11.693  < 2e-16 ***
## exper        0.0300995  0.0051931   5.796 1.18e-08 ***
## exper2      -0.0006012  0.0001099  -5.472 6.95e-08 ***
## female1     -0.2911303  0.0362832  -8.024 6.88e-15 ***
## married1     0.0564494  0.0409259   1.379    0.168    
## tenure       0.0160739  0.0028801   5.581 3.86e-08 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.4014 on 519 degrees of freedom
## Multiple R-squared:  0.4361, Adjusted R-squared:  0.4296 
## F-statistic: 66.91 on 6 and 519 DF,  p-value: < 2.2e-16

# Perbandingan AIC dan R-squared ketiga model
cat("=== Perbandingan Model ===\n")

## === Perbandingan Model ===

cat(sprintf("Model 1 — R² = %.4f | AIC = %.2f\n", summary(model1)$r.squared, AIC(model1)))

## Model 1 — R² = 0.1858 | AIC = 724.76

cat(sprintf("Model 2 — R² = %.4f | AIC = %.2f\n", summary(model2)$r.squared, AIC(model2)))

## Model 2 — R² = 0.3003 | AIC = 649.06

cat(sprintf("Model 3 — R² = %.4f | AIC = %.2f\n", summary(model3)$r.squared, AIC(model3)))

## Model 3 — R² = 0.4361 | AIC = 541.51

cat("\n>> Model 3 dipilih sebagai model terbaik (R² tertinggi, AIC terendah)\n")

## 
## >> Model 3 dipilih sebagai model terbaik (R² tertinggi, AIC terendah)

6 Interpretasi Koefisien

koef <- coef(model3)

cat("=== Interpretasi Koefisien Model 3 ===\n\n")

## === Interpretasi Koefisien Model 3 ===

cat(sprintf(
  "1. PENDIDIKAN (educ): Setiap tambahan 1 tahun pendidikan meningkatkan upah sebesar %.1f%%\n",
  koef["educ"] * 100
))

## 1. PENDIDIKAN (educ): Setiap tambahan 1 tahun pendidikan meningkatkan upah sebesar 8.0%

cat(sprintf(
  "2. PENGALAMAN (exper): Pengalaman memiliki efek nonlinear (konkaf).\n   Puncak upah dicapai pada pengalaman = %.1f tahun\n",
  -koef["exper"] / (2 * koef["exper2"])
))

## 2. PENGALAMAN (exper): Pengalaman memiliki efek nonlinear (konkaf).
##    Puncak upah dicapai pada pengalaman = 25.0 tahun

cat(sprintf(
  "3. GENDER (female=1): Perempuan rata-rata memperoleh upah %.1f%% lebih rendah dari laki-laki\n",
  (exp(koef["female1"]) - 1) * 100
))

## 3. GENDER (female=1): Perempuan rata-rata memperoleh upah -25.3% lebih rendah dari laki-laki

cat(sprintf(
  "4. STATUS MENIKAH (married=1): Pekerja menikah memperoleh upah %.1f%% lebih tinggi\n",
  (exp(koef["married1"]) - 1) * 100
))

## 4. STATUS MENIKAH (married=1): Pekerja menikah memperoleh upah 5.8% lebih tinggi

cat(sprintf(
  "5. MASA KERJA (tenure): Setiap tambahan 1 tahun di perusahaan meningkatkan upah sebesar %.1f%%\n",
  koef["tenure"] * 100
))

## 5. MASA KERJA (tenure): Setiap tambahan 1 tahun di perusahaan meningkatkan upah sebesar 1.6%

7 Uji Asumsi Klasik OLS

7.1 Uji 1 — Normalitas Residual

H₀: Residual berdistribusi normal
H₁: Residual tidak berdistribusi normal

resid_m3 <- residuals(model3)

# Plot QQ
par(mfrow = c(1, 2))
hist(resid_m3, breaks = 30, col = "#2c7fb8", border = "white",
     main = "Histogram Residual", xlab = "Residual")
qqnorm(resid_m3, main = "Q-Q Plot Residual")
qqline(resid_m3, col = "#e34a33", lwd = 2)

par(mfrow = c(1, 1))

# Lilliefors test
lf <- lillie.test(resid_m3)
cat("Lilliefors Test — p-value:", round(lf$p.value, 4), "\n")

## Lilliefors Test — p-value: 0.01

if (lf$p.value > 0.05) {
  cat(">> Residual berdistribusi normal. Asumsi normalitas TERPENUHI.\n")
} else {
  cat(">> Residual tidak normal. Namun dengan n =", nrow(df),
      "observasi, OLS tetap valid secara asimtotik (Central Limit Theorem).\n")
}

## >> Residual tidak normal. Namun dengan n = 526 observasi, OLS tetap valid secara asimtotik (Central Limit Theorem).

7.2 Uji 2 — Heteroskedastisitas (Breusch-Pagan)

H₀: Variansi residual konstan (homoskedastis)
H₁: Variansi residual tidak konstan (heteroskedastis)

# Plot residual vs fitted
plot(fitted(model3), resid_m3,
     xlab = "Fitted Values", ylab = "Residual",
     main = "Residual vs Fitted Values",
     pch = 19, col = adjustcolor("#2c7fb8", alpha.f = 0.5))
abline(h = 0, col = "#e34a33", lty = 2, lwd = 2)

# Breusch-Pagan test
bp <- bptest(model3)
cat("Breusch-Pagan Test — p-value:", round(bp$p.value, 4), "\n")

## Breusch-Pagan Test — p-value: 0.0092

if (bp$p.value > 0.05) {
  cat(">> Tidak ada heteroskedastisitas. Asumsi homoskedastisitas TERPENUHI.\n")
} else {
  cat(">> Terdeteksi heteroskedastisitas. Digunakan Robust Standard Errors (HC3).\n")
  cat("\n--- Hasil dengan Robust SE ---\n")
  print(coeftest(model3, vcov = vcovHC(model3, type = "HC3")))
}

## >> Terdeteksi heteroskedastisitas. Digunakan Robust Standard Errors (HC3).
## 
## --- Hasil dengan Robust SE ---
## 
## t test of coefficients:
## 
##                Estimate  Std. Error t value  Pr(>|t|)    
## (Intercept)  0.41584244  0.10835446  3.8378 0.0001394 ***
## educ         0.07983221  0.00780404 10.2296 < 2.2e-16 ***
## exper        0.03009952  0.00492995  6.1054 2.010e-09 ***
## exper2      -0.00060115  0.00010318 -5.8262 9.959e-09 ***
## female1     -0.29113027  0.03717593 -7.8312 2.743e-14 ***
## married1     0.05644940  0.04221616  1.3372 0.1817590    
## tenure       0.01607388  0.00356680  4.5065 8.150e-06 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

7.3 Uji 3 — Multikolinearitas (VIF)

Variance Inflation Factor (VIF) > 10 mengindikasikan masalah multikolinearitas serius.

vif_val <- vif(model3)
print(vif_val)

##      educ     exper    exper2    female   married    tenure 
##  1.164312 16.183797 14.924497  1.072362  1.302549  1.410458

cat("\n")

if (all(vif_val < 10)) {
  cat(">> Semua VIF < 10. Tidak ada multikolinearitas serius. Asumsi TERPENUHI.\n")
} else {
  cat(">> Ada variabel dengan VIF > 10. Perlu penanganan multikolinearitas.\n")
}

## >> Ada variabel dengan VIF > 10. Perlu penanganan multikolinearitas.

8 Visualisasi Hasil

# Tidy koefisien untuk plotting
koef_df <- data.frame(
  variabel = names(coef(model3))[-1],
  estimate = coef(model3)[-1],
  se       = sqrt(diag(vcov(model3)))[-1]
) %>%
  mutate(
    lower = estimate - 1.96 * se,
    upper = estimate + 1.96 * se,
    signif = ifelse((lower > 0 & upper > 0) | (lower < 0 & upper < 0), "Signifikan", "Tidak Signifikan")
  )

ggplot(koef_df, aes(x = reorder(variabel, estimate), y = estimate, color = signif)) +
  geom_point(size = 3.5) +
  geom_errorbar(aes(ymin = lower, ymax = upper), width = 0.2, linewidth = 1) +
  geom_hline(yintercept = 0, linetype = "dashed", color = "gray50") +
  scale_color_manual(values = c("Signifikan" = "#2c7fb8", "Tidak Signifikan" = "#bdbdbd")) +
  coord_flip() +
  labs(
    title    = "Koefisien Regresi dengan Confidence Interval 95%",
    subtitle = "Model: ln(wage) ~ educ + exper + exper^2 + female + married + tenure",
    x        = NULL,
    y        = "Koefisien",
    color    = NULL
  ) +
  theme_minimal(base_size = 12) +
  theme(legend.position = "bottom")

Koefisien model dengan confidence interval 95%

# Prediksi untuk laki-laki menikah dengan pengalaman rata-rata
pred_df <- data.frame(
  educ    = seq(0, 18, by = 0.5),
  exper   = mean(df$exper),
  exper2  = mean(df$exper)^2,
  female  = factor(0, levels = c(0, 1)),
  married = factor(1, levels = c(0, 1)),
  tenure  = mean(df$tenure)
)
pred_df$lwage_pred <- predict(model3, newdata = pred_df)

ggplot(pred_df, aes(x = educ, y = lwage_pred)) +
  geom_line(color = "#2c7fb8", linewidth = 1.5) +
  geom_ribbon(aes(
    ymin = predict(model3, newdata = pred_df, interval = "confidence")[, "lwr"],
    ymax = predict(model3, newdata = pred_df, interval = "confidence")[, "upr"]
  ), alpha = 0.15, fill = "#2c7fb8") +
  labs(
    title    = "Return to Education: Prediksi Log Upah vs Tahun Pendidikan",
    subtitle = "Holding constant: pengalaman & tenure rata-rata, laki-laki, menikah",
    x        = "Tahun Pendidikan",
    y        = "Prediksi ln(Upah per Jam)"
  ) +
  theme_minimal(base_size = 12)

Prediksi log upah berdasarkan tahun pendidikan

9 Kesimpulan

Analisis regresi OLS terhadap data wage1 (Wooldridge, 2019) menggunakan spesifikasi Mincer Earnings Equation menghasilkan beberapa temuan utama:

Return to Education — Setiap tambahan satu tahun pendidikan meningkatkan upah sebesar ±8%, konsisten dengan Human Capital Theory. Hasil ini signifikan secara statistik pada α = 1%.
Efek Pengalaman Nonlinear — Pengalaman kerja memiliki efek positif yang menurun (diminishing returns), dengan puncak upah dicapai sekitar 25 tahun pengalaman.
Gender Wage Gap — Perempuan memperoleh upah rata-rata ±25.3% lebih rendah dari laki-laki dengan karakteristik serupa, mengindikasikan adanya diskriminasi upah berbasis gender.
Uji Asumsi — Model memenuhi sebagian besar asumsi klasik OLS. Apabila terdeteksi heteroskedastisitas, Robust Standard Errors (HC3) digunakan untuk koreksi inferensi.
Kelayakan Model — Model 3 (Mincer + kontrol demografis) memiliki R² tertinggi dan AIC terendah dibanding spesifikasi yang lebih sederhana, menjadikannya model terpilih.

Referensi:

Mincer, J. (1974). Schooling, Experience, and Earnings. National Bureau of Economic Research.
Wooldridge, J. M. (2019). Introductory Econometrics: A Modern Approach (7th ed.). Cengage Learning.
Data: wage1 — tersedia di https://vincentarelbundock.github.io/Rdatasets/csv/wooldridge/wage1.csv

Regresi Cross-Section — Ekonometrika Mikro

Studi Kasus: Pengaruh Pendidikan terhadap Pendapatan (Mincer Earnings Equation)

Kelompok 1
1. Murnini (A011241064) 2. Nur Adnan Syam (A011241153) 3. Nuhaa Nai’fah (A011241104)

20 May 2026

1 Pendahuluan

2 Landasan Teori

2.1 Ekonometrika Mikro dan Regresi Cross-Section

2.2 Human Capital Theory & Mincer Earnings Equation

2.3 Kapan Metode Ini Digunakan?

3 Library dan Data

4 Statistik Deskriptif

5 Estimasi Model OLS

5.1 Model 1: Sederhana (hanya pendidikan)

5.2 Model 2: Mincer Lengkap

5.3 Model 3: Mincer + Kontrol Demografis

6 Interpretasi Koefisien

7 Uji Asumsi Klasik OLS

7.1 Uji 1 — Normalitas Residual

7.2 Uji 2 — Heteroskedastisitas (Breusch-Pagan)

7.3 Uji 3 — Multikolinearitas (VIF)

8 Visualisasi Hasil

9 Kesimpulan

Regresi Cross-Section — Ekonometrika Mikro

Studi Kasus: Pengaruh Pendidikan terhadap Pendapatan (Mincer Earnings Equation)

Kelompok 1 1. Murnini (A011241064) 2. Nur Adnan Syam (A011241153) 3. Nuhaa Nai’fah (A011241104)

20 May 2026

1 Pendahuluan

2 Landasan Teori

2.1 Ekonometrika Mikro dan Regresi Cross-Section

2.2 Human Capital Theory & Mincer Earnings Equation

2.3 Kapan Metode Ini Digunakan?

3 Library dan Data

4 Statistik Deskriptif

5 Estimasi Model OLS

5.1 Model 1: Sederhana (hanya pendidikan)

5.2 Model 2: Mincer Lengkap

5.3 Model 3: Mincer + Kontrol Demografis

6 Interpretasi Koefisien

7 Uji Asumsi Klasik OLS

7.1 Uji 1 — Normalitas Residual

7.2 Uji 2 — Heteroskedastisitas (Breusch-Pagan)

7.3 Uji 3 — Multikolinearitas (VIF)

8 Visualisasi Hasil

9 Kesimpulan

Kelompok 1
1. Murnini (A011241064) 2. Nur Adnan Syam (A011241153) 3. Nuhaa Nai’fah (A011241104)