MODEL REGRESI LOGIT DAN PROBIT
Teori, Konsep, dan Implementasi dengan R Studio (AKAN DATANG)
WAJIHAN SAYYIDAN
NIM: A011241138
Program Studi Ekonomi Pembangunan
03 Juni 2026
1 BAB 1
1.1 WHAT? APA ITU LOGIT DAN PROBIT?
Selamat datang di dunia ekonometrika yang sedikit berbeda. Jika selama ini Anda terbiasa menghitung hal-hal yang bisa diukur dengan penggaris—seperti harga, upah, atau jumlah produksi—bab ini mengajak Anda masuk ke wilayah yang lebih manusiawi: pilihan. Manusia tidak selalu bergerak dalam garis lurus. Kadang kita hanya punya dua opsi: ya atau tidak, lulus atau tidak, membeli atau tidak, bekerja atau menganggur. Di situlah Logit dan Probit hadir.
Bab ini tidak akan langsung menghujani Anda dengan turunan matematika atau asumsi teknis. Tujuan kita sederhana: memastikan Anda benar-benar paham apa yang sedang kita pelajari, mengapa bentuknya begitu, dan bagaimana objek ini memotret kenyataan ekonomi sebelum kita membedah mesin di dalamnya. Mari kita mulai dari hal yang paling dekat dengan keseharian.
1.1.1 Pengantar Keputusan dalam Kehidupan Sehari-hari
Penjelasan Sederhana
Setiap hari, tanpa sadar, kita menjadi peneliti keputusan. Ketika Anda
memutuskan bangun lebih awal untuk menghindari macet, memilih kopi atau
teh, atau menekan tombol “Beli Sekarang”, Anda sedang menjalankan proses
evaluasi. Anda menimbang informasi yang ada, lalu menghasilkan satu
tindakan.
Intuisi Ekonomi
Dalam ekonomi, keputusan bukan sekadar dorongan emosional. Ia adalah
respons terhadap insentif, kendala, dan preferensi yang terakumulasi.
Setiap pilihan mencerminkan trade-off: apa yang dikorbankan, apa yang
diharapkan, dan seberapa besar risiko yang siap ditanggung.
Contoh Kehidupan Sehari-hari
Bayangkan Anda sedang di kasir minimarket. Di depan Anda ada dua
pilihan: membayar tunai atau membayar pakai QRIS. Anda melihat antrian,
mengecek dompet, mengingat apakah ponsel Anda cukup baterainya, lalu
memutuskan. Proses itu cepat, tapi di baliknya ada evaluasi biaya-waktu,
kenyamanan, dan risiko.
Contoh Mikroekonomi
Sebuah UMKM deciding apakah akan menerima pesanan dalam jumlah besar
dari distributor. Jika ya, mereka harus menambah modal kerja dan
mengorbankan fleksibilitas produksi. Jika tidak, mereka kehilangan
potensi skala ekonomi. Keputusan ini bersifat discrete
(terputus): terima atau tolak.
Contoh Makroekonomi
Pemerintah memutuskan apakah akan menaikkan suku bunga acuan bulan ini.
Pertimbangannya meliputi inflasi, pertumbuhan PDB, nilai tukar, dan
stabilitas perbankan. Hasilnya bukan angka 7,35%, melainkan sebuah
kebijakan: menaikkan atau menahan.
Mengapa Ini Penting?
Karena dalam realitas, banyak variabel ekonomi yang tidak mengalir
terus-menerus seperti air, melainkan melompat seperti anak tangga.
Memahami bagaimana keputusan “lompatan” ini terbentuk adalah kunci
pertama.
1.1.2 Konsep Keputusan Biner
Penjelasan Sederhana
Keputusan biner adalah pilihan yang hanya memiliki dua kemungkinan hasil
yang saling eksklusif. Tidak ada opsi ketiga, tidak ada nilai di
antaranya. Seperti saklar lampu: hidup atau mati.
Intuisi Ekonomi
Dalam dunia nyata, kita bisa saja memberi skala 1 sampai 10 untuk
mengukur keinginan membeli. Tapi ketika momen transaksi tiba, skala itu
runtuh menjadi satu titik: barang berpindah tangan atau tidak. Ekonomi
tertarik pada tindakan nyata, bukan sekadar niat. Keputusan
biner menangkap momen ketika preferensi berubah menjadi perilaku.
Contoh Kehidupan Sehari-hari
Apakah Anda akan mendaftar beasiswa tahun ini? Jawabannya hanya dua:
mendaftar atau tidak. Tidak ada “setengah mendaftar”.
Contoh Mikroekonomi
Seorang pekerja memutuskan apakah akan ikut serikat buruh. Keputusan ini
memengaruhi tawar-menawar upah, risiko pemutusan hubungan kerja, dan
biaya keanggotaan. Hasilnya biner: bergabung atau tidak.
Contoh Makroekonomi
Negara memutuskan apakah akan bergabung dalam perjanjian perdagangan
bebas (FTA). Keputusannya berdampak pada struktur tarif, aliran
investasi, dan daya saing ekspor. Hasilnya: ratifikasi atau
penolakan.
Analogi Sederhana
Bayangkan Anda sedang menyeberang jalan. Lampu hijau atau merah. Anda
bisa berjalan atau berhenti. Tidak ada “jalan setengah-setengah”.
Keputusan biner seperti lampu lalu lintas: tegas, jelas, dan menentukan
arah berikutnya.
Mengapa Ini Penting?
Karena struktur biner memaksa kita mengubah cara berpikir. Kita tidak
lagi bertanya “berapa besar?”, melainkan “seberapa mungkin?”. Pergeseran
dari magnitude ke likelihood inilah yang membuka pintu
menuju Logit dan Probit.
1.1.3 Variabel Dependen Biner
Penjelasan Sederhana
Variabel dependen adalah hal yang ingin kita jelaskan atau prediksi.
Ketika variabel ini hanya bisa bernilai 0 atau 1, kita menyebutnya
variabel dependen biner. Angka 1 mewakili kejadian yang kita amati
(misalnya: membeli), sedangkan 0 mewakili ketiadaan kejadian (tidak
membeli).
Intuisi Ekonomi
Mengapa 0 dan 1? Bukan karena matematika yang kaku, tapi karena ini
adalah cara menerjemahkan kenyataan ke dalam bahasa data. Dalam survei
ekonomi, kita sering menemukan pertanyaan yang dijawab dengan centang
atau silang. Variabel biner adalah jembatan antara perilaku kualitatif
dan kuantifikasi.
Contoh Kehidupan Sehari-hari
Apakah Anda menggunakan transportasi umum hari ini? Jika ya, beri kode
1. Jika tidak, 0. Tidak ada 0,5.
Contoh Mikroekonomi
Dalam penelitian kredit perbankan, variabel terikatnya adalah “gagal
bayar atau tidak” (1 = NPL, 0 = lancar). Bank ingin tahu faktor apa yang
mendorong seseorang masuk kategori 1.
Contoh Makroekonomi
Apakah suatu negara mengalami resesi pada kuartal tertentu? 1 jika PDB
negatif dua kuartal berturut-turut, 0 jika tidak. Ini menjadi dasar
analisis siklus bisnis.
5W+1H Terapan
- What: Variabel yang hanya bernilai 0 atau 1.
- Why: Karena hasil keputusan bersifat diskrit dan
eksklusif.
- When: Ketika momen keputusan sudah terjadi dan terekam dalam
data.
- Where: Survei, data perbankan, indikator makro, catatan
transaksi.
- Who: Rumah tangga, perusahaan, pemerintah, atau institusi
pembuat kebijakan.
- How: Dikodekan menjadi dummy variable (0/1) untuk analisis
statistik.
Mengapa Ini Penting?
Variabel biner memaksa model untuk tidak memprediksi angka sembarangan.
Model harus memprediksi peluang kejadian bernilai 1. Dari sini,
struktur Logit dan Probit lahir secara alami.
1.1.4 Definisi Logit
Penjelasan Sederhana
Logit adalah model yang menghubungkan faktor-faktor penjelas (seperti
usia, pendapatan, atau kebijakan) dengan probabilitas terjadinya suatu
peristiwa biner. Namanya berasal dari log-odds, yaitu logaritma
dari rasio kemungkinan terjadi terhadap kemungkinan tidak terjadi.
Intuisi Ekonomi
Bayangkan Anda ingin mengukur seberapa besar kemungkinan seseorang lulus
ujian. Alih-alih menebak persentase secara langsung, Logit bekerja
dengan membandingkan peluang lulus dengan peluang tidak lulus. Jika
peluang lulus 80% dan tidak lulus 20%, rasionya adalah 4. Logit
mengambil logaritma alami dari 4 itu, sehingga menghasilkan angka yang
bisa dihubungkan secara linier dengan faktor-faktor lain. Proses ini
mengubah ruang probabilitas yang terbatas (0 sampai 1) menjadi ruang tak
terbatas yang mudah dimodelkan.
Contoh Kehidupan Sehari-hari
Probabilitas Anda datang tepat waktu ke kampus hari ini. Logit tidak
langsung memberi angka 0,7. Ia pertama-tama menghitung: seberapa mungkin
Anda tepat waktu dibandingkan terlambat, lalu mentransformasi
perbandingan itu agar bisa dipengaruhi oleh variabel seperti jarak,
cuaca, dan jam bangun.
Contoh Mikroekonomi
Studi adopsi teknologi pertanian. Petani dengan akses kredit dan
pelatihan memiliki odds lebih tinggi untuk mengadopsi irigasi
modern. Logit mengukur seberapa besar kenaikan pendapatan atau
pengalaman mengubah rasio kemungkinan adopsi tersebut.
Contoh Makroekonomi
Probabilitas terjadinya krisis valuta asing. Variabel seperti cadangan
devisa, defisit fiskal, dan suku bunga global dimasukkan ke dalam
struktur Logit untuk memperkirakan perubahan odds krisis
dibandingkan stabilitas.
Rumus & Penjelasan Simbol
Bentuk dasar fungsi Logit muncul secara alami ketika kita ingin
membatasi probabilitas tetap berada di antara 0 dan 1, tapi tetap bisa
dipengaruhi oleh variabel penjelas secara linier: \[
\ln\left(\frac{P}{1-P}\right) = \beta_0 + \beta_1 X_1 + \beta_2 X_2 +
\dots + \beta_k X_k
\] - \(P\): Probabilitas
kejadian bernilai 1 (misalnya: membeli, gagal bayar, resesi).
- \(1-P\): Probabilitas kejadian bernilai 0.
- \(\frac{P}{1-P}\): Odds ratio, atau rasio kemungkinan terjadi terhadap tidak terjadi.
- \(\ln(\dots)\): Logaritma natural. Mengubah odds yang berkisar 0 hingga tak terhingga menjadi rentan\(-\infty\) hingga \(+\infty\).
- \(\beta_0, \beta_1, \dots, \beta_k\): Koefisien yang mengukur arah dan kekuatan pengaruh variabel \(X\) terhadap log-odds.
- \(X_1, X_2, \dots, X_k\): Variabel penjelas (pendapatan, umur, kebijakan, dll.).
Interpretasi Ekonomi
Koefisien \(\beta\) tidak langsung
menunjukkan perubahan probabilitas. Ia menunjukkan perubahan
log-odds. Jika \(\beta_1\)
positif, artinya kenaikan \(X_1\)
meningkatkan rasio kemungkinan kejadian 1 terjadi dibandingkan 0. Untuk
kembali ke probabilitas, kita balikkan transformasinya: \[
P = \frac{1}{1 + e^{-(\beta_0 + \beta_1 X_1 + \dots)}}
\] Ini memastikan hasil tetap antara 0 dan 1, sesuai sifat
variabel biner.
Mengapa Rumus Ini Muncul?
Karena probabilitas tidak bisa melebihi 1 atau di bawah 0. Jika kita
memaksa hubungan linier langsung \(P = \beta_0
+ \beta_1 X\), hasil bisa jadi 1,2 atau -0,3, yang secara logika
mustahil untuk probabilitas. Logit muncul sebagai “penjaga batas”
matematis yang alami.
1.1.5 Definisi Probit
Penjelasan Sederhana
Probit adalah model yang juga memetakan faktor penjelas ke probabilitas
kejadian biner, tapi menggunakan pendekatan berbeda: ia mengasumsikan
bahwa di balik keputusan biner ada variabel laten yang terdistribusi
normal. Nama “probit” berasal dari probability unit.
Intuisi Ekonomi
Bayangkan setiap orang punya “skor keinginan” yang tidak terukur secara
langsung. Jika skor ini melewati ambang batas tertentu, keputusan
terjadi (nilai 1). Jika tidak, keputusan tidak terjadi (nilai 0). Probit
mengasumsikan bahwa distribusi skor keinginan di populasi mengikuti
bentuk lonceng (distribusi normal). Model ini mencari di mana ambang
batas berada dan seberapa jauh variabel penjelas menggeser distribusi
tersebut.
Contoh Kehidupan Sehari-hari
Keputusan membeli smartphone flagship. Ada “threshold kepuasan” yang
harus terlampaui. Probit memodelkan seberapa besar gaji, preferensi
merek, dan harga menggeser posisi Anda relatif terhadap threshold
tersebut.
Contoh Mikroekonomi
Partisipasi angkatan kerja perempuan. Di balik keputusan “bekerja atau
tidak” ada pertimbangan kompleks: upah yang ditawarkan, biaya penitipan
anak, norma sosial, preferensi waktu luang. Probit mengasumsikan
faktor-faktor ini membentuk skor laten yang terdistribusi normal, dan
keputusan terjadi ketika skor melebihi ambang toleransi pengorbanan
waktu.
Contoh Makroekonomi
Keputusan bank sentral memangkas suku bunga. Di balik keputusan publik
ada pertimbangan laten: ekspektasi inflasi, gap output, tekanan pasar
keuangan. Probit memodelkan probabilitas pemangkasan berdasarkan
seberapa jauh indikator makro mendorong skor kebijakan melampaui ambang
kehati-hatian.
Rumus & Penjelasan Simbol
Probit dibangun dari fungsi distribusi kumulatif normal standar (\(\Phi\)): \[
P = \Phi(\beta_0 + \beta_1 X_1 + \beta_2 X_2 + \dots + \beta_k X_k)
\] atau dalam bentuk invers: \[
\Phi^{-1}(P) = \beta_0 + \beta_1 X_1 + \dots + \beta_k X_k
\] - \(P\): Probabilitas
kejadian bernilai 1.
- \(\Phi(\cdot)\): Fungsi distribusi kumulatif normal standar. Memberikan luas area di bawah kurva lonceng hingga titik tertentu.
- \(\Phi^{-1}(\cdot)\): Fungsi invers normal (quantile function), mengubah probabilitas menjadi nilai Z.
- \(\beta_0, \dots, \beta_k\): Koefisien pengaruh.
- \(X_1, \dots, X_k\): Variabel penjelas.
Interpretasi Ekonomi
Koefisien \(\beta\) menunjukkan
seberapa besar perubahan variabel \(X\)
menggeser Z-score probabilitas. Jika \(\beta_1\) positif, kenaikan \(X_1\) menggeser distribusi laten ke kanan,
sehingga area di bawah kurva yang melebihi threshold (probabilitas
kejadian 1) menjadi lebih besar.
Mengapa Rumus Ini Muncul?
Karena banyak fenomena sosial dan ekonomi didorong oleh agregasi banyak
faktor kecil acak. Menurut Teorema Limit Pusat, penjumlahan banyak
variabel acak independen cenderung membentuk distribusi normal. Probit
menangkap intuisi ini: keputusan biner adalah hasil akhir dari banyak
pertimbangan mikro yang terakumulasi secara normal.
1.1.6 Mengapa Keduanya Disebut Model Probabilitas?
Penjelasan Sederhana
Logit dan Probit disebut model probabilitas karena output utamanya bukan
angka prediksi nilai, melainkan peluang terjadinya suatu
peristiwa. Mereka menjawab pertanyaan: “Berdasarkan kondisi yang ada,
seberapa besar kemungkinan hasil ini bernilai 1?”
Intuisi Ekonomi
Ekonomi tidak selalu butuh kepastian absolut. Dalam dunia
ketidakpastian, informasi paling berharga adalah perkiraan risiko dan
peluang. Model probabilitas memberi pembuat kebijakan dan pelaku bisnis
alat untuk mengukur ekspektasi, bukan ramalan kaku.
Contoh Kehidupan Sehari-hari
Cuaca hujan besok tidak bisa dipastikan 100% atau 0%. Prakiraan BMKG
memberi probabilitas 70%. Anda memutuskan membawa payung berdasarkan
angka itu. Logit/Probit melakukan hal serupa untuk keputusan
ekonomi.
Contoh Mikroekonomi
Perusahaan asuransi menggunakan model ini untuk memperkirakan
probabilitas klaim mobil berdasarkan usia pengemudi, riwayat kecelakaan,
dan jenis kendaraan. Premi ditetapkan sesuai perkiraan risiko, bukan
tebakan biner.
Contoh Makroekonomi
IMF atau lembaga rating menggunakan model probabilitas untuk
memperkirakan kemungkinan suatu negara mengalami default utang. Hasilnya
bukan “gagal atau tidak”, melainkan angka probabilitas yang memandu
kebijakan penundaan restrukturisasi atau penyesuaian program
bailout.
5W+1H Terapan
- What: Model yang menghasilkan output probabilitas
(0–1).
- Why: Karena keputusan biner bersifat stokastik; kita perlu
mengukur kemungkinan, bukan kepastian.
- When: Ketika keputusan sudah terjadi atau diprediksi
berdasarkan kondisi masa lalu/saat ini.
- Where: Perbankan, asuransi, kebijakan publik, riset perilaku
konsumen.
- Who: Analis data, peneliti kebijakan, manajer risiko,
akademisi.
- How: Melalui fungsi pengait (link function) yang membatasi
output tetap dalam rentang probabilitas.
Mengapa Ini Penting?
Karena probabilitas memungkinkan kita berbicara dalam bahasa risiko,
ekspektasi, dan trade-off. Ini jauh lebih kaya daripada sekadar prediksi
ya/tidak yang kaku.
1.1.7 Persamaan dan Perbedaan Logit-Probit
Penjelasan Sederhana
Secara fungsi, Logit dan Probit hampir identik: keduanya memetakan
variabel penjelas ke probabilitas antara 0 dan 1. Perbedaannya terletak
pada “bentuk mesin matematika” di balik layar: Logit menggunakan
distribusi logistik, Probit menggunakan distribusi normal.
Intuisi Ekonomi
Keduanya seperti dua merek mobil dengan fungsi yang sama: mengantar Anda
dari A ke B. Mesinnya berbeda sedikit, tapi pengalaman berkendara sangat
mirip. Dalam praktik ekonometrika, pilihan antara keduanya sering kali
bergantung pada tradisi disiplin, kemudahan interpretasi, atau sifat
data.
Contoh Kehidupan Sehari-hari
Memilih rute ke kampus: lewat tol atau jalan nasional. Keduanya sampai
tujuan, tapi profil kemacetan, biaya, dan kenyamanan sedikit berbeda.
Anda pilih berdasarkan preferensi atau kebiasaan, bukan karena salah
satunya “salah”.
Contoh Mikroekonomi
Dalam studi adopsi inovasi, peneliti mungkin pakai Logit karena
koefisiennya lebih mudah diinterpretasikan sebagai odds ratio. Di bidang
psikometri atau uji klinis, Probit lebih dipilih karena asumsi
normalitas sesuai dengan teori respons butir atau distribusi
biologis.
Contoh Makroekonomi
Model krisis mata uang sering memakai Logit karena sensitivitas terhadap
ekor distribusi lebih jelas. Model partisipasi pasar kerja cenderung
pakai Probit karena teori ekonomi tenaga kerja sering mengasumsikan
distribusi normal dari variabel produktivitas laten.
Perbandingan Inti
| Aspek | Logit | Probit |
|---|---|---|
| Fungsi Dasar | Logistik: \(\frac{1}{1+e^{-z}}\) | Normal Kumulatif: \(\Phi(z)\) |
| Distribusi Asumsi | Logistic (ekor lebih tebal) | Normal (ekor lebih tipis) |
| Interpretasi Koefisien | Perubahan log-odds | Perubahan Z-score |
| Fleksibilitas | Lebih mudah diinterpretasikan secara relatif | Lebih natural untuk teori berbasis normalitas |
| Hasil Empiris | Sering sangat mirip Probit dalam rentang tengah | Sering sangat mirip Logit dalam rentang tengah |
Mengapa Perbedaan Ini Ada?
Karena sejarah dan disiplin ilmu berkembang dengan asumsi berbeda.
Statistik sosial cenderung ke logistik karena kemudahan komputasi awal
dan interpretasi odds. Ilmu biometrik dan ekonometrika teoritis sering
ke normal karena Teorema Limit Pusat dan sifat agregasi variabel
acak.
1.1.8 Gambaran Umum Bentuk Kurva
Penjelasan Sederhana
library(ggplot2)
# 1. Siapkan rentang indeks linier (z) dari -4 hingga 4
# Rentang ini mencakup >98% perubahan probabilitas, sehingga bentuk S terlihat utuh
z <- seq(-4, 4, length.out = 1000)
# 2. Hitung probabilitas Logit (logistik) dan Probit (normal kumulatif)
df <- data.frame(
z = z,
Logit = plogis(z), # Fungsi distribusi logistik
Probit = pnorm(z) # Fungsi distribusi normal standar kumulatif
)
# 3. Plot visual
ggplot(df, aes(x = z)) +
# Garis kurva utama
geom_line(aes(y = Logit, color = "Logit"), linewidth = 1.3) +
geom_line(aes(y = Probit, color = "Probit"), linewidth = 1.3, linetype = "dashed") +
# Garis bantu: batas probabilitas dan titik belok
geom_hline(yintercept = c(0, 0.5, 1), linetype = "dotted", color = "gray50") +
geom_vline(xintercept = 0, linetype = "dotted", color = "gray50") +
# Anotasi edukatif sesuai poin 1.8
annotate("text", x = -2.5, y = 0.07, label = "Ekor Kiri Datar\n(P ≈ 0)", size = 3.8, color = "#b22222", fontface = "italic") +
annotate("text", x = 2.5, y = 0.93, label = "Ekor Kanan Datar\n(P ≈ 1)", size = 3.8, color = "#0055a4", fontface = "italic") +
annotate("text", x = 0, y = 0.56, label = "Zona Kemiringan\nMaksimum (P ≈ 0.5)", size = 3.8, color = "#2e7d32", fontface = "italic") +
# Pengaturan sumbu
scale_y_continuous(limits = c(0, 1), breaks = c(0, 0.5, 1),
labels = c("0", "0.5", "1")) +
scale_x_continuous(breaks = seq(-4, 4, 1)) +
# Label & tema
labs(
title = "Bentuk Kurva S (Sigmoid) Logit dan Probit",
subtitle = "Probabilitas P sebagai fungsi dari indeks linier z = β₀ + β₁X",
x = "Indeks Linier (z)",
y = "Probabilitas (P)",
color = "Model"
) +
theme_minimal(base_size = 14) +
theme(
plot.title = element_text(face = "bold", hjust = 0.5, margin = margin(b = 5)),
plot.subtitle = element_text(hjust = 0.5, color = "gray40", margin = margin(b = 10)),
legend.position = "top",
legend.justification = "center",
panel.grid.minor = element_blank(),
axis.title = element_text(face = "bold"),
axis.text = element_text(color = "gray30")
)
Kurva Logit dan Probit berbentuk huruf S (sigmoid). Di bagian kiri sangat datar dekat 0, di tengah naik cukup curam, di kanan kembali mendatar mendekati 1. Bentuk ini memastikan perubahan probabilitas tidak pernah melampaui batas 0 atau 1. Ini terjadi karena Probit memusatkan sebagian besar perubahan probabilitas di sekitar titik tengah (P=0,5), sehingga geraknya cepat di sana dan segera melambat saat mendekati batas. Logit menyebarkan perubahan lebih merata, sehingga kenaikannya lebih bertahap dari awal hingga akhir.
Intuisi Ekonomi
Hubungan antara faktor pendorong dan probabilitas kejadian tidak linier.
Misalnya, kenaikan pendapatan pertama kali dari Rp2 juta ke Rp3 juta
mungkin sangat meningkatkan probabilitas membeli rumah. Tapi kenaikan
dari Rp50 juta ke Rp51 juta dampaknya nyaris nol karena probabilitas
sudah mendekati 1. Kurva S menangkap efek jenuh ini.
Contoh Kehidupan Sehari-hari
Probabilitas Anda lulus ujian jika jam belajar bertambah. Dari 0 ke 2
jam: lonjakan besar. Dari 8 ke 10 jam: peningkatan kecil karena Anda
sudah mendekati batas kemampuan maksimal. Kurva S merekam pola ini.
Contoh Mikroekonomi
Permintaan barang inferior terhadap kenaikan harga. Pada harga sangat
rendah, probabilitas membeli hampir 1. Saat harga naik sedikit di titik
kritis, probabilitas turun tajam. Di harga sangat tinggi, probabilitas
mendatar di 0.
Contoh Makroekonomi
Probabilitas inflasi tinggi terhadap pertumbuhan uang beredar (M2). Pada
level M2 rendah, kenaikan memberi efek kecil. Di titik kritis,
probabilitas inflasi melonjak. Di level sangat tinggi, probabilitas
sudah jenuh mendekati 1 karena ekonomi pasti memanas.
Sifat Kurva yang Perlu Dipahami
- Batas Atas-Bawah: Selalu 0 dan 1. Tidak mungkin
keluar dari koridor probabilitas.
- Kemiringan (Slope): Paling curam di tengah (saat P ≈
0,5). Artinya, faktor penjelas paling berpengaruh ketika keputusan
benar-benar “go/no-go”.
- Ekor Datar: Di dekat 0 atau 1, perubahan X memberi
dampak minimal. Ini realistis secara ekonomi: orang yang sudah pasti
tidak akan beli, tidak akan terpengaruh diskon kecil.
- Simetri: Kedua kurva simetris di sekitar titik
tengah, tapi ekor Logit sedikit lebih tebal, artinya lebih toleran
terhadap probabilitas ekstrem.
Mengapa Bentuk S Muncul?
Karena transformasi matematika yang membatasi output ke [0,1] secara
alami menghasilkan lengkungan sigmoid. Bukan pilihan artistik, tapi
konsekuensi logis dari menjaga probabilitas tetap valid.
1.1.9 Contoh Sederhana
Penjelasan Sederhana
Mari kita lihat bagaimana Logit/Probit bekerja dalam skenario
sehari-hari tanpa masuk ke angka teknis. Anggap kita ingin memahami
probabilitas mahasiswa lulus ujian tepat waktu berdasarkan jam tidur
malam sebelumnya.
Intuisi Ekonomi
Jam tidur adalah input yang memengaruhi kapasitas kognitif. Tapi
hubungannya tidak 1 jam tidur = +10% kelulusan. Ada titik kritis, ada
efek jenuh, ada faktor lain yang berinteraksi. Logit/Probit menangkap
pola ini secara implisit melalui bentuk kurva dan struktur
probabilitas.
Contoh Kehidupan Sehari-hari
Jika Anda tidur 3 jam, probabilitas lulus sangat rendah. Di 6 jam, naik
signifikan. Di 8 jam, sudah tinggi dan tambahan 1 jam lagi hampir tidak
mengubah banyak. Model Logit/Probit akan merekam pola ini lewat kurva S,
bukan garis lurus.
Contoh Mikroekonomi
Sebuah toko online memberi diskon. Probabilitas pembelian meningkat saat
diskon naik dari 0% ke 20%. Tapi dari 80% ke 90%, peningkatannya minimal
karena sudah ada antrian pembeli yang pasti beli. Diskon adalah X,
pembelian adalah P. Hubungannya sigmoidal.
Contoh Makroekonomi
Program subsidi BBM. Ketika harga turun dari Rp15.000 ke Rp10.000,
probabilitas masyarakat menggunakan kendaraan pribadi naik tajam. Dari
Rp5.000 ke Rp4.000, peningkatannya kecil karena hampir semua yang bisa
beli sudah beli. Kurva S menangkap batas respons kebijakan.
Cara Kerja Tanpa Rumus
1. Kumpulkan data: jam tidur vs hasil ujian (1=lulus, 0=tidak).
2. Model mencari pola: di jam berapa perubahan kecil tidur memberi
lompatan probabilitas terbesar?
3. Output: kurva yang menunjukkan probabilitas lulus untuk setiap jam
tidur.
4. Interpretasi: bukan “tidur 7 jam = lulus”, tapi “tidur 7 jam memberi
probabilitas 0,78 lulus, dengan margin pengaruh tergantung posisi
awal”.
2 BAB 2
2.1 WHY? MENGAPA LOGIT DAN PROBIT DIPERLUKAN?
Mari kita mulai dengan pertanyaan yang pasti pernah muncul di kepala Anda, mungkin bahkan saat Anda mengerjakan tugas regresi pertama: “Mengapa kita tidak menggunakan regresi linear biasa?”
Pertanyaan ini sangat wajar. Selama beberapa semester, OLS (Ordinary Least Squares) telah menjadi sahabat setia Anda. Ia sederhana, intuitif, dan selalu memberikan jawaban yang rapi. Tapi dalam ekonometrika, alat yang paling nyaman belum tentu alat yang paling tepat. Bab ini tidak akan menyuruh Anda melupakan OLS. Justru, kita akan melihat bagaimana OLS bekerja, apa yang terjadi ketika kita memaksanya menjawab pertanyaan ya/tidak, dan mengapa Logit serta Probit lahir bukan sebagai “teori tambahan”, melainkan sebagai jawaban logis atas keterbatasan pendekatan linear.
Siapkan catatan Anda. Kita akan berjalan pelan-pelan, dari zona nyaman menuju realitas data yang sebenarnya.
2.1.1 Bagaimana OLS Bekerja
Penjelasan Sederhana
OLS adalah metode menarik garis lurus yang paling “mewakili” kumpulan
titik data. Garis ini dipilih agar jumlah kuadrat jarak vertikal antara
titik data aktual dan garis prediksi menjadi sekecil mungkin. Hasilnya
adalah persamaan linier: nilai yang diprediksi berubah secara
proporsional setiap kali variabel penjelas berubah.
Intuisi Ekonomi
OLS mengasumsikan hubungan yang stabil dan kontinu. Jika pendapatan naik
Rp1 juta, konsumsi naik sekian. Jika suku bunga turun 1%, investasi naik
sekian. Dunia yang dimodelkan OLS adalah dunia di mana perubahan kecil
selalu menghasilkan respons yang bisa diukur dengan penggaris yang
sama.
Contoh Kehidupan Sehari-hari
Anda mencatat hubungan antara jam belajar dan nilai ujian. Semakin
banyak jam belajar, nilai cenderung naik secara bertahap. OLS cocok
karena nilai ujian bersifat kontinu (bisa 70, 70,5, 71, dst.).
Contoh Mikroekonomi
Perusahaan memperkirakan permintaan barang berdasarkan harga. Penurunan
harga Rp1000 meningkatkan penjualan 50 unit. Hubungan ini bersifat
linier dalam rentang tertentu, sehingga OLS memberikan estimasi
elastisitas yang jelas.
Contoh Makroekonomi
Bank sentral memodelkan hubungan antara pertumbuhan uang beredar (M2)
dan inflasi. Kenaikan M2 sebesar 1% diasumsikan menaikkan inflasi secara
proporsional dalam jangka menengah. OLS membantu mengukur koefisien
transmisi kebijakan moneter.
Mengapa Ini Penting?
OLS bekerja sangat baik ketika variabel dependen bersifat kontinu dan
tidak memiliki batas atas-bawah yang keras. Tapi apa yang terjadi ketika
variabel dependen hanya bisa bernilai 0 atau 1? Di sinilah cerita mulai
berubah.
2.1.2 Apa Itu Linear Probability Model (LPM)
Penjelasan Sederhana
Linear Probability Model (LPM) adalah penerapan langsung OLS pada
variabel dependen biner (0/1). Kita tetap menggunakan persamaan linier,
tapi kali ini nilai yang diprediksi kita interpretasikan sebagai
probabilitas kejadian bernilai 1.
Intuisi Ekonomi
LPM muncul dari keinginan pragmatis: “Kalau OLS sudah kita kuasai,
mengapa tidak dipakai saja untuk data ya/tidak?” Secara matematis, kita
hanya mengganti Y kontinu dengan Y biner, lalu memperlakukan output
regresi sebagai peluang. Jika model memprediksi 0,7, kita baca sebagai
“70% kemungkinan terjadi”.
Contoh Kehidupan Sehari-hari
Anda ingin memperkirakan probabilitas teman Anda datang ke pesta
berdasarkan jarak rumah. Anda regresi jarak (km) terhadap kehadiran
(1=datang, 0=tidak). Hasil koefisien negatif berarti semakin jauh,
probabilitas datang semakin kecil.
Contoh Mikroekonomi
Bank memodelkan probabilitas gagal bayar kredit (1=gagal, 0=lancar)
berdasarkan rasio utang-pendapatan. LPM memberi angka langsung: setiap
kenaikan rasio 0,1 meningkatkan probabilitas NPL sebesar 0,05 (5 poin
persentase).
Contoh Makroekonomi
Peneliti memperkirakan probabilitas resesi (1=resesi, 0=normal)
berdasarkan inversi kurva imbal hasil obligasi. LPM memberikan estimasi
cepat tentang seberapa besar sinyal pasar memengaruhi peluang kontraksi
ekonomi.
Rumus & Penjelasan Simbol
\[
P(Y=1|X) = \beta_0 + \beta_1 X_1 + \beta_2 X_2 + \dots + \beta_k X_k
\] - \(P(Y=1|X)\): Probabilitas
kejadian bernilai 1, diberikan nilai X.
- \(\beta_0\): Intercept, probabilitas dasar ketika semua X = 0.
- \(\beta_1, \dots, \beta_k\): Koefisien yang mengukur perubahan probabilitas per unit perubahan X.
- \(X_1, \dots, X_k\): Variabel penjelas (jarak, rasio utang, imbal hasil, dll.).
Interpretasi Ekonomi
Koefisien \(\beta\) di LPM langsung
dibaca sebagai efek marginal konstan. Jika \(\beta_1 = 0,04\), artinya setiap kenaikan
X₁ sebesar 1 unit meningkatkan probabilitas kejadian sebesar 4 poin
persentase, terlepas dari nilai awal X.
Mengapa Rumus Ini Muncul?
Karena LPM adalah OLS yang “dipaksa” bekerja pada data biner. Tidak ada
transformasi khusus. Output regresi langsung dianggap probabilitas.
Sederhana, tapi menyimpan jebakan yang akan kita bahas segera.
2.1.3 Mengapa LPM Terlihat Menarik
Penjelasan Sederhana
LPM menggoda karena ia tidak meminta Anda belajar fungsi baru. Anda
cukup menjalankan regresi, membaca koefisien, dan langsung mendapatkan
angka probabilitas. Tidak perlu transformasi logaritma, tidak perlu
asumsi distribusi khusus, dan efek marginalnya konstan di seluruh
rentang data.
Intuisi Ekonomi
Dalam dunia kebijakan dan bisnis, kecepatan sering kali dihargai. LPM
memberi respons cepat: “Jika kita naikkan subsidi 10%, probabilitas
adopsi naik 3%.” Pesan ini langsung bisa dikomunikasikan ke pembuat
keputusan tanpa perlu penjelasan kurva S atau odds ratio.
Contoh Kehidupan Sehari-hari
Anda ingin tahu apakah membawa payung hari ini. LPM memberi angka
langsung: “Berdasarkan kelembaban dan angin, probabilitas hujan 68%.”
Anda tidak perlu menghitung odds atau Z-score. Cukup 68%, langsung
bertindak.
Contoh Mikroekonomi
Perusahaan ritel ingin mengukur dampak promo diskon terhadap
probabilitas pembelian. LPM memberikan estimasi cepat: diskon 15%
meningkatkan peluang beli sebesar 0,12. Tim pemasaran bisa langsung
menghitung ROI tanpa model kompleks.
Contoh Makroekonomi
Kementerian keuangan memperkirakan probabilitas penerimaan pajak
melebihi target berdasarkan pertumbuhan kuartalan. LPM memberi angka
langsung untuk laporan cepat ke DPR, sebelum analisis mendalam
dilakukan.
Analogi Sederhana
LPM seperti pisau lipat serbaguna: kecil, cepat dibuka, dan cukup untuk
tugas ringan. Tapi jangan memotong kayu keras. Ia tidak dirancang untuk
beban struktural.
Mengapa Ini Penting?
Karena daya tarik LPM justru menjadi jebakannya. Kemudahan interpretasi
sering menutupi pelanggaran asumsi statistik yang fatal. Kita perlu
melihat apa yang terjadi di balik layar.
2.1.4 Kelemahan LPM: Probabilitas di Luar Rentang 0–1
Penjelasan Sederhana
Masalah pertama LPM adalah garis lurus tidak mengenal batas. Jika nilai
X cukup besar atau kecil, prediksi LPM bisa menghasilkan angka di bawah
0 atau di atas 1. Padahal, probabilitas secara definisi tidak mungkin
negatif atau melebihi 100%.
Intuisi Ekonomi
Probabilitas adalah ukuran keyakinan relatif, bukan besaran fisik. Anda
tidak bisa “lebih dari pasti” atau “kurang dari mustahil”. Ketika model
menghasilkan P = 1,2 atau P = -0,15, ia kehilangan makna ekonomi. Angka
itu tidak bisa diinterpretasikan sebagai peluang, hanya sebagai artefak
matematis.
Contoh Kehidupan Sehari-hari
Anda memodelkan probabilitas lulus ujian berdasarkan jam belajar. Jika
seseorang belajar 20 jam/hari (tidak realistis, tapi secara matematis
mungkin dalam data), LPM bisa memprediksi P = 1,3. Artinya “130%
kemungkinan lulus”, yang secara logika tidak masuk akal.
Contoh Mikroekonomi
Dalam prediksi gagal bayar, nasabah dengan pendapatan sangat tinggi dan
riwayat kredit sempurna bisa mendapat prediksi P = -0,05. Bank tidak
bisa berkata “probabilitas gagal bayar minus 5%”. Ini merusak sistem
scoring kredit.
Contoh Makroekonomi
Model probabilitas krisis valuta asing berdasarkan cadangan devisa. Jika
cadangan sangat besar, LPM bisa memberi P = -0,2. Pemerintah tidak bisa
menggunakan angka negatif untuk menyusun strategi pertahanan mata
uang.
Mengapa Rumus Ini Muncul?
Karena persamaan linier \(\beta_0 + \beta_1
X\) tidak memiliki mekanisme pembatas. Secara aljabar, jika X
menuju tak hingga, prediksi juga menuju tak hingga. Tidak ada “pagar”
yang menjaga output tetap di [0,1].
Interpretasi Ekonomi
Koefisien LPM mengasumsikan bahwa setiap tambahan unit X selalu memberi
dampak yang sama pada probabilitas. Padahal, ketika probabilitas sudah
mendekati 1, tambahan faktor pendorong seharusnya memberi dampak yang
semakin kecil (hukum hasil yang semakin menurun).
2.1.5 Kelemahan LPM: Heteroskedastisitas
Penjelasan Sederhana
Dalam LPM, varians dari error term tidak konstan. Ia berubah tergantung
nilai X. Secara spesifik, varians error terbesar ketika probabilitas
mendekati 0,5, dan mengecil ketika mendekati 0 atau 1. Ini melanggar
asumsi homoskedastisitas OLS.
Intuisi Ekonomi
Ketidakpastian keputusan paling tinggi saat orang masih ragu-ragu (P ≈
0,5). Saat sudah sangat yakin akan memilih ya atau tidak, varians
keputusan mengecil. OLS mengasumsikan ketidakpastian sama di semua
tingkat X, padahal realitas ekonomi menunjukkan sebaliknya.
Contoh Kehidupan Sehari-hari
Keputusan membeli kopi mahal. Saat harga sedang-sedang saja, respons
orang sangat beragam (ada yang beli, ada yang tidak). Saat harga sangat
murah, hampir semua beli (varians kecil). Saat sangat mahal, hampir
semua tidak beli (varians kecil). LPM menganggap variansnya sama,
padahal tidak.
Contoh Mikroekonomi
Partisipasi pasar kerja perempuan berdasarkan upah yang ditawarkan. Di
upah menengah, keputusan sangat heterogen (tergantung biaya anak,
preferensi, dll.). Di upah sangat tinggi atau sangat rendah, keputusan
hampir seragam. Error term LPM menjadi tidak stabil.
Contoh Makroekonomi
Probabilitas negara mengalami default berdasarkan rasio utang-PDB. Di
level utang moderat, respons pasar dan kebijakan sangat bervariasi. Di
level ekstrem (sangat rendah atau sangat tinggi), perilaku cenderung
seragam. Heteroskedastisitas membuat standar error OLS bias.
Mengapa Ini Muncul?
Karena untuk variabel biner, \(\text{Var}(Y|X)
= P(X)[1-P(X)]\). Fungsi ini berbentuk parabola terbalik:
maksimal di P=0,5, nol di P=0 dan P=1. OLS tidak mengakomodasi pola ini,
sehingga estimasi koefisien tetap tidak bias, tapi standar error dan uji
signifikansi menjadi tidak valid.
Interpretasi Ekonomi
Ketika heteroskedastisitas diabaikan, kita bisa menyimpulkan suatu
faktor “signifikan” padahal tidak, atau sebaliknya. Dalam kebijakan, ini
berarti intervensi yang salah alamat atau alokasi anggaran yang tidak
efisien.
2.1.6 Kelemahan LPM: Nonlinearitas Keputusan Manusia
Penjelasan Sederhana
LPM mengasumsikan efek marginal konstan. Padahal, keputusan manusia
bersifat nonlinear. Pengaruh tambahan satu unit faktor penjelas tidak
selalu sama; ia bergantung pada posisi awal keputusan. Di titik ragu,
dampaknya besar. Di titik yakin, dampaknya mengecil.
Intuisi Ekonomi
Manusia merespons insentif secara kontekstual. Kenaikan gaji dari Rp3
juta ke Rp4 juta mungkin sangat mengubah keputusan bekerja. Tapi
kenaikan dari Rp15 juta ke Rp16 juta mungkin tidak mengubah apa-apa
karena kebutuhan dasar sudah terpenuhi dan preferensi waktu luang
mendominasi. LPM memaksa hubungan ini menjadi datar, padahal
melengkung.
Contoh Kehidupan Sehari-hari
Keputusan melanjutkan kuliah. Bantuan biaya pendidikan Rp1 juta sangat
berdampak bagi keluarga berpenghasilan rendah. Bagi keluarga
berpenghasilan tinggi, tambahan Rp1 juta hampir tidak mengubah keputusan
karena faktor lain (prestise, jaringan, preferensi karir) lebih
dominan.
Contoh Mikroekonomi
Keputusan perusahaan berinvestasi dalam teknologi hijau. Pada tahap
awal, insentif pajak kecil memberi dampak besar. Setelah ambang
profitabilitas tercapai, insentif tambahan memberi dampak yang semakin
kecil karena keputusan sudah cenderung “ya”.
Contoh Makroekonomi
Respons inflasi terhadap kenaikan suku bunga. Saat inflasi rendah,
kenaikan suku bunga 0,5% memberi efek penekanan yang jelas. Saat inflasi
sudah sangat tinggi, kenaikan suku bunga yang sama efeknya tumpul karena
ekspektasi sudah tertanam dan刚性 harga terbentuk.
Analogi Sederhana
Bayangkan Anda mendorong mobil mogok. Dorongan pertama sangat efektif
menggerakkan roda. Dorongan kelima hampir tidak terasa karena mobil
sudah jalan. LPM menganggap setiap dorongan memberi percepatan yang
sama, padahal hukum fisika (dan ekonomi) menunjukkan efek yang
menurun.
Mengapa Ini Penting?
Karena nonlinearitas adalah ciri khas perilaku ekonomi. Model yang
mengabaikannya tidak hanya salah secara statistik, tapi juga gagal
menangkap mekanisme insentif yang sebenarnya.
2.1.7 Munculnya Pendekatan CDF
Penjelasan Sederhana
Untuk mengatasi batas 0–1, heteroskedastisitas, dan nonlinearitas,
ekonometrika beralih ke Cumulative Distribution Function (CDF). CDF
adalah fungsi yang secara matematis dijamin mulai dari 0, berakhir di 1,
dan berbentuk kurva halus yang mengakumulasi probabilitas.
Intuisi Ekonomi
CDF berperan sebagai “penjaga batas” sekaligus “penerjemah konteks”. Ia
tidak memaksa hubungan linier, tapi membiarkan probabilitas mengalir
secara natural dari ketidakmungkinan menuju kepastian. Setiap perubahan
faktor penjelas di-input ke dalam CDF, dan outputnya selalu valid secara
probabilitas.
Contoh Kehidupan Sehari-hari
Anda mengumpulkan data jam belajar dan kelulusan. Alih-alih menarik
garis lurus, Anda menyusun kurva yang dimulai dari 0 (tidak belajar =
tidak lulus), naik perlahan, lalu curam di tengah, dan mendatar di 1
(belajar cukup = pasti lulus). CDF memberikan bentuk matematis untuk
kurva ini.
Contoh Mikroekonomi
Dalam scoring kredit, bank tidak lagi menggunakan garis lurus. Mereka
memetakan variabel keuangan ke dalam fungsi kumulatif yang menjamin skor
risiko selalu antara 0 dan 1, dengan sensitivitas yang menyesuaikan
tingkat risiko awal nasabah.
Contoh Makroekonomi
Model early warning system krisis keuangan menggunakan CDF untuk
memetakan indikator makro ke probabilitas krisis. Fungsi ini memastikan
peringatan tidak pernah negatif atau melebih 100%, dan responsnya
menyesuaikan kedalaman ketidakstabilan.
Mengapa CDF Muncul?
Karena secara statistik, variabel biner adalah realisasi dari variabel
laten kontinu yang melewati ambang batas. CDF adalah cara natural
memetakan variabel laten ke probabilitas observasi. Ia muncul bukan dari
keinginan complicating things, tapi dari kebutuhan matematis yang
unavoidable.
Interpretasi Ekonomi
CDF mengubah cara kita berpikir: dari “berapa besar perubahan?” menjadi
“di mana posisi relatif terhadap ambang keputusan?”. Ini lebih sesuai
dengan teori pilihan rasional yang mengasumsikan aktor membandingkan
utilitas tersembunyi dengan biaya peluang.
2.1.8 Mengapa Logit dan Probit Menjadi Solusi
Penjelasan Sederhana
Logit dan Probit adalah implementasi spesifik dari pendekatan CDF. Logit
menggunakan fungsi distribusi logistik, Probit menggunakan fungsi
distribusi normal standar. Keduanya secara struktural mengatasi ketiga
kelemahan LPM: menjamin batas 0–1, menangani heteroskedastisitas secara
inheren, dan menangkap nonlinearitas keputusan melalui kurva S.
Intuisi Ekonomi
Logit dan Probit tidak “memperbaiki” OLS; mereka menggantinya dengan
model yang sesuai dengan sifat data biner. Mereka mengakui bahwa
keputusan ekonomi lahir dari proses akumulasi pertimbangan, bukan
penjumlahan linier sederhana. Dengan menggunakan CDF, mereka
menerjemahkan faktor penjelas ke dalam bahasa probabilitas yang
konsisten dengan teori pilihan.
Contoh Kehidupan Sehari-hari
Keputusan membeli rumah. Logit/Probit tidak mengatakan “setiap tambahan
Rp1 juta pendapatan menaikkan probabilitas beli sebesar 0,5% secara
tetap”. Ia mengatakan “dampak pendapatan terbesar saat Anda masih ragu
antara sewa atau beli, dan mengecil saat Anda sudah sangat mampu atau
sangat tidak mampu”. Ini jauh lebih realistis.
Contoh Mikroekonomi
Partisipasi angkatan kerja perempuan. Logit/Probit menangkap bagaimana
pengaruh upah, biaya penitipan anak, dan pendidikan berinteraksi secara
nonlinear. Mereka memberikan probabilitas yang valid untuk setiap profil
perempuan, tanpa risiko angka negatif atau >1.
Contoh Makroekonomi
Probabilitas bank sentral mengubah suku bunga. Logit/Probit memetakan
indikator inflasi, output gap, dan nilai tukar ke dalam probabilitas
kebijakan yang stabil di ekor distribusi, mengakui bahwa ketidakpastian
kebijakan tidak konstan melainkan bergantung pada kondisi ekonomi saat
itu.
Mengapa Mereka Menjadi Solusi?
Karena mereka tidak sekadar “menambal” LPM, tapi membangun ulang fondasi
model sesuai dengan sifat data biner. Mereka menjamin validitas
probabilistik, efisiensi statistik, dan kesesuaian dengan teori
perilaku. Dalam bahasa sederhana: mereka adalah alat yang memang
dirancang untuk pekerjaan ini, bukan alat serbaguna yang dipaksa
bekerja.
Interpretasi Ekonomi
Koefisien Logit/Probit tidak langsung dibaca sebagai perubahan
probabilitas, tapi sebagai penggeser kurva S. Efek marginal dihitung
pada titik tertentu, mencerminkan realitas bahwa sensitivitas keputusan
berubah tergantung konteks. Ini bukan kelemahan, tapi keunggulan yang
menangkap kompleksitas ekonomi.
3 BAB 3
3.1 WHEN? KAPAN LOGIT DAN PROBIT DIGUNAKAN?
Selamat datang di ruang kerja peneliti. Jika Bab 1 dan 2 memberi Anda peta konseptual dan alasan historis, Bab 3 adalah kompas praktis. Di sinilah Anda belajar membaca data, mengenali momen yang tepat, dan memutuskan dengan percaya diri: “Apakah penelitian saya butuh Logit atau Probit?” Banyak mahasiswa S1 Ekonomi terjebak di bab metodologi bukan karena sulitnya rumus, tapi karena ketidakjelasan kapan alat itu dipakai. Mereka regresi variabel 0/1 dengan OLS, dapat R² aneh, koefisien tidak signifikan, lalu bingung harus melangkah ke mana. Bab ini akan mengubah kebingungan itu menjadi kepastian. Kita tidak akan menghafal tabel. Kita akan melatih intuisi penelitian. Mari kita mulai dari tanda-tanda paling dasar.
3.1.1 Karakteristik Penelitian yang Cocok untuk Logit-Probit
Penjelasan Sederhana
Logit dan Probit digunakan ketika pertanyaan penelitian Anda berpusat
pada kejadian yang hanya punya dua hasil: terjadi atau
tidak, pilih A atau B, berhasil atau gagal. Bukan “berapa besar”, tapi
“apakah”.
Intuisi Ekonomi
Ekonomi mempelajari pilihan dalam kelangkaan. Ketika sumber daya, waktu,
atau aturan memaksa pelaku ekonomi mengambil satu jalan dan menutup
jalan lain, hasilnya bersifat diskrit. Logit-Probit hadir untuk memotret
momen persimpangan itu, bukan perjalanan di sepanjang jalan lurus.
Contoh Kehidupan Sehari-hari
Apakah Anda berlangganan streaming bulan ini? Hasilnya hanya dua:
berlangganan (1) atau berhenti (0). Tidak ada “setengah
berlangganan”.
Contoh Mikroekonomi
Sebuah UMKM memutuskan apakah akan mengekspor produknya ke pasar ASEAN.
Keputusan ini memengaruhi struktur biaya, skala produksi, dan paparan
risiko valuta asing. Hasilnya: ekspor atau tidak.
Contoh Makroekonomi
Pemerintah memutuskan apakah akan menerapkan kebijakan lockdown selama
pandemi. Pertimbangannya meliputi kesehatan publik, daya beli, dan
kapasitas fiskal. Hasilnya: diterapkan atau tidak.
5W+1H Terapan
- What: Penelitian dengan variabel hasil biner (0/1).
- Why: Karena pilihan diskrit melanggar asumsi kontinuitas
OLS.
- When: Saat data cross-section, time series, atau panel
merekam kejadian ya/tidak.
- Where: Survei rumah tangga, data perbankan, indikator
kebijakan, catatan transaksi.
- Who: Peneliti perilaku konsumen, analis risiko kredit,
pembuat kebijakan publik.
- How: Memetakan faktor penjelas ke probabilitas melalui fungsi
kumulatif.
Mengapa Ini Penting?
Mengenali karakteristik ini adalah langkah pertama menghindari model
misspecification. Memakai alat yang salah bukan hanya membuat angka
tidak akurat, tapi merusak narasi ekonomi di balik data.
3.1.2 Cara Mengenali Variabel Dependen Biner
Penjelasan Sederhana
Variabel dependen biner adalah kolom data yang hanya berisi dua kode:
biasanya 0 dan 1. Angka ini bukan besaran, melainkan label
status. 1 berarti kejadian hadir, 0 berarti kejadian absen.
Intuisi Ekonomi
Dalam ekonomi, biner sering kali merepresentasikan threshold
atau ambang batas. Di balik angka 0/1 ada proses evaluasi yang tak
terlihat: utilitas melebihi biaya, pendapatan melewati garis kemiskinan,
atau indikator makro menembus batas kritis. Variabel biner adalah pintu
keluar dari proses internal itu.
Contoh Kehidupan Sehari-hari
Status keanggotaan gym: aktif (1) atau tidak aktif (0). Tidak ada nilai
0,7.
Contoh Mikroekonomi
Riwayat kredit nasabah: pernah gagal bayar (1) atau selalu lancar (0).
Bank menggunakan ini untuk scoring risiko.
Contoh Makroekonomi
Indikator resesi: PDB negatif dua kuartal berturut-turut (1) atau tidak
(0). Digunakan untuk kalender siklus bisnis.
Analogi Sederhana
Variabel biner seperti saklar lampu. Anda tidak mengukur “seberapa
terang” dengan saklar, Anda hanya mencatat posisi: ON atau OFF.
Logit/Probit adalah alat yang menjawab: “Faktor apa yang membuat saklar
itu di posisi ON?”
Mengapa Ini Penting?
Sering kali mahasiswa salah mengidentifikasi variabel. Misalnya, “jumlah
anak” (0, 1, 2, 3…) dianggap biner padahal multinomial. Atau “skala
kepuasan 1-5” dianggap biner padahal ordinal. Kesalahan identifikasi
sejak awal akan meruntuhkan seluruh analisis.
3.1.3 Peta Contoh Penelitian Ekonomi Mikro
Penjelasan Sederhana
Di tingkat mikro, Logit-Probit menjawab pertanyaan tentang perilaku
individu, rumah tangga, atau perusahaan yang menghadapi pilihan
terbatas. Data biasanya berasal dari survei, catatan transaksi, atau
registri administrasi.
Intuisi Ekonomi
Perekonomian mikro adalah kumpulan keputusan terdesentralisasi. Setiap
aktor memaksimalkan utilitas atau profit di bawah kendala. Ketika
kendala memaksa pilihan dikotomis, model biner menjadi lensa yang tepat
untuk mengukur pengaruh pendapatan, harga, pendidikan, atau akses
infrastruktur terhadap peluang memilih satu jalan.
Contoh Kehidupan Sehari-hari
Keputusan membeli asuransi kesehatan sukarela. Dipengaruhi oleh usia,
riwayat penyakit keluarga, dan persepsi risiko.
Contoh Mikroekonomi (Fokus Akademik)
Partisipasi perempuan dalam pasar kerja, adopsi teknologi pertanian oleh
petani kecil, keputusan UMKM go-digital, probabilitas mahasiswa drop
out, pilihan transportasi komuter.
Contoh Makroekonomi (Terkait Mikro)
Respons rumah tangga terhadap program bantuan sosial tunai: apakah
bantuan meningkatkan probabilitas membuka usaha mikro? Ini menjembatani
mikro-perilaku dengan evaluasi kebijakan makro.
Contoh Topik Skripsi S1 Ekonomi (Mikro)
1. Pengaruh Literasi Keuangan dan Akses Kredit terhadap Probabilitas
UMKM Mengadopsi E-Commerce di Kota X.
2. Analisis Faktor yang Mempengaruhi Keputusan Rumah Tangga Berlangganan
Listrik Prabayar vs Pascabayar.
3. Dampak Jarak ke Pusat Kesehatan terhadap Probabilitas Ibu Hamil
Melakukan Pemeriksaan Antenatal Minimal 4 Kali.
4. Pengaruh Pengalaman Kerja dan Sertifikasi Kompetensi terhadap
Kemungkinan Lulusan D3 Langsung Bekerja vs Melanjutkan Studi.
5. Determinan Keputusan Petani Padi Beralih dari Pupuk Subsidi ke Pupuk
Non-Subsidi Pasca Kenaikan Harga.
6. Pengaruh Kepemilikan Tanah dan Umur Kepala Rumah Tangga terhadap
Probabilitas Migrasi Permanen ke Kota Besar.
7. Analisis Probabilitas Gagal Bayar Pinjaman Online (Pinjol) pada
Generasi Z Berdasarkan Pola Konsumsi dan Pendapatan.
8. Dampak Program Kartu Prakerja terhadap Kemungkinan Peserta
Mendapatkan Pekerjaan Formal dalam 6 Bulan.
Mengapa Ini Penting?
Penelitian mikro dengan outcome biner adalah lahan subur untuk
Logit/Probit. Data survei seperti Sakernas, Susenas, atau data internal
perusahaan sering kali menyimpan variabel 0/1 yang menunggu dieksplorasi
dengan metode yang tepat.
3.1.4 Peta Contoh Penelitian Ekonomi Makro
Penjelasan Sederhana
Di tingkat makro, Logit-Probit digunakan untuk memodelkan keputusan
kebijakan, kejadian krisis, atau perubahan rezim ekonomi yang bersifat
diskrit. Data biasanya time series atau panel negara.
Intuisi Ekonomi
Kebijakan makro dan gejolak ekonomi sering kali dipicu oleh akumulasi
tekanan yang melewati titik kritis. Ketika inflasi, defisit, atau
ketidakstabilan politik mencapai ambang tertentu, pemerintah atau bank
sentral mengambil tindakan tegas. Logit-Probit memetakan tekanan
tersebut ke dalam probabilitas tindakan atau kejadian.
Contoh Kehidupan Sehari-hari
Keputusan pemerintah menaikkan harga BBM bersubsidi. Dipertimbangkan
dari APBN, inflasi, dan daya beli masyarakat.
Contoh Mikroekonomi (Terkait Makro)
Dampak kenaikan suku bunga acuan terhadap probabilitas rumah tangga
menunda pembelian rumah. Ini menunjukkan transmisi kebijakan makro ke
keputusan mikro.
Contoh Makroekonomi (Fokus Akademik)
Prediksi krisis valuta asing, probabilitas resesi ekonomi, keputusan
bank sentral menaikkan/menurunkan suku bunga, ratifikasi perjanjian
perdagangan, terjadinya sovereign default.
Contoh Topik Skripsi S1 Ekonomi (Makro)
1. Analisis Determinan Probabilitas Krisis Valuta Asing di Negara ASEAN:
Pendekatan Early Warning System.
2. Pengaruh Inversi Kurva Imbal Hasil Obligasi dan Pertumbuhan M2
terhadap Kemungkinan Resesi di Indonesia.
3. Determinan Keputusan Bank Indonesia Menaikkan Suku Bunga Acuan:
Tinjauan dari Target Inflasi dan Nilai Tukar.
4. Analisis Probabilitas Terjadinya Sovereign Default Berdasarkan Rasio
Utang Luar Negeri dan Cadangan Devisa.
5. Pengaruh Stabilitas Politik dan Indeks Korupsi terhadap Kemungkinan
Suatu Negara Masuk dalam Daftar Grey List FATF.
6. Dampak Volatilitas Harga Komoditas Ekspor terhadap Probabilitas
Penurunan Rating Kredit Negara Emerging Market.
7. Analisis Faktor Makroekonomi yang Mempengaruhi Keputusan Pemerintah
Menerapkan Pembatasan Ekspor Bahan Mentah.
8. Pengaruh Pertumbuhan PDB Global dan Suku Bunga The Fed terhadap
Probabilitas Capital Inflow Surge di Indonesia.
Mengapa Ini Penting?
Model biner di tingkat makro sering digunakan untuk policy
monitoring dan risk assessment. Lembaga seperti BI,
Kemenkeu, atau IMF secara rutin menggunakan pendekatan ini untuk
menyusun skenario stres dan rekomendasi kebijakan.
3.1.5 Kapan Memilih Logit?
Penjelasan Sederhana
Pilih Logit ketika Anda menginginkan interpretasi yang langsung terkait
dengan rasio peluang (odds ratio), atau ketika data
Anda mengandung ketidakpastian ekstrem yang memerlukan fungsi dengan
ekor lebih tebal.
Intuisi Ekonomi
Logit memberi bahasa yang natural untuk perbandingan relatif. Dalam
banyak konteks ekonomi, yang penting bukan probabilitas absolut, tapi
seberapa besar faktor X meningkatkan peluang relatif kejadian
terjadi dibanding tidak. Logit menjawab ini secara langsung.
Contoh Kehidupan Sehari-hari
Menganalisis faktor yang membuat seseorang lebih mungkin memilih
transportasi online daripada konvensional. Odds ratio memberi tahu:
“Pemilik smartphone punya peluang 3x lebih besar memilih online.”
Contoh Mikroekonomi
Studi konversi penjualan e-commerce. Marketer lebih peduli pada “berapa
kali lipat kemungkinan beli meningkat jika ada promo” daripada
probabilitas absolut. Logit memberi jawaban langsung.
Contoh Makroekonomi
Analisis voting dalam dewan gubernur bank sentral. Peneliti ingin tahu
seberapa besar tekanan inflasi meningkatkan odds suara hawkish vs
dovish. Logit memudahkan interpretasi perbandingan suara.
Mengapa Ini Penting?
Logit secara matematis lebih sederhana untuk komputasi iteratif (tidak
memerlukan integrasi numerik seperti Probit), dan koefisiennya bisa
dieksponensialkan langsung menjadi odds ratio yang intuitif bagi
pemangku kepentingan non-tekris.
3.1.6 Kapan Memilih Probit?
Penjelasan Sederhana
Pilih Probit ketika variabel laten di balik keputusan biner secara
teoritis mengikuti distribusi normal, atau ketika
penelitian Anda berada di ranah yang bersinggungan dengan psikometri,
biometrik, atau model struktural ekonomi.
Intuisi Ekonomi
Banyak fenomena ekonomi lahir dari penjumlahan banyak gangguan kecil
yang independen. Menurut Teorema Limit Pusat, akumulasi ini cenderung
normal. Probit menangkap intuisi ini: keputusan biner adalah manifestasi
dari skor tersembunyi yang terdistribusi lonceng.
Contoh Kehidupan Sehari-hari
Keputusan lulus ujian masuk perguruan tinggi. Di balik nilai ambang
batas, ada akumulasi faktor: pemahaman materi, kondisi kesehatan hari H,
tingkat stres, keberuntungan soal. Probit mengasumsikan akumulasi ini
normal.
Contoh Mikroekonomi
Partisipasi angkatan kerja dengan pendekatan utility maximization. Jika
gangguan preferensi waktu luang vs kerja diasumsikan normal, Probit
adalah turunan langsung dari teori.
Contoh Makroekonomi
Model threshold kebijakan fiskal. Jika shock makro dianggap
terdistribusi normal, probabilitas pemerintah melebihi batas defisit
yang diizinkan lebih natural dimodelkan dengan Probit.
Mengapa Ini Penting?
Probit lebih kompatibel dengan model persamaan simultan atau structural
equation modeling (SEM) di mana asumsi normalitas error term menjadi
syarat identifikasi. Ia juga lebih natural ketika peneliti ingin
mengestimasi variabel laten secara eksplisit.
3.1.7 Apakah Hasil Keduanya Berbeda?
Penjelasan Sederhana
Secara empiris, sangat jarang. Dalam rentang
probabilitas 0,2 hingga 0,8, kurva Logit dan Probit hampir bertumpuk.
Perbedaan hanya terasa di ekor ekstrem, dan bahkan di sana, arah
pengaruh (positif/negatif) dan signifikansi statistik hampir selalu
identik.
Intuisi Ekonomi
Logit dan Probit adalah dua bahasa untuk menggambarkan realitas yang
sama. Seperti mengukur suhu dalam Celsius atau Fahrenheit: angkanya
berbeda, tapi kesimpulan “panas” atau “dingin” tetap sama. Dalam
ekonomi, yang penting adalah arah kebijakan atau implikasi perilaku,
bukan selisih desimal di probabilitas.
Contoh Kehidupan Sehari-hari
Memprediksi hujan besok. Logit memberi 68%, Probit memberi 66%.
Keputusan membawa payung tidak berubah.
Contoh Mikroekonomi
Scoring kredit bank. Nasabah A mendapat skor risiko 0,82 di Logit dan
0,80 di Probit. Kedua model menyimpulkan “high risk”, sehingga kebijakan
penolakan kredit tetap sama.
Contoh Makroekonomi
Early warning crisis. Logit menunjukkan probabilitas krisis 0,75, Probit
0,73. Otoritas tetap menaikkan kewaspadaan dan menyiapkan jaring
pengaman. Tindakan kebijakan tidak bergantung pada selisih 0,02.
Fakta Praktis
- Koefisien Probit kira-kira 1,6 hingga 1,8 kali lebih besar dari Logit
(karena skala distribusi normal vs logistik).
- Efek marginal (perubahan probabilitas per unit X) hampir identik di
titik tengah data.
- Uji likelihood ratio, AIC, atau BIC sering kali menunjukkan perbedaan
tidak signifikan.
3.1.8 Kesalahan Umum dalam Memilih Model
Penjelasan Sederhana
Kesalahan paling sering bukan pada rumus, tapi pada
ketidakcocokan antara jenis data dan asumsi model.
Memaksa Logit/Probit pada data yang bukan biner, atau mengabaikan
struktur panel/time series, akan menghasilkan estimasi yang
menyesatkan.
Intuisi Ekonomi
Model adalah cermin. Jika cerminnya retak atau dipasang di sudut yang
salah, pantulannya akan terdistorsi. Memilih model bukan soal gengsi
matematis, tapi soal keadilan terhadap data. Data biner butuh model
biner. Data berperingkat butuh model ordinal. Data banyak kategori butuh
multinomial.
Contoh Kehidupan Sehari-hari
Mengukur kepuasan pelanggan dengan skala 1-5 bintang, lalu dipaksa jadi
biner (puas/tidak puas). Informasi tentang “netral” atau “sangat puas”
hilang, dan analisis menjadi bias.
Contoh Mikroekonomi
Meneliti pilihan moda transportasi (mobil, motor, bus, kereta) dengan
Logit biner. Padahal ini masalah multinomial. Hasilnya tidak bisa
menangkap substitusi silang antar moda.
Contoh Makroekonomi
Menganalisis stance kebijakan moneter (hawkish, neutral, dovish) dengan
Probit biner. Padahal ini variabel ordinal. Urutan intensitas kebijakan
terabaikan, sehingga estimasi efek tidak akurat.
Daftar Kesalahan Klasik Mahasiswa
1. Mengubah variabel kontinu jadi biner sembarangan
(misalnya: IPK >3,0 = 1, else = 0) tanpa alasan teoritis kuat.
2. Memakai Logit/Probit untuk data ordinal/multinomial
tanpa beralih ke Ordered Logit/Probit atau Multinomial Logit.
3. Mengabaikan heterogenitas tidak teramati pada data
panel, sehingga pakai pooled Logit padahal fixed/random effects lebih
tepat.
4. Menafsirkan koefisien mentah sebagai perubahan
probabilitas (padahal itu log-odds atau Z-score).
5. Melupakan uji goodness-of-fit seperti
Hosmer-Lemeshow atau McFadden R², sehingga tidak tahu apakah model
benar-benar cocok.
Mengapa Ini Penting?
Kesalahan spesifikasi model adalah sumber bias terbesar dalam penelitian
empiris. Software akan selalu mengeluarkan angka, tapi angka itu bisa
sangat percaya diri dalam kesalahan. Kritis terhadap kecocokan
data-model adalah tanda peneliti yang matang.
3.1.9 Peta Jalan Pemilihan Model
Anda kini memiliki kompas. Bukan hafalan, tapi kerangka berpikir. Berikut adalah checklist cepat yang bisa Anda tempel di meja kerja saat menyusun bab metodologi:
✅ Apakah variabel dependen hanya punya dua keadaan yang saling
meniadakan? → Ya → Lanjut.
✅ Apakah pertanyaan penelitian tentang “peluang terjadi”, bukan
“besaran terjadi”? → Ya → Lanjut.
✅ Apakah data cross-section, time series, atau panel? → Sesuaikan
dengan pooled, dynamic, atau panel Logit/Probit.
✅ Apakah teori mengasumsikan variabel laten normal atau butuh odds
ratio? → Normal → Probit. Odds → Logit.
✅ Apakah hasil akan sangat mirip? → Ya. Pilih berdasarkan kemudahan
interpretasi atau arahan pembimbing.
✅ Apakah ada risiko mismatch (ordinal/multinomial/panel ignored)? →
Periksa ulang. Koreksi sebelum estimasi.
Logit dan Probit bukan monster matematis. Mereka adalah penerjemah. Tugas Anda bukan menaklukkan rumus, tapi memastikan pertanyaan penelitian, jenis data, dan alat analisis berbicara dalam bahasa yang sama. Ketika ketiganya selaras, hasil estimasi tidak hanya signifikan secara statistik, tapi bermakna secara ekonomi.
Ringkasan Singkat
Pemilihan Logit atau Probit bergantung pada kecocokan data, tradisi interpretasi, dan asumsi teoritis. Keduanya hampir identik secara empiris. Kesalahan terbesar adalah memaksa model biner pada data non-biner atau mengabaikan struktur data. Checklist sederhana cukup untuk menghindari jebakan metodologis.
4 BAB 4
4.1 WHERE? DI MANA POSISI LOGIT DAN PROBIT DALAM EKONOMETRIKA?
Selamat datang di ruang peta. Jika bab-bab sebelumnya adalah kompas yang menunjukkan arah, bab ini adalah denah kota. Anda sudah tahu apa itu Logit dan Probit, mengapa mereka diperlukan, dan kapan harus dipakai. Sekarang, saatnya melihat di mana mereka berdiri dalam lanskap ilmu yang lebih luas: ekonometrika. Banyak mahasiswa S1 Ekonomi merasa Logit dan Probit adalah “pulau terpencil” yang tiba-tiba muncul di tengah semester. Padahal, mereka adalah bagian dari jaringan jalan yang sudah dibangun lama. Memahami posisi mereka bukan hanya soal menghafal klasifikasi, tapi soal melihat bagaimana ekonomi kuantitatif berevolusi untuk menangkap realitas yang semakin kompleks. Mari kita buka peta ini perlahan, dari jalan utama hingga gang-gang spesialisasi.
4.1.1 Peta Besar Ekonometrika
Penjelasan Sederhana
Ekonometrika adalah disiplin yang menerjemahkan teori ekonomi menjadi
angka yang bisa diuji. Ia tidak hanya bertanya “apakah hubungan ini
ada?”, tapi “seberapa kuat, ke arah mana, dan apakah ini kebetulan atau
pola sistematis?”. Peta ekonometrika dibagi berdasarkan jenis data,
bentuk hubungan, dan sifat variabel yang diamati.
Intuisi Ekonomi
Teori ekonomi sering berbicara dalam bahasa kualitatif: “insentif
memengaruhi perilaku”, “kebijakan moneter meredam inflasi”. Ekonometrika
menuntut presisi. Ia menyediakan alat ukur yang sesuai dengan bentuk
data nyata, karena dunia tidak selalu rapi seperti asumsi teori.
Contoh Kehidupan Sehari-hari
Anda mencatat pengeluaran bulanan dan mencoba memprediksi tabungan.
Ekonometrika memberi kerangka untuk memastikan pola yang Anda lihat
bukan sekadar fluktuasi acak, tapi hubungan yang stabil.
Contoh Mikroekonomi
Perusahaan ingin tahu apakah kenaikan upah minimum benar-benar
mengurangi jam kerja karyawan, atau hanya menggeser komposisi shift.
Ekonometrika memisahkan sinyal dari noise.
Contoh Makroekonomi
Bank sentral mengevaluasi apakah program quantitative easing benar-benar
menurunkan yield obligasi, atau hanya kebetulan bersamaan dengan
membaiknya sentimen global.
5W+1H Terapan
- What: Ilmu yang menggabungkan ekonomi, statistik, dan
matematika untuk menguji teori dan mengukur hubungan empiris.
- Why: Karena teori tanpa data hanyalah spekulasi, dan data
tanpa teori hanyalah angka tanpa arah.
- When: Saat peneliti ingin menguji hipotesis, memprediksi,
atau mengevaluasi kebijakan.
- Where: Lembaga riset, bank sentral, kementerian, perusahaan
konsultan, universitas.
- Who: Ekonom, analis kebijakan, data scientist, peneliti
pasar, akademisi.
- How: Melalui spesifikasi model, estimasi parameter, uji
asumsi, dan interpretasi hasil.
Mengapa Ini Penting?
Logit dan Probit tidak muncul dari ruang hampa. Mereka adalah respons
terhadap keterbatasan alat ukur lama ketika menghadapi data yang tidak
kontinu. Memetakan posisi mereka membantu Anda tidak tersesat saat
memilih metode.
4.1.2 Regresi Linear: Pondasi yang Familiar
Penjelasan Sederhana
Regresi linear, khususnya OLS (Ordinary Least Squares), adalah metode
paling dasar dalam ekonometrika. Ia mencari garis lurus yang
meminimalkan jarak kuadrat antara nilai aktual dan prediksi. Asumsinya
sederhana: hubungan antara variabel penjelas dan dependen bersifat
proporsional dan kontinu.
Intuisi Ekonomi
OLS mengasumsikan dunia yang responsif secara stabil. Setiap tambahan
input memberi output yang bisa diprediksi dengan penggaris yang sama.
Ini cocok untuk fenomena yang tidak memiliki batas keras atau lompatan
mendadak.
Contoh Kehidupan Sehari-hari
Hubungan antara jam tidur dan konsentrasi belajar. Semakin cukup tidur,
konsentrasi cenderung naik secara bertahap.
Contoh Mikroekonomi
Elastisitas permintaan terhadap harga. Penurunan harga 10% meningkatkan
kuantitas diminta sebesar proporsi tertentu, asumsi ceteris paribus.
Contoh Makroekonomi
Multiplier fiskal. Setiap Rp1 triliun peningkatan belanja pemerintah
diasumsikan menambah PDB sebesar koefisien tertentu.
Analogi Sederhana
OLS seperti mengukur panjang meja dengan mistar. Selama meja lurus dan
tidak patah, hasilnya akurat. Tapi jangan pakai mistar untuk mengukur
volume air atau suhu udara.
Mengapa Ini Penting?
OLS adalah bahasa pertama yang dipelajari mahasiswa. Ia intuitif, mudah
diinterpretasi, dan menjadi referensi untuk metode lain. Tapi seperti
mistar, ia punya batas aplikasi.
4.1.3 Ketika Garis Lurus Tidak Cukup: Regresi Non-Linear
Penjelasan Sederhana
Regresi non-linear digunakan ketika hubungan antara variabel tidak
proporsional. Perubahan kecil di satu titik bisa memberi dampak besar,
sementara di titik lain dampaknya minim. Kurva melengkung, bukan
lurus.
Intuisi Ekonomi
Dunia ekonomi penuh dengan efek jenuh, ambang batas, dan hasil yang
semakin menurun. Manusia dan pasar tidak merespons stimulus secara
mekanis. Mereka beradaptasi, mencapai titik optimum, lalu respons
melemah.
Contoh Kehidupan Sehari-hari
Konsumsi kopi dan kewaspadaan. Satu cangkir meningkatkan fokus. Lima
cangkir justru membuat gelisah dan produktivitas turun.
Contoh Mikroekonomi
Fungsi produksi Cobb-Douglas. Penambahan modal awal meningkatkan output
signifikan, tapi setelah kapasitas penuh, tambahan modal memberi return
yang makin kecil.
Contoh Makroekonomi
Kurva Laffer. Kenaikan tarif pajak awalnya menaikkan penerimaan, tapi
setelah titik kritis, tarif terlalu tinggi justru mendorong penghindaran
pajak dan penerimaan turun.
Mengapa Ini Muncul?
Karena OLS memaksa garis lurus pada hubungan yang melengkung akan
menghasilkan bias spesifikasi. Regresi non-linear (melalui transformasi
log, kuadrat, atau fungsi eksplisit) menangkap kelengkungan secara
struktural.
4.1.4 Limited Dependent Variable Models: Dunia yang Terpotong
Penjelasan Sederhana
Limited Dependent Variable (LDV) Models adalah keluarga ekonometrika
yang dirancang khusus untuk variabel dependen yang tidak bisa
bergerak bebas. Ada batas bawah, batas atas, pemotongan
(censoring), atau kategori diskrit.
Intuisi Ekonomi
Realitas sering membatasi pilihan. Anda tidak bisa bekerja minus 5 jam.
Anda tidak bisa menghabiskan uang melebihi pendapatan. Anda tidak bisa
memilih “setengah lulus”. Ketika variabel dependen terhimpit oleh batas
fisik, institusional, atau logika, OLS menjadi tidak valid.
Contoh Kehidupan Sehari-hari
Pengeluaran hiburan bulanan tidak bisa negatif. Jika pendapatan rendah,
pengeluaran mentok di 0. Data ini “terpotong” di nol.
Contoh Mikroekonomi
Jam kerja perempuan. Banyak yang memilih 0 jam (tidak bekerja), sisanya
bekerja 20-40 jam. Distribusi tidak kontinu, melainkan menumpuk di nol
lalu menyebar.
Contoh Makroekonomi
Suku bunga kebijakan. Banyak bank sentral menghadapi Zero Lower Bound.
Suku bunga tidak bisa turun jauh di bawah 0%, sehingga data terpotong di
batas bawah.
Mengapa LDV Diperlukan?
Karena OLS mengasumsikan error term simetris dan Y tak terbatas. Pada
data terbatas, asumsi ini runtuh. Prediksi bisa di luar batas logis,
standar error bias, dan interpretasi efek marginal menyesatkan. LDV
membangun ulang struktur model sesuai batas nyata.
4.1.5 Posisi Strategis Logit dan Probit
Penjelasan Sederhana
Logit dan Probit adalah pintu gerbang utama keluarga
LDV untuk variabel dependen biner (0/1). Mereka duduk di persimpangan
antara regresi non-linear dan data diskrit, menerjemahkan variabel
penjelas kontinu ke dalam probabilitas kejadian.
Intuisi Ekonomi
Di balik pilihan ya/tidak, sering kali ada variabel laten yang kontinu
(seperti utilitas, skor risiko, atau tekanan kebijakan). Logit dan
Probit mengasumsikan variabel laten ini melewati ambang batas, lalu
menghasilkan outcome 0 atau 1. Mereka adalah penerjemah antara dunia
kontinu tersembunyi dan dunia diskrit teramati.
Contoh Kehidupan Sehari-hari
Keputusan membeli kopi mahal. Di balik “beli/tidak”, ada pertimbangan
harga, rasa, anggaran, dan mood. Logit/Probit memetakan pertimbangan ini
ke peluang membeli.
Contoh Mikroekonomi
Keputusan ekspor UMKM. Faktor seperti biaya logistik, sertifikasi, dan
permintaan pasar membentuk skor kelayakan. Jika skor melewati ambang,
UMKM ekspor (1). Jika tidak, tetap domestik (0).
Contoh Makroekonomi
Indikator resesi. Tekanan inflasi, kontraksi kredit, dan shock eksternal
terakumulasi menjadi tekanan laten. Saat melewati ambang, ekonomi masuk
resesi (1).
Rumus & Penjelasan Simbol
\[
P(Y=1|X) = F(\beta_0 + \beta_1 X_1 + \dots + \beta_k X_k)
\] - \(P(Y=1|X)\): Probabilitas
kejadian bernilai 1. - \(F(\cdot)\):
Fungsi pengait (link function). Untuk Logit: distribusi logistik. Untuk
Probit: distribusi normal kumulatif. - \(\beta_0, \dots, \beta_k\): Parameter yang
mengukur arah dan kekuatan pengaruh. - \(X_1,
\dots, X_k\): Variabel penjelas.
Interpretasi Ekonomi
Koefisien \(\beta\) tidak langsung
memberi perubahan probabilitas. Ia menggeser kurva S. Efek marginal
dihitung pada titik tertentu, mencerminkan realitas bahwa sensitivitas
keputusan bergantung pada posisi awal.
Mengapa Rumus Ini Muncul?
Karena kita butuh fungsi yang: (1) membatasi output di [0,1], (2)
monoton naik, (3) menangani varians yang berubah, dan (4) konsisten
dengan teori pilihan acak. CDF memenuhi keempat syarat ini.
4.1.6 Keluarga Besar Pilihan Diskrit: Tobit, Ordered, Multinomial
Penjelasan Sederhana
Logit dan Probit punya saudara dekat yang menangani struktur data
berbeda. Tobit untuk data terpotong (censored),
Ordered Logit/Probit untuk data berperingkat, dan
Multinomial Logit/Probit untuk pilihan banyak kategori.
Semuanya berbagi DNA yang sama: variabel laten + fungsi pengait.
Intuisi Ekonomi
Berbagai bentuk keterbatasan data butuh alat yang sesuai. Tobit
menangani “mentok di batas tapi ada niat tersembunyi”. Ordered menangani
“tingkat kepuasan”. Multinomial menangani “pilih A, B, atau C”.
Logit/Probit biner adalah fondasi; yang lain adalah perluasan logis.
Contoh Kehidupan Sehari-hari
- Tobit: Pengeluaran liburan mentok di 0 karena anggaran tipis,
tapi sebenarnya ada keinginan yang tidak terealisasi.
- Ordered: Skala kepuasan layanan: sangat tidak puas, netral,
puas, sangat puas.
- Multinomial: Pilihan transportasi: jalan kaki, motor, mobil,
transportasi umum.
Contoh Mikroekonomi
- Tobit: Permintaan kredit yang ditolak bank (0) vs yang
disetujui (jumlah tertentu).
- Ordered: Rating kredit perusahaan (AAA, AA, A, BBB,
dst.).
- Multinomial: Pilihan lokasi investasi: domestik, ASEAN,
Eropa, Amerika.
Contoh Makroekonomi
- Tobit: Aliran modal masuk yang mentok di 0 saat sentimen
global negatif.
- Ordered: Stance kebijakan moneter: sangat dovish, dovish,
neutral, hawkish, sangat hawkish.
- Multinomial: Rezim nilai tukar: fixed, crawling peg, managed
float, free float.
Hubungan dengan Logit-Probit
Semua model ini menggunakan kerangka random utility atau
latent variable. Perbedaannya hanya pada bagaimana outcome
diskrit dipetakan dari variabel laten: - Biner → 1 ambang → Logit/Probit
standar. - Censored → 1 ambang + nilai kontinu di atas/bawah → Tobit. -
Ordered → banyak ambang berurutan → Ordered Logit/Probit. - Multinomial
→ banyak pilihan tanpa urutan → Multinomial Logit/Probit.
Mengapa Ini Penting?
Memahami keluarga ini mencegah kesalahan spesifikasi. Banyak mahasiswa
memakai Logit biner untuk data ordinal, atau OLS untuk data censored.
Mengenali kekerabatan model membantu Anda memilih turunan yang tepat,
bukan memaksa data masuk ke kotak yang salah.
4.1.7 Evolusi Model Pilihan Diskrit
Penjelasan Sederhana
Model pilihan diskrit tidak muncul dalam semalam. Ia berevolusi dari
Linear Probability Model yang bermasalah, melalui terobosan Maximum
Likelihood Estimation (MLE), hingga integrasi dengan teori utilitas acak
dan komputasi modern. Setiap tahap lahir dari kebutuhan menangkap
realitas yang semakin kompleks.
Intuisi Ekonomi
Ekonomi butuh cara mengukur pilihan rasional dalam ketidakpastian. Teori
utilitas acak (McFadden, 1974) memberi fondasi: individu membandingkan
utilitas tersembunyi masing-masing pilihan, lalu memilih yang tertinggi.
Logit/Probit adalah manifestasi statistik dari teori ini.
Contoh Kehidupan Sehari-hari
Dulu, peneliti hanya melihat persentase pilihan. Kini, kita bisa
memodelkan bagaimana perubahan harga, informasi, atau norma sosial
menggeser probabilitas pilihan secara terukur.
Contoh Mikroekonomi
Model partisipasi tenaga kerja berevolusi dari regresi jam kerja
sederhana ke model selection Heckman, lalu ke structural discrete choice
yang memisahkan preferensi dan kendala.
Contoh Makroekonomi
Early warning system krisis berkembang dari indikator tunggal ke model
probabilitas multivariat yang menggabungkan variabel makro, keuangan,
dan politik.
Mengapa Evolusi Terjadi?
1. Kegagalan LPM: Prediksi di luar [0,1] dan
heteroskedastisitas memaksa pencarian alternatif.
2. Komputasi: MLE dulu mustahil tanpa komputer. Kini,
software menyelesaikannya dalam detik.
3. Teori: Random utility theory memberi landasan mikro
yang kokoh, mengubah model dari sekadar trik statistik menjadi cermin
perilaku.
4. Data: Survei besar dan data administrasi menyediakan
variabel diskrit yang butuh alat khusus.
4.1.8 Menempatkan Alat pada Peta yang Benar
Anda kini tidak lagi melihat Logit dan Probit sebagai rumus misterius. Anda melihat mereka sebagai distrik yang terencana dalam kota ekonometrika. Mereka berdiri di persimpangan data diskrit, hubungan non-linear, dan teori pilihan. Mereka punya saudara (Tobit, Ordered, Multinomial), punya sejarah evolusi, dan punya batas aplikasi yang jelas.
Memahami posisi ini memberi Anda dua keuntungan besar:
1. Kepercayaan metodologis: Anda tidak lagi memilih
model karena “dosen pernah pakai” atau “software default”, tapi karena
data dan pertanyaan penelitian menuntutnya.
2. Fleksibilitas intelektual: Ketika skripsi atau
penelitian Anda berkembang ke data berperingkat atau banyak kategori,
Anda sudah punya peta untuk melangkah ke Ordered atau Multinomial tanpa
kebingungan.
Logit dan Probit bukan akhir perjalanan. Mereka adalah gerbang menuju pemahaman yang lebih dalam tentang bagaimana ekonomi kuantitatif menjembatani teori, data, dan keputusan nyata.
Ringkasan Singkat
Logit dan Probit menempati posisi strategis dalam keluarga Limited Dependent Variable Models. Mereka adalah fondasi untuk model pilihan diskrit lainnya, berevolusi dari kebutuhan menangkap realitas biner, dan terintegrasi erat dengan teori utilitas acak. Memahami posisi mereka mencegah kesalahan spesifikasi dan membuka jalan ke model yang lebih kompleks.
5 BAB 5
5.1 HOW? BAGAIMANA LOGIT DAN PROBIT BEKERJA?
Selamat datang di ruang mesin. Jika bab sebelumnya adalah peta jalan, bab ini adalah saatnya kita membuka kap mobil dan melihat bagaimana mesinnya bekerja.
Sering kali, mahasiswa S1 Ekonomi merasa Logit dan Probit itu “ajaib”. Anda memasukkan data, menekan tombol run, dan keluar angka-angka yang terlihat rumit. Tapi sebenarnya, tidak ada sihir di sini. Logit dan Probit adalah mesin logika yang sangat sistematis. Mereka tidak menebak; mereka menghitung probabilitas berdasarkan pola yang tersembunyi di balik data.
Bab ini akan memandu Anda dari intuisi paling dasar—tentang bagaimana kita membuat keputusan—hingga ke jantung matematika yang menggerakkan model. Jangan khawatir jika Anda melihat rumus. Kita akan membahasnya satu per satu, seperti membongkar mesin untuk memahami setiap gear dan pistonnya. Tujuannya bukan menghafal rumus, tapi memahami mengapa rumus itu ada dan apa yang diceritakannya tentang ekonomi.
5.2 Mari kita mulai dari cara berpikir, bukan cara menghitung.
5.2.1 Intuisi Probabilitas dalam Keputusan
Penjelasan Sederhana
Probabilitas bukan sekadar “tebakan”. Dalam konteks Logit dan Probit,
probabilitas adalah ukuran seberapa kuat tekanan faktor-faktor penjelas
mendorong seseorang menuju keputusan “Ya” (1) dibandingkan “Tidak” (0).
Ini adalah spektrum, bukan titik kaku.
Intuisi Ekonomi
Dalam ekonomi, keputusan jarang terjadi karena satu faktor tunggal.
Keputusan adalah hasil akumulasi banyak dorongan (insentif) dan penahan
(hambatan). Probabilitas adalah skor akhir dari pertarungan antara
dorongan dan penahan tersebut. Jika dorongan jauh lebih kuat,
probabilitas mendekati 1. Jika penahan mendominasi, probabilitas
mendekati 0.
Contoh Kehidupan Sehari-hari
Probabilitas Anda membawa payung hari ini tidak didasarkan pada satu hal
saja. Anda melihat langit, cek ramalan cuaca, ingat apakah payung Anda
rusak, dan lihat jam. Semua faktor ini bergumul di kepala Anda,
menghasilkan satu angka probabilitas internal: “Mungkin 80% akan hujan,
jadi saya bawa payung.”
Contoh Mikroekonomi
Sebuah perusahaan memutuskan apakah menaikkan harga produk. Mereka
mempertimbangkan biaya bahan baku (dorongan naik), daya beli konsumen
(penahan), dan harga kompetitor (faktor penyeimbang). Probabilitas
kenaikan harga adalah hasil timbangan dari faktor-faktor ini.
Contoh Makroekonomi
Bank sentral memperkirakan probabilitas resesi. Mereka menimbang data
pengangguran, inflasi, dan kepercayaan bisnis. Probabilitas resesi bukan
angka acak, tapi cerminan seberapa berat beban indikator ekonomi yang
menekan ke arah kontraksi.
Analogi Sederhana
Bayangkan sebuah tim tarik tambang. Satu sisi adalah “Kejadian Terjadi”
(1), sisi lain “Tidak Terjadi” (0). Variabel penjelas (X) adalah
orang-orang yang menarik tali. Semakin banyak orang di sisi 1 yang kuat,
semakin besar probabilitas tim 1 menang. Logit/Probit adalah wasit yang
menghitung kekuatan tarik-menarik ini.
Ringkasan Singkat
Probabilitas dalam Logit/Probit adalah skor kekuatan dorongan variabel penjelas terhadap keputusan biner. Ia mencerminkan akumulasi insentif dan hambatan, bukan tekaan acak.
5.2.2 Variabel Laten: Kekuatan yang Tak Terlihat
Penjelasan Sederhana
Variabel laten adalah variabel yang tidak bisa kita amati langsung di
data, tapi kita tahu keberadaannya karena ia memengaruhi hasil yang
terlihat. Dalam Logit/Probit, variabel laten adalah “skor keinginan”
atau “kecenderungan tersembunyi” yang membuat seseorang memilih 1 atau
0.
Intuisi Ekonomi
Kita tidak bisa melihat “niat beli” atau “rasa percaya diri” secara
langsung. Kita hanya melihat tindakan akhirnya: membeli atau tidak,
bekerja atau tidak. Tapi di balik tindakan itu, ada variabel kontinu
yang bergerak naik turun. Ketika variabel ini melewati batas tertentu
(threshold), tindakan terjadi.
Contoh Kehidupan Sehari-hari
Anda tidak bisa mengukur “rasa lapar” teman Anda secara langsung dengan
penggaris. Tapi Anda bisa melihat apakah dia makan siang atau tidak.
Rasa lapar adalah variabel laten; makan siang adalah variabel
teramati.
Contoh Mikroekonomi
Dalam studi partisipasi kerja perempuan, kita tidak bisa mengukur
“preferensi bekerja” secara langsung. Kita hanya melihat apakah dia
bekerja (1) atau tidak (0). Preferensi bekerja adalah variabel laten
yang dipengaruhi oleh upah, biaya penitipan anak, dan norma sosial.
Contoh Makroekonomi
Sentimen pasar terhadap nilai tukar tidak teramati langsung. Yang
terlihat adalah apakah bank sentral melakukan intervensi (1) atau tidak
(0). Sentimen pasar adalah variabel laten yang mendorong keputusan
intervensi.
Mengapa Ini Penting?
Tanpa konsep variabel laten, Logit/Probit hanya menjadi alat statistik
kosong. Variabel laten memberi fondasi teori: keputusan biner adalah
manifestasi dari proses kontinu yang tersembunyi.
Ringkasan Singkat
Variabel laten adalah kekuatan pendorong tersembunyi di balik keputusan biner. Ia bersifat kontinu dan hanya teramati ketika melewati ambang batas tertentu.
5.2.3 Konsep Utility Tersembunyi (Random Utility Model)
Penjelasan Sederhana
Teori utilitas acak (Random Utility Model) adalah fondasi teori di balik
Logit/Probit. Teori ini mengatakan bahwa setiap individu memiliki
utilitas (kepuasan/manfaat) dari setiap pilihan, tapi utilitas itu
memiliki komponen yang tidak bisa kita prediksi secara sempurna
(komponen acak).
Intuisi Ekonomi
Manusia itu rasional tapi tidak sempurna. Kita memilih opsi yang memberi
utilitas tertinggi. Tapi utilitas itu terdiri dari dua bagian: bagian
yang bisa dijelaskan oleh data (sistematis) dan bagian yang tidak bisa
dijelaskan atau acak (stokastik). Pilihan 1 akan dipilih jika \(U_1 > U_0\).
Rumus & Penjelasan Simbol
\[
U_i^* = \beta X_i + \epsilon_i
\] - \(U_i^*\): Utilitas laten
(skor tersembunyi) untuk individu i.
- \(\beta X_i\): Bagian sistematis, yang bisa dijelaskan oleh variabel penjelas (X) dan koefisien (\(\beta\)).
- \(\epsilon_i\): Error term atau komponen acak, mencakup faktor tak teramati atau preferensi pribadi.
Interpretasi Ekonomi
Jika \(\beta X_i\) besar, berarti
faktor yang teramati sangat mendukung pilihan tersebut. Tapi keputusan
akhir tergantung pada apakah \(\epsilon_i\) kebetulan mendukung atau
menentang. Inilah mengapa orang dengan X yang sama bisa membuat pilihan
berbeda.
Contoh Kehidupan Sehari-hari
Dua orang dengan gaji sama (X sama) mungkin berbeda keputusannya membeli
mobil listrik. Satu mungkin punya preferensi lingkungan tinggi (\(\epsilon\) positif), satu lagi tidak (\(\epsilon\) negatif).
Contoh Mikroekonomi
Perusahaan memilih teknologi A atau B. Biaya dan produktivitas (X) bisa
diukur, tapi faktor seperti “kenyamanan manajer dengan teknologi
tertentu” masuk ke \(\epsilon\).
Contoh Makroekonomi
Negara memilih apakah bergabung dalam perjanjian iklim. Manfaat ekonomi
(X) bisa dihitung, tapi tekanan politik domestik atau ideologi pemimpin
masuk ke \(\epsilon\).
Mengapa Rumus Ini Muncul?
Karena kita perlu memisahkan pengaruh faktor yang bisa kita ukur (X)
dari kekacauan dunia nyata (\(\epsilon\)). Logit dan Probit berbeda dalam
asumsi distribusi \(\epsilon\).
Ringkasan Singkat
Random Utility Model memisahkan utilitas menjadi bagian sistematis (\(\beta X\)) dan acak (\(\epsilon\)). Keputusan terjadi ketika total utilitas satu pilihan melebihi pilihan lain.
5.2.4 Mengapa Muncul Kurva S?
Penjelasan Sederhana
Kurva S (sigmoid) muncul secara alami ketika kita memetakan variabel
laten kontinu ke probabilitas biner. Di ekor kiri, probabilitas
mendekati 0. Di tengah, probabilitas berubah cepat. Di ekor kanan,
probabilitas mendekati 1.
Intuisi Ekonomi
Hubungan antara faktor pendorong dan probabilitas keputusan itu tidak
linier. Ketika Anda sangat miskin, tambahan pendapatan kecil tidak cukup
untuk membeli rumah (probabilitas tetap 0). Ketika Anda sangat kaya,
tambahan pendapatan tidak lagi meningkatkan peluang beli (probabilitas
tetap 1). Perubahan terbesar terjadi di tengah, saat Anda
“mampu-mampuan”.
Contoh Kehidupan Sehari-hari
Probabilitas lulus ujian vs jam belajar. Belajar 1 jam tidak cukup
(P≈0). Belajar 10 jam sudah cukup (P≈1). Perubahan probabilitas terbesar
terjadi antara jam ke-4 hingga ke-7.
Contoh Mikroekonomi
Probabilitas mengadopsi teknologi baru. Petani dengan lahan sangat kecil
tidak akan adopsi (biaya tetap terlalu mahal). Petani sangat besar sudah
pasti adopsi. Petani menengah adalah yang paling responsif terhadap
subsidi atau pelatihan.
Contoh Makroekonomi
Probabilitas krisis perbankan. Rasio kredit bermasalah (NPL) rendah:
aman. Rasio sangat tinggi: krisis pasti. Transisi dari aman ke krisis
terjadi di rentang menengah, di mana kepercayaan pasar mulai goyah.
Analogi Sederhana
Bayangkan menyalakan keran air. Di awal putaran, air belum keluar (P=0).
Di tengah, air mulai mengalir deras (P naik cepat). Di akhir, air sudah
penuh dan tumpah (P=1). Kurva S adalah pola aliran air tersebut.
Ringkasan Singkat
Kurva S muncul karena probabilitas dibatasi antara 0 dan 1 dan respons manusia bersifat non-linier: paling sensitif di titik ragu, dan jenuh di titik yakin.
5.2.5 Fungsi Logistik (Mesin Logit)
Penjelasan Sederhana
Fungsi logistik adalah rumus matematis yang menghasilkan kurva S untuk
model Logit. Ia memetakan nilai berapapun (dari minus tak hingga hingga
plus tak hingga) menjadi angka antara 0 dan 1.
Rumus & Penjelasan Simbol
\[
P = \frac{1}{1 + e^{-z}}
\] - \(P\): Probabilitas
kejadian (1).
- \(e\): Bilangan Euler (konstanta matematika ≈ 2,718). Basis logaritma natural.
- \(z\): Indeks linier (\(\beta_0 + \beta_1 X_1 + \dots\)). Skor gabungan dari semua faktor penjelas.
- \(e^{-z}\): Eksponensial negatif dari skor. Jika \(z\) besar positif, \(e^{-z}\) kecil mendekati 0. Jika \(z\) besar negatif, \(e^{-z}\) sangat besar.
Interpretasi Ekonomi
Jika skor \(z\) sangat positif (faktor
pendorong kuat), penyebut mendekati 1, maka \(P\) mendekati 1. Jika \(z\) sangat negatif (hambatan kuat),
penyebut sangat besar, maka \(P\)
mendekati 0. Fungsi ini menjamin \(P\)
selalu valid.
Contoh Kehidupan Sehari-hari
Skor \(z\) adalah gabungan faktor:
cuaca buruk (-), jarak jauh (-), tapi janji penting (+). Jika total
\(z\) positif, fungsi logistik
mengubahnya jadi probabilitas tinggi Anda akan datang.
Contoh Mikroekonomi
Dalam model kredit, \(z\) adalah skor
kredit. Fungsi logistik mengubah skor mentah (bisa minus atau plus
besar) menjadi probabilitas gagal bayar yang selalu antara 0% dan
100%.
Contoh Makroekonomi
Indikator tekanan ekonomi \(z\). Fungsi
logistik memastikan probabilitas krisis tidak pernah negatif atau
melebihi 100%, berapapun ekstremnya indikator.
Mengapa Rumus Ini Muncul?
Karena kita butuh fungsi yang: (1) monoton naik, (2) terbatas di [0,1],
dan (3) memiliki turunan yang mudah dihitung untuk estimasi. Fungsi
logistik memenuhi semua ini dan berasal dari asumsi distribusi error
logistic.
Ringkasan Singkat
Fungsi logistik adalah transformasi yang mengubah skor linier tak terbatas menjadi probabilitas terbatas [0,1]. Ia menjamin validitas probabilitas dalam model Logit.
5.2.6 Fungsi Normal Kumulatif (Mesin Probit)
Penjelasan Sederhana
Fungsi normal kumulatif (CDF) adalah rumus yang menghasilkan kurva S
untuk model Probit. Ia menghitung luas area di bawah kurva lonceng
(distribusi normal) dari minus tak hingga hingga titik \(z\).
Rumus & Penjelasan Simbol
\[
P = \Phi(z) = \int_{-\infty}^{z} \frac{1}{\sqrt{2\pi}}
e^{-\frac{t^2}{2}} dt
\] - \(P\): Probabilitas
kejadian (1).
- \(\Phi(z)\): Simbol untuk CDF Normal. Arti harfiahnya: “Probabilitas variabel normal standar bernilai kurang dari atau sama dengan \(z\)”.
- \(z\): Skor Z atau indeks linier.
- \(\pi\): Konstanta Pi (≈ 3,14).
- \(e\): Bilangan Euler.
Interpretasi Ekonomi
\(\Phi(z)\) mengukur seberapa besar
porsi populasi atau seberapa besar kemungkinan kejadian terjadi di bawah
tekanan skor \(z\). Jika \(z=0\), \(P=0,5\). Jika \(z\) positif, \(P
> 0,5\). Jika \(z\) negatif,
\(P < 0,5\).
Contoh Kehidupan Sehari-hari
Tes IQ terdistribusi normal. Jika skor Anda \(z=1\) (di atas rata-rata), \(\Phi(1)\) memberi tahu probabilitas orang
lain memiliki IQ di bawah Anda. Dalam Probit, ini dipinjam untuk
probabilitas keputusan.
Contoh Mikroekonomi
Model adopsi teknologi. Jika faktor pendorong \(z\) positif, \(\Phi(z)\) memberi probabilitas petani
mengadopsi. Asumsi di baliknya: banyak faktor kecil acak yang
terakumulasi membentuk distribusi normal.
Contoh Makroekonomi
Probabilitas bank sentral menaikkan suku bunga. Tekanan inflasi dan
output gap membentuk skor \(z\). \(\Phi(z)\) menghitung peluang kenaikan
berdasarkan seberapa jauh tekanan tersebut dari titik netral.
Mengapa Rumus Ini Muncul?
Karena asumsi Random Utility Model dengan error term berdistribusi
Normal. Menurut Teorema Limit Pusat, penjumlahan banyak gangguan kecil
cenderung normal. Probit konsisten dengan asumsi ini.
Ringkasan Singkat
Fungsi normal kumulatif adalah mesin Probit. Ia menghitung luas di bawah kurva normal hingga titik skor \(z\), mengubahnya menjadi probabilitas. Ia konsisten dengan asumsi akumulasi banyak faktor acak.
5.2.7 Persamaan Logit: Bentuk Praktis
Penjelasan Sederhana
Persamaan Logit adalah bentuk invers dari fungsi logistik yang
memudahkan estimasi. Alih-alih menghitung \(P\), kita memodelkan log-odds sebagai
fungsi linier dari X.
Rumus & Penjelasan Simbol
\[
\ln\left(\frac{P}{1-P}\right) = \beta_0 + \beta_1 X_1 + \dots + \beta_k
X_k
\] - \(\ln(\dots)\): Logaritma
natural.
- \(\frac{P}{1-P}\): Odds ratio. Rasio probabilitas kejadian terjadi terhadap tidak terjadi.
- \(\beta_0, \dots, \beta_k\): Koefisien regresi.
- \(X_1, \dots, X_k\): Variabel penjelas.
Interpretasi Ekonomi
Ruas kiri adalah “Log-Odds”. Jika Log-Odds = 0, maka Odds = 1, artinya
\(P = 0,5\). Jika Log-Odds positif,
kejadian lebih mungkin terjadi. Koefisien \(\beta_1\) menunjukkan perubahan Log-Odds
jika \(X_1\) naik satu unit.
Contoh Kehidupan Sehari-hari
Keputusan diet. Jika Log-Odds diet adalah 1, artinya Odds = 2,718.
Peluang Anda diet 2,7 kali lebih besar daripada tidak diet.
Contoh Mikroekonomi
Dalam model ekspor, jika koefisien “Akses Pelabuhan” = 0,5, artinya
akses pelabuhan meningkatkan Log-Odds ekspor sebesar 0,5. Ini berarti
Odds ekspor meningkat sebesar faktor \(e^{0,5}
\approx 1,65\).
Contoh Makroekonomi
Probabilitas krisis. Variabel cadangan devisa mungkin punya koefisien
negatif. Artinya, kenaikan cadangan menurunkan Log-Odds krisis, membuat
krisis lebih kecil kemungkinannya.
Mengapa Rumus Ini Muncul?
Karena model linier untuk \(P\) bisa
menghasilkan nilai di luar [0,1]. Tapi model linier untuk Log-Odds aman,
karena Log-Odds bisa bernilai dari minus tak hingga hingga plus tak
hingga. Ini memungkinkan penggunaan teknik regresi linier yang
dimodifikasi.
Ringkasan Singkat
Persamaan Logit memodelkan Log-Odds sebagai fungsi linier dari X. Ini menjamin hubungan matematis yang valid dan memungkinkan interpretasi melalui Odds Ratio.
5.2.8 Persamaan Probit: Bentuk Praktis
Penjelasan Sederhana
Persamaan Probit adalah bentuk invers dari fungsi normal kumulatif. Ia
memodelkan Z-score (nilai standar normal) sebagai fungsi linier dari
X.
Rumus & Penjelasan Simbol
\[
\Phi^{-1}(P) = \beta_0 + \beta_1 X_1 + \dots + \beta_k X_k
\] - \(\Phi^{-1}(P)\): Fungsi
invers normal, atau Z-score yang sesuai dengan probabilitas P.
- \(\beta_0, \dots, \beta_k\): Koefisien regresi.
- \(X_1, \dots, X_k\): Variabel penjelas.
Interpretasi Ekonomi
Ruas kiri adalah Z-score. Jika \(P=0,5\), Z-score=0. Jika \(P=0,975\), Z-score≈1,96. Koefisien \(\beta_1\) menunjukkan perubahan Z-score
jika \(X_1\) naik satu unit.
Contoh Kehidupan Sehari-hari
Keputusan ikut ujian. Jika faktor pendorong naik, Z-score naik, artinya
Anda bergeser lebih jauh ke kanan distribusi normal, meningkatkan
peluang lulus.
Contoh Mikroekonomi
Model partisipasi kerja. Jika koefisien “Upah” = 0,2, artinya kenaikan
upah 1 unit meningkatkan Z-score partisipasi sebesar 0,2. Ini menggeser
kurva normal ke kanan, memperbesar area (probabilitas) di atas
threshold.
Contoh Makroekonomi
Keputusan kebijakan fiskal. Variabel defisit anggaran menggeser Z-score
probabilitas austerity. Koefisien positif berarti defisit meningkatkan
tekanan (Z-score) menuju kebijakan ketat.
Mengapa Rumus Ini Muncul?
Karena kita ingin menghubungkan variabel penjelas langsung ke skor
tersembunyi yang berdistribusi normal. Invers CDF adalah cara matematis
untuk mengekstrak skor tersebut dari probabilitas.
Ringkasan Singkat
Persamaan Probit memodelkan Z-score sebagai fungsi linier dari X. Koefisiennya mengukur perubahan skor standar normal akibat perubahan variabel ekonomi.
5.2.9 Estimasi Maximum Likelihood (MLE)
Penjelasan Sederhana
Karena Logit dan Probit tidak linier dalam parameter, kita tidak bisa
pakai OLS. Kita pakai Maximum Likelihood Estimation (MLE). MLE mencari
nilai koefisien \(\beta\) yang
memaksimalkan kemungkinan (likelihood) mengamati data sampel yang kita
miliki.
Intuisi Ekonomi
Bayangkan Anda menebak parameter dadu yang tidak adil. Anda melempar 100
kali dan dapat hasil tertentu. MLE adalah metode mencari angka
probabilitas setiap sisi dadu yang membuat hasil lemparan Anda paling
mungkin terjadi. Dalam Logit/Probit, kita mencari \(\beta\) yang membuat pola data 0 dan 1 kita
paling mungkin terjadi.
Rumus & Penjelasan Simbol
\[
L(\beta) = \prod_{i=1}^{n} P_i^{y_i} (1-P_i)^{1-y_i}
\] - \(L(\beta)\): Fungsi
Likelihood. Produk dari probabilitas setiap observasi.
- \(P_i\): Probabilitas observasi i bernilai 1, dihitung dari model.
- \(y_i\): Nilai aktual (0 atau 1).
- \(\prod\): Simbol perkalian.
Interpretasi Ekonomi
Jika \(y_i=1\), kontribusi ke
likelihood adalah \(P_i\). Kita ingin
\(P_i\) besar. Jika \(y_i=0\), kontribusi adalah \(1-P_i\). Kita ingin \(1-P_i\) besar (artinya \(P_i\) kecil). MLE mencari \(\beta\) yang menyeimbangkan ini untuk
seluruh sampel.
Contoh Kehidupan Sehari-hari
Mencari kata sandi wifi tetangga. Anda mencoba kombinasi sampai koneksi
berhasil. MLE seperti itu, tapi sistematis: ia menghitung probabilitas
setiap kombinasi dan memilih yang paling mungkin benar.
Contoh Mikroekonomi
Estimasi model kredit. Komputer mencoba berbagai nilai \(\beta\) untuk pendapatan, umur, dll.,
sampai menemukan kombinasi yang paling konsisten dengan data nasabah
yang benar-benar gagal bayar vs yang lancar.
Contoh Makroekonomi
Kalibrasi model krisis. MLE mencari parameter yang paling mungkin
menghasilkan sejarah krisis yang pernah terjadi di data time series
negara.
Mengapa Rumus Ini Muncul?
Karena tidak ada rumus tertutup (closed-form) untuk \(\beta\) di Logit/Probit. MLE adalah metode
iteratif yang dijamin konvergen ke solusi optimal di bawah kondisi
umum.
Ringkasan Singkat
MLE adalah metode estimasi untuk Logit/Probit. Ia mencari koefisien yang memaksimalkan kemungkinan data sampel muncul dari model. Ini berbeda dengan OLS yang meminimalkan kesalahan kuadrat.
5.2.10 Odds Ratio: Bahasa Perbandingan
Penjelasan Sederhana
Odds Ratio (OR) adalah cara mudah menginterpretasikan koefisien Logit.
OR menunjukkan seberapa kali lipat peluang kejadian terjadi berubah jika
variabel penjelas naik satu unit.
Rumus & Penjelasan Simbol
\[
OR = e^{\beta_j}
\] - \(OR\): Odds Ratio.
- \(e\): Bilangan Euler.
- \(\beta_j\): Koefisien variabel ke-j dari model Logit.
Interpretasi Ekonomi
Jika \(OR = 1\), variabel tidak
berpengaruh. Jika \(OR > 1\),
variabel meningkatkan peluang kejadian. Jika \(OR < 1\), variabel menurunkan peluang
kejadian. Misalnya \(OR=2\) artinya
peluang kejadian menjadi 2 kali lipat.
Contoh Kehidupan Sehari-hari
Model keputusan merokok. Jika OR untuk “Teman Merokok” = 3, artinya
memiliki teman yang merokok membuat peluang Anda merokok 3 kali lebih
besar dibanding yang tidak punya teman perokok.
Contoh Mikroekonomi
Model adopsi e-commerce UMKM. Jika OR untuk “Literasi Digital” = 1,5,
artinya kenaikan literasi digital meningkatkan odds adopsi sebesar
50%.
Contoh Makroekonomi
Model default utang. Jika OR untuk “Rasio Utang” = 1,2, artinya kenaikan
rasio utang meningkatkan odds default sebesar 20%.
Mengapa Ini Penting?
Koefisien \(\beta\) Logit sulit
dipahami langsung karena skalanya Log-Odds. Odds Ratio
mentranslasikannya ke bahasa “kali lipat” yang intuitif bagi ekonom dan
pembuat kebijakan.
Ringkasan Singkat
Odds Ratio adalah eksponensial dari koefisien Logit. Ia mengubah log-odds menjadi rasio peluang yang mudah diinterpretasikan sebagai peningkatan atau penurunan peluang kejadian.
5.2.11 Marginal Effects: Dampak Nyata
Penjelasan Sederhana
Marginal Effect (ME) adalah perubahan probabilitas jika variabel
penjelas berubah satu unit. Ini adalah ukuran dampak yang paling
realistis karena probabilitas tidak bisa berubah secara konstan.
Intuisi Ekonomi
Dampak variabel ekonomi terhadap keputusan itu kontekstual. Pemberian
subsidi Rp1 juta ke orang miskin berdampak besar pada keputusan beli
beras. Pemberian Rp1 juta ke orang kaya dampaknya nihil. ME menangkap
variasi dampak ini.
Rumus & Penjelasan Simbol
\[
\frac{\partial P}{\partial X_j} = \beta_j \times f(X\beta)
\]
- \(\frac{\partial P}{\partial X_j}\): Marginal Effect. Perubahan P akibat perubahan X.
- \(\beta_j\): Koefisien dari model.
- \(f(X\beta)\): Turunan fungsi pengait. Untuk Logit: \(P(1-P)\). Untuk Probit: \(\phi(z)\) (PDF normal).
Interpretasi Ekonomi
ME bergantung pada nilai X. Di tengah (P≈0,5), ME terbesar. Di ujung
(P≈0 atau 1), ME mengecil. Biasanya kita hitung ME rata-rata (Average
Marginal Effect) atau ME pada nilai rata-rata (Marginal Effect at
Mean).
Contoh Kehidupan Sehari-hari
Pengaruh diskon terhadap probabilitas beli. Diskon 10% mungkin
meningkatkan probabilitas beli dari 0,3 menjadi 0,5 (ME=0,2). Tapi jika
probabilitas awal sudah 0,9, diskon 10% hanya menaikkan jadi 0,92
(ME=0,02).
Contoh Mikroekonomi
Pengaruh pengalaman kerja terhadap probabilitas promosi. Di awal karir,
pengalaman sangat berdampak (ME tinggi). Setelah senior, pengalaman
tambahan dampaknya kecil (ME rendah) karena probabilitas promosi sudah
jenuh atau faktor lain mendominasi.
Contoh Makroekonomi
Pengaruh inflasi terhadap probabilitas kenaikan suku bunga. Saat inflasi
rendah, kenaikan inflasi kecil berdampak kecil. Saat inflasi mendekati
target atas, kenaikan kecil inflasi punya ME besar memicu kenaikan suku
bunga.
Mengapa Ini Penting?
Koefisien \(\beta\) hanya menunjukkan
arah dan signifikansi relatif. Marginal Effect memberikan besaran dampak
nyata dalam satuan probabilitas, yang diperlukan untuk analisis
kebijakan.
Ringkasan Singkat
Marginal Effect mengukur perubahan probabilitas per unit perubahan X. Nilainya tidak konstan, melainkan bergantung pada posisi awal probabilitas. Ini adalah ukuran dampak yang paling relevan secara ekonomi.
5.2.12 Interpretasi Koefisien: Membaca Output
Penjelasan Sederhana
Interpretasi koefisien Logit dan Probit berbeda dari OLS. Tanda (+/-)
tetap menunjukkan arah hubungan. Tapi besaran angka tidak langsung bisa
dibaca sebagai perubahan probabilitas.
Intuisi Ekonomi
Koefisien Logit adalah perubahan Log-Odds. Koefisien Probit adalah
perubahan Z-score. Keduanya adalah unit “internal” model. Untuk
komunikasi ekonomi, kita harus mentranslasikannya ke Odds Ratio atau
Marginal Effect.
Contoh Kehidupan Sehari-hari
Koefisien “Hujan” di model keputusan keluar rumah negatif. Artinya hujan
mengurangi keinginan keluar. Tapi seberapa besar? Harus dihitung ME-nya.
Mungkin hanya mengurangi probabilitas 5% jika sudah pasti hujan
lebat.
Contoh Mikroekonomi
Koefisien “Harga” di model permintaan biner negatif. Sesuai hukum
permintaan. Besarnya koefisien menunjukkan elastisitas probabilitas
terhadap harga.
Contoh Makroekonomi
Koefisien “Growth PDB” di model resesi negatif. Pertumbuhan ekonomi
mengurangi probabilitas resesi. Koefisien besar artinya pertumbuhan
sangat efektif mencegah resesi.
Tips Praktis
1. Cek tanda koefisien: Sesuai teori atau tidak?
2. Cek signifikansi (p-value): Apakah pengaruhnya nyata atau
kebetulan?
3. Hitung Marginal Effect untuk besaran dampak.
4. Untuk Logit, hitung Odds Ratio untuk perbandingan relatif.
Ringkasan Singkat
Koefisien Logit/Probit menunjukkan arah hubungan. Besaran dampak nyata harus dihitung melalui Marginal Effect atau Odds Ratio. Interpretasi langsung pada koefisien mentah bisa menyesatkan.
5.2.13 Goodness of Fit: Seberapa Baik Model?
Penjelasan Sederhana
Di OLS kita pakai R-squared. Di Logit/Probit, R-squared tidak valid.
Kita pakai ukuran kecocokan lain seperti Pseudo R-squared,
Classification Table, dan Information Criteria (AIC/BIC).
Intuisi Ekonomi
Model yang baik bukan hanya yang koefisiennya signifikan, tapi yang bisa
memprediksi keputusan dengan akurat dan parsimoni (tidak berlebihan).
Goodness of fit mengukur seberapa dekat prediksi model dengan
kenyataan.
Rumus & Penjelasan Simbol
\[
\text{Pseudo } R^2 = 1 - \frac{\ln L_{model}}{\ln L_{null}}
\] - \(\ln L_{model}\):
Log-likelihood model dengan variabel penjelas.
- \(\ln L_{null}\): Log-likelihood model hanya dengan intercept.
- Nilai mendekati 1 berarti model sangat baik. Nilai 0 berarti model tidak lebih baik dari tebak-tebakan.
Interpretasi Ekonomi
Pseudo R-squared 0,4 artinya model menjelaskan 40% variasi keputusan
dibandingkan model kosong. Angka ini biasanya lebih kecil dari OLS, tapi
itu wajar karena data biner lebih “berisik”.
Contoh Kehidupan Sehari-hari
Model prediksi cuaca. Jika Pseudo R-squared tinggi, artinya
faktor-faktor yang dimasukkan benar-benar membantu memprediksi hujan vs
cerah.
Contoh Mikroekonomi
Model kredit scoring. Classification Table menunjukkan akurasi. Misal
85% nasabah diklasifikasikan dengan benar (lancar/gagal). Ini penting
untuk meminimalkan risiko bank.
Contoh Makroekonomi
Model early warning. AIC/BIC digunakan untuk memilih kombinasi indikator
makro terbaik yang memprediksi krisis tanpa overfitting.
Mengapa Ini Penting?
Tanpa goodness of fit, kita tidak tahu apakah model kita berguna atau
sekadar noise. Ini adalah ujian validitas empiris model.
Ringkasan Singkat
Goodness of fit di Logit/Probit menggunakan Pseudo R-squared, Classification Table, atau AIC/BIC. Ini mengukur seberapa baik model memprediksi data dibandingkan model dasar.
5.2.14 Langkah Analisis Software
Penjelasan Sederhana
Menganalisis Logit/Probit di software (Stata, R, EViews, Python)
memiliki alur kerja standar. Kuncinya adalah urutan: estimasi,
diagnostik, interpretasi marginal, lalu kesimpulan.
Intuisi Ekonomi
Software adalah alat bantu. Logika analisis tetap di tangan peneliti.
Jangan biarkan software berpikir untuk Anda. Pahami setiap output yang
muncul.
Langkah-Langkah:
1. Persiapan Data: Pastikan variabel dependen 0/1. Cek
missing value.
2. Estimasi: Jalankan perintah logit atau
probit.
3. Cek Koefisien: Lihat tanda dan signifikansi. Apakah
sesuai teori?
4. Goodness of Fit: Cek Pseudo R-squared atau LR
Test.
5. Marginal Effects: Hitung margins atau
mfx. Ini langkah wajib.
6. Interpretasi: Tulis hasil berdasarkan ME atau
OR.
Contoh Kehidupan Sehari-hari
Seperti memasak: siapkan bahan (data), masak (estimasi), cicipi
(diagnostik), sajikan (interpretasi). Jika cicipi hambar, tambah bumbu
(variabel) atau ubah resep (spesifikasi).
Contoh Mikroekonomi
Analisis data survei. Import data, set variabel biner, run logit, cek
hasil, hitung ME untuk variabel kunci, tulis implikasi kebijakan.
Contoh Makroekonomi
Analisis time series panel. Pastikan data stasioner, estimasi panel
logit, uji heteroskedastisitas/autokorelasi, interpretasi hasil
dinamis.
Mengapa Ini Penting?
Urutan yang benar mencegah kesalahan interpretasi. Banyak mahasiswa
langsung baca koefisien tanpa cek fit atau hitung ME, sehingga
kesimpulannya bias.
Ringkasan Singkat
Analisis software Logit/Probit mengikuti alur: Estimasi → Diagnostik → Marginal Effects → Interpretasi. Marginal Effects adalah langkah krusial untuk mendapatkan dampak nyata.
5.2.15 Menguasai Logika di Balik Angka
Anda telah berjalan dari intuisi probabilitas hingga ke ruang mesin MLE. Anda tahu bahwa Logit dan Probit bukan rumus ajaib, tapi alat yang menerjemahkan variabel laten dan utilitas acak menjadi probabilitas yang terukur. Anda memahami mengapa kurva S muncul, mengapa MLE diperlukan, dan mengapa Marginal Effect adalah bahasa akhir yang harus disampaikan.
Dengan bab ini, Anda tidak lagi hanya “menjalankan” model. Anda “mengoperasikan” model dengan pemahaman. Anda tahu apa yang terjadi di balik layar software. Anda bisa menjelaskan kepada dosen atau kolega mengapa hasilnya begitu, dan apa artinya bagi ekonomi.
Logit dan Probit kini bukan lagi misteri. Mereka adalah teman kerja yang logis, andal, dan siap membantu Anda menjawab pertanyaan-pertanyaan ekonomi yang paling menantang.
Ringkasan Singkat
Bab ini membongkar mesin Logit dan Probit. Dari intuisi probabilitas dan variabel laten, ke fungsi logistik/normal, estimasi MLE, hingga interpretasi melalui Odds Ratio dan Marginal Effects. Pemahaman logika model adalah kunci sebelum menyentuh software.