Memasuki babak perkuliahan yang sebenarnya, tidak sepadat matrikulasi. Tapi...materi-materinya lebih susah guys, jadi ga bisa penerapan sistem kebut semalam (SKS) untuk memahami semua perkuliahan. Karena sifatnya lebih matematis, jadi penurunan rumus dan pembuktian itu sangat diperlukan. Untuk matematisnya, saya sangat menyarankan untuk sering-sering latihan soal-soal matematika supaya ketika kita terbiasa. Tetapi kita tidak boleh melupakan tentang esensi dan maksud dari apa yang telah kita pelajari, karena jika tidak semua yang kita pelajari akan mudah hilang. Begitu eksak, jadi segala yang berhubungan dengan matematis pun bahasa yang digunakan sangat baku. Akan tetapi, ini jangan kita jadikan sebagai kendala kita untuk belajar memahami ya..
Karena blog ini bukan artikel ilmiah, jadi saya akan memix-kan antara konsep dengan pemahaman saya yang menurut saya paling gampang dicerna. Jika tidak sama saja seperti saya membaca text book yang mungkin ketika dibaca kembali perlu waktu untuk memahaminya lagi kan? Tak kenal maka tak sayang, begitulah ketika pertemuan pertama dalam setiap sesi perkuliahan..tapi jangan salah, introduction benar-benar berbobot apalagi pertemuan selanjutnya. Bisa nyerna ga ya? supaya bisa nyerna dengan baik dan benar insya Allah saya akan update hal-hal penting tapi tidak spesifik (karena jujur ini cuma kayak ringkasan saja dan mungkin ga bisa digunakan sebagai acuan karena ga ada equation dll). Yang penting saya bisa memahami tulisan saya ini, dan syukur-syukur kalau bisa berguna buat orang lain.
Apa kegunaan ekonometrik?
Untuk melihat implikasi dari variabel independen terhadap variabel dependen, kemudian mencari dampak serta mengquantifiernya sehingga dapat mencari efektivitas dan upaya yang paling efisien. Dalam proses identifikasi strategi ada 3 hal yang perlu diperhatikan yaitu (1) memilih data yang tepat dan presisi, (2) research question yang bagus dan (3) pemilihan model yang tepat.
Dalam ekonometrik ada teknik classical dan modern. Pemahaman akan teknik classical penting salah satunya untuk memahami pengambilan kesimpulan, teknik inferensia yang tepat, mendapatkan signifikansi serta homoskedastisitas. Dalam sebuah persamaan antara variabel independen dan dependen tidak semuanya variabel independen dapat mempengaruhi variabel dependennya.
Mean independent assumption adalah asumsi bagaimana variabel X benar-benar independen dan berpengaruh terhadap Y atau yang disebut dengan orthogonality assumption atau randomly assign x. Cara untuk memperolehnya adalah dengan randomised trial yaitu dengan melakukan test efek dari masing-masing variabel X terhadap Y. Sehingga akan diperoleh beta yang betul-betul merupakan dampak variabel independen yang mempengaruhi variabel dependen.
Awal mula dari istilah selection bias adalah ketika ada penelitian yang diuji dari dua kelompok variabel yaitu variabel yang mengalami peristiwa (event) dan tidak mengalami peristiwa pengaruhnya terhadap variabel Y (dependen). Hasilnya ternyata tidak bisa dibentuk kesimpulan mana yang lebih baik mempengaruhi. Hal ini disebabkan karena adanya selection bias yang dapat mengacaukan hasil dari regresi.
Inti dari masalah causal inference adalah kegagalan untuk mendapatkan 2 kelompok yang setara (variabel yang independen /random) yang kemudian tidak dipengaruhi oleh hal lain. Atau dengan kata lain kegagalan dalam mencari counter factual dari kelompok yang akan diuji.
Bagaimana cara mengatasi hal tersebut?
Caranya adalah dengan teknik controlling yaitu dengan membuang/menslice out effect yang tidak simetris yang bisa mengkontaminasi atau yang disebut dengan conditioning strategy dengan cara Conditional Independen Assumption (CIA).
Apa itu multikolinieritas?
Variasi X1 dan X yang lain saling berhubungan atau X1 tidak independen dengan X2. Tidak boleh perfect multikol, hubungan ini tidak hanya x1 dan x2 tetapi juga x1,x2 terhadap Y.
Bagaimana cara untuk mendapatkan X yang betul-betul independen?
Adalah dengan randomisasi. Pada intinya konsep acak berarti setiap orang akan mempunyai chance yang sama sehingga dapat menghilangkan grouping, hal ini dapat dibuktikan dengan random alocation. Dan pada akhirnya akan diperoleh:
Random Assignment akan mengeliminasi Selection Bias
Solusinya adalah menggenerate X dengan randomisasi, dan juga proses eksperimen. Jika masih tidak bisa maka dapat menggunakan teknk-teknik quasi experimental termasuk menyusun sampelnya
Ceteris Paribus
Adalah faktor lain yang kita anggap penting tidak berubah. Mencari pembanding yang setara (Covariate Balance).
Jadi itu tadi guys sedikit perkenalannya. Nah, dengan begini ketika saya buka blog ini, saya dengan cepat memahami apa yang telah saya pelajari...
0 komentar:
Post a Comment