Saga University Strategic Partnership Project

-



Popular posts from this blog

Skewness dan Kurtosis

-
Image
Pada statistika, dikenal istilah skewness dan kurtosis. Skewness adalah ukuran ketidaksimetrisan dalam distribusi nilai. Skewness dapat bernilai positif, negatif, dan nol. Skewness yang bernilai positif berarti ekor distribusi berada di sebelah kanan nilai terbanyak. Berarti, sebagian besar distribusi berada di nilai rendah. Skewness yang bernilai negatif berarti ekor distribusi berada di sebelah kiri, menunjukkan bahwa sebagian besar nilai berada di sisi kanan kurva. Sementara skewness bernilai nol berarti nilai terdistribusi secara simetris, dengan jarak antara ekor distribusi sebelah kanan dan kiri sama besar. Sumber: https://en.wikipedia.org/wiki/Skewness Kurtosis adalah indikator untuk menunjukkan derajat keruncingan ( tailedness ). Semakin besar nilai kurtosis maka kurva semakin runcing. Nilai referensi kurtosis adalah 3. Jika nilai kurtosis lebih besar dari 3, maka kurva distribusi disebut leptokurtik. Sementara jika lebih rendah dari 3, maka disebut plat...
Read more

Robustness Check

-
Image
Robustness check seringkali menjadi upaya justifikasi peneliti bahwa model dan pemilihan variabel di penelitiannya adalah secara struktural valid. Namun, sebaliknya, bila robustness check tidak dilaksanakan dengan baik, ia akan menjadi tidak informatif dan bisa jadi membawa persepsi yang keliru.  Satu artikel lama namun masih relevan membahas bagaimana core dan non-critical core variables dapat diuji untuk mendukung robustness check.  White, H. & Lu, X. (2010) Robustness Checks and Robustness Tests in Applied Economics. https://www.economics.uci.edu/files/docs/micro/s11/white.pdf
Read more

IFLS: Mencari Variabel

-
Image
RAND Indonesian Family Life Survey (IFLS). Sumber: Google The Indonesia Family Life Survey (IFLS) merupakan sumber data longitudinal yang banyak digunakan peneliti untuk mengetahui kondisi sosioekonomi, kesehatan, pendidikan untuk rumah tangga dan individu di Indonesia serta kondisi komunitas dalam hal karakteristik, fasilitas pendidikan, dan kesehatan.  IFLS pertama kali diselenggarakan tahun 1993 (IFLS1) yang menyurvei 7.224 rumah tangga yang tinggal di 321 Enumeration Area di 13 provinsi di Indonesia. Kemudian survei-survei berikutnya dilaksanakan di tahun 1997 (IFLS2), 2000 (IFLS3), 2007 (IFLS4), dan 2014 (IFLS5). Berbeda dengan cross section survey yang mengumpulkan informasi responden pada suatu saat tertentu, longitudinal atau panel survey mengumpulkan informasi dari responden yang sama dari waktu ke waktu.  Data, publikasi dan dokumentasi penunjang IFLS tersedia di website RAND Identifier (ID) di IFLS Ada berbagai macam identifier (ID) di IFLS, yakni ID untuk rumah tan...
Read more

Peta Kemiskinan Kabupaten Malang

-
Image
Kabupaten Malang memiliki persentase penduduk miskin yang tergolong rendah di Indonesia atau di antara kabupaten/ kota lain di Provinsi Jawa Timur. Pada tahun 2021, angka kemiskinan di Kabupaten Malang mencapai 10,50%. Sementara kabupaten/ kota dengan tingkat kemiskinan tertinggi di Jawa Timur adalah Sampang (23,76%), Bangkalan (21,57%), dan Sumenep (20,51%) Namun bila dilihat dari angka absolut, Kabupaten Malang tergolong dalam jajaran kabupaten/ kota yang memiliki jumlah penduduk miskin terbanyak di Indonesia dengan jumlah penduduk miskin 276,58 ribu jiwa pada tahun 2021. Jumlah ini menempatkan Kabupaten Malang di posisi keempat nasional, sementara posisi pertama kabupaten/kota dengan jumlah penduduk miskin terbanyak tahun 2021 adalah Kabupaten Bogor dengan jumlah penduduk miskin 491,24 ribu jiwa kemudian disusul Kabupaten Brebes (314,95 ribu jiwa) dan Kabupaten Garut (281,36 ribu jiwa). Gambar 1 . Peta Kemiskinan Provinsi Jawa Timur, 2015 Banyaknya jumlah penduduk miskin di Kabupate...
Read more

Palma Ratio Indonesia

-
Image
Koefisien Gini secara luas digunakan sebagai pengukuran kondisi ketimpangan. Hal ini didasari bahwa koefisien Gini merupakan salah satu metode pengukuran ketimpangang yang paling tua, diajukan oleh Corrado Gini pada tahun 1912. Koefisien Gini memiliki nilai dalam rentang 0 dan 1. Semakin tinggi nilai Gini maka kondisi ketimpangan semakin parah. Maka, satu negara/ daerah yang memiliki koefisien Gini lebih tinggi daripada negara/ daerah lain dianggap memiliki tingkat ketimpangan lebih tinggi. Namun koefisien Gini ternyata tidak mampu melihat lebih ke dalam bagaimana distribusi yang terjadi di setiap kelas masyarakat. Misalnya ada negara A dan B memiliki koefisien Gini yang sama. Namun bagian pendapatan yang diterima oleh masyarakat termiskin di negara A lebih sedikit daripada pendapatan yang diterima oleh kelompok yang sama di negara B. Maka, kondisi ketimpangan di negara A seharusnya lebih parah daripada negara B. Untuk mengatasi kondisi di atas, diperlukan satu indikator lain, ...
Read more

Papers in Quantile Estimation

-
Image
Some papers in quantile estimation, discussing economic problems within Indonesian context:  Aizawa, T. (2018). Regional disparity in the body mass index distribution of Indonesians: New evidence beyond the mean. Bulletin of Indonesian Economic Studies , 54(1), 85-112. https://doi.org/10.1080/00074918.2017.1406596 Sohn, K. (2015). Gender discrimination in earnings in Indonesia: A fuller picture. Bulletin of Indonesian Economic Studies , 51(1), 95-121. https://doi.org/10.1080/00074918.2015.1016569 Soseco, T., Olivia, S., & Oxley, L. (2024). The Determinants of Household Net Wealth in Indonesia. Journal of Southeast Asian Economies , 41(2), 152-178. https://www.iseas.edu.sg/flagship-publications/journal-of-southeast-asia-economies/ Another nice to read papers: Yu, K., Lu, Z., & Stander, J. (2003). Quantile regression: applications and current research areas. Journal of the Royal Statistical Society Series D: The Statistician, 52(3), 331-350. https://doi.or...
Read more

Papers using Binary Response Models

-
Image
Some papers using binary response models (logit, probit), discussing economic problems within Indonesian context: Jiménez, J. D. D., & Salas-Velasco, M. (2000). Modeling educational choices. A binomial logit model applied to the demand for higher education. Higher Education , 40(3), 293-311. https://doi.org/10.1023/A:1004098300436 Lee, G., Pratiwi, A., Farikhah, Suzuki, A., & Kurosaki, T. (2025). Online Communities of Practice as Agricultural information Platforms: A Case Study of Indonesian Shrimp Farmers During the Covid-19 Pandemic. Bulletin of Indonesian Economic Studies , 61(1), 123-158. https://doi.org/10.1080/00074918.2024.2437825 Soseco, T., Hidayah, I., & Rini, A. D. (2022). Gender Determinant on Multidimensional Poverty Index: Evidence from Indonesia. Jurnal Ilmu Sosial dan Ilmu Politik , 26(2), 137-151. https://doi.org/10.22146/jsp.69320 Other good to read paper: Breen, R., Karlson, K. B., & Holm, A. (2018). Interpreting and understanding logits...
Read more