Memuat
Memuat
Model Tobit dan Seleksi Heckman untuk Perikanan dan Kelautan
0 kali dilihat
Mengestimasi pengaruh luas kolam dan pendidikan pembudidaya terhadap belanja obat dan vitamin ikan yang tersensor atau hanya teramati sebagian dengan model Tobit dan Heckman, berdasarkan data sintetis yang dibangkitkan untuk contoh. Model Tobit menangani variabel terikat yang tersensor di nol (banyak pengamatan bernilai nol), sedangkan model seleksi Heckman mengoreksi bias ketika outcome hanya teramati pada kelompok yang berpartisipasi. Cocok untuk skripsi, tesis, atau disertasi tentang pengeluaran, jam kerja, atau upah yang banyak bernilai nol atau tidak teramati.

Mengestimasi pengaruh luas kolam dan pendidikan pembudidaya terhadap belanja obat dan vitamin ikan yang tersensor atau hanya teramati sebagian dengan model Tobit dan Heckman, berdasarkan data sintetis yang dibangkitkan untuk contoh.
| Peran | Variabel | Satuan |
|---|---|---|
| Utama | Belanja obat dan vitamin ikan | IDR thousand |
| Pendukung 1 | Luas kolam | m2 |
| Pendukung 2 | Pendidikan pembudidaya | years |
Sebanyak 38.7% pengamatan Belanja obat dan vitamin ikan bernilai nol, sehingga OLS (koefisien Luas kolam 3.018) bias ke arah nol dibanding Tobit (4.209; p < 0.001). Model Heckman dua tahap memberi koefisien 2.746 bagi yang berpartisipasi; inverse Mills ratio (p = 0.046, rho = 0.44) menunjukkan bias seleksi nyata sehingga koreksi Heckman diperlukan.
Dihitung dari data sintetis sebagai ilustrasi, bukan dari penelitian nyata.
Model Tobit menangani variabel terikat yang tersensor di nol (banyak pengamatan bernilai nol), sedangkan model seleksi Heckman mengoreksi bias ketika outcome hanya teramati pada kelompok yang berpartisipasi. Cocok untuk skripsi, tesis, atau disertasi tentang pengeluaran, jam kerja, atau upah yang banyak bernilai nol atau tidak teramati.
Laporkan proporsi nol, lalu bandingkan koefisien OLS, Tobit, dan Heckman untuk menunjukkan bias OLS. Koefisien Tobit adalah pengaruh terhadap variabel laten, sedangkan koefisien Heckman adalah pengaruh bagi yang berpartisipasi; inverse Mills ratio yang signifikan (rho tidak nol) menandakan bias seleksi.
Skrip awal singkat dengan nama variabel proyek ini. Versi yang diserahkan disesuaikan dengan data Anda dan diberi komentar lengkap.
# Contoh kode R: Tobit and Heckman Selection Models
suppressPackageStartupMessages({
library(ggplot2)
library(patchwork)
library(AER)
library(sampleSelection)
})
set.seed(42)
# ---- Gaya grafik ----
pal <- c("#1f6feb", "#e8590c", "#2f9e44", "#ae3ec9", "#f59f00")
warna <- list(bg = "#f4f6fa", panel = "#ffffff", teks = "#1f2933", redup = "#5f6b78", grid = "#e3e8ee", bar = "#1d3557")
tata <- 1
theme_set(theme_minimal(base_size = 11) + theme(legend.position = "bottom"))
# ---- Data sintetis: Y bernilai nol untuk yang tidak berpartisipasi ----
n <- max(300, 200)
d <- data.frame(pond_area = round(rnorm(n, 50, 10), 3),
farmer_education = round(rnorm(n, 30, 6), 3),
akses = round(rnorm(n, 50, 10), 1)) # variabel eksklusi: hanya memengaruhi partisipasi
z1 <- as.numeric(scale(d$pond_area))
z2 <- as.numeric(scale(d$farmer_education))
za <- as.numeric(scale(d$akses))
rho <- runif(1, 0.3, 0.7) # korelasi galat seleksi dan galat outcome
u <- rnorm(n)
e <- rho * u + sqrt(1 - rho^2) * rnorm(n)
# persamaan seleksi (partisipasi)
g0 <- qnorm(runif(1, 0.55, 0.72))
d$partisipasi <- as.integer(g0 + runif(1, 0.4, 0.8) * z1 + runif(1, 0.1, 0.3) * z2 + runif(1, 0.6, 1) * za + u > 0)
# persamaan outcome (hanya teramati bila partisipasi = 1)
b1 <- runif(1, 0.25, 0.45); b2 <- runif(1, 0.08, 0.25) * sample(c(-1, 1), 1)
y_star <- 100 * (1 + b1 * z1 + b2 * z2 + 0.3 * e)
d$fish_medication_spending <- round(ifelse(d$partisipasi == 1, pmax(y_star, 0), 0), 3)
write.csv(d, "data_contoh.csv", row.names = FALSE)
# ---- Analisis 1: OLS naif dan Tobit (tersensor kiri di 0) ----
ols <- lm(fish_medication_spending ~ pond_area + farmer_education, data = d)
tob <- tobit(fish_medication_spending ~ pond_area + farmer_education, left = 0, data = d)
print(summary(ols)); print(summary(tob))
st <- coef(summary(tob))
sig_tob <- tob$scale
# ---- Analisis 2: Heckman dua tahap (heckit) dengan variabel eksklusi akses ----
hk <- selection(selection = partisipasi ~ pond_area + farmer_education + akses,
outcome = fish_medication_spending ~ pond_area + farmer_education, data = d, method = "2step")
print(summary(hk))
sh <- coef(summary(hk))
io <- hk$param$index$betaO # baris persamaan outcome
b_hk <- sh[io, ]; rownames(b_hk) <- c("(Intercept)", "pond_area", "farmer_education")
imr <- sh[hk$param$index$Mills, ] # koefisien inverse Mills ratio (lambda)
rho_hat <- unname(coef(hk)["rho"])
p_imr <- unname(imr[4])
nol <- 100 * mean(d$fish_medication_spending == 0)
cat(sprintf("Proporsi nol: %.1f%%, rho = %.3f, p IMR = %.4f\n", nol, rho_hat, p_imr))
# ---- Grafik ----
# 1) histogram Y dengan massa di nol
d$jenis <- factor(ifelse(d$fish_medication_spending == 0, "Zero (censored / not observed)", "Positive"),
levels = c("Zero (censored / not observed)", "Positive"))
p1 <- ggplot(d, aes(fish_medication_spending, fill = jenis)) +
geom_histogram(bins = 30, colour = warna$panel, alpha = 0.9) +
scale_fill_manual(values = c(pal[2], pal[1]), name = NULL) +
labs(title = sprintf("Distribution of fish_medication_spending (%.0f%% zeros)", 100 * mean(d$fish_medication_spending == 0)), x = "fish_medication_spending", y = "Count")
# 2) koefisien pond_area: OLS vs Tobit vs Heckman (IK 95%)
dk <- data.frame(model = factor(c("OLS", "Tobit", "Heckman"), levels = c("Heckman", "Tobit", "OLS")),
b = c(coef(ols)["pond_area"], st["pond_area", 1], b_hk["pond_area", 1]),
se = c(coef(summary(ols))["pond_area", 2], st["pond_area", 2], b_hk["pond_area", 2]))
dk$teks <- sprintf("%.3f", dk$b)
p2 <- ggplot(dk, aes(b, model, colour = model)) +
geom_errorbarh(aes(xmin = b - 1.96 * se, xmax = b + 1.96 * se), height = 0.18, linewidth = 1) +
geom_point(size = 3.2) +
geom_text(aes(label = teks), vjust = -1.2, size = 3, colour = warna$teks) +
scale_colour_manual(values = c(OLS = pal[2], Tobit = pal[1], Heckman = pal[3]), guide = "none") +
scale_y_discrete(expand = expansion(add = 0.7)) +
labs(title = "Coefficient of pond_area (95% CI)", x = "Estimate", y = NULL)
# 3) prediksi E[Y] menurut pond_area (X2 di rata-rata)
xs <- seq(min(d$pond_area), max(d$pond_area), length.out = 100)
nd <- data.frame(pond_area = xs, farmer_education = mean(d$farmer_education))
xb <- as.numeric(model.matrix(~ pond_area + farmer_education, nd) %*% coef(tob))
dp <- rbind(data.frame(x = xs, y = predict(ols, nd), model = "OLS"),
data.frame(x = xs, y = pnorm(xb / sig_tob) * xb + sig_tob * dnorm(xb / sig_tob), model = "Tobit E[Y]"),
data.frame(x = xs, y = as.numeric(model.matrix(~ pond_area + farmer_education, nd) %*% b_hk[, 1]), model = "Heckman E[Y*]"))
p3 <- ggplot() +
geom_point(data = d, aes(pond_area, fish_medication_spending), colour = warna$redup, alpha = 0.3, size = 1.1) +
geom_line(data = dp, aes(x, y, colour = model), linewidth = 1.1) +
scale_colour_manual(values = c("OLS" = pal[2], "Tobit E[Y]" = pal[1], "Heckman E[Y*]" = pal[3]), name = NULL) +
labs(title = "Predicted fish_medication_spending by pond_area", x = "pond_area", y = "fish_medication_spending")
p_hasil <- if (tata == 1) p1 / (p2 | p3) else p1 | (p2 / p3)
print(p_hasil)
Berkas proyek aslinya tersedia. Bukan sekadar gambar di atas: Anda mendapat proyek R yang siap dijalankan. Berkas bisa diunduh setelah pembayaran, dan kami kirim lewat WhatsApp atau email.
ZIP: analisis.R + data_contoh.csv + BACA-DULU.txt
Pilih seberapa banyak bantuan yang Anda perlukan. Setiap paket yang lebih tinggi sudah mencakup semua item paket di bawahnya. Harga belum termasuk PPN 11%.
Paket 1
Rp 500.000
belum termasuk PPN 11%
Waktu pengerjaan: 7 hari kerja
Output: Berkas R + gambar hasil
Yang Anda terima
Paket 2 · paling dipilih
Rp 1.500.000
belum termasuk PPN 11%
Waktu pengerjaan: 13 hari kerja
Output: Kode + analisis + bahan interpretasi
Termasuk semua item Paket 1, ditambah
Paket 3
Rp 3.250.000
belum termasuk PPN 11%
Waktu pengerjaan: 18-21 hari kerja
Output: Kode + analisis + pendampingan hingga siap dipresentasikan
Termasuk semua item Paket 1 & 2, ditambah
Ya. Berkas proyek aslinya berupa ZIP berisi skrip analisis.R lengkap, data_contoh.csv, dan petunjuk BACA-DULU.txt. Berkas bisa diunduh setelah pembayaran, dan kami kirim lewat WhatsApp atau email. Untuk data Anda sendiri (Paket 2 dan 3), skrip disesuaikan dengan dataset Anda.
Cocok. Model Tobit dan Seleksi Heckman lazim dipakai pada jenjang ini di bidang Perikanan dan Kelautan. Analisis kami sesuaikan dengan pertanyaan penelitian, data Anda sendiri, dan ketentuan dosen pembimbing.
Bukan. Lembar hasil dihitung dari data sintetis sebagai ilustrasi jenis keluaran R Studio. Untuk pesanan Anda, metode yang sama dijalankan pada data penelitian Anda sendiri.
Itu tujuan paketnya. Setiap skrip diberi komentar, dan Paket 3 mencakup dua sesi pendampingan serta latihan tanya jawab supaya Anda bisa menjelaskan metode dan hasilnya saat seminar dan sidang.
Tiap proyek punya tiga paket: Paket 1 (kode dan penjelasan) Rp 500.000, Paket 2 (analisis data Anda dan interpretasi) Rp 1.500.000, dan Paket 3 (pendampingan lengkap) Rp 3.250.000, belum termasuk PPN 11%. Data yang besar, metode tambahan, atau tenggat ketat menyesuaikan penawaran setelah konsultasi singkat.
Lembar hasil memakai data sintetis sebagai ilustrasi. R adalah bahasa pemrograman proyek R Foundation; RStudio dan Posit adalah merek dagang Posit PBC.
Kembali ke portofolio R Studio