Memuat
Memuat
Model Tobit dan Seleksi Heckman untuk Teknik Elektro dan Energi
0 kali dilihat
Mengestimasi pengaruh kapasitas PLTS dan konsumsi siang hari terhadap energi dijual ke jaringan yang tersensor atau hanya teramati sebagian dengan model Tobit dan Heckman, menggunakan data sintetis untuk peragaan. 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 kapasitas PLTS dan konsumsi siang hari terhadap energi dijual ke jaringan yang tersensor atau hanya teramati sebagian dengan model Tobit dan Heckman, menggunakan data sintetis untuk peragaan.
| Peran | Variabel | Satuan |
|---|---|---|
| Utama | Energi dijual ke jaringan | kWh |
| Pendukung 1 | Kapasitas PLTS | kWp |
| Pendukung 2 | Konsumsi siang hari | kWh |
Sebanyak 35.0% pengamatan Energi dijual ke jaringan bernilai nol, sehingga OLS (koefisien Kapasitas PLTS 5.142) bias ke arah nol dibanding Tobit (7.084; p < 0.001). Model Heckman dua tahap memberi koefisien 4.604 bagi yang berpartisipasi; inverse Mills ratio (p = 0.122, rho = 0.48) tidak menunjukkan bias seleksi yang nyata.
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(pv_capacity = round(rnorm(n, 50, 10), 3),
daytime_consumption = round(rnorm(n, 30, 6), 3),
akses = round(rnorm(n, 50, 10), 1)) # variabel eksklusi: hanya memengaruhi partisipasi
z1 <- as.numeric(scale(d$pv_capacity))
z2 <- as.numeric(scale(d$daytime_consumption))
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$energy_exported_to_grid <- round(ifelse(d$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(energy_exported_to_grid ~ pv_capacity + daytime_consumption, data = d)
tob <- tobit(energy_exported_to_grid ~ pv_capacity + daytime_consumption, left = 0, data = d)
print(summary(ols)); print(summary(tob))
st <- coef(summary(tob))
sig_tob <- tob$scale
# ---- Analisis 2: Heckman dua tahap (heckit) dengan variabel eksklusi akses ----
hk <- selection(selection = partisipasi ~ pv_capacity + daytime_consumption + akses,
outcome = energy_exported_to_grid ~ pv_capacity + daytime_consumption, data = d, method = "2step")
print(summary(hk))
sh <- coef(summary(hk))
io <- hk$param$index$betaO # baris persamaan outcome
b_hk <- sh[io, ]; rownames(b_hk) <- c("(Intercept)", "pv_capacity", "daytime_consumption")
imr <- sh[hk$param$index$Mills, ] # koefisien inverse Mills ratio (lambda)
rho_hat <- unname(coef(hk)["rho"])
p_imr <- unname(imr[4])
nol <- 100 * mean(d$energy_exported_to_grid == 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$jenis <- factor(ifelse(d$energy_exported_to_grid == 0, "Zero (censored / not observed)", "Positive"),
levels = c("Zero (censored / not observed)", "Positive"))
p1 <- ggplot(d, aes(energy_exported_to_grid, fill = jenis)) +
geom_histogram(bins = 30, colour = warna$panel, alpha = 0.9) +
scale_fill_manual(values = c(pal[2], pal[1]), name = NULL) +
labs(title = sprintf("Distribution of energy_exported_to_grid (%.0f%% zeros)", 100 * mean(d$energy_exported_to_grid == 0)), x = "energy_exported_to_grid", y = "Count")
# 2) koefisien pv_capacity: 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)["pv_capacity"], st["pv_capacity", 1], b_hk["pv_capacity", 1]),
se = c(coef(summary(ols))["pv_capacity", 2], st["pv_capacity", 2], b_hk["pv_capacity", 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$teks) +
scale_colour_manual(values = c(OLS = pal[2], Tobit = pal[1], Heckman = pal[3]), guide = "none") +
scale_y_discrete(expand = expansion(add = 0.7)) +
labs(title = "Coefficient of pv_capacity (95% CI)", x = "Estimate", y = NULL)
# 3) prediksi E[Y] menurut pv_capacity (X2 di rata-rata)
xs <- seq(min(d$pv_capacity), max(d$pv_capacity), length.out = 100)
nd <- data.frame(pv_capacity = xs, daytime_consumption = mean(d$daytime_consumption))
xb <- as.numeric(model.matrix(~ pv_capacity + daytime_consumption, 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(~ pv_capacity + daytime_consumption, nd) %*% b_hk[, 1]), model = "Heckman E[Y*]"))
p3 <- ggplot() +
geom_point(data = d, aes(pv_capacity, energy_exported_to_grid), 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 energy_exported_to_grid by pv_capacity", x = "pv_capacity", y = "energy_exported_to_grid")
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 1.450.000
belum termasuk PPN 11%
Waktu pengerjaan: 13 hari kerja
Output: Kode + analisis + bahan interpretasi
Termasuk semua item Paket 1, ditambah
Paket 3
Rp 3.200.000
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 Teknik Elektro dan Energi. 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 1.450.000, dan Paket 3 (pendampingan lengkap) Rp 3.200.000, 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