Regresi Probit Data Panel Menggunakan Optimasi Bfgs Dan Aplikasinya

Salah satu model yang dapat menjelaskan hubungan antara variabel prediktor dan variabel respon yang bersifat kategorik adalah regresi probit. Dalam regresi probit, variabel prediktor dapat bersifat kategorik maupun kontinu. Regresi probit merupakan suatu model regresi fungsi linknya menggunakan distribusi normal standar. Apabila pemodelan regresi probit melibatkan data cross-section dan data time series maka disebut pemodelan probit data panel. Dalam aplikasinya, regresi probit data panel dapat diaplikasikan dalam berbagai kasus yang melibatkan unit cross-section dan time-series. Salah satu kasus yang melibatkan unit-unit tersebut adalah kasus kemiskinan. Kemiskinan merupakan persoalan mendasar yang mendapatkan perhatian serius dari pemerintah. Penanggulangan kemiskinan dapat dilakukan melalui berbagai sektor baik pendidikan, ketenagakerjaan, maupun kesehatan. Dalam penelitian ini estimasi parameter regresi probit data panel menggunakan metode maximum likelihood estimation (MLE). Karena penyelesaiantidak closed formdilakukan metode optimasi BFGS untuk mendapatkan hasil estimasi parameter. Regresi probit data panel pendekatan Common Effect Model (CEM)dan Random Effect Model (REM) diterapkanpada kasus Kemiskinan di Jawa Tengah. Hasil pemodelan menyimpulkan bahwadengan melibatkan kriteria ekonomi, regresi probit data panel CEM menghasilkan ukuran kebaikan model yang lebih baik.Melalui efek marginal model terbaik CEM diperoleh bahwa sektor ketenagakerjaan dan pendidikan berpengaruh dalam menurunkan probabilitas suatu daerah untuk berada pada kategori kemiskinan diatas target pemerintah daerah Jawa Tengah. Variabel yang berpengaruh dari sektor ketenagakerjaan adalah Tingkat Partisipasi Angkatan Kerja (TPAK) dan Tingkat Pengangguran Terbuka (TPT) dan variabel yang berpengaruh dari sektor pendidikan adalah rata-rata lama sekolah. ======================================================================================================================== One model that may explain the relationship between the predictor variables and the response variables that are categorical regression probit. In the probit regression, predictor variables can be categorical or continuous. Probit regression is a regression model using the standard normal distribution as the link function. If the probit regression modeling involves by cross-section data and time series data, it is called probit panel data model. In its application, the probit regression panel data can be applied in a variety of cases involving cross-section and time-series unit. One of the cases involving these units is a case of poverty. Poverty is a fundamental issue that is getting serious attention from the government. Poverty reduction can be done through a variety of both sectors of education, employment, and health. In this study, the parameter estimation of probit panel data regression using Maximum Likelihood Estimation (MLE). Because the settlement is not closed form, BFGS optimization method is applied to get the results of parameter estimation. The Common Effect Model (CEM) and Random Effects Model (REM) approaches of Probit panel data regression applied to the case Poverty in Central Java. The Modeling results concluded that by involving the economic criteria, produces that CEM approach is a better model. Through the marginal effect of CEM best model is obtained that the employment and educational sectors impact in reducing the probability of a region to be in the category of poverty above the government's target of Central Java. Variables that influence of the employment sector are the Labor Force Participation Rate (LFPR) and Unemployment Rate (UR) and the variables that affect the education sector is the Mean Years School (MYS