I’m going to hold training sessions in the first week of every month in J-PAL Southeast Asia at LPEM FE UI. There are two training courses: quasi-experimental methods (Friday 9am) and data analysis with Stata (Thursday 9am). The training on quasi-experimental methods discuss causal inference, regression discontinuity design, matching, instrumental variable, and difference-in-differences. The data analysis with Stata reviews the basics of conducting statistical routines, creating graphics, and regression analyses.

Please see the syllabus attached in this post. Please email me at gsahadewo@povertyactionlab.org if you’re interested in coming to the training sessions.

Cheers!

syllabus_data_analysis_with_STATA

syllabus_quasi_experiment_method

Advertisements

“Korelasi tidak berarti kausalitas (correlation does not imply causation)”

Pepatah tersebut tentunya tidak asing lagi bagi mahasiswa yang telah mengambil mata kuliah statistika inferensi dan ekonometrika. Namun demikian, penulis sering menyaksikan mahasiswa menggunakan istilah dampak dalam diskusi, presentasi, dan tulisan padahal dampak menjelaskan kausalitas. Mahasiswa yang penulis pernah ampu tentu ingat beberapa momen di kala penulis menyampaikan salah kaprah ini di kelas. Tentunya, penulis tidak menghalangi penggunaan istilah tersebut. Namun demikian, penulis mengajak pembaca untuk menggunakan istilah tersebut dengan tepat. Tulisan ini mendiskusikan dengan singkat perbedaan antara korelasi dan dampak dalam intepretasi estimasian model ekonometrika.

Peneliti yang ingin mengestimasi pengaruh variabel terhadap variabel dapat menggunakan model ekonometrika sebagai berikut:

Y_{i}=\beta_{0}+\beta_{1}X_{i}+\Gamma\mathbf{Z}_{i}+u_{i}.

Asumsi utama adalah mean kondisional nol (zero conditional mean):

E[u_{i}\mid X_{i}]=0.

Peneliti dapat berargumen bahwa adalah eksogen jika asumsi ini dipertahankan. Sayangnya asumsi ini cukup kuat (too strong an assumption) sehingga asumsi ini seringkali tidak dapat dipertahankan. Penulis memberikan dua contoh yang menjelaskan kegagalan asumsi ini.

Pendapatan dan pendidikan

Peneliti menggunakan model pendapatan untuk mengestimasi imbal balik sekolah:

Y_{i}=\beta_{0}+\beta_{1}S_{i}+\Gamma\mathbf{Z}_{i}+u_{i}.

di mana adalah pendapatan dan S adalah pendidikan tertinggi. Vektor meliputi variabel kontrol seperti gender, fungsi polinomial pengalaman kerja, status pernikahan, variabel dumi untuk kependudukan, variabel dumi untuk jenis pekerjaan, pendapatan orang tua, dan pendidikan tertinggi orang tua. Peneliti terkadang tidak bisa mendapatkan semua variabel kontrol yang relevan seperti motivasi atau kemampuan bawaan.

Asumsi mean kondisional nol berimplikasi bahwa rata-rata kemampuan bawaan individu yang menyelesaikan SMA sama dengan rata-rata kemampuan bawaan individu yang lulus kuliah:

E[kemampuan\mid S=12]=E[kemampuan\mid S=16]=E[kemampuan\mid S=s].

Kenyataannya kemampuan bawaan individu lulusan kuliah seringkali berbeda dengan kemampuan bawaan individu lulusan SMA. Pembaca bisa berkonjektur bahwa kemampuan bawaan berkorelasi positif dengan tingkat pendidikan terakhir. Karena kemampuan bawaan terekam dalam variabel eror u, variabel eror berkorelasi dengan tingkat pendidikan S. Dalam konteks ini, kemampuan bawaan merupakan variabel pembaur (confounding variable).

Logika diatas menjelaskan pelanggaran asumsi mean kondisional nol. Konsekuensinya, estimasian \beta_{1} bias. Istilah yang pembaca kenal adalah bias variabel yang ditinggalkan atau omitted variable bias. Oleh karena itu, estimasian \beta_{1} tidak menjelaskan dampak pendidikan terhadap pendapatan, namun sekedar korelasi atau hubungan antara kedua variabel tersebut.

Penulis mengundang pembaca yang tertarik dengan estimasi imbal balik sekolah untuk membaca Angrist, Imbens, dan Rubin (1996) dan Card (2001).

Kausalitas Terbalik (Reverse Causality)

Asumsikan model hipotetikal tentang perkembangan sektor keuangan dan pertumbuhan ekonomi (Levine, 1997):

PPDB_{t}=\beta_{0}+\beta_{1}PSKEU_{t}+\Gamma\mathbf{Z}_{t}+u_{t}.

di mana menjelaskan waktu. Sektor keuangan yang semakin berkembang memudahkan perekonomian untuk mengakumulasi kapital, dan akumulasi kapital akan mendorong pertumbuhan ekonomi. Namun demikian, pertumbuhan ekonomi yang baik memberikan insentif untuk perkembangan sektor keuangan yang berkelanjutan. Situasi ini disebut dengan kausalitas terbalik. Dengan kata lain, variabel perkembangan sektor keuangan endogen dan estimasi parameternya bias. Oleh karena itu, estimasian parameter perkembangan sektor keuangan menjelaskan korelasi, bukan dampak.

Kegagalan asumsi mean kondisional nol dapat kita amati di berbagai topik penelitian. Oleh karena itu, berbagai peneliti terus mengembangkan model ekonometrika untuk mengidentifikasi suatu dampak. Topik penelitian yang pernah melewati debat ini antara lain topik kualitas sekolah dan tingkat pendidikan, kualitas sekolah dan pendapatan (Card dan Krueger, 1994), premium pendapatan untuk lelaki yang menikah, aktivitas peredaran narkotik dan tingkat pembunuhan (Castillo, Meija, Restrepo, 2013), upah minimum dan insiden pekerja informal (Hohberg dan Lay, 2015), dan ratusan topik penelitian lainnya.

Pengambil kebijakan tentunya ingin mendapatkan informasi mengenai dampak kausal suatu variabel terhadap keluaran ekonomi tertentu. Selain itu, pengambil kebijakan ingin mengetahui besaran dampak kausalnya. Namun demikian, peneliti tidak setiap waktu memiliki hak istimewa untuk mendapatkan data yang memungkinkan analisis dampak kausal. Sebagai catatan, penelitian mengenai korelasi variabel-variabel juga penting bagi literatur sehingga nilai ekonomis penelitian ini tetap tinggi. Akhir kata, penulis mengajak pembaca untuk berhati-hati dalam menggunakan dampak dalam penulisannya sehingga penggunaannya tepat sesuai dengan kaidah ekonometrika.

Referensi

Angrist, J. D., Imbens, G. W., & Rubin, D. B. (1996). Identification of causal effects using instrumental variables. Journal of the American statistical Association91(434), 444-455.

Card, D., & Krueger, A. (1994). The economic return to school quality: A partial survey (No. 713). Princeton University, Department of Economics, Industrial Relations Section..

Card, D. (2001). Estimating the return to schooling: Progress on some persistent econometric problems. Econometrica69(5), 1127-1160.

Castillo, J. C., Mejia, D., & Restrepo, P. (2013). Illegal drug markets and violence in Mexico: The causes beyond Calderón. Versión electronica: http://cie. itam. mx/SEMINARIOS/Marzo Mayo_2013/Mejia. pdf3(10), 2013.

Hohberg, M., & Lay, J. (2015). The impact of minimum wages on informal and formal labor market outcomes: evidence from Indonesia. IZA Journal of labor & Development4(1), 14.

Levine, R. (1997). Financial development and economic growth: views and agenda. Journal of economic literature35(2), 688-726.

Penulis mengamati tren penggunaan data antar ruang (cross section) dan data panel oleh mahasiswa dalam tugas, skripsi, maupun tesis. Penulis juga mengamati tren estimasi eror standar robust heteroskedastisitas (heteroscedasticity-robust standard errors) dalam skripsi mahasiswa. Namun demikian, penulis mengamati bahwa beberapa aplikasi estimasi eror standar tersebut belum tepat. Tulisan ini membahas mengapa aplikasi estimasi eror standar robust tidak tepat untuk beberapa data. Selanjutnya, tulisan ini membahas sebuah solusi yaitu estimasi eror standar terkluster (clustered standard errors). Tulisan ini tidak membahas teknis estimasi eror standar namun demikian penulis memberikan referensi buku teks dan artikel yang relevan.

Data Antar Ruang

Asumsikan sebuah spesifikasi model hipotetikal:

A_{is}=\beta_{0}+\Gamma\mathbf{X}_{is}+u_{is},

dimana menjelaskan entitas (individu, desa, perusahaan) dan menjelaskan sebuah kluster (kabupaten, provinsi). Sebagai contoh, seorang peneliti menganalisis hubungan antara pengeluaran pendidikan oleh pemerintah provinsi terhadap prestasi siswa i.  Tentunya, pengeluaran pendidikan berkorelasi sempurna di setiap provinsi karena nilainya tidak bervariasi. Semisal model tersebut secara sistematik membuat prediksi prestasi siswa yang salah di dalam suatu provinsi, maka variabel eror dalam provinsi tersebut berkorelasi positif. Konsekuensinya, estimasian eror standar OLS akan bias kebawah (Cameron dan Miller, 2015).

Estimasi eror standar robust tidak mengakomodasi korelasi dalam provinsi sehingga aplikasi estimasi ini tidaklah tepat. Namun demikian, peneliti tersebut dapat menggunakan estimasi eror standar terkluster (Liang dan Zeger, 1986). Secara umum, eror standar terkluster akan lebih besar dari eror standar OLS karena korelasi dalam setiap kluster (Cameron dan Miller, 2015).

Data Panel

Pooled OLS

Asumsikan peneliti menggunakan pooled OLS (POLS) untuk menganalisis pengaruh pendidikan (S) terhadap pendapatan (Y):

Y_{it}=\beta_{0}+\beta_{1}S_{i}+\Gamma X_{it}+a_{i}+u_{it}

Y_{it}=\beta_{0}+\beta_{1}S_{i}+\Gamma X_{it}+e_{it}

dimana menjelaskan individu, menjelaskan waktu, parameter menjelaskan karakteristik unik individu, dan menjelaskan komponen eror komposit. Komponen eror komposit berkorelasi antar waktu karena karakteristik unik individu a tidak berubah. Konsekuensinya, estimasi eror standar POLS akan bias kebawah. Solusinya adalah aplikasi estimasi eror standar terklaster menggunakan individu sebagai variabel klaster.

Model Fixed Effects

Asumsikan model hipotetikal yang menganalisis pengaruh suatu variabel K terhadap pengangguran U:

U_{st}=\beta_{0}+\alpha_{s}+\gamma_{t}+\delta K_{st}+\Gamma X_{st}+\epsilon_{st},

dimana menjelaskan provinsi dan menjelaskan waktu. Spesifikasi model diatas memang menggunakan komponen fixed effects (FE) provinsi. Namun demikian, variabel eror dapat saja berkorelasi antar waktu. Sebagai contoh, faktor-faktor yang tidak dapat peneliti observasi, seperti rigiditas pasar tenaga kerja di tingkat kabupaten, berkorelasi antar waktu. Konsekuensi dari estimasi eror standar dengan OLS adalah estimasian eror standar yang bias kebawah. Stock dan Watson (2008) juga menunjukkan bahwa estimasi eror standar robust tidak konsisten dalam estimasi model FE. Oleh karena itu, peneliti harus menggunakan estimasi eror standar terkluster dengan provinsi sebagai variabel kluster.

Asumsikan adalah variabel biner yang bernilai 0 sebelum kebijakan dan bernilai 1 setelah kebijakan diterapkan untuk provinsi terkait. Model tersebut merupakan ilustrasi model difference-in-differences (DiD). Bertrand, Duflo, dan Mullainathan (2004) menunjukkan bahwa peneliti yang menggunakan model DiD perlu menggunakan estimasi eror standar terkluster. Merujuk pada pembahasan di artikel tersebut, peneliti perlu menggunakan provinsi sebagai variabel kluster.

Aplikasi dalam Stata

Aplikasi estimasi eror standar terkluster dalam perangkat lunak Stata adalah sebagai berikut:

reg a x1 x2 x3 x4 x5, vce(cluster provinsi)
reg y s x1 x2 x3 x4 x5, vce(cluster individu)
reg u i.alpha i.gamma i.alpha#i.gamma x1 x2 x3 x4, vce(cluster provinsi)

dimana provinsi dan individu adalah variabel kluster.

Referensi

Bertrand, M., Duflo, E., & Mullainathan, S. (2004). How much should we trust differences-in-differences estimates?. The Quarterly journal of economics119(1), 249-275.

Cameron, A. C., & Miller, D. L. (2015). A practitioner’s guide to cluster-robust inference. Journal of Human Resources50(2), 317-372.

Liang, K. Y., & Zeger, S. L. (1986). Longitudinal data analysis using generalized linear models. Biometrika, 13-22.

Stock, J. H., & Watson, M. W. (2008). Heteroskedasticity‐robust standard errors for fixed effects panel data regression. Econometrica76(1), 155-174.

Pengantar

Blog ini akan menghadirkan seri diskusi pasar tenaga kerja dan ekonomika pendidikan di Indonesia dengan merangkum tren nasional tentang topik terkait. Tulisan-tulisan di seri ini tidaklah final karena penulis berupaya untuk terus memperbarui statistik dan pembahasan seiring terbitnya observasi atau data publik baru. Modul wbopendata yang terintegrasi dengan STATA memberikan kesempatan kepada penulis untuk terus memperbarui analisis secara aberkala. Penulis membuka diskusi dan mengundang masukan pembaca untuk setiap tulisan di blog ini. Diskusi, masukan, dan kritik pembaca akan penulis gunakan sebagai referensi untuk pembaruan tulisan.

Sebagian besar konten tulisan dalam seri ini adalah analisis tren. Memahami tren agregat merupakan salah satu aspek kunci dalam analisis ekonomi. Analisis tren menyamarkan variasi dalam data dan variasi seringkali penting untuk memahami fakta di lapangan. Namun demikian, analisis tren menjelaskan dinamika jangka panjang suatu variabel. Selain itu, analisis tren menjelaskan perubahan pola pergerakan suatu variabel karena suatu peristiwa, kebijakan, maupun perubahan rezim pemerintahan. 

Sebagai catatan, penulis tidak bertujuan untuk menguji hipotesis dan melakukan estimasi dalam tulisan ini. Oleh karena itu, penulis berhati-hati untuk tidak membuat kesimpulan dari berbagai temuan dalam analisis tren. Sebaliknya, penulis menyusun pertanyaan terbuka untuk memotivasi penelitian ilmiah.

Tulisan pertama di seri diskusi ini menyajikan dan membahas tren nasional tentang pasar tenaga kerja di Indonesia.

Tren Pasar Tenaga Kerja Indonesia

Pertumbuhan Populasi Indonesia

Populasi Indonesia terus mengalami peningkatan dengan rata-rata pertumbuhan 1.43 persen sejak tahun 1990 (Gambar 1). Namun demikian, pertumbuhan populasi terus mengalami penurunan. Pertumbuhan populasi turun dari 1,80 persen di tahun 1990 ke 1,38 persen di tahun 2010, 1,32 persen di tahun 2010, dan 1,22 persen di tahun 2015.

population_laborforce

Gambar 1. Tren populasi dan angkatan kerja Indonesia, 1990-2015

Populasi usia kerja juga mengalami kenaikan yang cukup berarti dari 115 juta individu di tahun 1990 menjadi 186 juta individu di tahun 2015. Pertumbuhan populasi usia kerja melebihi 2 persen antara tahun 1990-2000 namun turun pasca 2000 dengan pertumbuhan rata-rata tahunan sebesar 1,61 persen. Terlepas dari pertumbuhan yang melambat, proporsi populasi usia kerja terhadap total populasi mengalami tren peningkatan. Proporsi populasi usia kerja meningkat dari 64 persen di tahun 1990 menjadi 71 persen di tahun 2010 dan 72 persen di tahun 2015. Berbagai statistik diatas menjelaskan bahwa perekonomian Indonesia menikmati bonus demografi.

Rasio ketergantungan adalah rasio antara populasi usia kurang dari 15 dan lebih dari 64 dan populasi usia 15-64 tahun. Gambar 3 menunjukkan bahwa rasio ketergantungan di Indonesia mengalami tren penurunan sejak tahun 1970-an. Rasio ketergantungan anak juga mengalami tren penurunan yang paralel. Namun demikian, rasio ketergantungan orang tua meningkat. Kedua statistik ini mencerminkan populasi yang cenderung menua. Sebuah laporan menunjukkan bahwa umur median meningkat dari 21,3 di tahun 1990 menjadi 28,1 di tahun 2015 (Adioetomo dan Mujahid, 2014).

dependencyratio

Gambar 3. Rasio Ketergantungan Indonesia, 1980-2015

Angkatan Kerja Indonesia

Bagian dari populasi yang terlibat langsung dalam pasar tenaga kerja adalah individu dalam angkatan kerja. Mereka adalah individu usia kerja yang bekerja, berhenti bekerja sementara, dan menganggur dalam suatu perekonomian pada suatu periode. Angkatan kerja Indonesia terus meningkat dan mencapai 124 juta individu pada tahun 2014. Sebelum krisis ekonomi, angkatan kerja Indonesia tumbuh dengan rata-rata 3 persen. Rata-rata pertumbuhan angkatan kerja turun menjadi 1,66 persen pasca tahun 1999. Angka ini mencerminkan kenaikan angkatan kerja sebesar 1,8 juta setiap tahunnya.

lfgender

Gambar 4. Angkatan kerja berdasarkan gender, 1990-2014

Angkatan kerja pria mencapai 77 juta individu di tahun 2014 sedangkan angkatan kerja perempuan mencapai 47 juta individu (Gambar 4). Angkatan kerja pria mencakup 62 persen angkatan kerja Indonesia di tahun 2014 dan proporsi ini cukup stabil sejak tahun 1990. Rata-rata pertumbuhan tahunan angkatan kerja pria dan wanita mencapai 1,6 persen.

Tingkat partisipasi angkatan kerja (TPAK) Indonesia relatif stabil pada angka 69-70 persen pasca krisis ekonomi 1998. Stabilnya TPAK Indonesia pada satu dekade terakhir merefleksikan angkatan kerja Indonesia yang relatif muda. Tingkat partisipasi angkatan kerja Indonesia mengalami penurun cukup besar pada masa krisis ekonomi. Tingkat partisipasi angkatan kerja turun dari 69,5 persen di tahun 1996 menjadi 67,2 persen di tahun 1998. Namun demikian, TPAK pulih ke angka 69 persen pada tahun 1999.

lfpr

Gambar 5. Rasio partisipasi angkatan kerja, 1990-2014

Angkatan kerja berpendidikan sekolah dasar mendominasi angkatan kerja Indonesia dengan proporsi 60 persen di tahun 2013 (Gambar 6). Angkatan kerja berpendidikan sekolah menengah (pertama dan atas) mencakup 27 persen dari angkatan kerja Indonesia, sedangkan angkatan kerja berpendidikan tinggi hanya mencakup 8 persen dari angkatan kerja Indonesia. Proporsi angkatan kerja berpendidikan sekolah dasar meningkat cukup tajam dari 54 persen menjadi 64 persen di tahun 2009. Statistik ini menjelaskan bahwa lebih dari setengah angkatan kerja Indonesia berketerampilan rendah. Sebagai perbandingan, angkatan kerja berpendidikan sekolah dasar di Thailand dan Malaysia secara berurutan adalah 42 persen dan 32 persen di tahun 2013. 

laborforce_education

Gambar 6. Angkatan kerja berdasarkan tingkat pendidikan tertinggi, 1994-2013

Lapangan kerja masih terkosentrasi di pulau Jawa pada tahun 2016 (Gambar 7). Secara khusus, jumlah individu bekerja di Jawa melebihi angka 65 juta atau lebih dari setengah jumlah individu bekerja di Indonesia.

employmentregional

Gambar 7. Jumlah individu bekerja antar provinsi, 2016

Pengangguran

Menurut BPS, pengangguran meliputi individu di angkatan kerja yang tidak memiliki pekerjaan karena sedang mencari pekerjaan, mempersiapkan suatu usaha, atau tidak mencari pekerjaan karena pesimistik, dan individu di angkatan kerja yang memiliki pekerjaan namun belum mulai bekerja.

Pengangguran di Indonesia meningkat dari 2,8 persen di tahun 1992 menjadi 11,2 persen di tahun 2004 (Gambar 7). Pasca 2004, pengangguran menurun ke angka 7,9 pesen di tahun 2009 dan 6,2 persen di tahun 2014. Penurunan ini cukup besar karena penurunan pengangguran sebesar 1 persen mencerminkan terciptanya lapangan kerja untuk 1-1,1 juta orang. Statistik yang perlu menjadi perhatian adalah tingginya pengangguran diantara remaja yang mencapai 21,8 persen di tahun 2014. Belum ada riset khusus yang meneliti faktor penyebab tingginya pengangguran remaja. Namun demikian, sebuah laporan menjelaskan bahwa kurang terampilnya remaja membatasi lapangan kerja yang remaja dapat akses (Hasoloan, 2013).

totalunemployment

Gambar 7. Pengangguran di Indonesia, 1991-2014

Secara historis, pengangguran perempuan lebih tinggi dibandingkan pengangguran pria (Gambar 8). Namun demikian, kesenjangan pengangguran pria dan wanita (lapuan) mengalami perubahan antar rezim. Sebelum krisis ekonomi, kesenjangan pengangguran lapuan berkisar antara 0.8 sampai dengan 1,6 persen. Pasca 2000, kesenjangan pengangguran lapuan meningkat cukup tajam dan mencapai 4,5 persen di tahun 2005. Namun demikian, kesenjangan pengangguran lapuan cenderung menurun setelah tahun 2005.

genderunemployment

Gambar 8. Pengangguran berdasarkan gender, 1991-2014

Pertanyaan

Penulis berharap tulisan diatas memantik pertanyaan-pertanyaan dari pembaca. Beberapa pertanyaan yang penulis rangkum antara lain:

  1. faktor apa yang dapat menjelaskan kesenjangan pengangguran antara pria dan perempuan?
  2. Mengapa kesenjangan pengangguran pria dan wanita melebar pasca krisis ekonomi 1998?
  3. Faktor apa yang mendorong tingginya pengangguran diantara remaja Indonesia?  
  4. Mengapa pengangguran Indonesia menurun sejak tahun 2005?
  5. Apakah konsentrasi lapangan kerja di Indonesia berubah antar waktu?

Referensi

Adioetomo, S.M. dan Mujahid, G., 2014, Indonesia on the Threshold of Population Ageing, UNFPA Indonesia.

Azevedo, J.P., 2011, “wbopendata: Stata module to access World Bank
databases,” Statistical Software Components S457234, Boston College
Department of Economics.

Hasoloan, M.A., 2013, “Youth Employment in Indonesia,” Kementrian Tenaga Kerja dan Transmigrasi.

Data

Penulis menggunakan data dari wbopendata Bank Dunia. Pembaca dapat menghubungi penulis untuk mendapatkan lembar kerja (do-files ) STATA.

Analisis statistika deskriptif, tersaji dalam bentuk tabel maupun grafik, merupakan kunci pemahaman data pada suatu penelitian. Sebagai contoh, analisis grafik adalah keharusan untuk evaluasi dampak dengan desain regresi diskontinyu (regression discontinuity design, RDD) dan estimasi DiD (difference-in-difference). Dalam kerangka RDD, analisis dengan grafik memudahkan visualisasi dampak di sekitar nilai ambang treatment  (Jacob dan Zhu, 2012). Visualisasi data juga memudahkan peneliti untuk menentukan spesifikasi estimasi RDD. Analisis grafik untuk estimasi DiD juga krusial untuk melihat tren paralel kelompok treatment dan kelompok kontrol sebelum treatment.

Dalam tulisan ini, saya ingin mengenalkan beberapa skema grafik di STATA yang bisa kita gunakan untuk menghasilkan grafik yang menarik. Skema grafik standar STATA tidak begitu menarik. Oleh karena itu, saya terus menerus mencoba untuk melakukan edit grafik secara manual sampai saya menemukan tampilan grafik yang baik. Mahasiswa di kelas sampai bertanya kenapa program di do-file saya untuk menghasilkan satu grafik bisa panjang (saya pernah melihat program yang lebih panjang daripada program yang saya gunakan).

Saya akan memberikan contoh penyusunan grafik dengan STATA menggunakan beebrapa skema berbeda. Saya menggunakan data dari Education Statistics World Bank. Berikut adalah tampilan grafik menggunakan skema s1color yang saya gunakan dalam beberapa waktu terakhir:

s1color

Saya menemukan dua skema grafik yang cantik dan bermanfaat. Daniel Bischof membuat paket skema grafik bernama blindschemes dengan paket utama plotplain dan plottig. Paket ini menghasilkan grafik yang bersahabat untuk penderita buta warna. Berikut tampilan grafik dengan skema plotplainblind:

plotplainblind

François Briatte membuat paket skema burd yang terdiri dari burd, burd2, sampai dengan burd 11. Berikut tampilan grafik dengan skema burd:

burd

Referensi:

Bischof, Daniel. 2016. “BLINDSCHEMES: Stata module to provide graph schemes sensitive to color vision deficiency.” Boston College Department of Economics.

Briatte, François. 2013. “SCHEME-BURD: Stata module to provide a ColorBrewer-inspired graphics scheme with qualitative and blue-to-red diverging colors.” Statistical Software Components. Boston College Department of Economics.

Jacob, Robin, Pei Zhu, Marie-Andrée Somers, dan Howard Bloom. 2012. “A Practical Guide to Regression Discontinuity.” MDRC Working Paper.

Program STATA:

local schemename s1color burd plotplainblind

foreach scheme of local schemename {

tw (scatter str expenditure if countryname!=”Indonesia”, jitter(3) msymbol(Oh)) /*
*/ (scatter str expenditure if countryname==”Indonesia”, jitter(3) msymbol(O) mcolor(red) mlabel(countryname) mlabpos(6) mlabcolor(red)) /*
*/ (lfit str expenditure),/*
*/ graphregion(color(white)) scheme(`scheme’) /*
*/ legend(row(1) pos(12) order(1 “data aktual, {it:jittered}” 2 “nilai estimasi linier”) region(lwidth(none)))/*
*/ xtitle(“pengeluaran pemerintah, % dari PDB”) /*
*/ ytitle(“rasio siswa guru di pendidikan primer”)/*
*/ note(“{it:Sumber}: Education Statistics, World Bank Open Database”)

graph export `scheme’.png, replace

}

Mahasiswa akan menulis artikel-artikel akademik mulai dari artikel untuk memenuhi kelas sampai dengan skripsi. Saya menekankan kepada mahasiswa bimbingan saya untuk memahami literatur dengan baik. Pemahaman literatur yang baik akan memudahkan mahasiswa mendalami debat intelektual dan perkembangan alat analisis. Pendalaman literatur bisa mahasiswa lakukan sejak mengambil mata kuliah wajib konsentrasi dan mata kuliah lokakarya. Bekal pemahaman literatur mendukung mahasiswa dalam penulisan artikel, pengumpulan data, dan analisis data.

Komponen terpenting dalam ulasan literatur adalah membaca artikel-artikel di literatur tersebut. Mahasiswa dapat mengunduh satu artikel acuan yang muncul di kelas maupun buku teks. Kemudian, mahasiswa bisa melihat artikel-artikel lain di artikel acuan tersebut. Satu artikel akan menuntun mahasiswa ke artikel lainnya hingga nantinya mahasiswa memahami perkembangan debat literatur tersebut.

Dalam kuliah ekonometrika, saya selalu melakukan advokasi kepada mahasiswa untuk menulis do-files yang merangkum semua program yang telah ditulis. Menggunakan analogi ini, saya menyarankan mahasiswa untuk mulai menggunakan manajer referensi untuk mengelola artikel-artikel yang mahasiswa telah baca. Saya menggunakan BibDesk selama beberapa tahun karena integrasinya dengan LaTex. Saat ini, Mendeley adalah manajer referensi yang saya gunakan dan saya rekomendasikan.

Mendeley adalah manajer referensi dengan interoperabilitas yang cukup tinggi. Pengguna dapat mengunduh Mendeley untuk Mac dan PC, perangkat Apple berbasis iOS, dan perangkat berbasis Android. Pengguna cukup membuka satu akun untuk sinkronisasi artikel yang diunduh di laptop, telepon genggam, sampai tablet. Mahasiswa UGM dapat memanfaatkan akun UGM untuk mendapatkan berbagai manfaat tambahan. Pengguna yang menggunakan Safari atau browser lain dapat memanfaatkan plug-in yang Mendeley sediakan untuk mengunduh metadata dan PDF-nya sekaligus kedalam pustaka pribadi.

Pengguna dapat memanfaatkan integrasi Mendeley dengan Microsoft Word, LaTex, dan Open Office untuk menghasilkan daftar pustaka. Saya demonstrasikan fitur ini ke mahasiswa di beberapa kelas saya. Dari ekspresi mereka, saya bisa katakan bahwa fitur ini akan menghemat waktu mereka karena sebagian besar dari mereka masih melakukan pencatatan secara manual. Pengguna juga dapat menggunakan Mendeley sebagai PDF reader untuk dokumen-dokumen yang telah diunduh.

Gunakan referensi manajer dan hemat waktu Anda untuk membaca artikel dan menulis!

I attended a seminar featuring Jonathan Meer who talked about his paper about charitable fundraising. He uses data from an online platform DonorsChoose.org, which gives an opportunity for teachers to promote their classroom projects to potential donors. When a teacher starts a project, she describes her students and the needs of her classroom project. The teacher then proposes a budget by listing the required products, which are chosen from a catalogue provided by the platform.

A project can receive one of the two offers from a sponsor, a half-off offer or an almost home offer, once the projects goes live. If the project receives the former offer, the sponsor matches every dollar that the donors contribute. For example, the sponsor contributes $10 if a donor gives $10. If the project receives the other offer, the sponsor contributes all but the last $100. Donations to the projects in this platform is tax deductible since DonorsChoose.org is a public charity. Once a project reaches its goal, DonorsChoose.org purchases all the listed products and ships them directly to the school.

This is a very cool initiative and an innovative way to improve the quality of classrooms!