Category: Methods & Data
-
Metode Deep Learning untuk Prediksi Covid-19: Analisis Matematis LSTM dan GRU
📚 Sumber Hastomo, W., Karno, A. S. B., Kalbuana, N., Meiriki, A., & Sutarno. (2021).Characteristic Parameters of Epoch Deep Learning to Predict Covid-19 Data in Indonesia.Journal of Physics: Conference Series, 1933, 012050.DOI: 10.1088/1742-6596/1933/1/012050 artikel _ Characteristic Parame… ✍️ Uraian Metode Penelitian ini menggunakan pendekatan Deep Learning berbasis Recurrent Neural Network (RNN) untuk memprediksi data harian…
-
Who Really Bears Labour Taxes?
A Meta-Regression Methodology with Explicit Economic Models Main referenceMelguizo, Á., & González-Páramo, J. M. (2013). Who bears labour taxes and social contributions? A meta-analysis approach. SERIEs, 4, 247–271. Who bears labour taxes and soci… 1. Methodological Core: From Wage Equations to Meta-Regression This study does not estimate the incidence of labour taxes using a single…
-
Transparency in Governments: A Meta-Analytic Review of Incentives for Digital Versus Hard-Copy Public Financial DisclosuresAlcaide Muñoz, L., Rodríguez Bolívar, M. P., & López Hernández, A. M. (2016)American Review of Public Administration
🔗 Link DOI (sumber resmi):https://doi.org/10.1177/0275074016629008 Metodologi Kuantitatif: Model dan Persamaan Meta-Analisis Penelitian ini menggunakan meta-analysis berbasis korelasi dengan pendekatan Hunter–Schmidt (2004). Tujuannya adalah mengestimasi hubungan rata-rata (true effect) antara determinan transparansi dan tingkat pengungkapan informasi keuangan pemerintah, sekaligus menguji heterogenitas antar-studi. 1. Definisi Effect Size Effect size utama yang digunakan adalah koefisien korelasi (r) antara:…
-
Are More Data Always Better for Factor Analysis?
Methodological Notes on Factor Modeling, Estimation, and Forecasting 1. Conceptual Framework: Approximate Factor Model (AFM) The paper is built on the approximate factor model, which is widely used in macroeconomics to summarize large datasets using a small number of latent factors. Model specification For each variable i=1,…,Ni = 1, \dots, N and time period t=1,…,Tt…
-
“Are More Data Always Better for Factor Analysis?” (Boivin & Ng, 2003)
1) Kerangka utama: Approximate Factor Model (AFM) 1.1. Struktur data panel Paper bekerja dengan panel makro: Model faktor (statik) untuk setiap seri:Xit=λi0′Ft0+eit≡χit+eitX_{it}=\lambda_i^{0\prime}F_t^0+e_{it}\equiv \chi_{it}+e_{it} Arti simbol: Inti “approximate factor model”: eite_{it} boleh saling berkorelasi (cross-correlated) dan serially correlated secara lemah, tidak harus diagonal seperti strict factor model. ARE MORE DATA ALWAYS BETTER FOR… 2) Estimasi faktor:…
-
Generalized Dynamic Factor Model (GDFM): Implementation, Diagnostics, and Extensions
Langkah Implementasi Operasional (Algorithmic Steps) Bagian ini penting karena GDFM tidak bisa direplikasi hanya dengan regresi standar. Berikut alur estimasi sebagaimana diimplikasikan oleh Forni et al. (2000). Step 1 — Pre-processing Data Setiap seri xitx_{it} diperlakukan sebagai berikut: x~it=xit−xˉiσi\tilde{x}_{it}=\frac{x_{it}-\bar{x}_i}{\sigma_i} Tujuan standardisasi:→ mencegah satu seri mendominasi spektrum hanya karena skala. Step 2 — Estimasi Autocovariance Panel…
-
Berdasarkan paper Forni, Hallin, Lippi, Reichlin (2000) tentang Generalized Dynamic Factor Model (GDFM)
Data Struktur, variabel, periode, dan sumber 1.1 Struktur data panel (besar n, sedang T) GDFM dirancang untuk situasi di mana jumlah seri (n) besar, bisa lebih besar dari panjang waktu (T), sehingga VAR/VARMA menjadi tidak efisien karena terlalu banyak parameter. The Generalized Dynamic Factor … 1.2 Contoh aplikasi empiris dalam paper (EURO area) Paper menerapkan…
-
Machine Learning dalam Asset Pricing Empiris: Pendekatan Prediktif Berbasis High-Dimensional Data
🇮🇩 VERSI BAHASA INDONESIA 1. Kerangka Metodologis Umum Penelitian ini memandang asset pricing empiris sebagai persoalan estimasi ekspektasi kondisional return, yang secara formal dapat dinyatakan sebagai:E(Ri,t+1∣Ft)\mathbb{E}\left(R_{i,t+1} \mid \mathcal{F}_t\right) dengan: Berbeda dari pendekatan klasik yang mengasumsikan bentuk linier dan faktor risiko terstruktur, studi ini mengadopsi kerangka supervised learning, di mana fungsi prediksi f(⋅)f(\cdot) dipelajari langsung dari…