41
Nama Variabel Tipe Variabel
Penjelasan Penjualan
Kontinu Penjualan per minggu Rp
Modal kerja Kontinu
Modal kerja per minggu Rp Pengalihan pinjaman
Biner Pengalihan penggunaan kredit, 1 = ya, 0 tidak
Sumber pinjaman lain Biner
Sumber pinjaman lain, 1 = ya, 0 hanya KUR Karakteristik pinjaman;
Jaminan Jaminan_1
Biner 1 = tidak ada jaminan, 0 lainnya
Jaminan_2 Biner
2 = BPKB motor, 0 lainnya Pembatasan kredit
Biner Apakah pinjaman disetujui sesuai dengan
yang diminta credit constrained, 1= disetujui semua, 0 lainnya
Periode angsuran Kontinu
Lamanya angsuran bulan
3.2.7 Propensity Score Matching atau Pencocokan Nilai-Kedekatan
Metode propensity score matching PSM Pencocokan nilai- kedekatan yaitu memadankan antara subyekanggota terpajan treatment Variable atau
dalam kelompok partisipan dengan kondisi tidak terpajan control variable atau non partisipan dengan menggunakan nilai propensity scorenya atau probabilitas
dari terpajan atau yang mendapat perlakuan atau keduanya dengan menggunakan karakteristik yang dapat diamati agar dapat melakukan analisis
yang lebih baik terhadap hasil pencapaian. Metode PSM ini pertama kali dikenalkan oleh Rosenbaum dan Rubin 1983 dan dikembangkan oleh Heckman
1997.
Alasan evaluasi dampak dengan menggunakan propensity score ini untuk mengurangi bias karena dalam penelitian observasi selalu memiliki masalah
dalam penarikan kesimpulan karena adanya potensial confounding, sehingga kurang tepat jika dua kondisi tersebut dibandingkan meskipun sudah dilakukan
adjustment
melalui regresi karena masih ada potensi bias. Teknik analisis yang menggunakan propensity score dalam studi observasi dapat melakukan adjustment
pada covariat pada dua kelompok dan dapat mengurangi bias lebih baik dibandingkan dengan teknik modeling pada analisis multivariate yang
konvensional. Teknik analisis ini melakukan matching melalui nilai propensity dari subjek yang terpajan dan subjek tidak terpajan. Nilai propensity merupakan
nilai probabilitas subyek jika tidak terpajan, yang ada kenyataan subyek adalah dalam keadaan terpajan kontra fakta.
Prosedur atau langkah dalam PSM adalah pertama terkait dengan model yang akan digunakan untuk mengestimasi, dan variabel yang akan dimasukkan
dalam model. Model yang digunakan untuk proses pencocokan skor PSM dengan regresi
probit dengan variabel-variabel seperti terangkum dalam tabel 3.4 dibawah. Menurut Caliendo dan Kopeinig 2005 hasil dari regresi logistik dengan model
probit hampir mirip. Dalam penelitian ini, model probit digunakan untuk memgestimasi probabilitas akses KUR. Model probit nya sebagai berikut;
P Y
i
= 1 │X
i
= ᶲ β
+ β
1
X
i1 + ...+
β
p
X
ip
= ∫
4
Selanjutnya, memilih algoritma pemadanan matching. Dalam proses pencocokan antar covariat, beberapa teknik bisa dilakukan dalam tahapan ini