TUGAS RESPONSI STA1353 - ANALISIS DATA PANEL (KELOMPOK 4)
Penggunaan Analisis Regresi Data Panel dalam Pemodelan Kemiskinan di Pulau Sumatra Tahun 2008-2020
Pendahuluan
Pulau Sumatera adalah salah satu pulau terbesar di Indonesia, dengan luas wilayah sekitar 473.481 km persegi. Meskipun memiliki sumber daya alam yang melimpah, pulau Sumatera masih menghadapi masalah kemiskinan yang signifikan. Menurut data Badan Pusat Statistik (BPS 2020), tingkat kemiskinan di Sumatera mencapai sekitar 9,41 persen. Angka ini menunjukkan bahwa sekitar 9,41 persen dari total populasi di Sumatera hidup di bawah garis kemiskinan, yang ditetapkan pada Rp 384.258 per kapita per bulan. Masalah kemiskinan di Sumatera dipengaruhi oleh berbagai faktor, seperti akses terbatas terhadap pendidikan, kesehatan, dan lapangan kerja yang layak. Selain itu, infrastruktur yang kurang memadai dan kebijakan pemerintah yang belum efektif juga berdampak pada meningkatnya tingkat kemiskinan di Sumatera. Tingginya tingkat kemiskinan di Sumatera juga berdampak pada masalah sosial, seperti tingginya angka putus sekolah, kekurangan gizi, dan kekurangan fasilitas kesehatan yang memadai. Oleh karena itu, pemerintah dan masyarakat perlu bekerja sama untuk mengatasi masalah kemiskinan di Sumatera dan meningkatkan kesejahteraan masyarakat secara keseluruhan (Cahyani 2021).
Library yang Digunakan
library(readxl)
library(plm)
library(dplyr)##
## Attaching package: 'dplyr'## The following objects are masked from 'package:plm':
##
## between, lag, lead## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionlibrary(tidyverse)## ── Attaching packages
## ───────────────────────────────────────
## tidyverse 1.3.2 ──## ✔ ggplot2 3.4.0 ✔ purrr 0.3.5
## ✔ tibble 3.1.8 ✔ stringr 1.4.1
## ✔ tidyr 1.2.1 ✔ forcats 0.5.2
## ✔ readr 2.1.3
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::between() masks plm::between()
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks plm::lag(), stats::lag()
## ✖ dplyr::lead() masks plm::lead()library(ggplot2)
library(performance)
library(corrplot)## corrplot 0.92 loadedlibrary(gplots)##
## Attaching package: 'gplots'
##
## The following object is masked from 'package:stats':
##
## lowessData
Data yang digunakan dalam penelitian ini merupakan data sekunder bertipe data panel mengenai kemiskinan di Indonesia tahun 2008-2020. Data ini terdiri dari satu peubah respon berupa KMIS serta empat peubah prediktor, meliputi INFRA, PEKO, INFL, dan PGGR. Unit pengamatan dalam data ini berupa 32 provinsi di Indonesia (DKI Jakarta, Kalimantan Utara, dan tiga provinsi baru Papua tidak dimasukkan dalam data ini).
Input Data
data<-read_excel("C:/SEMESTER 6/ADP/dataresponsiadp.xlsx")
str(data)## tibble [416 × 7] (S3: tbl_df/tbl/data.frame)
## $ PROVINSI: chr [1:416] "Bali" "Bali" "Bali" "Bali" ...
## $ TAHUN : num [1:416] 2008 2009 2010 2011 2012 ...
## $ INFRA : num [1:416] 430814 484340 336352 298867 348529 ...
## $ PEKO : num [1:416] 5.97 5.33 5.83 6.49 6.65 6.69 6.73 6.03 6.32 5.56 ...
## $ INFL : num [1:416] 9.62 4.37 8.1 3.75 4.71 8.16 8.43 2.75 3.23 3.32 ...
## $ PGGR : num [1:416] 3.31 3.13 3.06 2.95 2.1 1.83 1.9 1.99 1.89 1.48 ...
## $ KMIS : num [1:416] 6.17 5.13 4.88 4.2 3.95 4.49 4.76 5.25 4.15 4.14 ...head(data)## # A tibble: 6 × 7
## PROVINSI TAHUN INFRA PEKO INFL PGGR KMIS
## <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 Bali 2008 430814 5.97 9.62 3.31 6.17
## 2 Bali 2009 484340 5.33 4.37 3.13 5.13
## 3 Bali 2010 336352 5.83 8.1 3.06 4.88
## 4 Bali 2011 298867 6.49 3.75 2.95 4.2
## 5 Bali 2012 348529 6.65 4.71 2.1 3.95
## 6 Bali 2013 398608 6.69 8.16 1.83 4.49unique(data$PROVINSI)## [1] "Bali" "NTB" "NTT" "JABAR" "Banten"
## [6] "JATENG" "DIY" "JATIM" "KALBAR" "KALTENG"
## [11] "KALSEL" "KALTIM" "Maluku" "MALUT" "PAPUA"
## [16] "PapuaBarat" "SULUT" "Gorontalo" "SULTENG" "SULSEL"
## [21] "SULBAR" "SulTenggara" "Aceh" "SUMUT" "SUMBAR"
## [26] "RIAU" "Kepri" "Jambi" "SUMSEL" "BABEL"
## [31] "Bengkulu" "Lampung"unique(data$TAHUN)## [1] 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020data$TAHUN<-as.factor(data$TAHUN)Split Data By Region
nusa<-data[c(1:39),]
jawa<-data[c(40:104),]
kalimantan<-data[c(105:156),]
maluku<-data[c(157:182),]
papua<-data[c(183:208),]
sulawesi<-data[c(209:286),]
sumatera<-data[c(287:416),]Berdasarkan data yang tersedia, hanya dipilih Wilayah Pulau Sumatera dengan total 10 provinsi yang akan dilakukan analisis lebih lanjut karena Pulau Sumatera merupakan salah satu pulau terbsesar di Indonesia. Selain itu, kami tidak menggunakan data secara keseluruhan (Indonesia) karena terdapat beberapa provinsi yang datanya tidak teramati dalam data ini.
Membuat Data Panel
pdata <- pdata.frame(sumatera, index=c("PROVINSI","TAHUN"))
head(pdata)## PROVINSI TAHUN INFRA PEKO INFL PGGR KMIS
## Aceh-2008 Aceh 2008 1005049 -5.27 11.92 9.56 23.53
## Aceh-2009 Aceh 2009 1040297 -5.58 3.72 8.71 21.80
## Aceh-2010 Aceh 2010 812758 2.74 5.86 8.37 20.98
## Aceh-2011 Aceh 2011 912601 5.02 3.43 9.00 19.57
## Aceh-2012 Aceh 2012 932017 5.20 0.22 9.06 18.58
## Aceh-2013 Aceh 2013 1176245 2.83 7.31 10.12 17.72summary(pdata)## PROVINSI TAHUN INFRA PEKO INFL
## Aceh :13 2008 :10 Min. : 111046 Min. :-5.580 Min. : 0.220
## BABEL :13 2009 :10 1st Qu.: 485142 1st Qu.: 4.173 1st Qu.: 2.518
## Bengkulu:13 2010 :10 Median : 909946 Median : 5.190 Median : 3.820
## Jambi :13 2011 :10 Mean :1107489 Mean : 4.610 Mean : 5.032
## Kepri :13 2012 :10 3rd Qu.:1465496 3rd Qu.: 6.125 3rd Qu.: 7.513
## Lampung :13 2013 :10 Max. :4729762 Max. : 7.190 Max. :18.400
## (Other) :52 (Other):70
## PGGR KMIS
## Min. : 2.600 Min. : 4.500
## 1st Qu.: 4.640 1st Qu.: 7.473
## Median : 5.675 Median : 9.490
## Mean : 5.953 Mean :11.179
## 3rd Qu.: 6.940 3rd Qu.:14.985
## Max. :10.340 Max. :23.530
## glimpse(pdata)## Rows: 130
## Columns: 7
## $ PROVINSI <fct> Aceh, Aceh, Aceh, Aceh, Aceh, Aceh, Aceh, Aceh, Aceh, Aceh, A…
## $ TAHUN <fct> 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2…
## $ INFRA <pseries> 1005049, 1040297, 812758, 912601, 932017, 1176245, 118570…
## $ PEKO <pseries> -5.27, -5.58, 2.74, 5.02, 5.20, 2.83, 1.65, -0.72, 3.31, …
## $ INFL <pseries> 11.92, 3.72, 5.86, 3.43, 0.22, 7.31, 8.09, 1.53, 3.95, 4.…
## $ PGGR <pseries> 9.56, 8.71, 8.37, 9.00, 9.06, 10.12, 9.02, 9.93, 7.57, 6.…
## $ KMIS <pseries> 23.53, 21.80, 20.98, 19.57, 18.58, 17.72, 16.98, 17.11, 1…Eksplorasi Data
Mengecek “Balance”
pdata %>%
is.pbalanced()## [1] TRUEMengecek Dimensi Waktu
pdata %>%
is.pconsecutive()## Aceh BABEL Bengkulu Jambi Kepri Lampung RIAU SUMBAR
## TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE
## SUMSEL SUMUT
## TRUE TRUEMengecek Sebaran Data
Boxplot
boxplot(sumatera[,-c(1,2)])
Histogram
hist(sumatera$INFRA)
hist(sumatera$PEKO)
hist(sumatera$INFL)
hist(sumatera$PGGR)
hist(sumatera$KMIS)
Plot Korelasi
corrplot(cor(sumatera[,-c(1,2)]), type = "upper")
corrplot(cor(sumatera[c(1:13),-c(1,2)]),type = "upper")
corrplot(cor(sumatera[c(117:130),-c(1,2)]),type = "upper")
Multiple Linechart
##peubah respon dibedakan berdasarkan individu
ggplot(sumatera, aes(x=TAHUN, y=KMIS, group= PROVINSI)) +
geom_line(aes(color = PROVINSI), size = 1.15)+
geom_point(size = 0.9)+
theme_classic()
##peubah respon dibedakan berdasarkan tahun
par(mfrow = c(3, 2))
ggplot(sumatera, aes(x=PROVINSI, y=KMIS, group= TAHUN)) +
geom_line(aes(color = TAHUN), size = 1.15)+
geom_point(size = 0.9)+
theme_classic()
ggplot(sumatera, aes(x=TAHUN, y=INFRA, group= PROVINSI)) +
geom_line(aes(color = PROVINSI), size = 1.15)+
geom_point(size = 0.9)+
theme_classic()
ggplot(sumatera, aes(x=TAHUN, y=PEKO, group= PROVINSI)) +
geom_line(aes(color = PROVINSI), size = 1.15)+
geom_point(size = 0.9)+
theme_classic()
ggplot(sumatera, aes(x=TAHUN, y=INFL, group= PROVINSI)) +
geom_line(aes(color = PROVINSI), size = 1.15)+
geom_point(size = 0.9)+
theme_classic()
ggplot(sumatera, aes(x=TAHUN, y=PGGR, group= PROVINSI)) +
geom_line(aes(color = PROVINSI), size = 1.15)+
geom_point(size = 0.9)+
theme_classic()
##Y~X
par(mfrow = c(2, 2))
ggplot(sumatera, aes(x=INFRA, y = KMIS))+
geom_point(aes(color= TAHUN))
ggplot(sumatera, aes(x=INFRA, y = KMIS))+
geom_point(aes(color= PROVINSI))
ggplot(sumatera, aes(x=PEKO, y = KMIS))+
geom_point(aes(color= TAHUN))
ggplot(sumatera, aes(x=PEKO, y = KMIS))+
geom_point(aes(color= PROVINSI))
ggplot(sumatera, aes(x=INFL, y = KMIS))+
geom_point(aes(color= TAHUN))
ggplot(sumatera, aes(x=INFL, y = KMIS))+
geom_point(aes(color= PROVINSI))
ggplot(sumatera, aes(x=PGGR, y = KMIS))+
geom_point(aes(color= TAHUN))
ggplot(sumatera, aes(x=PGGR, y = KMIS))+
geom_point(aes(color= PROVINSI))
plotmeans(KMIS ~ PROVINSI, main="Keragaman Antar Individu",data)
plotmeans(KMIS ~ TAHUN, main="Keragaman Antar Waktu",data)
#terdapat keragaman baik pada individu, dan sepertinya tidak terdapat keragaman antar waktu
coplot( KMIS ~ TAHUN|PROVINSI, type="b", data=pdata)
Common Effect Model (CEM)
cem<-plm(scale(sumatera$KMIS)~INFRA+PEKO+INFL+PGGR, data = pdata, model = "pooling")
summary(cem)## Pooling Model
##
## Call:
## plm(formula = scale(sumatera$KMIS) ~ INFRA + PEKO + INFL + PGGR,
## data = pdata, model = "pooling")
##
## Balanced Panel: n = 10, T = 13, N = 130
##
## Residuals:
## Min. 1st Qu. Median 3rd Qu. Max.
## -2.276831 -0.461508 0.022039 0.482178 1.699348
##
## Coefficients:
## Estimate Std. Error t-value Pr(>|t|)
## (Intercept) -1.5386e+00 4.0645e-01 -3.7854 0.0002371 ***
## INFRA 2.4350e-07 9.3871e-08 2.5940 0.0106207 *
## PEKO -5.9160e-02 3.3516e-02 -1.7651 0.0799852 .
## INFL 4.2735e-02 2.4328e-02 1.7567 0.0814246 .
## PGGR 2.2284e-01 4.9075e-02 4.5407 1.301e-05 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Total Sum of Squares: 129
## Residual Sum of Squares: 95.541
## R-Squared: 0.25937
## Adj. R-Squared: 0.23567
## F-statistic: 10.944 on 4 and 125 DF, p-value: 1.2183e-07multicollinearity(cem)## # Check for Multicollinearity
##
## Low Correlation
##
## Term VIF VIF 95% CI Increased SE Tolerance Tolerance 95% CI
## INFRA 1.10 [1.01, 1.72] 1.05 0.91 [0.58, 0.99]
## PEKO 1.24 [1.09, 1.65] 1.11 0.81 [0.61, 0.92]
## INFL 1.16 [1.04, 1.61] 1.08 0.86 [0.62, 0.96]
## PGGR 1.19 [1.06, 1.62] 1.09 0.84 [0.62, 0.95]model_performance(cem)## # Indices of model performance
##
## AIC | AICc | BIC | R2 | R2 (adj.) | RMSE | Sigma
## ---------------------------------------------------------------
## 340.886 | 341.569 | 358.092 | 0.259 | 0.236 | 0.857 | 0.874res.cem <- residuals(cem)##normality (H0: normal)
library(tseries)## Registered S3 method overwritten by 'quantmod':
## method from
## as.zoo.data.frame zoojarque.bera.test(res.cem)##
## Jarque Bera Test
##
## data: res.cem
## X-squared = 1.0689, df = 2, p-value = 0.586##histogram
hist(res.cem,
xlab = "sisaan",
col = "#27D3D3",
breaks=30,
prob = TRUE)
lines(density(res.cem), # density plot
lwd = 2, # thickness of line
col = "chocolate3")
#plotqqnorm
set.seed(369)
res.cem1 <- as.numeric(res.cem)
qqnorm(res.cem1,datax=T, col="blue")
qqline(rnorm(length(res.cem1),mean(res.cem1),sd(res.cem1)),datax=T, col="red")
##autocorelastion (H0: sisaan saling bebas)
pbgtest(cem) ##
## Breusch-Godfrey/Wooldridge test for serial correlation in panel models
##
## data: scale(sumatera$KMIS) ~ INFRA + PEKO + INFL + PGGR
## chisq = 95.502, df = 13, p-value = 1.228e-14
## alternative hypothesis: serial correlation in idiosyncratic errors##homogen (H0: ragam homogen)
library(lmtest)## Loading required package: zoo##
## Attaching package: 'zoo'## The following objects are masked from 'package:base':
##
## as.Date, as.Date.numericbptest(cem)##
## studentized Breusch-Pagan test
##
## data: cem
## BP = 21.619, df = 4, p-value = 0.0002386Fixed Effect Model (FEM)
#individual effect
fem.ind<-plm(scale(sumatera$KMIS)~INFRA+PEKO+INFL+PGGR, data = pdata, model = "within",
effect = "individual", index = c("PROVINSI, TAHUN"))
summary(fem.ind)## Oneway (individual) effect Within Model
##
## Call:
## plm(formula = scale(sumatera$KMIS) ~ INFRA + PEKO + INFL + PGGR,
## data = pdata, effect = "individual", model = "within", index = c("PROVINSI, TAHUN"))
##
## Balanced Panel: n = 10, T = 13, N = 130
##
## Residuals:
## Min. 1st Qu. Median 3rd Qu. Max.
## -0.50039 -0.13958 -0.04659 0.15065 0.82360
##
## Coefficients:
## Estimate Std. Error t-value Pr(>|t|)
## INFRA -1.7377e-07 4.2393e-08 -4.0990 7.724e-05 ***
## PEKO 1.3401e-02 1.1278e-02 1.1883 0.237134
## INFL 2.1814e-02 7.4449e-03 2.9301 0.004081 **
## PGGR 1.1817e-01 2.4681e-02 4.7881 5.014e-06 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Total Sum of Squares: 15.68
## Residual Sum of Squares: 7.5958
## R-Squared: 0.51556
## Adj. R-Squared: 0.46127
## F-statistic: 30.8627 on 4 and 116 DF, p-value: < 2.22e-16summary(fixef(fem.ind, effect = "individual"))## Estimate Std. Error t-value Pr(>|t|)
## Aceh 0.69066 0.26189 2.6372 0.009505 **
## BABEL -0.82136 0.15908 -5.1633 1.017e-06 ***
## Bengkulu -1.27415 0.16005 -7.9608 1.284e-12 ***
## Jambi -1.25542 0.18040 -6.9592 2.174e-10 ***
## Kepri -1.87565 0.21573 -8.6943 2.667e-14 ***
## Lampung -1.17164 0.19937 -5.8766 4.098e-08 ***
## RIAU -0.16670 0.20557 -0.8109 0.419082
## SUMBAR -1.93660 0.22866 -8.4693 8.826e-14 ***
## SUMSEL 0.66754 0.20440 3.2659 0.001435 **
## SUMUT 0.31749 0.25948 1.2236 0.223589
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1res.fem.ind <- residuals(fem.ind)##normality (H0: normal)
library(tseries)
jarque.bera.test(res.fem.ind)##
## Jarque Bera Test
##
## data: res.fem.ind
## X-squared = 18.907, df = 2, p-value = 7.842e-05##histogram
hist(res.fem.ind,
xlab = "sisaan",
col = "#27D3D3",
breaks=30,
prob = TRUE)
lines(density(res.fem.ind), # density plot
lwd = 2, # thickness of line
col = "chocolate3")
##plotqqnorm
set.seed(369)
res.fem.ind1 <- as.numeric(res.fem.ind)
qqnorm(res.fem.ind1,datax=T, col="blue")
qqline(rnorm(length(res.fem.ind1),mean(res.fem.ind1),sd(res.fem.ind1)),datax=T, col="red")
##autocorelastion (H0: sisaan saling bebas)
pbgtest(fem.ind) ##
## Breusch-Godfrey/Wooldridge test for serial correlation in panel models
##
## data: scale(sumatera$KMIS) ~ INFRA + PEKO + INFL + PGGR
## chisq = 58.621, df = 13, p-value = 9.258e-08
## alternative hypothesis: serial correlation in idiosyncratic errors##homogen (H0: ragam homogen)
library(lmtest)
bptest(fem.ind)##
## studentized Breusch-Pagan test
##
## data: fem.ind
## BP = 21.619, df = 4, p-value = 0.0002386FEM dengan Pengaruh Spesifik Individu dan atau Waktu
#Pengaruh spesifik Individu dan atau waktu
#efek individu
plmtest(fem.ind,type = "bp", effect="individual" )##
## Lagrange Multiplier Test - (Breusch-Pagan)
##
## data: scale(sumatera$KMIS) ~ INFRA + PEKO + INFL + PGGR
## chisq = 497.99, df = 1, p-value < 2.2e-16
## alternative hypothesis: significant effects#efek waktu
plmtest(fem.ind,type = "bp", effect="time" )##
## Lagrange Multiplier Test - time effects (Breusch-Pagan)
##
## data: scale(sumatera$KMIS) ~ INFRA + PEKO + INFL + PGGR
## chisq = 0.00032526, df = 1, p-value = 0.9856
## alternative hypothesis: significant effects#efek individu dan waktu
plmtest(fem.ind,type = "bp", effect="twoways" )##
## Lagrange Multiplier Test - two-ways effects (Breusch-Pagan)
##
## data: scale(sumatera$KMIS) ~ INFRA + PEKO + INFL + PGGR
## chisq = 497.99, df = 2, p-value < 2.2e-16
## alternative hypothesis: significant effectsUji Chouw
#Uji Chouw
#memilih antara CEM dan FEM
pooltest(cem,fem.ind)##
## F statistic
##
## data: scale(sumatera$KMIS) ~ INFRA + PEKO + INFL + PGGR
## F = 149.23, df1 = 9, df2 = 116, p-value < 2.2e-16
## alternative hypothesis: unstability#better goes with FEMUji Kebebasan Pada Unit Cross Section
#Uji kebebasan pada unit cross section
pcdtest(fem.ind, test = c("lm"), index=NULL,w =NULL )##
## Breusch-Pagan LM test for cross-sectional dependence in panels
##
## data: scale(sumatera$KMIS) ~ INFRA + PEKO + INFL + PGGR
## chisq = 164.55, df = 45, p-value = 1.582e-15
## alternative hypothesis: cross-sectional dependencepcdtest(fem.ind, test = c("cd"), index=NULL,w =NULL )##
## Pesaran CD test for cross-sectional dependence in panels
##
## data: scale(sumatera$KMIS) ~ INFRA + PEKO + INFL + PGGR
## z = 9.017, p-value < 2.2e-16
## alternative hypothesis: cross-sectional dependenceRandom Effect Model (REM)
#rem dengan metode gls, efek individu
rem_gls_ind <- plm(scale(sumatera$KMIS)~INFRA+PEKO+INFL+PGGR, data = pdata,
index = c("PROVINSI, TAHUN"),
effect = "individual", model = "random")
summary(rem_gls_ind)## Oneway (individual) effect Random Effect Model
## (Swamy-Arora's transformation)
##
## Call:
## plm(formula = scale(sumatera$KMIS) ~ INFRA + PEKO + INFL + PGGR,
## data = pdata, effect = "individual", model = "random", index = c("PROVINSI, TAHUN"))
##
## Balanced Panel: n = 10, T = 13, N = 130
##
## Effects:
## var std.dev share
## idiosyncratic 0.06548 0.25589 0.157
## individual 0.35184 0.59316 0.843
## theta: 0.8812
##
## Residuals:
## Min. 1st Qu. Median 3rd Qu. Max.
## -0.485532 -0.178232 -0.010677 0.113255 0.972466
##
## Coefficients:
## Estimate Std. Error z-value Pr(>|z|)
## (Intercept) -7.5724e-01 2.8373e-01 -2.6689 0.0076106 **
## INFRA -1.5487e-07 4.4321e-08 -3.4942 0.0004754 ***
## PEKO 1.2265e-02 1.1936e-02 1.0276 0.3041553
## INFL 2.2233e-02 7.8915e-03 2.8173 0.0048426 **
## PGGR 1.2772e-01 2.5703e-02 4.9692 6.722e-07 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Total Sum of Squares: 17.279
## Residual Sum of Squares: 9.2112
## R-Squared: 0.46691
## Adj. R-Squared: 0.44985
## Chisq: 109.482 on 4 DF, p-value: < 2.22e-16ranef(rem_gls_ind, effect = "individual")## Aceh BABEL Bengkulu Jambi Kepri Lampung RIAU
## 1.3176670 -0.1127668 -0.5576312 -0.5412018 -1.1742615 -0.4798091 0.5055431
## SUMBAR SUMSEL SUMUT
## -1.2464764 1.3318781 0.9570588Pemeriksaan Efek dalam Model
#pemeriksaan efek dalam model
##efek individu
plmtest(rem_gls_ind,type = "bp", effect="individual")##
## Lagrange Multiplier Test - (Breusch-Pagan)
##
## data: scale(sumatera$KMIS) ~ INFRA + PEKO + INFL + PGGR
## chisq = 497.99, df = 1, p-value < 2.2e-16
## alternative hypothesis: significant effects##efek waktu
plmtest(rem_gls_ind,type = "bp", effect="time")##
## Lagrange Multiplier Test - time effects (Breusch-Pagan)
##
## data: scale(sumatera$KMIS) ~ INFRA + PEKO + INFL + PGGR
## chisq = 0.00032526, df = 1, p-value = 0.9856
## alternative hypothesis: significant effects##efek individu dan waktu
plmtest(rem_gls_ind,type = "bp", effect="twoways")##
## Lagrange Multiplier Test - two-ways effects (Breusch-Pagan)
##
## data: scale(sumatera$KMIS) ~ INFRA + PEKO + INFL + PGGR
## chisq = 497.99, df = 2, p-value < 2.2e-16
## alternative hypothesis: significant effectsDiagnostik Sisaan Model REM
##diagnostik sisaan model rem ind
res.rem_ind <- residuals(rem_gls_ind)#normality
library(tseries)
jarque.bera.test(res.rem_ind)##
## Jarque Bera Test
##
## data: res.rem_ind
## X-squared = 45.371, df = 2, p-value = 1.405e-10#kolmogorov smirnov
ks.test(res.rem_ind, "pnorm")##
## Asymptotic one-sample Kolmogorov-Smirnov test
##
## data: res.rem_ind
## D = 0.31724, p-value = 8.646e-12
## alternative hypothesis: two-sided#histogram
hist(res.rem_ind,
xlab = "sisaan",
col = "#27D3D3",
breaks=30,
prob = TRUE)
lines(density(res.rem_ind), # density plot
lwd = 2, # thickness of line
col = "chocolate3")
#plotqqnorm
set.seed(1353)
res.rem_ind1 <- as.numeric(res.rem_ind)
qqnorm(res.rem_ind1,datax=T, col="blue")
qqline(rnorm(length(res.rem_ind1),mean(res.rem_ind1),sd(res.rem_ind1)),datax=T, col="red")
#autocorelastion
adf.test(res.rem_ind, k=2) #alternatif : Terdapat autokorelasi##
## Augmented Dickey-Fuller Test
##
## data: res.rem_ind
## Dickey-Fuller = -5.5371, Lag order = 2, p-value = 0.01
## alternative hypothesis: stationary#homogen
bptest(rem_gls_ind)##
## studentized Breusch-Pagan test
##
## data: rem_gls_ind
## BP = 21.619, df = 4, p-value = 0.0002386Pemilihan Model Terbaik antara CEM dan FEM
Hipotesis yang digunakan adalah: H0 : random H1 : fixed
phtest(fem.ind, rem_gls_ind)#pvalue >5%, artinya model yang sesuai adalah rem_gls_ind##
## Hausman Test
##
## data: scale(sumatera$KMIS) ~ INFRA + PEKO + INFL + PGGR
## chisq = 3.5313, df = 4, p-value = 0.4731
## alternative hypothesis: one model is inconsistent#memeriksa antara model pengaruh acak dengan common effect model dengan uji pengganda laggrang.
cem <- plm(scale(sumatera$KMIS)~INFRA+PEKO+INFL+PGGR, data = pdata, model="pooling")
c.ind <- plmtest(cem, effect = "individual", type = c("bp"))
c.ind##
## Lagrange Multiplier Test - (Breusch-Pagan)
##
## data: scale(sumatera$KMIS) ~ INFRA + PEKO + INFL + PGGR
## chisq = 497.99, df = 1, p-value < 2.2e-16
## alternative hypothesis: significant effectsDaftar Pustaka
Cahyani RD. 2021. Analisis Kemiskinan di Pulau Sumatra Tahun 2017-2020[skripsi]. Surakarta: Universitas Muhammadiyah Surakarta.