1 Explanation Data

World Happiness Report adalah Laporan tahunan yang menilai kebahagiaan penduduk di berbagai negara di seluruh dunia. Laporan ini didasarkan pada data survei yang mengukur berbagai faktor yang dapat mempengaruhi kebahagiaan, seperti pendapatan, harapan hidup, dukungan sosial, persepsi korupsi, dan kebebasan memilih. Laporan ini bertujuan untuk memberikan pemahaman yang lebih baik tentang faktor-faktor yang berkontribusi terhadap kebahagiaan di seluruh dunia, serta untuk memberikan dasar bagi kebijakan publik yang lebih baik dalam mempromosikan kesejahteraan masyarakat

2 Import Library

#Packages untuk pengolahan dataframe
library(dplyr)
## 
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
## 
##     filter, lag
## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union
library(tidyr)
library(lubridate)
## 
## Attaching package: 'lubridate'
## The following objects are masked from 'package:base':
## 
##     date, intersect, setdiff, union
#Packages untuk membuat visualisasi
library(ggcorrplot)
## Loading required package: ggplot2
library(gplots)
## 
## Attaching package: 'gplots'
## The following object is masked from 'package:stats':
## 
##     lowess
library(ggplot2)
library(plotly)
## 
## Attaching package: 'plotly'
## The following object is masked from 'package:ggplot2':
## 
##     last_plot
## The following object is masked from 'package:stats':
## 
##     filter
## The following object is masked from 'package:graphics':
## 
##     layout
library(foreign)

#Packages untuk melakukan analisis
library(plm)
## 
## Attaching package: 'plm'
## The following objects are masked from 'package:dplyr':
## 
##     between, lag, lead
library(lfe)
## Loading required package: Matrix
## 
## Attaching package: 'Matrix'
## The following objects are masked from 'package:tidyr':
## 
##     expand, pack, unpack
## 
## Attaching package: 'lfe'
## The following object is masked from 'package:plm':
## 
##     sargan
library(lmtest)
## Loading required package: zoo
## 
## Attaching package: 'zoo'
## The following objects are masked from 'package:base':
## 
##     as.Date, as.Date.numeric
## 
## Attaching package: 'lmtest'
## The following object is masked from 'package:lfe':
## 
##     waldtest
library(car)
## Loading required package: carData
## 
## Attaching package: 'car'
## The following object is masked from 'package:dplyr':
## 
##     recode
library(tseries)
## Registered S3 method overwritten by 'quantmod':
##   method            from
##   as.zoo.data.frame zoo
library(MLmetrics)
## 
## Attaching package: 'MLmetrics'
## The following object is masked from 'package:base':
## 
##     Recall

3 Data Preparation

Dalam kasus ini kita akan melakukan read data World Happiness Report

Kita ingin tahu terkait regional mana saja yang ada didalam data ini

unique(df$`Regional.Indicator`)
##  [1] "South Asia"                         "Central and Eastern Europe"        
##  [3] "Middle East and North Africa"       ""                                  
##  [5] "Latin America and Caribbean"        "Commonwealth of Independent States"
##  [7] "North America and ANZ"              "Western Europe"                    
##  [9] "Sub-Saharan Africa"                 "Southeast Asia"                    
## [11] "East Asia"

Selanjutnya saya ingin mengambil regional Central and Eastern Europe

df_NA <- df %>% 
  filter(Regional.Indicator == "Central and Eastern Europe") %>% 
  select(-Regional.Indicator)

head(df_NA)
glimpse(df_NA)
## Rows: 241
## Columns: 12
## $ Country.Name                      <chr> "Albania", "Albania", "Albania", "Al…
## $ Year                              <int> 2007, 2009, 2010, 2011, 2012, 2013, …
## $ Life.Ladder                       <dbl> 4.634252, 5.485470, 5.268937, 5.8674…
## $ Log.GDP.Per.Capita                <dbl> 9.121704, 9.241429, 9.282793, 9.3106…
## $ Social.Support                    <dbl> 0.8213716, 0.8330466, 0.7331523, 0.7…
## $ Healthy.Life.Expectancy.At.Birth  <dbl> 66.760, 67.320, 67.600, 67.880, 68.1…
## $ Freedom.To.Make.Life.Choices      <dbl> 0.5286047, 0.5252233, 0.5689584, 0.4…
## $ Generosity                        <dbl> -0.010428508, -0.159258857, -0.17367…
## $ Perceptions.Of.Corruption         <dbl> 0.8746995, 0.8636654, 0.7262617, 0.8…
## $ Positive.Affect                   <dbl> 0.4888186, 0.5644745, 0.5760766, 0.5…
## $ Negative.Affect                   <dbl> 0.2463350, 0.2792565, 0.3000602, 0.2…
## $ Confidence.In.National.Government <dbl> 0.3006806, NA, NA, NA, 0.3648937, 0.…

Berikut adalah penjelasan singkat mengenai setiap kolom dalam dataset: 1. Country.Name: Nama negara di mana data diukur.

  1. Year: Tahun ketika data diukur.

  2. Life.Ladder: Skor kepuasan hidup yang merupakan indikator utama kebahagiaan subjektif.

  3. Log.GDP.Per.Capita: Logaritma dari pendapatan per kapita yang digunakan sebagai proxy untuk taraf hidup.

  4. Social.Support: Tingkat dukungan sosial yang dirasakan oleh individu.

  5. Healthy.Life.Expectancy.At.Birth: Usia harapan hidup yang sehat pada saat lahir.

  6. Freedom.To.Make.Life.Choices: Tingkat kebebasan individu dalam membuat pilihan hidup.

  7. Generosity: Tingkat kemurahan hati atau kecenderungan untuk memberikan kepada orang lain.

  8. Perceptions.Of.Corruption: Persepsi individu tentang tingkat korupsi dalam masyarakat.

  9. Positive.Affect: Skor afek positif yang mencerminkan perasaan positif individu.

  10. Negative.Affect: Skor afek negatif yang mencerminkan perasaan negatif individu.

  11. Confidence.In.National.Government: Tingkat keyakinan individu dalam pemerintah nasional.

Melihat frekuensi data berdasarkan index individu

table(df_NA$Country.Name)
## 
##                Albania Bosnia and Herzegovina               Bulgaria 
##                     15                     14                     14 
##                Croatia                Estonia                Hungary 
##                     15                     16                     16 
##                 Kosovo                 Latvia              Lithuania 
##                     16                     16                     17 
##             Montenegro        North Macedonia                 Poland 
##                     13                     15                     16 
##                Romania                 Serbia               Slovakia 
##                     16                     14                     13 
##               Slovenia 
##                     15

Setelah itu kita menggunakan fungsi is.pbalanced() untuk memeriksa apakah sebuah dataset adalah panel data yang seimbang atau tidak

is.pbalanced(df_NA,index = c("Country.Name","Year")) 
## [1] FALSE

Karena False berarti data kita tidak seimbang

df_NA <- df_NA %>%
   filter(!(Country.Name %in% c("Bosnia and Herzegovina","Bulgaria","Montenegro","Serbia","Slovakia","Lithuania")))

Karena terdapat banyak data, dan dalam index ini kita hanya ingin mengambil informasi yang lengkap dengan rentang 15-16, jadi negara yang diluar index rentang tersebut tidak diambil

#membuat pdata.frame
df_NA <- df_NA %>% pdata.frame(index = c("Country.Name","Year"))

#memeriksa struktur data
glimpse(df_NA)
## Rows: 156
## Columns: 12
## $ Country.Name                      <fct> Albania, Albania, Albania, Albania, …
## $ Year                              <fct> 2007, 2009, 2010, 2011, 2012, 2013, …
## $ Life.Ladder                       <pseries> 4.634252, 5.485470, 5.268937, 5.…
## $ Log.GDP.Per.Capita                <pseries> 9.121704, 9.241429, 9.282793, 9.…
## $ Social.Support                    <pseries> 0.8213716, 0.8330466, 0.7331523,…
## $ Healthy.Life.Expectancy.At.Birth  <pseries> 66.760, 67.320, 67.600, 67.880, …
## $ Freedom.To.Make.Life.Choices      <pseries> 0.5286047, 0.5252233, 0.5689584,…
## $ Generosity                        <pseries> -0.010428508, -0.159258857, -0.1…
## $ Perceptions.Of.Corruption         <pseries> 0.8746995, 0.8636654, 0.7262617,…
## $ Positive.Affect                   <pseries> 0.4888186, 0.5644745, 0.5760766,…
## $ Negative.Affect                   <pseries> 0.2463350, 0.2792565, 0.3000602,…
## $ Confidence.In.National.Government <pseries> 0.3006806, NA, NA, NA, 0.3648937…

3.1 Balancing Data

Mengecek Dimensi data

pdim(df_NA)
## Unbalanced Panel: n = 10, T = 15-16, N = 156
  1. “Unbalanced Panel”, Hal ini menunjukkan bahwa dataset yang sedang diperiksa adalah sebuah panel data yang tidak seimbang. yang berarti bahwa tidak setiap unit pengamatan memiliki jumlah pengamatan yang sama untuk setiap periode waktu yang diamati. Dalam kasus ini, beberapa unit pengamatan mungkin memiliki jumlah pengamatan yang berbeda.

  2. “n = 10”, Menunjukkan jumlah unit pengamatan dalam dataset, yaitu 10 unit.

  3. “T = 15-16”, Menunjukkan rentang jumlah pengamatan waktu (periode waktu) yang diamati untuk setiap unit pengamatan. Rentang ini adalah antara 15 hingga 16 periode waktu. Ini menunjukkan ketidakseimbangan dalam jumlah pengamatan waktu di seluruh unit pengamatan.

  4. “N = 156”, Menunjukkan jumlah total pengamatan dalam dataset, yaitu 156 pengamatan. Ini mencakup semua pengamatan di semua unit pengamatan dan semua periode waktu.

Melakukan Balancing Data Menggunakan Fill

balance1 <- df_NA %>% make.pbalanced(balance.type = "fill")

table(balance1$Country.Name)
## 
##         Albania         Croatia         Estonia         Hungary          Kosovo 
##              18              18              18              18              18 
##          Latvia North Macedonia          Poland         Romania        Slovenia 
##              18              18              18              18              18
unique(balance1$Year)
##  [1] 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019
## [16] 2020 2021 2022
## 18 Levels: 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 ... 2022

Menggunakan Balancing menggunakan shared.times

balance2 <- df_NA %>% make.pbalanced(balance.type = "shared.times")

table(balance2$Country.Name)
## 
##         Albania         Croatia         Estonia         Hungary          Kosovo 
##              13              13              13              13              13 
##          Latvia North Macedonia          Poland         Romania        Slovenia 
##              13              13              13              13              13
unique(balance2$Year)
##  [1] 2009 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022
## 18 Levels: 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 ... 2022

Balancing menggunakan Shared.individuals

balance3 <- df_NA %>% make.pbalanced(balance.type = "shared.individuals")

table(balance3$Country.Name)
## 
##         Albania         Croatia         Estonia         Hungary          Kosovo 
##               0               0               0               0               0 
##          Latvia North Macedonia          Poland         Romania        Slovenia 
##               0               0               0               0               0

Dari seluruh balance yang digunakan, saya lebih prefer menggunakan metode fill, karena tidak banyak data yang hilang

is.pbalanced(balance1)
## [1] TRUE
pdim(balance1)
## Balanced Panel: n = 10, T = 18, N = 180

(Mungkin jadi pertanyaan saya kak, kenapa menggunakan metode fill T nya tetap 18? dan pertanyaan lewat email kak mungkin minta tolong untuk penjelasannya)

head(balance1)

4 Missing Value

colSums(is.na(balance1)) - colSums(is.na(df_NA))
##                      Country.Name                              Year 
##                                 0                                 0 
##                       Life.Ladder                Log.GDP.Per.Capita 
##                                24                                24 
##                    Social.Support  Healthy.Life.Expectancy.At.Birth 
##                                24                                24 
##      Freedom.To.Make.Life.Choices                        Generosity 
##                                24                                24 
##         Perceptions.Of.Corruption                   Positive.Affect 
##                                24                                24 
##                   Negative.Affect Confidence.In.National.Government 
##                                24                                24
colSums(is.na(balance1))
##                      Country.Name                              Year 
##                                 0                                 0 
##                       Life.Ladder                Log.GDP.Per.Capita 
##                                24                                25 
##                    Social.Support  Healthy.Life.Expectancy.At.Birth 
##                                24                                40 
##      Freedom.To.Make.Life.Choices                        Generosity 
##                                25                                28 
##         Perceptions.Of.Corruption                   Positive.Affect 
##                                24                                24 
##                   Negative.Affect Confidence.In.National.Government 
##                                24                                46

Karena pada kolom Healthy.Life.Expectancy.At.Birth dan Confidence.In.National.Government memiliki banyak missing value, kita lakukan drop

balance1 <- balance1 %>%
  select(-Healthy.Life.Expectancy.At.Birth, -Confidence.In.National.Government)

Setelah itu kita lakukan pengisian missing value di setiap negara

Alb <- balance1 %>% filter(Country.Name=='Albania')

colSums(is.na(Alb))
##                 Country.Name                         Year 
##                            0                            0 
##                  Life.Ladder           Log.GDP.Per.Capita 
##                            3                            3 
##               Social.Support Freedom.To.Make.Life.Choices 
##                            3                            3 
##                   Generosity    Perceptions.Of.Corruption 
##                            3                            3 
##              Positive.Affect              Negative.Affect 
##                            3                            3
Alb <- Alb %>% mutate(
    Life.Ladder = na.fill( Life.Ladder ,fill = "extend"),
  Log.GDP.Per.Capita = na.fill(Log.GDP.Per.Capita ,fill = "extend"),
  Social.Support = na.fill(Social.Support ,fill = "extend"),
  Freedom.To.Make.Life.Choices = na.fill(Freedom.To.Make.Life.Choices ,fill = "extend"),
  Generosity = na.fill(Generosity ,fill = "extend"),
  Perceptions.Of.Corruption = na.fill(Perceptions.Of.Corruption ,fill = "extend"),
  Positive.Affect = na.fill(Positive.Affect ,fill = "extend"),
  Negative.Affect = na.fill(Negative.Affect, fill = "extend"))
  
anyNA(Alb)
## [1] FALSE
cro <- balance1 %>% filter(Country.Name=='Croatia')

colSums(is.na(cro))
##                 Country.Name                         Year 
##                            0                            0 
##                  Life.Ladder           Log.GDP.Per.Capita 
##                            3                            3 
##               Social.Support Freedom.To.Make.Life.Choices 
##                            3                            3 
##                   Generosity    Perceptions.Of.Corruption 
##                            3                            3 
##              Positive.Affect              Negative.Affect 
##                            3                            3
cro <- cro %>% mutate(
    Life.Ladder = na.fill( Life.Ladder ,fill = "extend"),
  Log.GDP.Per.Capita = na.fill(Log.GDP.Per.Capita ,fill = "extend"),
  Social.Support = na.fill(Social.Support ,fill = "extend"),
  Freedom.To.Make.Life.Choices = na.fill(Freedom.To.Make.Life.Choices ,fill = "extend"),
  Generosity = na.fill(Generosity ,fill = "extend"),
  Perceptions.Of.Corruption = na.fill(Perceptions.Of.Corruption ,fill = "extend"),
  Positive.Affect = na.fill(Positive.Affect ,fill = "extend"),
  Negative.Affect = na.fill(Negative.Affect, fill = "extend"))
  
anyNA(cro)
## [1] FALSE
Est <- balance1 %>% filter(Country.Name == 'Estonia')
colSums(is.na(Est))
##                 Country.Name                         Year 
##                            0                            0 
##                  Life.Ladder           Log.GDP.Per.Capita 
##                            2                            2 
##               Social.Support Freedom.To.Make.Life.Choices 
##                            2                            2 
##                   Generosity    Perceptions.Of.Corruption 
##                            2                            2 
##              Positive.Affect              Negative.Affect 
##                            2                            2
Est <- Est %>% mutate(
  Life.Ladder = na.fill(Life.Ladder, fill = "extend"),
  Log.GDP.Per.Capita = na.fill(Log.GDP.Per.Capita, fill = "extend"),
  Social.Support = na.fill(Social.Support, fill = "extend"),
  Freedom.To.Make.Life.Choices = na.fill(Freedom.To.Make.Life.Choices, fill = "extend"),
  Generosity = na.fill(Generosity, fill = "extend"),
  Perceptions.Of.Corruption = na.fill(Perceptions.Of.Corruption, fill = "extend"),
  Positive.Affect = na.fill(Positive.Affect, fill = "extend"),
  Negative.Affect = na.fill(Negative.Affect, fill = "extend"))

anyNA(Est)
## [1] FALSE
Hun <- balance1 %>% filter(Country.Name == 'Hungary')
colSums(is.na(Hun))
##                 Country.Name                         Year 
##                            0                            0 
##                  Life.Ladder           Log.GDP.Per.Capita 
##                            2                            2 
##               Social.Support Freedom.To.Make.Life.Choices 
##                            2                            2 
##                   Generosity    Perceptions.Of.Corruption 
##                            3                            2 
##              Positive.Affect              Negative.Affect 
##                            2                            2
Hun <- Hun %>% mutate(
  Life.Ladder = na.fill(Life.Ladder, fill = "extend"),
  Log.GDP.Per.Capita = na.fill(Log.GDP.Per.Capita, fill = "extend"),
  Social.Support = na.fill(Social.Support, fill = "extend"),
  Freedom.To.Make.Life.Choices = na.fill(Freedom.To.Make.Life.Choices, fill = "extend"),
  Generosity = na.fill(Generosity, fill = "extend"),
  Perceptions.Of.Corruption = na.fill(Perceptions.Of.Corruption, fill = "extend"),
  Positive.Affect = na.fill(Positive.Affect, fill = "extend"),
  Negative.Affect = na.fill(Negative.Affect, fill = "extend"))

anyNA(Hun)
## [1] FALSE
Kos <- balance1 %>% filter(Country.Name == 'Kosovo')
colSums(is.na(Kos))
##                 Country.Name                         Year 
##                            0                            0 
##                  Life.Ladder           Log.GDP.Per.Capita 
##                            2                            3 
##               Social.Support Freedom.To.Make.Life.Choices 
##                            2                            3 
##                   Generosity    Perceptions.Of.Corruption 
##                            3                            2 
##              Positive.Affect              Negative.Affect 
##                            2                            2
Kos <- Kos %>% mutate(
  Life.Ladder = na.fill(Life.Ladder, fill = "extend"),
  Log.GDP.Per.Capita = na.fill(Log.GDP.Per.Capita, fill = "extend"),
  Social.Support = na.fill(Social.Support, fill = "extend"),
  Freedom.To.Make.Life.Choices = na.fill(Freedom.To.Make.Life.Choices, fill = "extend"),
  Generosity = na.fill(Generosity, fill = "extend"),
  Perceptions.Of.Corruption = na.fill(Perceptions.Of.Corruption, fill = "extend"),
  Positive.Affect = na.fill(Positive.Affect, fill = "extend"),
  Negative.Affect = na.fill(Negative.Affect, fill = "extend"))
anyNA(Kos)
## [1] FALSE
Lat <- balance1 %>% filter(Country.Name == 'Latvia')
colSums(is.na(Lat))
##                 Country.Name                         Year 
##                            0                            0 
##                  Life.Ladder           Log.GDP.Per.Capita 
##                            2                            2 
##               Social.Support Freedom.To.Make.Life.Choices 
##                            2                            2 
##                   Generosity    Perceptions.Of.Corruption 
##                            2                            2 
##              Positive.Affect              Negative.Affect 
##                            2                            2
Lat <- Lat %>% mutate(
  Life.Ladder = na.fill(Life.Ladder, fill = "extend"),
  Log.GDP.Per.Capita = na.fill(Log.GDP.Per.Capita, fill = "extend"),
  Social.Support = na.fill(Social.Support, fill = "extend"),
  Freedom.To.Make.Life.Choices = na.fill(Freedom.To.Make.Life.Choices, fill = "extend"),
  Generosity = na.fill(Generosity, fill = "extend"),
  Perceptions.Of.Corruption = na.fill(Perceptions.Of.Corruption, fill = "extend"),
  Positive.Affect = na.fill(Positive.Affect, fill = "extend"),
  Negative.Affect = na.fill(Negative.Affect, fill = "extend"))
anyNA(Lat)
## [1] FALSE
Mac <- balance1 %>% filter(Country.Name == 'North Macedonia')
colSums(is.na(Mac))
##                 Country.Name                         Year 
##                            0                            0 
##                  Life.Ladder           Log.GDP.Per.Capita 
##                            3                            3 
##               Social.Support Freedom.To.Make.Life.Choices 
##                            3                            3 
##                   Generosity    Perceptions.Of.Corruption 
##                            3                            3 
##              Positive.Affect              Negative.Affect 
##                            3                            3
Mac <- Mac %>% mutate(
  Life.Ladder = na.fill(Life.Ladder, fill = "extend"),
  Log.GDP.Per.Capita = na.fill(Log.GDP.Per.Capita, fill = "extend"),
  Social.Support = na.fill(Social.Support, fill = "extend"),
  Freedom.To.Make.Life.Choices = na.fill(Freedom.To.Make.Life.Choices, fill = "extend"),
  Generosity = na.fill(Generosity, fill = "extend"),
  Perceptions.Of.Corruption = na.fill(Perceptions.Of.Corruption, fill = "extend"),
  Positive.Affect = na.fill(Positive.Affect, fill= "extend"),
  Negative.Affect = na.fill(Negative.Affect, fill = "extend"))

anyNA(Mac)
## [1] FALSE
Pol <- balance1 %>% filter(Country.Name == 'Poland')
colSums(is.na(Pol))
##                 Country.Name                         Year 
##                            0                            0 
##                  Life.Ladder           Log.GDP.Per.Capita 
##                            2                            2 
##               Social.Support Freedom.To.Make.Life.Choices 
##                            2                            2 
##                   Generosity    Perceptions.Of.Corruption 
##                            3                            2 
##              Positive.Affect              Negative.Affect 
##                            2                            2
Pol <- Pol %>% mutate(
  Life.Ladder = na.fill(Life.Ladder, fill = "extend"),
  Log.GDP.Per.Capita = na.fill(Log.GDP.Per.Capita, fill = "extend"),
  Social.Support = na.fill(Social.Support, fill = "extend"),
  Freedom.To.Make.Life.Choices = na.fill(Freedom.To.Make.Life.Choices, fill = "extend"),
  Generosity = na.fill(Generosity, fill = "extend"),
  Perceptions.Of.Corruption = na.fill(Perceptions.Of.Corruption, fill = "extend"),
  Positive.Affect = na.fill(Positive.Affect, fill = "extend"),
  Negative.Affect = na.fill(Negative.Affect, fill = "extend"))

anyNA(Pol)
## [1] FALSE
Rom <- balance1 %>% filter(Country.Name == 'Romania')
colSums(is.na(Rom))
##                 Country.Name                         Year 
##                            0                            0 
##                  Life.Ladder           Log.GDP.Per.Capita 
##                            2                            2 
##               Social.Support Freedom.To.Make.Life.Choices 
##                            2                            2 
##                   Generosity    Perceptions.Of.Corruption 
##                            3                            2 
##              Positive.Affect              Negative.Affect 
##                            2                            2
Rom <- Rom %>% mutate(
  Life.Ladder = na.fill(Life.Ladder, fill = "extend"),
  Log.GDP.Per.Capita = na.fill(Log.GDP.Per.Capita, fill = "extend"),
  Social.Support = na.fill(Social.Support, fill = "extend"),
  Freedom.To.Make.Life.Choices = na.fill(Freedom.To.Make.Life.Choices, fill = "extend"),
  Generosity = na.fill(Generosity, fill = "extend"),
  Perceptions.Of.Corruption = na.fill(Perceptions.Of.Corruption, fill = "extend"),
  Positive.Affect = na.fill(Positive.Affect, fill = "extend"),
  Negative.Affect = na.fill(Negative.Affect, fill = "extend"))

anyNA(Rom)
## [1] FALSE
Slo <- balance1 %>% filter(Country.Name == 'Slovenia')
colSums(is.na(Slo))
##                 Country.Name                         Year 
##                            0                            0 
##                  Life.Ladder           Log.GDP.Per.Capita 
##                            3                            3 
##               Social.Support Freedom.To.Make.Life.Choices 
##                            3                            3 
##                   Generosity    Perceptions.Of.Corruption 
##                            3                            3 
##              Positive.Affect              Negative.Affect 
##                            3                            3
Slo <- Slo %>% mutate(
  Life.Ladder = na.fill(Life.Ladder, fill = "extend"),
  Log.GDP.Per.Capita = na.fill(Log.GDP.Per.Capita, fill = "extend"),
  Social.Support = na.fill(Social.Support, fill = "extend"),
  Freedom.To.Make.Life.Choices = na.fill(Freedom.To.Make.Life.Choices, fill = "extend"),
  Generosity = na.fill(Generosity, fill = "extend"),
  Perceptions.Of.Corruption = na.fill(Perceptions.Of.Corruption, fill = "extend"),
  Positive.Affect = na.fill(Positive.Affect, fill = "extend"),
  Negative.Affect = na.fill(Negative.Affect, fill = "extend"))

anyNA(Slo)
## [1] FALSE
balanced2 <- bind_rows(Alb, cro, Est, Hun, Kos, Lat, Mac, Pol, Rom, Slo)
pdim(balanced2)
## Balanced Panel: n = 10, T = 18, N = 180

Kebanyakan Negara diatas memiliki missing value di kolom yang sama, yang artinya harus dilakukan pengisian missing value menggunakan fill=extend

head(balanced2)

Kita lakukan cek ulang lagi

colSums(is.na(balanced2))
##                 Country.Name                         Year 
##                            0                            0 
##                  Life.Ladder           Log.GDP.Per.Capita 
##                            0                            0 
##               Social.Support Freedom.To.Make.Life.Choices 
##                            0                            0 
##                   Generosity    Perceptions.Of.Corruption 
##                            0                            0 
##              Positive.Affect              Negative.Affect 
##                            0                            0

5 EDA

summary(balanced2)
##   Country.Name      Year      Life.Ladder    Log.GDP.Per.Capita
##  Albania:18    2005   : 10   Min.   :4.180   Min.   : 8.858    
##  Croatia:18    2006   : 10   1st Qu.:5.104   1st Qu.: 9.616    
##  Estonia:18    2007   : 10   Median :5.567   Median :10.121    
##  Hungary:18    2008   : 10   Mean   :5.548   Mean   : 9.968    
##  Kosovo :18    2009   : 10   3rd Qu.:5.978   3rd Qu.:10.326    
##  Latvia :18    2010   : 10   Max.   :6.785   Max.   :10.644    
##  (Other):72    (Other):120                                     
##  Social.Support   Freedom.To.Make.Life.Choices   Generosity       
##  Min.   :0.6256   Min.   :0.3814               Min.   :-0.275569  
##  1st Qu.:0.7995   1st Qu.:0.6071               1st Qu.:-0.164231  
##  Median :0.8753   Median :0.7239               Median :-0.088790  
##  Mean   :0.8522   Mean   :0.7103               Mean   :-0.070124  
##  3rd Qu.:0.9173   3rd Qu.:0.8283               3rd Qu.: 0.006485  
##  Max.   :0.9578   Max.   :0.9584               Max.   : 0.304365  
##                                                                   
##  Perceptions.Of.Corruption Positive.Affect  Negative.Affect  
##  Min.   :0.3903            Min.   :0.4469   Min.   :0.09963  
##  1st Qu.:0.8350            1st Qu.:0.5568   1st Qu.:0.22241  
##  Median :0.8871            Median :0.5890   Median :0.25424  
##  Mean   :0.8592            Mean   :0.5951   Mean   :0.25363  
##  3rd Qu.:0.9253            3rd Qu.:0.6288   3rd Qu.:0.29611  
##  Max.   :0.9833            Max.   :0.7670   Max.   :0.42175  
## 

Berikut adalah ringkasan laporan pada regional Central and Eastern Europe

  1. Statistik deskriptif menunjukkan bahwa skor kepuasan hidup bervariasi dari 4.180 hingga 6.785. Skor rata-ratanya adalah sekitar 5.548.

  2. Pendapatan per kapita bervariasi dari 8.858 hingga 10.644. Pendapatan per kapita rata-ratanya adalah sekitar 9.968.

  3. Nilai tingkat dukungan sosial berkisar dari 0.6256 hingga 0.9578. Rata-rata tingkat dukungan sosial adalah sekitar 0.8522.

  4. Nilai tingkat kebebasan berkisar dari 0.3814 hingga 0.9584. Rata-rata tingkat kebebasan adalah sekitar 0.7103.

  5. Nilai tingkat kemurahan hati berkisar dari -0.275569 hingga 0.304365. Rata-rata tingkat kemurahan hati adalah sekitar -0.070124.

  6. Nilai persepsi korupsi berkisar dari 0.3903 hingga 0.9833. Rata-rata persepsi korupsi adalah sekitar 0.8592.

  7. Skor positif berkisar dari 0.4469 hingga 0.7670. Rata-rata skor positif adalah sekitar 0.5951.

Skor negatif berkisar dari 0.09963 hingga 0.42175. Rata-rata skor negatif adalah sekitar 0.25363.

5.1 Hubungan Antar Variabel

balanced2 %>% select(-Country.Name, -Year) %>% cor() %>% ggcorrplot(type = "lower", lab = TRUE)

Dalam data diatas berikut penjelasannya

  1. Log GDP per Capita memiliki korelasi positif dengan Life Ladder, Social Support, Freedom to Make Life Choices, dan Generosity. Hal ini menunjukkan bahwa negara-negara dengan pendapatan per kapita yang lebih tinggi cenderung memiliki tingkat kebahagiaan, dukungan sosial, kebebasan, dan kemurahan hati yang lebih tinggi.

  2. Persepsi terhadap Korupsi memiliki korelasi negatif dengan Life Ladder, Social Support, Kepercayaan, dan Generosity. itu berarti bahwa semakin tinggi tingkat persepsi korupsi dalam suatu negara, semakin rendah tingkat kebahagiaan, dukungan sosial, kepercayaan, dan kemurahan hati di negara tersebut.

  3. Afek Positif memiliki korelasi positif dengan Life Ladder dan Social Support. Ini menunjukkan bahwa negara-negara di mana orang mengalami lebih banyak emosi positif cenderung memiliki tingkat kebahagiaan dan dukungan sosial yang lebih tinggi.

Selanjutnya kita mencari informasi terkait Tingkat kebahagiaan di setiap negara pada setiap tahunnya

5.2 Life Ladder

coplot(Life.Ladder ~ Year|Country.Name,
       type = "b",
       data = balanced2,
       rows = 1,
       col = "red")

  1. Beberapa Negara mengalami tingkat kebahagiaan yang meningkat di setiap tahunnya

  2. Negara Slovenia menjadi negara yang memiliki tingkat kebahagiaan yang tinggi

5.3 Log GDP per Capita

coplot(Log.GDP.Per.Capita ~ Year|Country.Name,
       type = "b",
       data = balanced2,
       rows = 1,
       col = "red")

  1. Setiap negara mengalami kenaikan pendapatan per kapita

  2. Negara Slovenia menjadi pendapatan per kapita paling tinggi dan yang paling rendah adalah kosovo

5.4 Social Support

coplot(Social.Support ~ Year|Country.Name,
       type = "b",
       data = balanced2,
       rows = 1,
       col = "red")

  1. Pada Negara Albania, mengalami penurunan terkiat dukungan sosial yang dirasakan, sedangkan pada negara slovenia tidak terlalu signifikan

  2. pada negara Croatia terjadi penurunan drastis pada dukungan sosial

5.5 Perception of corruption

coplot(Perceptions.Of.Corruption ~ Year|Country.Name,
       type = "b",
       data = balanced2,
       rows = 1,
       col = "red")

  1. Pada Negara Estonia mengalami penurunan drastis pada persepsi dalam korupsi

  2. Berbagai negara mengalami penuruanan dalam persepsi korupsi seperti Slovenia, Poland, Estonia, dan beberapa negara lainnya

  3. Negara Romania mengalami persepsi korupsi yang lumayan besar dan cukup stabil

6 Cross Validation

Dalam hal ini kita membagi data kita menjadi 2 bagian berdasarkan tahun observasi 1 periode

#membuat data train
ladder_train <- balanced2 %>% filter(Year != 2022) 
  
#membuat data test
ladder_test <- balanced2 %>% filter(Year == 2022)

Setelah itu dilakukan pengecekan apakah sudah balance atau tidak

ladder_train <- ladder_train %>% 
  droplevels() %>%    
  make.pbalanced()    

is.pbalanced(ladder_train)
## [1] TRUE

7 Asumsi

7.1 Multikolinieritas

Asumsi multikolinieritas adalah fenomena di mana dua atau lebih variabel independen dalam model regresi linear memiliki hubungan yang kuat di antara satu sama lain

lm(Life.Ladder ~ .-Country.Name -Year, ladder_train) %>% vif()
##           Log.GDP.Per.Capita               Social.Support 
##                     3.815938                     2.120096 
## Freedom.To.Make.Life.Choices                   Generosity 
##                     1.982042                     1.812525 
##    Perceptions.Of.Corruption              Positive.Affect 
##                     1.321979                     1.896157 
##              Negative.Affect 
##                     1.507751

Nilai multikolinieritas dibawah 4, yang dimana menunjukkan bahwa tingkat multikolinieritas antar variabel dalam model regresi adalah rendah atau dapat diterima

Setelah itu dilakukan model gabungan dan model pengaruh tetap

7.2 Model Gabungan(CEM)

cem <- plm(Life.Ladder ~ Log.GDP.Per.Capita + Social.Support + Perceptions.Of.Corruption + Negative.Affect + Positive.Affect, 
           data = ladder_train,
           index = c("Country.Name","Year"),
           model = "pooling")

7.3 Model Pengaruh Tetap (FEM)

fem <- plm(Life.Ladder ~ Log.GDP.Per.Capita + Social.Support + Perceptions.Of.Corruption + Negative.Affect + Positive.Affect,
           data = ladder_train,
           index = c("Country.Name","Year"),
           model = "within")

7.4 Uji Chow

Setelah selesai menggunakan model diatas, dilakukan Uji Chow

pooltest(cem,fem)
## 
##  F statistic
## 
## data:  Life.Ladder ~ Log.GDP.Per.Capita + Social.Support + Perceptions.Of.Corruption +  ...
## F = 31.305, df1 = 9, df2 = 155, p-value < 2.2e-16
## alternative hypothesis: unstability

yang dimana p-value lebih kecil dari dari alpha, yang dimana berarti model yang digunakan adalah fixed effect model, dan nilai tersebut mengindkasik bahwa terdapat perbedaan yang signifikan antara model gabungan

7.5 Model Pengaruh Acak (REM)

# membuat random effect model 
rem <- plm(Life.Ladder ~ Log.GDP.Per.Capita + Social.Support + Perceptions.Of.Corruption + Negative.Affect + Positive.Affect ,
           data = ladder_train,
           index = c("Country.Name","Year"),
           model = "random")

7.6 UJi Hausman

phtest(rem,fem)
## 
##  Hausman Test
## 
## data:  Life.Ladder ~ Log.GDP.Per.Capita + Social.Support + Perceptions.Of.Corruption +  ...
## chisq = 44.426, df = 5, p-value = 1.898e-08
## alternative hypothesis: one model is inconsistent

Karena p-value lebih kecil dari alpha maka h1 diterima yang mana model pengaruh tetap, yang mana salah satu model yang digunakan ini kemungkinan tidak konsisten secara statistik dengan data

7.7 Normalitas

fem$residuals %>% shapiro.test()
## 
##  Shapiro-Wilk normality test
## 
## data:  .
## W = 0.98984, p-value = 0.2654

Karena P-value lebih besar dari alpha maka hipotesis 0 diterima yang mana bahwa sisaan menyebar secara normal

7.8 Homogenitas

fem %>% bptest()
## 
##  studentized Breusch-Pagan test
## 
## data:  .
## BP = 20.81, df = 5, p-value = 0.0008798

Karena p-value lebih kecil dari alpha, maka kita mengambil hipotesis 1 yang mana sisaan tidak memiliki ragam homogen

7.9 Autokorelasi

fem$residuals %>% Box.test(type = "Ljung-Box")
## 
##  Box-Ljung test
## 
## data:  .
## X-squared = 28.164, df = 1, p-value = 1.115e-07

Hasil dari pengujian ini p-value lebih kecil dari alpha, artinya terdapat autokorelasi pada sisaan

8 Interpretasi Model

summary(fem)
## Oneway (individual) effect Within Model
## 
## Call:
## plm(formula = Life.Ladder ~ Log.GDP.Per.Capita + Social.Support + 
##     Perceptions.Of.Corruption + Negative.Affect + Positive.Affect, 
##     data = ladder_train, model = "within", index = c("Country.Name", 
##         "Year"))
## 
## Balanced Panel: n = 10, T = 17, N = 170
## 
## Residuals:
##       Min.    1st Qu.     Median    3rd Qu.       Max. 
## -0.8782379 -0.1752480 -0.0008263  0.1709790  0.7787197 
## 
## Coefficients:
##                           Estimate Std. Error t-value  Pr(>|t|)    
## Log.GDP.Per.Capita         1.85617    0.19226  9.6547 < 2.2e-16 ***
## Social.Support             2.88273    0.44726  6.4453 1.386e-09 ***
## Perceptions.Of.Corruption -0.41239    0.37544 -1.0984  0.273727    
## Negative.Affect           -1.75139    0.61854 -2.8315  0.005248 ** 
## Positive.Affect            1.38222    0.53925  2.5632  0.011322 *  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Total Sum of Squares:    33.314
## Residual Sum of Squares: 11.264
## R-Squared:      0.66189
## Adj. R-Squared: 0.63135
## F-statistic: 60.6854 on 5 and 155 DF, p-value: < 2.22e-16
  1. Beberapa variabel yang signifikan seperti Log.GDP.Per.Capita, Social.Support, dan Negative.Affect

  2. Koefisien Estimasi:

  • Untuk variabel Log.GDP.Per.Capita, koefisien estimasinya adalah sekitar 1.85617, dengan standar error sekitar 0.19226. Ini berarti, dengan meningkatkan Log.GDP.Per.Capita sebesar satu satuan, kita dapat mengharapkan peningkatan Life.Ladder sekitar 1.85617, dengan signifikansi statistik yang sangat tinggi (p-value < 0.00000000000000022).
  • Untuk variabel Social.Support, koefisien estimasinya adalah sekitar 2.88273, dengan standar error sekitar 0.44726. Ini menunjukkan bahwa peningkatan satu satuan dalam Social.Support akan menghasilkan peningkatan Life.Ladder sekitar 2.88273, juga dengan signifikansi statistik yang sangat tinggi (p-value < 0.000000001386).
  • Koefisien untuk variabel Perceptions.Of.Corruption adalah sekitar -0.41239, yang menunjukkan bahwa peningkatan persepsi korupsi akan menyebabkan penurunan Life.Ladder sekitar 0.41239. Namun, koefisien ini tidak signifikan secara statistik karena p-value > 0.05 (0.273727).
  • Untuk variabel Negative.Affect, koefisien estimasinya adalah sekitar -1.75139, dengan signifikansi statistik yang tinggi (p-value = 0.005248).
  • Koefisien untuk variabel Positive.Affect adalah sekitar 1.38222, dengan signifikansi statistik yang cukup tinggi (p-value = 0.011322).
  1. R-Squared dan Adj. R-Squared:
  • Nilai R-Squared sekitar 0.66189, yang menunjukkan bahwa sekitar 66.19% variasi dalam Life.Ladder dapat dijelaskan oleh model.
  • Nilai Adj. R-Squared sekitar 0.63135, yang adalah versi penyesuaian dari R-Squared untuk model regresi panel. Hal ini menunjukkan bahwa model kita cukup baik dalam menjelaskan variasi dalam Life.Ladder.
  1. F-statistic dan p-value:

Nilai F-statistic adalah sekitar 60.6854, dengan p-value yang sangat rendah (< 0.000000000000000222). Hal ini menunjukkan bahwa setidaknya satu dari koefisien variabel independen dalam model secara keseluruhan signifikan secara statistik.

Setelah itu dilakukan ekstrak informasi efek dari model FEM

fixef(fem)
##         Albania         Croatia         Estonia         Hungary          Kosovo 
##         -14.354         -15.487         -16.472         -16.287         -13.636 
##          Latvia North Macedonia          Poland         Romania        Slovenia 
##         -16.048         -15.003         -15.726         -15.206         -16.022
  1. Albania memiliki efek individu sebesar -14.354. Ini menunjukkan bahwa, setelah memperhitungkan pengaruh variabel independen lainnya, Albania memiliki tingkat Life.Ladder yang lebih rendah sekitar 14.354 poin dibandingkan dengan nilai rata-rata keseluruhan.
  2. Croatia memiliki efek individu sebesar -15.487, yang berarti bahwa, setelah memperhitungkan variabel independen lainnya, Croatia memiliki tingkat Life.Ladder yang lebih rendah sekitar 15.487 poin dibandingkan dengan nilai rata-rata keseluruhan.
  3. Estonia memiliki efek individu sebesar -16.472, menunjukkan bahwa Estonia memiliki tingkat Life.Ladder yang lebih rendah sekitar 16.472 poin dibandingkan dengan nilai rata-rata keseluruhan, setelah memperhitungkan variabel independen lainnya.
  4. Hungary memiliki efek individu sebesar -16.287, yang berarti bahwa Hungary memiliki tingkat Life.Ladder yang lebih rendah sekitar 16.287 poin dibandingkan dengan nilai rata-rata keseluruhan, setelah memperhitungkan variabel independen lainnya.
  5. Kosovo memiliki efek individu sebesar -13.636, menunjukkan bahwa Kosovo memiliki tingkat Life.Ladder yang lebih rendah sekitar 13.636 poin dibandingkan dengan nilai rata-rata keseluruhan, setelah memperhitungkan variabel independen lainnya.
  6. Latvia memiliki efek individu sebesar -16.048, yang menunjukkan bahwa Latvia memiliki tingkat Life.Ladder yang lebih rendah sekitar 16.048 poin dibandingkan dengan nilai rata-rata keseluruhan, setelah memperhitungkan variabel independen lainnya.
  7. North Macedonia memiliki efek individu sebesar -15.003, menunjukkan bahwa North Macedonia memiliki tingkat Life.Ladder yang lebih rendah sekitar 15.003 poin dibandingkan dengan nilai rata-rata keseluruhan, setelah memperhitungkan variabel independen lainnya.
  8. Poland memiliki efek individu sebesar -15.726, yang berarti bahwa Poland memiliki tingkat Life.Ladder yang lebih rendah sekitar 15.726 poin dibandingkan dengan nilai rata-rata keseluruhan, setelah memperhitungkan variabel independen lainnya.
  9. Romania memiliki efek individu sebesar -15.206, menunjukkan bahwa Romania memiliki tingkat Life.Ladder yang lebih rendah sekitar 15.206 poin dibandingkan dengan nilai rata-rata keseluruhan, setelah memperhitungkan variabel independen lainnya.
  10. Slovenia memiliki efek individu sebesar -16.022, yang berarti bahwa Slovenia memiliki tingkat Life.Ladder yang lebih rendah sekitar 16.022 poin dibandingkan dengan nilai rata-rata keseluruhan, setelah memperhitungkan variabel independen lainnya.

9 Prediksi dan Evaluasi

pred <- predict(fem, ladder_test, na.fill = F)

Salah satu metrik yang digunakan dalam evaluasi ini adalah MAPE (Mean Absolute Percentage Error) yang dimana metrik ini digunakan untuk mengukur akurasi dari sebuah model peramalan. MAPE mengukur rata-rata dari persentase kesalahan absolut antara nilai aktual dan nilai yang diprediksi oleh model.

MAPE(y_pred = pred,
     y_true = ladder_test$Life.Ladder)
## [1] 0.1559168

MAPE sebesar 0.1559168 menunjukkan bahwa rata-rata persentase kesalahan absolut antara nilai aktual dan nilai yang diprediksi oleh model adalah sekitar 15.59%. Semakin rendah nilai MAPE, semakin baik kinerja model peramalan. Dalam kasus ini, nilai MAPE tersebut menunjukkan bahwa model memiliki tingkat akurasi yang relatif tinggi dalam memperkirakan nilai aktual.

# Menampilkan hasil prediksi
head(pred)
## Albania-2022 Croatia-2022 Estonia-2022 Hungary-2022  Kosovo-2022  Latvia-2022 
##     5.563413     7.645933     8.531138     7.888599     5.843321     7.882037
prediksi_df <- as.data.frame(pred)
head(prediksi_df)
# Gabungkan hasil prediksi dengan data asli
hasil <- cbind(balanced2, prediksi_df)

# Tampilkan hasil
head(hasil)

10 Kesimpulan

Berikut adalah kesimpulan dari World Happines Report pada negara Central dan Eastern Europe

  1. Tahun yang digunakan adalah 2005 - 2022 walaupun terdapat beberapa missing value pada data tersebut, namun bisa teratasi
  2. Terdapat beberapa variabel yang memiliki korelasi kuat seperti Gdp Per kapita, social support, Freedom to make life choices dan lainnya
  3. Tingkat kebahagian di negara slovenia menjadi yang lebih tinggi, dan yang mengalami tingkat kebahgian yang rendah perlu ditelusuri terkait faktor faktor seperti pendapatan per kapita, sosial support, dan juga beberapa faktor lainnya
  4. Beberapa asumsi banyak yang menolak H0, sedangkan h1 diterima, hal ini berpengaruh pada model yang digunakan bisa mengalami tidak konsisten secaraa statistik, atau perbedaan yang nyata antara variabel yang diuji
  5. Rata-rata persentase pada MAPE mendapatkan nilai sebesar 15.59%, yang mana error ini termasuk besar

11 Saran

  1. Error pada Mape yang cukup besar akan berpengaruh pada model, oleh karena itu perlu dilakukan perbaikan model, seperti pembersihan data yang sesuai atau optimasi parameter
  2. Tingkat kebahagiaan yang rendah bisa disebabkan beberapa faktor, untuk meningkatkan hal tersebut diperlukan :
  • Peningkatan Program Sosial, Melakukan investasi dalam program-program sosial yang dapat meningkatkan dukungan sosial di masyarakat, seperti program pemberdayaan masyarakat, program pendidikan, program kesehatan mental, dan program bantuan sosial.

  • Penguatan Institusi Anti-Korupsi, Mengimplementasikan kebijakan dan tindakan yang bertujuan untuk mengurangi tingkat korupsi, seperti transparansi dalam pengelolaan dana publik, pemberantasan korupsi di sektor publik, dan penguatan lembaga-lembaga penegak hukum.

  • Pengembangan Ekonomi, Melakukan upaya untuk meningkatkan pendapatan per kapita melalui pembangunan ekonomi, seperti pengembangan sektor-sektor ekonomi yang berpotensi, pemberian pelatihan dan keterampilan kepada tenaga kerja, dan meningkatkan akses terhadap pasar global.

  • Peningkatan Kesetaraan Sosial dan Ekonomi, Memperhatikan ketidaksetaraan sosial dan ekonomi dalam kebijakan dan program-program pembangunan, dengan memastikan akses yang lebih merata terhadap sumber daya dan peluang bagi seluruh lapisan masyarakat.

  • Pemberdayaan Masyarakat, Mendorong partisipasi aktif masyarakat dalam proses pembangunan dan pengambilan keputusan, dengan memberikan ruang yang lebih besar bagi partisipasi publik, dialog, dan advokasi.