Analisis Geographically Weighted Quantile Regression (GWQR) pada Angka Kematian Bayi di Indonesia
Projek Spasial
1 Input Data
2 Statistik Deskriptif
rdata <- as.matrix(data[, c("AKB","ASI","KEMISKINAN","IMUNISASI","BBLR")])
n <- nrow(data)
desc <- rbind(
min = apply(rdata, 2, min, na.rm = TRUE),
max = apply(rdata, 2, max, na.rm = TRUE),
mean = apply(rdata, 2, mean, na.rm = TRUE),
var = apply(rdata, 2, var, na.rm = TRUE),
sd = apply(rdata, 2, sd, na.rm = TRUE)
)
desc## AKB ASI KEMISKINAN IMUNISASI BBLR
## min 9.260000 53.180000 3.420000 60.610000 4.90000
## max 37.040000 85.080000 29.450000 98.970000 24.86000
## mean 18.768421 69.700526 10.269474 90.805000 14.99789
## var 56.871370 51.300562 39.298935 78.659999 20.71597
## sd 7.541311 7.162441 6.268886 8.869047 4.55148
3 Regresi Linear Global (OLS)
##
## Call:
## lm(formula = AKB ~ ASI + KEMISKINAN + IMUNISASI + BBLR, data = data)
##
## Residuals:
## Min 1Q Median 3Q Max
## -5.9119 -2.8674 -0.0141 1.6738 7.7746
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 16.16676 10.32915 1.565 0.1271
## ASI -0.19724 0.08632 -2.285 0.0289 *
## KEMISKINAN 0.90791 0.13264 6.845 8.22e-08 ***
## IMUNISASI 0.02510 0.08047 0.312 0.7571
## BBLR 0.31650 0.16245 1.948 0.0599 .
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 3.743 on 33 degrees of freedom
## Multiple R-squared: 0.7803, Adjusted R-squared: 0.7536
## F-statistic: 29.3 on 4 and 33 DF, p-value: 1.921e-103.1 Uji Multikolinearitas
## ASI KEMISKINAN IMUNISASI BBLR
## 1.009367 1.825892 1.344927 1.4436413.2 Uji Outlier
## No Studentized residuals with Bonferroni p < 0.05
## Largest |rstudent|:
## rstudent unadjusted p-value Bonferroni p
## 32 2.548951 0.015801 0.60044
## [1] 30 32
4 Uji Heteroskedastisitas
4.1 Uji Breusch-Pagan Global
##
## studentized Breusch-Pagan test
##
## data: rm
## BP = 10.146, df = 4, p-value = 0.038034.2 Uji Glejser
abs_res <- abs(residuals(rm))
glejser <- lm(abs_res ~ ASI + KEMISKINAN + IMUNISASI + BBLR, data = data)
summary(glejser)##
## Call:
## lm(formula = abs_res ~ ASI + KEMISKINAN + IMUNISASI + BBLR, data = data)
##
## Residuals:
## Min 1Q Median 3Q Max
## -3.6504 -1.6280 -0.1027 1.2302 4.6680
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -10.33920 5.44286 -1.900 0.0663 .
## ASI 0.10572 0.04548 2.324 0.0264 *
## KEMISKINAN 0.12087 0.06990 1.729 0.0931 .
## IMUNISASI 0.03228 0.04240 0.761 0.4519
## BBLR 0.10014 0.08560 1.170 0.2504
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.972 on 33 degrees of freedom
## Multiple R-squared: 0.3044, Adjusted R-squared: 0.22
## F-statistic: 3.61 on 4 and 33 DF, p-value: 0.01515 Regresi Kuantil (QR)
# 5 tau mengacu Chen et al. (2012) dan tujuan penelitian (kalau di acc nanti pakai atas aja 0.75 dan 0.95)
kuantil <- rq(AKB ~ ASI + KEMISKINAN + IMUNISASI + BBLR,
tau = c(0.05, 0.25, 0.50, 0.75, 0.95), data = data)
summary(kuantil, se = "iid")##
## Call: rq(formula = AKB ~ ASI + KEMISKINAN + IMUNISASI + BBLR, tau = c(0.05,
## 0.25, 0.5, 0.75, 0.95), data = data)
##
## tau: [1] 0.05
##
## Coefficients:
## Value Std. Error t value Pr(>|t|)
## (Intercept) 21.77118 5.63611 3.86280 0.00050
## ASI -0.27010 0.04710 -5.73473 0.00000
## KEMISKINAN 0.41356 0.07238 5.71394 0.00000
## IMUNISASI -0.02877 0.04391 -0.65518 0.51690
## BBLR 0.60151 0.08864 6.78601 0.00000
##
## Call: rq(formula = AKB ~ ASI + KEMISKINAN + IMUNISASI + BBLR, tau = c(0.05,
## 0.25, 0.5, 0.75, 0.95), data = data)
##
## tau: [1] 0.25
##
## Coefficients:
## Value Std. Error t value Pr(>|t|)
## (Intercept) 27.46838 11.66647 2.35447 0.02465
## ASI -0.40021 0.09749 -4.10499 0.00025
## KEMISKINAN 0.81380 0.14982 5.43199 0.00001
## IMUNISASI 0.02547 0.09088 0.28025 0.78103
## BBLR 0.41217 0.18348 2.24642 0.03149
##
## Call: rq(formula = AKB ~ ASI + KEMISKINAN + IMUNISASI + BBLR, tau = c(0.05,
## 0.25, 0.5, 0.75, 0.95), data = data)
##
## tau: [1] 0.5
##
## Coefficients:
## Value Std. Error t value Pr(>|t|)
## (Intercept) 14.58164 9.91819 1.47019 0.15098
## ASI -0.25206 0.08288 -3.04108 0.00459
## KEMISKINAN 0.88711 0.12737 6.96508 0.00000
## IMUNISASI 0.09102 0.07726 1.17803 0.24721
## BBLR 0.27141 0.15599 1.73998 0.09118
##
## Call: rq(formula = AKB ~ ASI + KEMISKINAN + IMUNISASI + BBLR, tau = c(0.05,
## 0.25, 0.5, 0.75, 0.95), data = data)
##
## tau: [1] 0.75
##
## Coefficients:
## Value Std. Error t value Pr(>|t|)
## (Intercept) 1.28293 10.13701 0.12656 0.90006
## ASI -0.04622 0.08471 -0.54567 0.58896
## KEMISKINAN 1.06613 0.13018 8.18989 0.00000
## IMUNISASI 0.07734 0.07897 0.97936 0.33453
## BBLR 0.34231 0.15943 2.14716 0.03922
##
## Call: rq(formula = AKB ~ ASI + KEMISKINAN + IMUNISASI + BBLR, tau = c(0.05,
## 0.25, 0.5, 0.75, 0.95), data = data)
##
## tau: [1] 0.95
##
## Coefficients:
## Value Std. Error t value Pr(>|t|)
## (Intercept) 6.96118 5.34682 1.30193 0.20196
## ASI -0.19193 0.04468 -4.29557 0.00014
## KEMISKINAN 1.01061 0.06866 14.71860 0.00000
## IMUNISASI 0.10000 0.04165 2.40078 0.02216
## BBLR 0.71984 0.08409 8.56035 0.000005.1 Pseudo R-Squared
# Koenker & Machado (1999)
for(tau in c(0.05, 0.25, 0.50, 0.75, 0.95)) {
fit0 <- rq(AKB ~ 1, tau = tau, data = data)
fit1 <- rq(AKB ~ ASI + KEMISKINAN + IMUNISASI + BBLR, tau = tau, data = data)
assign(paste0("R_tau", tau * 100), 1 - fit1$rho / fit0$rho)
}
R_tau5; R_tau25; R_tau50; R_tau75; R_tau95## [1] 0.4415373## [1] 0.4395033## [1] 0.5331493## [1] 0.6214579## [1] 0.7028936 Persiapan Data Spasial
coords <- as.matrix(cbind(data$X, data$Y))
dspat <- data.frame(AKB, ASI, KEMISKINAN, IMUNISASI, BBLR)
datanew <- SpatialPointsDataFrame(
coords = coords,
data = dspat,
proj4string = CRS("+proj=longlat +datum=WGS84")
)
dist.mat <- gw.dist(dp.locat = coords, focus = 0, p = 2, theta = 0, longlat = TRUE)7 Fungsi GWQR
# Neny Kurniawati (2019)
gwrq.fit.fnb <- function(x, y, weight, tau = 0.5, beta = 0.99995, eps = 1e-06) {
if (is.null(weight)) stop("Insert weight matrix/vector")
if (is.vector(weight)) weight <- diag(c(weight))
rhs <- (1 - tau) * (t(x) %*% weight %*% matrix(1, length(y)))
n <- length(y); p <- ncol(x)
if (n != nrow(x)) stop("x and y don't match n")
if (tau < eps || tau > 1 - eps) stop("No parametric Frisch-Newton method. Set tau in (0,1)")
d <- rep(1, n); u <- rep(1, n)
wn <- rep(0, 10 * n); wn[1:n] <- (1 - tau)
z <- .Fortran("rqfnb",
as.integer(n), as.integer(p),
a = as.double(t(as.matrix(x))),
c = as.double(-y),
rhs = as.double(rhs),
d = as.double(d),
as.double(u),
beta = as.double(beta),
eps = as.double(eps),
wn = as.double(wn),
wp = double((p + 3) * p),
it.count = integer(3),
info = integer(1)
)
if (z$info != 0) stop(paste("Error info =", z$info, "in stepy: singular design"))
coefficients <- -z$wp[1:p]
names(coefficients) <- dimnames(x)[[2]]
residuals <- y - x %*% coefficients
list(coefficients = coefficients, tau = tau, residuals = residuals)
}
bw.rq <- function(bw, X, Y, kernel = "bisquare", adaptive = TRUE,
dp.locat, p = 2, theta = 0, longlat = TRUE,
dMat = NULL, verbose = TRUE, ntau = 0.5, method = "fnb") {
gwrqrcpp <- function(Xx, Yy, Ww, ntaus) {
wbaru <- diag(c(Ww))
xnew <- t(t(Xx) %*% wbaru)
ynew <- t(t(Yy) %*% wbaru)
fit <- gwrq.fit.fnb(xnew, ynew, weight = wbaru, tau = ntaus)
fit$coefficients
}
dp.n <- length(dp.locat[, 1])
DM.given <- !is.null(dMat)
if (DM.given) {
if (any(dim(dMat) != dp.n)) stop("Dimensions of dMat are not correct")
}
CV <- numeric(dp.n)
for (i in 1:dp.n) {
dist.vi <- if (DM.given) dMat[, i] else
gw.dist(dp.locat = dp.locat, focus = i, p = p, theta = theta, longlat = longlat)
W.i <- gw.weight(dist.vi, bw, kernel, adaptive)
W.i[i] <- 0
gw.resi <- try(gwrqrcpp(X, Y, W.i, ntaus = ntau), silent = TRUE)
CV[i] <- if (!inherits(gw.resi, "try-error")) Y[i] - X[i, ] %*% gw.resi else Inf
}
CV.score <- if (!any(is.infinite(CV))) t(CV) %*% CV else Inf
if (verbose) {
if (adaptive) cat("Adaptive bandwidth:", bw, "CV score:", CV.score, "\n")
else cat("Fixed bandwidth:", bw, "CV score:", CV.score, "\n")
}
CV.score
}
bwrq.gwr <- function(formula, data, approach = "CV", kernel = "bisquare",
adaptive = TRUE, p = 2, theta = 0, longlat = TRUE,
dMat = NULL, ntau = 0.5, method = "fnb") {
timings <- list(); timings[["start"]] <- Sys.time()
if (!is(data, "Spatial")) stop("Given regression data must be Spatial*DataFrame")
dp.locat <- coordinates(data)
data_df <- as(data, "data.frame")
if (ntau <= 0 | ntau > 1) { warning("Tau reset to 0.5"); ntau <- 0.5 }
mf <- model.frame(formula, data_df)
y <- model.response(mf)
x <- model.matrix(terms(mf), mf)
if (is.null(dMat)) {
dMat <- gw.dist(dp.locat = dp.locat, rp.locat = dp.locat,
p = p, theta = theta, longlat = longlat)
}
upper <- if (adaptive) nrow(data_df) else range(dMat)[2]
lower <- if (adaptive) 20 else upper / 5000
bw <- gold(bw.rq, lower, upper, adapt.bw = adaptive,
x, y, kernel, adaptive, dp.locat, p, theta, longlat, dMat,
method = method, ntau = ntau)
timings[["stop"]] <- Sys.time()
list(Bandwidth = bw, timings = timings, X = x, Y = y)
}
rqgwr.basic <- function(formula, data, regression.points, bw,
kernel = "bisquare", adaptive = TRUE, p = 2, ntau = 0.5,
theta = 0, longlat = FALSE, dMat, F123.test = FALSE,
cv = TRUE, W.vect = NULL, method = "fnb") {
timings <- list(); timings[["start"]] <- Sys.time()
this.call <- match.call()
if (ntau <= 0 | ntau > 1) {
warning("Tau should be set between 0 and 1. It is automatically set to 0.5")
ntau <- 0.5
}
gwregrcpp <- function(Xx, Yy, Ww, hatmatrix, focus, ntaus) {
wbaru <- diag(c(Ww))
xnew <- t(t(Xx) %*% wbaru)
ynew <- t(t(Yy) %*% wbaru)
fit <- gwrq.fit.fnb(xnew, ynew, weight = wbaru, tau = ntaus)
beta <- fit$coefficients
if (hatmatrix) {
xtwx_inv <- solve(t(xnew) %*% Xx)
ci <- xtwx_inv %*% t(xnew)
s_ri <- (Xx %*% ci)[, focus]
return(list(Beta = beta, S_ri = s_ri, Ci = ci))
}
list(Beta = beta)
}
if (missing(regression.points)) {
rp.given <- FALSE
regression.points <- data
rp.locat <- coordinates(data)
hatmatrix <- TRUE
} else {
rp.given <- TRUE
hatmatrix <- FALSE
rp.locat <- if (is(regression.points, "Spatial")) coordinates(regression.points) else regression.points
}
if (is(data, "Spatial")) {
p4s <- proj4string(data)
dp.locat <- coordinates(data)
data <- as(data, "data.frame")
} else {
stop("Given regression data must be Spatial*DataFrame")
}
mf <- model.frame(formula, data)
y <- model.response(mf)
x <- model.matrix(terms(mf), mf)
var.n <- ncol(x)
rp.n <- nrow(rp.locat)
dp.n <- nrow(data)
betas <- matrix(nrow = rp.n, ncol = var.n)
betas.SE <- matrix(nrow = rp.n, ncol = var.n)
betas.TV <- matrix(nrow = rp.n, ncol = var.n)
S <- matrix(nrow = dp.n, ncol = dp.n)
idx1 <- match("(Intercept)", colnames(x))
if (!is.na(idx1)) colnames(x)[idx1] <- "Intercept"
colnames(betas) <- colnames(x)
lms <- rq(formula, data = data, tau = ntau, method = "fnb")
lms$df.residual <- dp.n - var.n - 1
lms$x <- x; lms$y <- y; lms$rank <- var.n + 1
gTSS <- c(cov.wt(matrix(y, ncol = 1), wt = rep(1, dp.n))$cov) * (dp.n - 1)
if (missing(dMat)) {
dMat <- gw.dist(dp.locat = dp.locat, rp.locat = rp.locat,
p = p, theta = theta, longlat = longlat)
}
W.mat <- matrix(nrow = dp.n, ncol = rp.n)
for (j in 1:rp.n) {
W.mat[, j] <- gw.weight(dMat[, j], bw, kernel, adaptive)
}
for (i in 1:rp.n) {
W.i <- W.mat[, i]
res <- gwregrcpp(x, y, W.i, hatmatrix, i, ntau)
betas[i, ] <- res$Beta
if (hatmatrix) S[i, ] <- res$S_ri
}
yhat <- rowSums(x * betas)
residual <- y - yhat
RSS.gw <- sum(residual^2)
if (hatmatrix) {
trS <- sum(diag(S))
trStS <- sum(S^2)
enp <- 2 * trS - trStS
edf <- dp.n - enp
gw.R2 <- 1 - RSS.gw / gTSS
gwR2.adj <- 1 - (1 - gw.R2) * (dp.n - 1) / (edf - 1)
AICc <- dp.n * log(RSS.gw / dp.n) + dp.n * log(2 * pi) +
dp.n + 2 * dp.n * (enp + 1) / (dp.n - enp - 2)
AIC <- dp.n * log(RSS.gw / dp.n) + dp.n * log(2 * pi) + dp.n + 2 * (enp + 1)
GW.diagnostic <- list(RSS.gw = RSS.gw, AICc = AICc, AIC = AIC,
enp = enp, edf = edf,
gw.R2 = gw.R2, gwR2.adj = gwR2.adj)
}
SDF <- SpatialPointsDataFrame(coords = rp.locat, data = as.data.frame(betas))
SDF$yhat <- yhat
SDF$resid <- residual
timings[["stop"]] <- Sys.time()
res_out <- list(
SDF = SDF,
lm = lms,
timings = timings,
this.call = this.call,
GW.arguments = list(formula = formula, kernel = kernel, adaptive = adaptive,
bw = bw, longlat = longlat, p = p, theta = theta,
rp.given = rp.given, DM.given = !missing(dMat),
hatmatrix = hatmatrix, F123.test = F123.test),
GW.diagnostic = if (hatmatrix) GW.diagnostic else NULL
)
class(res_out) <- "rqgwrm"
invisible(res_out)
}8 Bandwidth Optimal & Pemodelan GWQR
8.1 Tau = 0.05
bw05 <- bwrq.gwr(AKB ~ ASI + KEMISKINAN + IMUNISASI + BBLR,
data = datanew, kernel = "bisquare", adaptive = TRUE,
longlat = TRUE, dMat = dist.mat, ntau = 0.05)## Adaptive bandwidth: 31 CV score: 753.7614
## Adaptive bandwidth: 27 CV score: 798.7034
## Adaptive bandwidth: 34 CV score: 877.6132
## Adaptive bandwidth: 29 CV score: 786.1488
## Adaptive bandwidth: 32 CV score: 809.3274
## Adaptive bandwidth: 30 CV score: 762.9257
## Adaptive bandwidth: 31 CV score: 753.76148.2 Tau = 0.25
bw25 <- bwrq.gwr(AKB ~ ASI + KEMISKINAN + IMUNISASI + BBLR,
data = datanew, kernel = "bisquare", adaptive = TRUE,
longlat = TRUE, dMat = dist.mat, ntau = 0.25)## Adaptive bandwidth: 31 CV score: 707.3332
## Adaptive bandwidth: 27 CV score: 719.485
## Adaptive bandwidth: 34 CV score: 666.8424
## Adaptive bandwidth: 35 CV score: 686.4497
## Adaptive bandwidth: 32 CV score: 729.878
## Adaptive bandwidth: 34 CV score: 666.84248.3 Tau = 0.50
bw50 <- bwrq.gwr(AKB ~ ASI + KEMISKINAN + IMUNISASI + BBLR,
data = datanew, kernel = "bisquare", adaptive = TRUE,
longlat = TRUE, dMat = dist.mat, ntau = 0.50)## Adaptive bandwidth: 31 CV score: 809.2095
## Adaptive bandwidth: 27 CV score: 801.8871
## Adaptive bandwidth: 24 CV score: 962.7961
## Adaptive bandwidth: 28 CV score: 806.1219
## Adaptive bandwidth: 25 CV score: 925.2507
## Adaptive bandwidth: 27 CV score: 801.88718.4 Tau = 0.75
bw75 <- bwrq.gwr(AKB ~ ASI + KEMISKINAN + IMUNISASI + BBLR,
data = datanew, kernel = "bisquare", adaptive = TRUE,
longlat = TRUE, dMat = dist.mat, ntau = 0.75)## Adaptive bandwidth: 31 CV score: 845.8323
## Adaptive bandwidth: 27 CV score: 843.7535
## Adaptive bandwidth: 24 CV score: 735.2446
## Adaptive bandwidth: 22 CV score: 842.9056
## Adaptive bandwidth: 25 CV score: 771.9968
## Adaptive bandwidth: 23 CV score: 843.1845
## Adaptive bandwidth: 24 CV score: 735.24468.5 Tau = 0.95
bw95 <- bwrq.gwr(AKB ~ ASI + KEMISKINAN + IMUNISASI + BBLR,
data = datanew, kernel = "bisquare", adaptive = TRUE,
longlat = TRUE, dMat = dist.mat, ntau = 0.95)## Adaptive bandwidth: 31 CV score: 1243.205
## Adaptive bandwidth: 27 CV score: 1138.374
## Adaptive bandwidth: 24 CV score: 1042.51
## Adaptive bandwidth: 22 CV score: 1060.083
## Adaptive bandwidth: 25 CV score: 873.2145
## Adaptive bandwidth: 26 CV score: 1041.55
## Adaptive bandwidth: 24 CV score: 1042.51
## Adaptive bandwidth: 25 CV score: 873.21459 Koefisien Lokal
koef05 <- as(gwqr05$SDF, "data.frame")
koef25 <- as(gwqr25$SDF, "data.frame")
koef50 <- as(gwqr50$SDF, "data.frame")
koef75 <- as(gwqr75$SDF, "data.frame")
koef95 <- as(gwqr95$SDF, "data.frame")
koef05$PROVINSI <- data$PROVINSI
koef25$PROVINSI <- data$PROVINSI
koef50$PROVINSI <- data$PROVINSI
koef75$PROVINSI <- data$PROVINSI
koef95$PROVINSI <- data$PROVINSI10 Uji Non-Stasioneritas Spasial
# IQR koefisien lokal GWQR dibandingkan dengan 2 x SE koefisien QR global
# Jika IQR > 2 x SE maka non-stasioner spasial (Chen et al., 2012)
se_qr05 <- summary(rq(AKB ~ ASI + KEMISKINAN + IMUNISASI + BBLR,
tau = 0.05, data = data), se = "iid")$coefficients[, 2]
se_qr25 <- summary(rq(AKB ~ ASI + KEMISKINAN + IMUNISASI + BBLR,
tau = 0.25, data = data), se = "iid")$coefficients[, 2]
se_qr50 <- summary(rq(AKB ~ ASI + KEMISKINAN + IMUNISASI + BBLR,
tau = 0.50, data = data), se = "iid")$coefficients[, 2]
se_qr75 <- summary(rq(AKB ~ ASI + KEMISKINAN + IMUNISASI + BBLR,
tau = 0.75, data = data), se = "iid")$coefficients[, 2]
se_qr95 <- summary(rq(AKB ~ ASI + KEMISKINAN + IMUNISASI + BBLR,
tau = 0.95, data = data), se = "iid")$coefficients[, 2]
vars <- c("Intercept", "ASI", "KEMISKINAN", "IMUNISASI", "BBLR")
iqr05 <- apply(koef05[, vars], 2, IQR)
iqr25 <- apply(koef25[, vars], 2, IQR)
iqr50 <- apply(koef50[, vars], 2, IQR)
iqr75 <- apply(koef75[, vars], 2, IQR)
iqr95 <- apply(koef95[, vars], 2, IQR)
nonstasioner <- data.frame(
tau05_IQR = iqr05,
tau05_2SE = 2 * se_qr05,
tau05_status = ifelse(iqr05 > 2 * se_qr05, "Nonstasioner", "Stasioner"),
tau25_IQR = iqr25,
tau25_2SE = 2 * se_qr25,
tau25_status = ifelse(iqr25 > 2 * se_qr25, "Nonstasioner", "Stasioner"),
tau50_IQR = iqr50,
tau50_2SE = 2 * se_qr50,
tau50_status = ifelse(iqr50 > 2 * se_qr50, "Nonstasioner", "Stasioner"),
tau75_IQR = iqr75,
tau75_2SE = 2 * se_qr75,
tau75_status = ifelse(iqr75 > 2 * se_qr75, "Nonstasioner", "Stasioner"),
tau95_IQR = iqr95,
tau95_2SE = 2 * se_qr95,
tau95_status = ifelse(iqr95 > 2 * se_qr95, "Nonstasioner", "Stasioner")
)
nonstasioner## tau05_IQR tau05_2SE tau05_status tau25_IQR tau25_2SE
## Intercept 26.4479875 11.27221365 Nonstasioner 20.5188099 23.3329487
## ASI 0.2697739 0.09419910 Nonstasioner 0.3171439 0.1949877
## KEMISKINAN 0.2761508 0.14475392 Nonstasioner 0.3391350 0.2996338
## IMUNISASI 0.3073139 0.08781234 Nonstasioner 0.2970668 0.1817674
## BBLR 0.2906217 0.17728019 Nonstasioner 0.5130098 0.3669616
## tau25_status tau50_IQR tau50_2SE tau50_status tau75_IQR
## Intercept Stasioner 26.8740400 19.8363810 Nonstasioner 26.9808043
## ASI Nonstasioner 0.2417004 0.1657677 Nonstasioner 0.3860894
## KEMISKINAN Nonstasioner 0.5843152 0.2547320 Nonstasioner 0.5212313
## IMUNISASI Nonstasioner 0.2674605 0.1545286 Nonstasioner 0.2842075
## BBLR Nonstasioner 0.3071306 0.3119704 Stasioner 0.2968418
## tau75_2SE tau75_status tau95_IQR tau95_2SE tau95_status
## Intercept 20.2740144 Nonstasioner 9.8852542 10.69363626 Stasioner
## ASI 0.1694249 Nonstasioner 0.2639825 0.08936408 Nonstasioner
## KEMISKINAN 0.2603520 Nonstasioner 0.7279713 0.13732402 Nonstasioner
## IMUNISASI 0.1579378 Nonstasioner 0.2936753 0.08330513 Nonstasioner
## BBLR 0.3188532 Stasioner 0.4255342 0.16818080 Nonstasioner11 uji normalitas residual
##
## Shapiro-Wilk normality test
##
## data: gwqr05$SDF$resid
## W = 0.88406, p-value = 0.0009322##
## Shapiro-Wilk normality test
##
## data: gwqr25$SDF$resid
## W = 0.88421, p-value = 0.0009404##
## Shapiro-Wilk normality test
##
## data: gwqr50$SDF$resid
## W = 0.91828, p-value = 0.008722##
## Shapiro-Wilk normality test
##
## data: gwqr75$SDF$resid
## W = 0.71957, p-value = 3.452e-07##
## Shapiro-Wilk normality test
##
## data: gwqr95$SDF$resid
## W = 0.82685, p-value = 3.867e-0512 Signifikansi Lokal Per Provinsi (Pendekatan t-value (Chen et al., 2012))
# t-value lokal = koefisien lokal / SE global QR
# Signifikan jika |t-value| > 1.96
vars <- c("ASI", "KEMISKINAN", "IMUNISASI", "BBLR")
hitung_tvalue <- function(koef, se_global, tau_label) {
hasil <- data.frame(PROVINSI = koef$PROVINSI)
for (v in vars) {
tval <- koef[[v]] / se_global[v]
hasil[[paste0(v, "_tval")]] <- round(tval, 4)
hasil[[paste0(v, "_signif")]] <- ifelse(abs(tval) > 1.96, "Signifikan", "Tidak")
}
hasil$tau <- tau_label
hasil
}
se_list <- list(
"0.05" = se_qr05[-1],
"0.25" = se_qr25[-1],
"0.50" = se_qr50[-1],
"0.75" = se_qr75[-1],
"0.95" = se_qr95[-1]
)
tval_05 <- hitung_tvalue(koef05, se_list[["0.05"]], "tau=0.05")
tval_25 <- hitung_tvalue(koef25, se_list[["0.25"]], "tau=0.25")
tval_50 <- hitung_tvalue(koef50, se_list[["0.50"]], "tau=0.50")
tval_75 <- hitung_tvalue(koef75, se_list[["0.75"]], "tau=0.75")
tval_95 <- hitung_tvalue(koef95, se_list[["0.95"]], "tau=0.95")
tval_05## PROVINSI ASI_tval ASI_signif KEMISKINAN_tval KEMISKINAN_signif
## 1 ACEH -6.4641 Signifikan 3.7436 Signifikan
## 2 SUMATERA UTARA -8.2682 Signifikan 4.7195 Signifikan
## 3 SUMATERA BARAT -6.7560 Signifikan 5.5404 Signifikan
## 4 RIAU -6.4322 Signifikan 5.3628 Signifikan
## 5 JAMBI -7.8596 Signifikan 7.5949 Signifikan
## 6 SUMATERA SELATAN -7.8596 Signifikan 7.5949 Signifikan
## 7 BENGKULU -7.8596 Signifikan 7.5949 Signifikan
## 8 LAMPUNG -7.8596 Signifikan 7.5949 Signifikan
## 9 KEP, BANGKA BELITUNG -7.8596 Signifikan 7.5949 Signifikan
## 10 KEP, RIAU -5.1879 Signifikan 4.1386 Signifikan
## 11 DKI JAKARTA -7.8596 Signifikan 7.5949 Signifikan
## 12 JAWA BARAT -6.3067 Signifikan 9.9196 Signifikan
## 13 JAWA TENGAH -6.5112 Signifikan 10.3262 Signifikan
## 14 DI YOGYAKARTA -6.5112 Signifikan 10.3262 Signifikan
## 15 JAWA TIMUR -7.2507 Signifikan 11.1996 Signifikan
## 16 BANTEN -7.8596 Signifikan 7.5949 Signifikan
## 17 BALI -8.2460 Signifikan 8.6329 Signifikan
## 18 NUSA TENGGARA BARAT -8.5389 Signifikan 6.9641 Signifikan
## 19 NUSA TENGGARA TIMUR -2.4519 Signifikan 9.6006 Signifikan
## 20 KALIMANTAN BARAT -5.3383 Signifikan 9.2357 Signifikan
## 21 KALIMANTAN TENGAH -5.6280 Signifikan 12.3082 Signifikan
## 22 KALIMANTAN SELATAN -6.3044 Signifikan 11.4806 Signifikan
## 23 KALIMANTAN TIMUR -3.2748 Signifikan 12.4330 Signifikan
## 24 KALIMANTAN UTARA -1.8135 Tidak 19.2933 Signifikan
## 25 SULAWESI UTARA -1.8222 Tidak 12.5339 Signifikan
## 26 SULAWESI TENGAH -1.5841 Tidak 12.6824 Signifikan
## 27 SULAWESI SELATAN -2.7824 Signifikan 11.1195 Signifikan
## 28 SULAWESI TENGGARA -2.5950 Signifikan 10.4448 Signifikan
## 29 GORONTALO -1.1657 Tidak 12.7550 Signifikan
## 30 SULAWESI BARAT -3.3234 Signifikan 11.6053 Signifikan
## 31 MALUKU -2.9975 Signifikan 10.2686 Signifikan
## 32 MALUKU UTARA -0.5257 Tidak 14.8133 Signifikan
## 33 PAPUA BARAT 3.7435 Signifikan 7.8016 Signifikan
## 34 PAPUA BARAT DAYA -2.9301 Signifikan 10.8984 Signifikan
## 35 PAPUA -1.5939 Tidak 13.8406 Signifikan
## 36 PAPUA SELATAN 3.6190 Signifikan 7.5283 Signifikan
## 37 PAPUA TENGAH 3.7435 Signifikan 7.8016 Signifikan
## 38 PAPUA PEGUNUNGAN 3.6190 Signifikan 7.5283 Signifikan
## IMUNISASI_tval IMUNISASI_signif BBLR_tval BBLR_signif tau
## 1 3.8635 Signifikan 4.6120 Signifikan tau=0.05
## 2 3.6303 Signifikan 5.5609 Signifikan tau=0.05
## 3 2.1972 Signifikan 3.4003 Signifikan tau=0.05
## 4 2.2987 Signifikan 3.6767 Signifikan tau=0.05
## 5 0.7523 Tidak 3.9030 Signifikan tau=0.05
## 6 0.7523 Tidak 3.9030 Signifikan tau=0.05
## 7 0.7523 Tidak 3.9030 Signifikan tau=0.05
## 8 0.7523 Tidak 3.9030 Signifikan tau=0.05
## 9 0.7523 Tidak 3.9030 Signifikan tau=0.05
## 10 0.1052 Tidak 3.2059 Signifikan tau=0.05
## 11 0.7523 Tidak 3.9030 Signifikan tau=0.05
## 12 -6.2841 Signifikan 0.9669 Tidak tau=0.05
## 13 -7.4752 Signifikan 1.8381 Tidak tau=0.05
## 14 -7.4752 Signifikan 1.8381 Tidak tau=0.05
## 15 -8.9054 Signifikan 4.8407 Signifikan tau=0.05
## 16 0.7523 Tidak 3.9030 Signifikan tau=0.05
## 17 -6.1358 Signifikan 7.2267 Signifikan tau=0.05
## 18 -4.4073 Signifikan 8.9321 Signifikan tau=0.05
## 19 -8.2746 Signifikan 0.9367 Tidak tau=0.05
## 20 -5.4140 Signifikan 1.2664 Tidak tau=0.05
## 21 -4.4373 Signifikan 1.3334 Tidak tau=0.05
## 22 -3.9545 Signifikan 2.3279 Signifikan tau=0.05
## 23 -3.7004 Signifikan 1.1743 Tidak tau=0.05
## 24 -5.8927 Signifikan 1.3327 Tidak tau=0.05
## 25 -6.0274 Signifikan -0.7273 Tidak tau=0.05
## 26 -7.0797 Signifikan -0.5905 Tidak tau=0.05
## 27 -8.5922 Signifikan -0.3828 Tidak tau=0.05
## 28 -8.7415 Signifikan 0.1673 Tidak tau=0.05
## 29 -7.7988 Signifikan -0.8137 Tidak tau=0.05
## 30 -6.9548 Signifikan -0.5285 Tidak tau=0.05
## 31 -1.0469 Tidak 0.5202 Tidak tau=0.05
## 32 0.3623 Tidak -1.1271 Tidak tau=0.05
## 33 1.9611 Signifikan 5.7341 Signifikan tau=0.05
## 34 -0.5391 Tidak -0.3225 Tidak tau=0.05
## 35 2.4781 Signifikan -1.4193 Tidak tau=0.05
## 36 1.6857 Tidak 5.6766 Signifikan tau=0.05
## 37 1.9611 Signifikan 5.7341 Signifikan tau=0.05
## 38 1.6857 Tidak 5.6766 Signifikan tau=0.05## PROVINSI ASI_tval ASI_signif KEMISKINAN_tval KEMISKINAN_signif
## 1 ACEH -3.4357 Signifikan 3.0107 Signifikan
## 2 SUMATERA UTARA -3.5817 Signifikan 3.0439 Signifikan
## 3 SUMATERA BARAT -3.5817 Signifikan 3.0439 Signifikan
## 4 RIAU -3.5817 Signifikan 3.0439 Signifikan
## 5 JAMBI -4.6329 Signifikan 3.2834 Signifikan
## 6 SUMATERA SELATAN -4.9742 Signifikan 3.2079 Signifikan
## 7 BENGKULU -4.9560 Signifikan 2.9734 Signifikan
## 8 LAMPUNG -4.9742 Signifikan 3.2079 Signifikan
## 9 KEP, BANGKA BELITUNG -4.9742 Signifikan 3.2079 Signifikan
## 10 KEP, RIAU -3.5817 Signifikan 3.0439 Signifikan
## 11 DKI JAKARTA -4.9742 Signifikan 3.2079 Signifikan
## 12 JAWA BARAT -4.8177 Signifikan 3.0735 Signifikan
## 13 JAWA TENGAH -4.1200 Signifikan 3.8705 Signifikan
## 14 DI YOGYAKARTA -4.1200 Signifikan 3.8705 Signifikan
## 15 JAWA TIMUR -4.1349 Signifikan 3.9274 Signifikan
## 16 BANTEN -4.9742 Signifikan 3.2079 Signifikan
## 17 BALI -4.4998 Signifikan 3.5994 Signifikan
## 18 NUSA TENGGARA BARAT -4.2921 Signifikan 3.9048 Signifikan
## 19 NUSA TENGGARA TIMUR -1.7234 Tidak 4.5019 Signifikan
## 20 KALIMANTAN BARAT -3.9415 Signifikan 3.8195 Signifikan
## 21 KALIMANTAN TENGAH -4.0133 Signifikan 4.3061 Signifikan
## 22 KALIMANTAN SELATAN -4.0133 Signifikan 4.3061 Signifikan
## 23 KALIMANTAN TIMUR -1.6743 Tidak 5.9014 Signifikan
## 24 KALIMANTAN UTARA -1.4149 Tidak 9.0411 Signifikan
## 25 SULAWESI UTARA -0.5270 Tidak 6.1351 Signifikan
## 26 SULAWESI TENGAH -0.4526 Tidak 6.0033 Signifikan
## 27 SULAWESI SELATAN -1.2537 Tidak 5.0459 Signifikan
## 28 SULAWESI TENGGARA -1.1262 Tidak 5.3551 Signifikan
## 29 GORONTALO -0.4367 Tidak 6.0776 Signifikan
## 30 SULAWESI BARAT -1.0482 Tidak 5.5104 Signifikan
## 31 MALUKU -0.5165 Tidak 6.8309 Signifikan
## 32 MALUKU UTARA -0.3623 Tidak 7.0222 Signifikan
## 33 PAPUA BARAT 1.8849 Tidak 4.5093 Signifikan
## 34 PAPUA BARAT DAYA -0.9993 Tidak 6.1771 Signifikan
## 35 PAPUA -1.0013 Tidak 6.3932 Signifikan
## 36 PAPUA SELATAN 1.1935 Tidak 5.0102 Signifikan
## 37 PAPUA TENGAH 0.3244 Tidak 4.9533 Signifikan
## 38 PAPUA PEGUNUNGAN 1.8849 Tidak 4.5093 Signifikan
## IMUNISASI_tval IMUNISASI_signif BBLR_tval BBLR_signif tau
## 1 0.8123 Tidak 2.4535 Signifikan tau=0.25
## 2 0.8375 Tidak 2.5593 Signifikan tau=0.25
## 3 0.8375 Tidak 2.5593 Signifikan tau=0.25
## 4 0.8375 Tidak 2.5593 Signifikan tau=0.25
## 5 1.0192 Tidak 3.3218 Signifikan tau=0.25
## 6 0.9775 Tidak 3.4934 Signifikan tau=0.25
## 7 0.9539 Tidak 3.5847 Signifikan tau=0.25
## 8 0.9775 Tidak 3.4934 Signifikan tau=0.25
## 9 0.9775 Tidak 3.4934 Signifikan tau=0.25
## 10 0.8375 Tidak 2.5593 Signifikan tau=0.25
## 11 0.9775 Tidak 3.4934 Signifikan tau=0.25
## 12 0.4354 Tidak 3.4288 Signifikan tau=0.25
## 13 -2.5352 Signifikan 2.5826 Signifikan tau=0.25
## 14 -2.5352 Signifikan 2.5826 Signifikan tau=0.25
## 15 -2.5615 Signifikan 2.5855 Signifikan tau=0.25
## 16 0.9775 Tidak 3.4934 Signifikan tau=0.25
## 17 -1.7698 Tidak 3.1646 Signifikan tau=0.25
## 18 -1.6527 Tidak 3.3188 Signifikan tau=0.25
## 19 -4.6013 Signifikan 0.8454 Tidak tau=0.25
## 20 -0.9742 Tidak 2.5900 Signifikan tau=0.25
## 21 -1.1315 Tidak 2.5798 Signifikan tau=0.25
## 22 -1.1315 Tidak 2.5798 Signifikan tau=0.25
## 23 -1.3597 Tidak 0.9710 Tidak tau=0.25
## 24 -1.2113 Tidak 0.6574 Tidak tau=0.25
## 25 -2.8802 Signifikan -0.2927 Tidak tau=0.25
## 26 -3.5450 Signifikan -0.0606 Tidak tau=0.25
## 27 -4.2231 Signifikan 0.0808 Tidak tau=0.25
## 28 -4.3900 Signifikan -0.1078 Tidak tau=0.25
## 29 -3.3292 Signifikan -0.0913 Tidak tau=0.25
## 30 -4.2000 Signifikan -0.1418 Tidak tau=0.25
## 31 -0.1627 Tidak -0.7212 Tidak tau=0.25
## 32 0.0357 Tidak -0.6174 Tidak tau=0.25
## 33 1.5371 Tidak 1.9367 Tidak tau=0.25
## 34 0.6859 Tidak -0.7902 Tidak tau=0.25
## 35 0.8344 Tidak -0.8493 Tidak tau=0.25
## 36 1.4106 Tidak 1.0283 Tidak tau=0.25
## 37 0.7478 Tidak 0.9117 Tidak tau=0.25
## 38 1.5371 Tidak 1.9367 Tidak tau=0.25## PROVINSI ASI_tval ASI_signif KEMISKINAN_tval KEMISKINAN_signif
## 1 ACEH -1.6410 Tidak 2.7218 Signifikan
## 2 SUMATERA UTARA -2.1369 Signifikan 3.1075 Signifikan
## 3 SUMATERA BARAT -2.0053 Signifikan 0.9143 Tidak
## 4 RIAU -1.3509 Tidak 0.0986 Tidak
## 5 JAMBI -3.4933 Signifikan 1.0274 Tidak
## 6 SUMATERA SELATAN -2.4906 Signifikan 3.1790 Signifikan
## 7 BENGKULU -2.2483 Signifikan 2.3563 Signifikan
## 8 LAMPUNG -2.4906 Signifikan 3.1790 Signifikan
## 9 KEP, BANGKA BELITUNG -3.3516 Signifikan 2.8507 Signifikan
## 10 KEP, RIAU -2.1664 Signifikan 2.5069 Signifikan
## 11 DKI JAKARTA -3.3082 Signifikan 3.2061 Signifikan
## 12 JAWA BARAT -3.8066 Signifikan 3.1078 Signifikan
## 13 JAWA TENGAH -4.6771 Signifikan 2.9275 Signifikan
## 14 DI YOGYAKARTA -4.7988 Signifikan 3.2529 Signifikan
## 15 JAWA TIMUR -4.3119 Signifikan 4.6403 Signifikan
## 16 BANTEN -3.3197 Signifikan 4.1433 Signifikan
## 17 BALI -1.2591 Tidak 5.5409 Signifikan
## 18 NUSA TENGGARA BARAT 0.6184 Tidak 7.4807 Signifikan
## 19 NUSA TENGGARA TIMUR 1.6052 Tidak 3.6242 Signifikan
## 20 KALIMANTAN BARAT -0.2289 Tidak 6.2991 Signifikan
## 21 KALIMANTAN TENGAH -0.4425 Tidak 12.8423 Signifikan
## 22 KALIMANTAN SELATAN -1.8695 Tidak 10.3025 Signifikan
## 23 KALIMANTAN TIMUR -0.4425 Tidak 12.8423 Signifikan
## 24 KALIMANTAN UTARA -0.3703 Tidak 12.9636 Signifikan
## 25 SULAWESI UTARA 0.2812 Tidak 5.9659 Signifikan
## 26 SULAWESI TENGAH 0.2406 Tidak 8.2506 Signifikan
## 27 SULAWESI SELATAN 0.7082 Tidak 7.2884 Signifikan
## 28 SULAWESI TENGGARA 0.4728 Tidak 6.1612 Signifikan
## 29 GORONTALO 0.4728 Tidak 6.1612 Signifikan
## 30 SULAWESI BARAT 0.2406 Tidak 8.2506 Signifikan
## 31 MALUKU 0.2235 Tidak 5.4158 Signifikan
## 32 MALUKU UTARA 0.4905 Tidak 6.2795 Signifikan
## 33 PAPUA BARAT 2.9359 Signifikan 8.9620 Signifikan
## 34 PAPUA BARAT DAYA 1.6937 Tidak 7.4127 Signifikan
## 35 PAPUA 1.4429 Tidak 7.7908 Signifikan
## 36 PAPUA SELATAN 2.9359 Signifikan 8.9620 Signifikan
## 37 PAPUA TENGAH 2.1199 Signifikan 7.4360 Signifikan
## 38 PAPUA PEGUNUNGAN 2.9359 Signifikan 8.9620 Signifikan
## IMUNISASI_tval IMUNISASI_signif BBLR_tval BBLR_signif tau
## 1 0.6137 Tidak 1.4312 Tidak tau=0.50
## 2 0.6263 Tidak 1.5048 Tidak tau=0.50
## 3 -0.2577 Tidak 1.2742 Tidak tau=0.50
## 4 -0.4035 Tidak 1.1461 Tidak tau=0.50
## 5 0.0598 Tidak 2.5898 Signifikan tau=0.50
## 6 -2.7245 Signifikan 0.6467 Tidak tau=0.50
## 7 -2.3151 Signifikan 0.7323 Tidak tau=0.50
## 8 -2.7245 Signifikan 0.6467 Tidak tau=0.50
## 9 -2.6891 Signifikan 1.6935 Tidak tau=0.50
## 10 -1.2692 Tidak 1.4258 Tidak tau=0.50
## 11 -3.2707 Signifikan 1.5023 Tidak tau=0.50
## 12 -3.2446 Signifikan 1.8372 Tidak tau=0.50
## 13 -1.8430 Tidak 2.0117 Signifikan tau=0.50
## 14 -1.9395 Tidak 1.8963 Tidak tau=0.50
## 15 0.6516 Tidak 2.6304 Signifikan tau=0.50
## 16 -3.2771 Signifikan 1.1227 Tidak tau=0.50
## 17 -4.8211 Signifikan 0.4323 Tidak tau=0.50
## 18 -6.5074 Signifikan -1.0689 Tidak tau=0.50
## 19 -9.8597 Signifikan 1.5532 Tidak tau=0.50
## 20 -4.6008 Signifikan -0.2495 Tidak tau=0.50
## 21 -4.3547 Signifikan -0.2389 Tidak tau=0.50
## 22 -1.3177 Tidak 0.6120 Tidak tau=0.50
## 23 -4.3547 Signifikan -0.2389 Tidak tau=0.50
## 24 -4.8217 Signifikan 0.0324 Tidak tau=0.50
## 25 -3.0787 Signifikan 3.8990 Signifikan tau=0.50
## 26 -4.8991 Signifikan 2.8177 Signifikan tau=0.50
## 27 -3.5492 Signifikan 2.8993 Signifikan tau=0.50
## 28 -2.9817 Signifikan 3.6447 Signifikan tau=0.50
## 29 -2.9817 Signifikan 3.6447 Signifikan tau=0.50
## 30 -4.8991 Signifikan 2.8177 Signifikan tau=0.50
## 31 -1.1785 Tidak 3.2352 Signifikan tau=0.50
## 32 -0.3790 Tidak 3.4242 Signifikan tau=0.50
## 33 5.4809 Signifikan -0.1229 Tidak tau=0.50
## 34 3.9044 Signifikan 0.6084 Tidak tau=0.50
## 35 1.8064 Tidak 1.7789 Tidak tau=0.50
## 36 5.4809 Signifikan -0.1229 Tidak tau=0.50
## 37 4.0174 Signifikan 0.4022 Tidak tau=0.50
## 38 5.4809 Signifikan -0.1229 Tidak tau=0.50## PROVINSI ASI_tval ASI_signif KEMISKINAN_tval KEMISKINAN_signif
## 1 ACEH -1.7210 Tidak 1.7026 Tidak
## 2 SUMATERA UTARA -1.3165 Tidak 1.8814 Tidak
## 3 SUMATERA BARAT -1.6140 Tidak 3.2358 Signifikan
## 4 RIAU -1.6140 Tidak 3.2358 Signifikan
## 5 JAMBI -3.1582 Signifikan 4.1042 Signifikan
## 6 SUMATERA SELATAN -4.1526 Signifikan 4.1978 Signifikan
## 7 BENGKULU -4.1526 Signifikan 4.1978 Signifikan
## 8 LAMPUNG -4.6507 Signifikan 3.8581 Signifikan
## 9 KEP, BANGKA BELITUNG -4.6871 Signifikan 3.8065 Signifikan
## 10 KEP, RIAU -1.4610 Tidak 3.2985 Signifikan
## 11 DKI JAKARTA -4.6022 Signifikan 3.2252 Signifikan
## 12 JAWA BARAT -4.6022 Signifikan 3.2252 Signifikan
## 13 JAWA TENGAH -4.3092 Signifikan 3.1959 Signifikan
## 14 DI YOGYAKARTA -3.5533 Signifikan 3.5735 Signifikan
## 15 JAWA TIMUR 0.6558 Tidak 8.1990 Signifikan
## 16 BANTEN -4.6022 Signifikan 3.2252 Signifikan
## 17 BALI 0.1312 Tidak 7.3943 Signifikan
## 18 NUSA TENGGARA BARAT 0.1312 Tidak 7.3943 Signifikan
## 19 NUSA TENGGARA TIMUR -0.1741 Tidak 4.6629 Signifikan
## 20 KALIMANTAN BARAT 0.0775 Tidak 4.2418 Signifikan
## 21 KALIMANTAN TENGAH 1.7596 Tidak 14.9002 Signifikan
## 22 KALIMANTAN SELATAN 1.2996 Tidak 12.4946 Signifikan
## 23 KALIMANTAN TIMUR 1.8695 Tidak 16.7442 Signifikan
## 24 KALIMANTAN UTARA 1.7947 Tidak 16.6222 Signifikan
## 25 SULAWESI UTARA 0.9601 Tidak 6.6070 Signifikan
## 26 SULAWESI TENGAH 0.9393 Tidak 6.5713 Signifikan
## 27 SULAWESI SELATAN 0.1312 Tidak 7.3943 Signifikan
## 28 SULAWESI TENGGARA 0.9393 Tidak 6.5713 Signifikan
## 29 GORONTALO 0.9601 Tidak 6.6070 Signifikan
## 30 SULAWESI BARAT 0.1312 Tidak 7.3943 Signifikan
## 31 MALUKU 3.8513 Signifikan 7.6358 Signifikan
## 32 MALUKU UTARA 1.7560 Tidak 6.3823 Signifikan
## 33 PAPUA BARAT 3.8513 Signifikan 7.6358 Signifikan
## 34 PAPUA BARAT DAYA 3.8513 Signifikan 7.6358 Signifikan
## 35 PAPUA 3.8513 Signifikan 7.6358 Signifikan
## 36 PAPUA SELATAN 3.8513 Signifikan 7.6358 Signifikan
## 37 PAPUA TENGAH 3.8513 Signifikan 7.6358 Signifikan
## 38 PAPUA PEGUNUNGAN 3.8513 Signifikan 7.6358 Signifikan
## IMUNISASI_tval IMUNISASI_signif BBLR_tval BBLR_signif tau
## 1 0.1741 Tidak -0.1068 Tidak tau=0.75
## 2 0.1303 Tidak -0.3196 Tidak tau=0.75
## 3 -0.9659 Tidak 0.9680 Tidak tau=0.75
## 4 -0.9659 Tidak 0.9680 Tidak tau=0.75
## 5 -2.2671 Signifikan 1.7080 Tidak tau=0.75
## 6 -2.8604 Signifikan 1.8719 Tidak tau=0.75
## 7 -2.8604 Signifikan 1.8719 Tidak tau=0.75
## 8 -2.5366 Signifikan 2.3031 Signifikan tau=0.75
## 9 -2.4907 Signifikan 2.3594 Signifikan tau=0.75
## 10 -1.4724 Tidak 0.8062 Tidak tau=0.75
## 11 -2.0648 Signifikan 1.6937 Tidak tau=0.75
## 12 -2.0648 Signifikan 1.6937 Tidak tau=0.75
## 13 -3.0666 Signifikan 1.3196 Tidak tau=0.75
## 14 -4.3326 Signifikan -0.0202 Tidak tau=0.75
## 15 -6.4365 Signifikan -1.1995 Tidak tau=0.75
## 16 -2.0648 Signifikan 1.6937 Tidak tau=0.75
## 17 -4.6422 Signifikan 2.7359 Signifikan tau=0.75
## 18 -4.6422 Signifikan 2.7359 Signifikan tau=0.75
## 19 -3.1893 Signifikan 2.7894 Signifikan tau=0.75
## 20 -5.1299 Signifikan -0.4348 Tidak tau=0.75
## 21 -6.8808 Signifikan -1.9076 Tidak tau=0.75
## 22 -5.7080 Signifikan -0.3468 Tidak tau=0.75
## 23 -9.1582 Signifikan -2.8436 Signifikan tau=0.75
## 24 -9.3907 Signifikan -2.7092 Signifikan tau=0.75
## 25 -4.0721 Signifikan 3.6597 Signifikan tau=0.75
## 26 -4.0559 Signifikan 3.6437 Signifikan tau=0.75
## 27 -4.6422 Signifikan 2.7359 Signifikan tau=0.75
## 28 -4.0559 Signifikan 3.6437 Signifikan tau=0.75
## 29 -4.0721 Signifikan 3.6597 Signifikan tau=0.75
## 30 -4.6422 Signifikan 2.7359 Signifikan tau=0.75
## 31 4.1814 Signifikan 2.6268 Signifikan tau=0.75
## 32 -2.0985 Signifikan 3.5783 Signifikan tau=0.75
## 33 4.1814 Signifikan 2.6268 Signifikan tau=0.75
## 34 4.1814 Signifikan 2.6268 Signifikan tau=0.75
## 35 4.1814 Signifikan 2.6268 Signifikan tau=0.75
## 36 4.1814 Signifikan 2.6268 Signifikan tau=0.75
## 37 4.1814 Signifikan 2.6268 Signifikan tau=0.75
## 38 4.1814 Signifikan 2.6268 Signifikan tau=0.75## PROVINSI ASI_tval ASI_signif KEMISKINAN_tval KEMISKINAN_signif
## 1 ACEH -2.7872 Signifikan 2.0950 Signifikan
## 2 SUMATERA UTARA -2.7900 Signifikan 4.2998 Signifikan
## 3 SUMATERA BARAT -2.7900 Signifikan 4.2998 Signifikan
## 4 RIAU -2.7900 Signifikan 4.2998 Signifikan
## 5 JAMBI -2.7903 Signifikan 4.5910 Signifikan
## 6 SUMATERA SELATAN -2.7903 Signifikan 4.5910 Signifikan
## 7 BENGKULU -2.7903 Signifikan 4.5910 Signifikan
## 8 LAMPUNG -2.7903 Signifikan 4.5910 Signifikan
## 9 KEP, BANGKA BELITUNG -2.7903 Signifikan 4.5910 Signifikan
## 10 KEP, RIAU -2.2428 Signifikan 4.4654 Signifikan
## 11 DKI JAKARTA -3.1860 Signifikan 6.8654 Signifikan
## 12 JAWA BARAT 1.2434 Tidak 15.5445 Signifikan
## 13 JAWA TENGAH 1.2434 Tidak 15.5445 Signifikan
## 14 DI YOGYAKARTA 1.2434 Tidak 15.5445 Signifikan
## 15 JAWA TIMUR -4.8921 Signifikan 17.7772 Signifikan
## 16 BANTEN -3.0389 Signifikan 4.6480 Signifikan
## 17 BALI -0.3767 Tidak 14.0489 Signifikan
## 18 NUSA TENGGARA BARAT -0.3767 Tidak 14.0489 Signifikan
## 19 NUSA TENGGARA TIMUR -0.3300 Tidak 8.8404 Signifikan
## 20 KALIMANTAN BARAT 4.0656 Signifikan 24.9756 Signifikan
## 21 KALIMANTAN TENGAH 3.3361 Signifikan 28.2492 Signifikan
## 22 KALIMANTAN SELATAN 2.4640 Signifikan 23.6885 Signifikan
## 23 KALIMANTAN TIMUR 2.4640 Signifikan 23.6885 Signifikan
## 24 KALIMANTAN UTARA -3.8245 Signifikan 16.8957 Signifikan
## 25 SULAWESI UTARA 1.9584 Tidak 12.5372 Signifikan
## 26 SULAWESI TENGAH 1.7808 Tidak 12.4585 Signifikan
## 27 SULAWESI SELATAN 1.7808 Tidak 12.4585 Signifikan
## 28 SULAWESI TENGGARA 1.7808 Tidak 12.4585 Signifikan
## 29 GORONTALO 1.7808 Tidak 12.4585 Signifikan
## 30 SULAWESI BARAT 1.7808 Tidak 12.4585 Signifikan
## 31 MALUKU 7.3017 Signifikan 14.4767 Signifikan
## 32 MALUKU UTARA 6.1133 Signifikan 15.4511 Signifikan
## 33 PAPUA BARAT 7.3017 Signifikan 14.4767 Signifikan
## 34 PAPUA BARAT DAYA 7.3017 Signifikan 14.4767 Signifikan
## 35 PAPUA 7.3017 Signifikan 14.4767 Signifikan
## 36 PAPUA SELATAN 7.3017 Signifikan 14.4767 Signifikan
## 37 PAPUA TENGAH 7.3017 Signifikan 14.4767 Signifikan
## 38 PAPUA PEGUNUNGAN 7.3017 Signifikan 14.4767 Signifikan
## IMUNISASI_tval IMUNISASI_signif BBLR_tval BBLR_signif tau
## 1 0.0061 Tidak -1.3806 Tidak tau=0.95
## 2 -1.4795 Tidak 0.1509 Tidak tau=0.95
## 3 -1.4795 Tidak 0.1509 Tidak tau=0.95
## 4 -1.4795 Tidak 0.1509 Tidak tau=0.95
## 5 -1.6758 Tidak 0.3532 Tidak tau=0.95
## 6 -1.6758 Tidak 0.3532 Tidak tau=0.95
## 7 -1.6758 Tidak 0.3532 Tidak tau=0.95
## 8 -1.6758 Tidak 0.3532 Tidak tau=0.95
## 9 -1.6758 Tidak 0.3532 Tidak tau=0.95
## 10 -1.4819 Tidak 0.7671 Tidak tau=0.95
## 11 -0.3588 Tidak 0.0664 Tidak tau=0.95
## 12 -12.2029 Signifikan -2.2742 Signifikan tau=0.95
## 13 -12.2029 Signifikan -2.2742 Signifikan tau=0.95
## 14 -12.2029 Signifikan -2.2742 Signifikan tau=0.95
## 15 -2.3018 Signifikan 7.5840 Signifikan tau=0.95
## 16 -1.7638 Tidak 0.1652 Tidak tau=0.95
## 17 -13.4593 Signifikan 4.4270 Signifikan tau=0.95
## 18 -13.4593 Signifikan 4.4270 Signifikan tau=0.95
## 19 -6.0465 Signifikan 5.2884 Signifikan tau=0.95
## 20 -12.6770 Signifikan -2.4519 Signifikan tau=0.95
## 21 -13.0453 Signifikan -3.6166 Signifikan tau=0.95
## 22 -10.8218 Signifikan -0.6574 Tidak tau=0.95
## 23 -10.8218 Signifikan -0.6574 Tidak tau=0.95
## 24 -4.9398 Signifikan 6.8376 Signifikan tau=0.95
## 25 -7.4594 Signifikan 6.9460 Signifikan tau=0.95
## 26 -7.6896 Signifikan 6.9081 Signifikan tau=0.95
## 27 -7.6896 Signifikan 6.9081 Signifikan tau=0.95
## 28 -7.6896 Signifikan 6.9081 Signifikan tau=0.95
## 29 -7.6896 Signifikan 6.9081 Signifikan tau=0.95
## 30 -7.6896 Signifikan 6.9081 Signifikan tau=0.95
## 31 7.9275 Signifikan 4.9801 Signifikan tau=0.95
## 32 7.7877 Signifikan 6.8904 Signifikan tau=0.95
## 33 7.9275 Signifikan 4.9801 Signifikan tau=0.95
## 34 7.9275 Signifikan 4.9801 Signifikan tau=0.95
## 35 7.9275 Signifikan 4.9801 Signifikan tau=0.95
## 36 7.9275 Signifikan 4.9801 Signifikan tau=0.95
## 37 7.9275 Signifikan 4.9801 Signifikan tau=0.95
## 38 7.9275 Signifikan 4.9801 Signifikan tau=0.95# Rekap: berapa provinsi signifikan per variabel per tau
rekap_signif <- function(tval_df) {
sapply(vars, function(v) {
sum(tval_df[[paste0(v, "_signif")]] == "Signifikan")
})
}
rekap <- rbind(
tau05 = rekap_signif(tval_05),
tau25 = rekap_signif(tval_25),
tau50 = rekap_signif(tval_50),
tau75 = rekap_signif(tval_75),
tau95 = rekap_signif(tval_95)
)
rekap## ASI KEMISKINAN IMUNISASI BBLR
## tau05 32 38 25 20
## tau25 21 38 10 21
## tau50 18 35 25 11
## tau75 17 36 33 21
## tau95 26 38 26 24