Spatial Regression Model

A. Model Prediksi GRP Data China

Deskripsi Data china_join

Data yang digunakan dalam analisis ini bersumber dari file Data_China.xlsx yang memuat data utama 29 provinsi di China, mencakup koordinat geografis (longitude dan latitude) masing-masing provinsi, Gross Regional Product (GRP) sebagai ukuran output ekonomi wilayah, serta tingkat urbanisasi dalam persen yang menggambarkan proporsi penduduk yang tinggal di kawasan perkotaan. Selain itu, terdapat matriks jarak kereta api antar provinsi (km) yang menghubungkan 29 ibu kota provinsi satu sama lain, dan digunakan sebagai dasar pembentukan matriks bobot spasial dalam pemodelan regresi spasial. Secara keseluruhan, data ini digunakan untuk menganalisis sejauh mana tingkat urbanisasi berpengaruh terhadap output ekonomi regional di China dengan mempertimbangkan struktur keterkaitan spasial antar provinsi melalui konektivitas jaringan kereta api.

1. Persiapan Data

library(sf)
library(readxl)
library(tidyverse)
library(ggplot2)
library(spdep)
library(spatialreg)
library(MuMIn)
library(patchwork)
shp_china <- st_read(file.path(dir_data, "data china/China29/China29.shp"))
## Reading layer `China29' from data source 
##   `C:\Users\User\.akuliah_statistika\Semester5\Regspas\Regspas_11\Regspas_11\data china\China29\China29.shp' 
##   using driver `ESRI Shapefile'
## Simple feature collection with 29 features and 12 fields
## Geometry type: MULTIPOLYGON
## Dimension:     XY
## Bounding box:  xmin: 73.5577 ymin: 20.22264 xmax: 134.7739 ymax: 53.56086
## Geodetic CRS:  WGS 84
data_china <- read_excel(file.path(dir_data,"data china/Data_China.xlsx"))

china_join <- shp_china %>%
  left_join(data_china,
            by = c("NAME_1" = "Region"))
head(china_join)
## Simple feature collection with 6 features and 16 fields
## Geometry type: MULTIPOLYGON
## Dimension:     XY
## Bounding box:  xmin: 92.76416 ymin: 20.22264 xmax: 120.8376 ymax: 42.77393
## Geodetic CRS:  WGS 84
##   ID_0 ISO NAME_0 ID_1    NAME_1 HASC_1 CCN_1 CCA_1    TYPE_1    ENGTYPE_1
## 1   49 CHN  China    1     Anhui  CN.AH     0  <NA>     Sh?ng     Province
## 2   49 CHN  China    2   Beijing  CN.BJ     0  <NA> Zhíxiáshì Municipality
## 3   49 CHN  China    3 Chongqing  CN.CQ     0  <NA> Zhíxiáshì Municipality
## 4   49 CHN  China    4    Fujian  CN.FJ     0  <NA>     Sh?ng     Province
## 5   49 CHN  China    5     Gansu  CN.GS     0  <NA>     Sh?ng     Province
## 6   49 CHN  China    6 Guangdong  CN.GD     0  <NA>     Sh?ng     Province
##   NL_NAME_1 VARNAME_1     Long      Lat   GRP Level_of_Urbanization
## 1     ??|??     ?nhu? 117.2262 31.82579 28792                 46.50
## 2     ??|??   B?ij?ng 116.4107 40.18491 87475                 86.20
## 3     ??|?? Chóngqìng 107.8748 30.05865 38914                 56.98
## 4        ??    Fújiàn 117.9815 26.08641 52763                 59.60
## 5     ??|??     G?nsù 100.9339 37.82079 21978                 38.75
## 6     ??|?? Gu?ngd?ng 113.4164 23.34225 54095                 67.40
##                         geometry
## 1 MULTIPOLYGON (((116.4263 34...
## 2 MULTIPOLYGON (((116.6669 40...
## 3 MULTIPOLYGON (((108.5419 32...
## 4 MULTIPOLYGON (((117.689 23....
## 5 MULTIPOLYGON (((97.18472 42...
## 6 MULTIPOLYGON (((110.1182 20...

2. Eksplorasi Data

GRP <- ggplot(data = china_join) +
  geom_sf(aes(fill = GRP), color = "white", linewidth = 0.2) +
  scale_fill_viridis_c(option = "magma", name = "GRP") +
  labs(title = "Gross Regional Product",
       subtitle = "Data kontinu per provinsi",
       x = "Longitude", y = "Latitude") +
  theme_minimal() +
  theme(legend.position = "bottom",
        plot.title = element_text(face = "bold", size = 14),
        plot.subtitle = element_text(size = 11))

Urbanization <- ggplot(data = china_join) +
  geom_sf(aes(fill = `Level_of_Urbanization`), color = "white", linewidth = 0.2) +
  scale_fill_viridis_c(option = "magma", name = "Level of Urbanization") +
  labs(title = "Level of Urbanization",
       subtitle = "Data kontinu per provinsi",
       x = "Longitude", y = "Latitude") +
  theme_minimal() +
  theme(legend.position = "bottom",
        plot.title = element_text(face = "bold", size = 14),
        plot.subtitle = element_text(size = 11))

GRP | Urbanization

# Pengecekan struktur data
str(china_join)
## Classes 'sf' and 'data.frame':   29 obs. of  17 variables:
##  $ ID_0                 : chr  "49" "49" "49" "49" ...
##  $ ISO                  : chr  "CHN" "CHN" "CHN" "CHN" ...
##  $ NAME_0               : chr  "China" "China" "China" "China" ...
##  $ ID_1                 : chr  "1" "2" "3" "4" ...
##  $ NAME_1               : chr  "Anhui" "Beijing" "Chongqing" "Fujian" ...
##  $ HASC_1               : chr  "CN.AH" "CN.BJ" "CN.CQ" "CN.FJ" ...
##  $ CCN_1                : chr  "0" "0" "0" "0" ...
##  $ CCA_1                : chr  NA NA NA NA ...
##  $ TYPE_1               : chr  "Sh?ng" "Zhíxiáshì" "Zhíxiáshì" "Sh?ng" ...
##  $ ENGTYPE_1            : chr  "Province" "Municipality" "Municipality" "Province" ...
##  $ NL_NAME_1            : chr  "??|??" "??|??" "??|??" "??" ...
##  $ VARNAME_1            : chr  "?nhu?" "B?ij?ng" "Chóngqìng" "Fújiàn" ...
##  $ Long                 : num  117 116 108 118 101 ...
##  $ Lat                  : num  31.8 40.2 30.1 26.1 37.8 ...
##  $ GRP                  : num  28792 87475 38914 52763 21978 ...
##  $ Level_of_Urbanization: num  46.5 86.2 57 59.6 38.8 ...
##  $ geometry             :sfc_MULTIPOLYGON of length 29; first list element: List of 1
##   ..$ :List of 1
##   .. ..$ : num [1:7291, 1:2] 116 116 116 116 116 ...
##   ..- attr(*, "class")= chr [1:3] "XY" "MULTIPOLYGON" "sfg"
##  - attr(*, "sf_column")= chr "geometry"
##  - attr(*, "agr")= Factor w/ 3 levels "constant","aggregate",..: NA NA NA NA NA NA NA NA NA NA ...
##   ..- attr(*, "names")= chr [1:16] "ID_0" "ISO" "NAME_0" "ID_1" ...
print("----------------------------------------------------------------------------------")
## [1] "----------------------------------------------------------------------------------"
# Pengecekan Missing Value
colSums(is.na(china_join))
##                  ID_0                   ISO                NAME_0 
##                     0                     0                     0 
##                  ID_1                NAME_1                HASC_1 
##                     0                     0                     0 
##                 CCN_1                 CCA_1                TYPE_1 
##                     0                    29                     0 
##             ENGTYPE_1             NL_NAME_1             VARNAME_1 
##                     0                     0                     0 
##                  Long                   Lat                   GRP 
##                     0                     0                     0 
## Level_of_Urbanization              geometry 
##                     0                     0

3. Regresi OLS

china.lm <- lm(GRP ~ Level_of_Urbanization, data = china_join)
summary(china.lm)
## 
## Call:
## lm(formula = GRP ~ Level_of_Urbanization, data = china_join)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -12050.9  -4410.4   -374.8   2961.6  14948.1 
## 
## Coefficients:
##                       Estimate Std. Error t value Pr(>|t|)    
## (Intercept)           -31895.5     5197.6  -6.137 1.48e-06 ***
## Level_of_Urbanization   1400.0       92.6  15.118 1.06e-14 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 6595 on 27 degrees of freedom
## Multiple R-squared:  0.8944, Adjusted R-squared:  0.8904 
## F-statistic: 228.6 on 1 and 27 DF,  p-value: 1.064e-14

4. Matriks Pembobot Spasial

Membangun matriks bobot spasial berbasis railway distance antar provinsi di China yang akan digunakan dalam analisis regresi spasial. Data railway distance dibaca dari file Excel, kemudian dikonversi menjadi matriks numerik berukuran 29×29 yang merepresentasikan jarak antar setiap pasang provinsi. Karena dalam pemodelan spasial kedekatan diukur sebagai kebalikan dari jarak (semakin dekat suatu wilayah, semakin besar pengaruhnya), setiap elemen matriks ditransformasi menggunakan invers jarak (\(1/d\)), dengan nilai diagonal diset nol agar suatu wilayah tidak dianggap bertetangga dengan dirinya sendiri. Matriks kemudian dinormalisasi dengan row-standardization sehingga total bobot untuk setiap provinsi bernilai satu, memastikan skala pengaruh yang sebanding antar provinsi. Terakhir, matriks bobot tersebut dikonversi menjadi objek listw yang siap digunakan dalam uji Moran’s I dan estimasi model regresi spasial.

# Baca jarak kereta dari sheet Railway Distance
rail <- read_excel(file.path(dir_data, "data china/Data_China.xlsx"),
                   sheet = "Railway Distance", skip = 1)
rail_matrix <- as.matrix(rail[, 3:31])
rownames(rail_matrix) <- colnames(rail_matrix)

# Inverse distance (w_ij = 1/d_ij, diagonal = 0)
W_rail <- 1 / rail_matrix
diag(W_rail) <- 0

# Row-standardize
W_rail_std <- W_rail / rowSums(W_rail)

# Buat listw object
W_listw <- mat2listw(W_rail_std, style = "W")

5. Uji Moran’s I (Railway Distance)

Uji Diagnostik Autokorelasi Spasial Global

Untuk memahami pola hubungan spasial antara tingkat urbanisasi (Level of Urbanization) dan pertumbuhan ekonomi daerah (Gross Regional Product - GRP) di China, dilakukan pengujian autokorelasi spasial pada sisaan (residuals) model OLS dengan menggunakan Uji Moran.

# Mengambil titik koordinat centroid setiap provinsi
china.coords <- st_coordinates(
  st_centroid(st_transform(china_join, 3857))
)

# Membentuk 6 nearest neighbors
china.knn <- knearneigh(china.coords, k = 6)
china.nb <- knn2nb(china.knn)

# Membentuk spatial weights matrix
W <- nb2listw(china.nb, style = "W", zero.policy = TRUE)

col.moran <- lm.morantest(china.lm, W_listw)
col.moran
## 
##  Global Moran I for regression residuals
## 
## data:  
## model: lm(formula = GRP ~ Level_of_Urbanization, data = china_join)
## weights: W_listw
## 
## Moran I statistic standard deviate = 1.1234, p-value = 0.1306
## alternative hypothesis: greater
## sample estimates:
## Observed Moran I      Expectation         Variance 
##      0.010629595     -0.033552435      0.001546711

Berdasarkan hasil uji Global Moran’s I terhadap sisaan model OLS, diperoleh nilai koefisien yang tidak signifikan (p-value > 0.05). Hasil ini mengindikasikan bahwa sisaan dari model regresi menyebar secara acak dan tidak memperlihatkan adanya pola mengelompok (clustering) yang terstruktur secara spasial di sepanjang jaringan kereta api China.

6. Uji Lagrange Multiplier

china.lagrange1 <- lm.RStests(
  china.lm,
  listw = W,
  test = "all"
)

summary(china.lagrange1)
##  Rao's score (a.k.a Lagrange multiplier) diagnostics for spatial
##  dependence
## data:  
## model: lm(formula = GRP ~ Level_of_Urbanization, data = china_join)
## test weights: W
##  
##          statistic parameter p.value
## RSerr     0.044578         1  0.8328
## RSlag     1.658310         1  0.1978
## adjRSerr  0.069100         1  0.7927
## adjRSlag  1.682832         1  0.1945
## SARMA     1.727410         2  0.4216

Pengujian Lagrange Multiplier (LM Test). Baik uji LM-Lag maupun LM-Error menghasilkan nilai yang tidak signifikan (p-value > 0.05), sehingga diputuskan tidak signifikan.

Tidak signifikannya uji LM-Lag menandakan tidak adanya efek ketergantungan spasial global pada variabel dependen (Global Spatial Lag Dependent). Artinya, tinggi rendahnya nilai GRP di suatu wilayah tidak didorong oleh efek penularan atau umpan balik sistemik dari nilai GRP wilayah lain di sepanjang koridor kereta api tersebut. Sementara itu, nilai LM-Error yang tidak signifikan mengonfirmasi tidak adanya bias dari variabel luar (omitted variables) yang polanya terstruktur secara spasial pada komponen error.

Oleh karena itu, jalur pemodelan spasial global (Spatial Autoregressive [SAR], Spatial Error Model [SEM], maupun Spatial Durbin Model [SDM]) diputuskan tidak relevan untuk menjelaskan hubungan urbanisasi dan GRP dalam penelitian ini.

7. SLX Model

Pemodelan Efek Limpahan Lokal: Spatially-Lagged X Model (SLX)

Meskipun hasil pengujian Moran’s I tidak menunjukkan adanya autokorelasi spasial yang signifikan secara global, analisis tetap dilanjutkan menggunakan model SLX untuk mengidentifikasi kemungkinan adanya efek limpahan lokal (local spillover effect) dari variabel independen antarwilayah. Model SLX ini mengasumsikan bahwa performa ekonomi suatu wilayah (Y: GRP) dipengaruhi secara langsung oleh tingkat urbanisasi internalnya sendiri, serta mendapat limpahan dari tingkat urbanisasi yang terjadi di 6 wilayah tetangga terdekat yang terhubung secara fungsional (WX: lag Level of Urbanization).

china.SLX <- lmSLX(GRP ~ Level_of_Urbanization, data = china_join,
                   listw = W, Durbin = TRUE)
summary(china.SLX)
## 
## Call:
## lm(formula = formula(paste("y ~ ", paste(colnames(x)[-1], collapse = "+"))), 
##     data = as.data.frame(x), weights = weights)
## 
## Coefficients:
##                            Estimate    Std. Error  t value     Pr(>|t|)  
## (Intercept)                -4.225e+04   9.660e+03  -4.373e+00   1.757e-04
## Level_of_Urbanization       1.353e+03   9.885e+01   1.369e+01   2.155e-13
## lag.Level_of_Urbanization   2.364e+02   1.868e+02   1.266e+00   2.169e-01

Level_of_Urbanization berpengaruh positif dan signifikan secara statistik (p < 0,001). Artinya, setiap kenaikan satu satuan tingkat urbanisasi di suatu provinsi akan meningkatkan GRP sebesar 1.353 satuan secara langsung (direct effect). Ini menunjukkan bahwa urbanisasi di wilayah itu sendiri memiliki peran nyata terhadap GRP.

Sementara itu, variabel lag.Level_of_Urbanization memiliki koefisien positif sebesar 236,4 dengan p-value sebesar 0,2169 (p > 0,05). Hasil ini menunjukkan bahwa tingkat urbanisasi di provinsi-provinsi tetangga memiliki hubungan positif, tetapi tidak signifikan secara statistik terhadap GRP provinsi yang diamati. Dengan demikian, belum terdapat bukti empiris yang cukup untuk menyimpulkan adanya efek limpahan (spillover effect) urbanisasi antarprovinsi.

Secara keseluruhan, hubungan antara urbanisasi dan GRP lebih dominan berasal dari karakteristik urbanisasi internal masing-masing provinsi dibandingkan dengan pengaruh urbanisasi di wilayah tetangganya. Untuk mengetahui apakah penambahan komponen spasial (WX) memberikan peningkatan kecocokan model dibandingkan regresi OLS, selanjutnya dilakukan pengujian formal.

8. LR Test: SLX vs OLS Regression

# log likelihood masing-masing model
logLik(china.SLX)
## 'log Lik.' -294.2747 (df=4)
logLik(china.lm)
## 'log Lik.' -295.1415 (df=3)
# nilai LR
LR <- 2 * (as.numeric(logLik(china.SLX)) -
           as.numeric(logLik(china.lm)))

# derajat bebas
df <- attr(logLik(china.SLX), "df") -
      attr(logLik(china.lm), "df")

# p-value
pchisq(LR, df = df, lower.tail = FALSE)
## [1] 0.1879475
AICc(china.lm)
## [1] 597.2431
AICc(china.SLX)
## [1] 598.2161

Berdasarkan uji perbandingan tersebut, diperoleh nilai Likelihood Ratio yang tidak signifikan (p-value > 0.05) yang disertai dengan nilai AICc yang tidak lebih kecil dibandingkan regresi OLS. Hasil ini menyatakan gagal tolak \(H_0\), yang berarti penambahan variabel tingkat urbanisasi tetangga berbasis konektivitas kereta api (WX) tidak memberikan kontribusi signifikan. Oleh karena itu, model regresi OLS menjadi model terbaik dalam memodelkan pengaruh Level_of_Urbanization terhadap GRP.


B. Model Dependensi Spasial (Jawa Barat)

Data Kemiskinan di Jawa Barat

1. Data Preprocessing

shp_jabar <- st_read(file.path(dir_data, "JABAR/Jabar2/Jabar2.shp"))
## Reading layer `Jabar2' from data source 
##   `C:\Users\User\.akuliah_statistika\Semester5\Regspas\Regspas_11\Regspas_11\JABAR\Jabar2\Jabar2.shp' 
##   using driver `ESRI Shapefile'
## Simple feature collection with 26 features and 7 fields
## Geometry type: MULTIPOLYGON
## Dimension:     XY
## Bounding box:  xmin: 106.3705 ymin: -7.823398 xmax: 108.8338 ymax: -5.91377
## CRS:           NA
data_jabar <- read_excel(file.path(dir_data, "JABAR/data_jabar.xlsx"))

data_jabar$KABKOTNO <- as.character(data_jabar$KABKOTNO)

jabar <- shp_jabar %>%
  left_join(data_jabar, by = "KABKOTNO") %>%
  na.omit()

colnames(jabar)
##  [1] "PROVNO.x"   "KABKOTNO"   "KODE2010.x" "PROVINSI.x" "KABKOT.x"  
##  [6] "SUMBER"     "IDSP2010.x" "PROVNO.y"   "KODE2010.y" "PROVINSI.y"
## [11] "KABKOT.y"   "IDSP2010.y" "Long"       "Lat"        "p.miskin15"
## [16] "p.miskin16" "j.miskin15" "j.miskin16" "AHH2015"    "AHH2016"   
## [21] "EYS2015"    "EYS2016"    "MYS2015"    "MYS2016"    "EXP2015"   
## [26] "EXP2016"    "APM.SD15"   "APM.SMP15"  "APM.SMA15"  "APM.PT15"  
## [31] "APK.SD15"   "APK.SMP15"  "APK.SMA15"  "APK.PT15"   "APS.USIA15"
## [36] "APS.USIA2"  "APS.USIA3"  "APS.USIA4"  "geometry"

2. Exploratory Analysis

plot(jabar[, c(
  "p.miskin15", "AHH2015", "EYS2015", "MYS2015", "EXP2015",
  "APM.SD15", "APM.SMP15", "APM.SMA15", "APM.PT15",
  "APK.SD15", "APK.SMP15", "APK.SMA15", "APK.PT15",
  "APS.USIA15", "APS.USIA2", "APS.USIA3", "APS.USIA4"
)])

3. Matriks Pembobot Spasial

Membuat matriks bobot spasial berbasis ketetanggaan (contiguity) dari data poligon wilayah Jawa Barat. Fungsi poly2nb secara default menggunakan metode Queen: dua wilayah dianggap bertetangga apabila berbagi batas sisi maupun titik sudut. Kemudian dikonversi menjadi matriks bobot spasial menggunakan nb2listw dengan metode row standardization (style = "W"), sehingga total bobot dari semua tetangga untuk setiap wilayah bernilai satu dan pengaruh antar wilayah berada pada skala yang sebanding. Opsi zero.policy = TRUE memastikan proses tetap berjalan meskipun terdapat wilayah yang tidak memiliki tetangga sama sekali.

nb_jabar <- suppressWarnings(poly2nb(jabar))

lw_jabar <- nb2listw(nb_jabar, style = "W", zero.policy = TRUE)

4. Penentuan Variabel (Indeks Moran)

Sebelum dilakukan pemodelan, terlebih dulu dicari kombinasi variabel independen terbaik yang menghasilkan autokorelasi spasial paling kuat pada residual model regresi OLS, sebagai langkah awal pemilihan variabel sebelum estimasi model spasial. Prosesnya dimulai dengan mendefinisikan 17 kandidat variabel yang mencakup indikator kemiskinan, kesehatan, pendidikan, dan pengeluaran di Jawa Barat tahun 2015, dengan p.miskin15 (persentase penduduk miskin) sebagai variabel dependen (Y) dan variabel lainnya sebagai kandidat prediktor (X). Selanjutnya dibentuk semua kombinasi variabel X mulai dari 1 hingga maksimum 6 variabel; untuk setiap kombinasi diestimasi model OLS dan residualnya diuji menggunakan Moran’s I terhadap lw_jabar. Hanya kombinasi dengan p-value Moran’s I < 0,05 yang disimpan. Hasilnya diurutkan berdasarkan p-value terkecil, dan kombinasi dengan p-value terkecil dipilih sebagai model terbaik.

Catatan: chunk di bawah ini membutuhkan waktu komputasi cukup lama (ribuan kombinasi model). Hasilnya di-cache agar tidak dihitung ulang saat knit berikutnya.

# Daftar variabel
variabel_list <- c(
  "p.miskin15", "AHH2015", "EYS2015", "MYS2015", "EXP2015",
  "APM.SD15", "APM.SMP15", "APM.SMA15", "APM.PT15",
  "APK.SD15", "APK.SMP15", "APK.SMA15", "APK.PT15",
  "APS.USIA15", "APS.USIA2", "APS.USIA3", "APS.USIA4"
)

# Variabel Y dan kandidat X
variabel_Y <- "p.miskin15"
variabel_X <- setdiff(variabel_list, variabel_Y)

# Dataframe hasil
hasil_model <- data.frame(
  Formula = character(),
  Jumlah_X = numeric(),
  Moran_I = numeric(),
  P_Value = numeric(),
  stringsAsFactors = FALSE
)

# Loop kombinasi variabel
maksimum_X <- 6

for (k in 1:maksimum_X) {

  kombinasi_x <- combn(variabel_X, k, simplify = FALSE)

  for (x_set in kombinasi_x) {

    tryCatch({

      formula_text <- paste(variabel_Y, "~", paste(x_set, collapse = " + "))
      rumus <- as.formula(formula_text)

      model_ols <- lm(rumus, data = jabar)

      uji_moran <- lm.morantest(model_ols, lw_jabar, zero.policy = TRUE)

      moran_i <- as.numeric(uji_moran$estimate["Observed Moran I"])
      p_val <- uji_moran$p.value

      # Simpan jika signifikan
      if (p_val < 0.05) {
        hasil_model <- rbind(
          hasil_model,
          data.frame(Formula = formula_text,
                     Jumlah_X = k,
                     Moran_I = moran_i,
                     P_Value = p_val)
        )
      }

    }, error = function(e) {
      NULL
    })
  }
}

# Urutkan hasil
hasil_model <- hasil_model %>%
  arrange(P_Value)
# Model terbaik: p-value paling kecil
if (nrow(hasil_model) == 0) {

  cat("Tidak ada model signifikan.\n")

} else {

  model_terbaik <- hasil_model %>% slice(1)

  cat("Formula              : ", as.character(model_terbaik$Formula), "\n", sep = "")
  cat("Jumlah Variabel X    : ", model_terbaik$Jumlah_X, "\n", sep = "")
  cat("Moran's I            : ", round(model_terbaik$Moran_I, 5), "\n", sep = "")
  cat("P-Value              : ",
      format(model_terbaik$P_Value, scientific = FALSE), "\n", sep = "")
}
## Formula              : p.miskin15 ~ EYS2015 + APM.SD15 + APK.SD15 + APK.PT15 + APS.USIA15
## Jumlah Variabel X    : 5
## Moran's I            : 0.5012
## P-Value              : 0.005018003

Berdasarkan hasil pencarian kombinasi variabel terbaik, terpilih model dengan formula p.miskin15 ~ EYS2015 + APM.SD15 + APK.SD15 + APK.PT15 + APS.USIA15 yang terdiri dari 5 variabel independen. Model ini menghasilkan nilai Moran’s I sebesar 0,5012 dengan p-value 0,005 (signifikan pada taraf 1%), yang menunjukkan bahwa residual model OLS dengan kombinasi variabel ini mengandung autokorelasi spasial positif yang kuat. Artinya, wilayah-wilayah di Jawa Barat dengan pola kemiskinan yang serupa cenderung berkelompok secara geografis dan belum sepenuhnya dijelaskan oleh kelima variabel tersebut. Kombinasi ini dipilih karena menghasilkan p-value Moran’s I terkecil di antara seluruh kombinasi yang diuji, sehingga menjadi justifikasi terkuat untuk melanjutkan analisis menggunakan model regresi spasial.

5. OLS Regression

jabar.lm <- lm(p.miskin15 ~ EYS2015 + APM.SD15 + APK.SD15 + APK.PT15 + APS.USIA15,
               data = jabar)
summary(jabar.lm)
## 
## Call:
## lm(formula = p.miskin15 ~ EYS2015 + APM.SD15 + APK.SD15 + APK.PT15 + 
##     APS.USIA15, data = jabar)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -6.2541 -1.5129  0.7468  1.7253  2.9766 
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)  
## (Intercept) -263.5186   236.1804  -1.116   0.2883  
## EYS2015        2.7220     2.1113   1.289   0.2238  
## APM.SD15      -0.5289     0.6939  -0.762   0.4619  
## APK.SD15       0.4526     0.2946   1.536   0.1527  
## APK.PT15      -0.3228     0.1731  -1.865   0.0891 .
## APS.USIA15     2.4849     2.5164   0.987   0.3446  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 3.114 on 11 degrees of freedom
## Multiple R-squared:  0.5749, Adjusted R-squared:  0.3816 
## F-statistic: 2.975 on 5 and 11 DF,  p-value: 0.06127

6. Uji Lagrange Multiplier

jabar.lagrange <- lm.RStests(
  jabar.lm,
  listw = lw_jabar,
  test = "all"
)

summary(jabar.lagrange)
##  Rao's score (a.k.a Lagrange multiplier) diagnostics for spatial
##  dependence
## data:  
## model: lm(formula = p.miskin15 ~ EYS2015 + APM.SD15 + APK.SD15 +
## APK.PT15 + APS.USIA15, data = jabar)
## test weights: lw_jabar
##  
##          statistic parameter  p.value   
## RSerr      7.23955         1 0.007132 **
## RSlag      2.01129         1 0.156133   
## adjRSerr   5.48939         1 0.019132 * 
## adjRSlag   0.26113         1 0.609346   
## SARMA      7.50067         2 0.023510 * 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Hasil uji LM menunjukkan bahwa dependensi spasial dalam data Jawa Barat bersumber dari komponen error, bukan dari lag spasial variabel dependen. Uji RSerr signifikan (p = 0,007) mengindikasikan adanya autokorelasi spasial pada residual model, dan ketika dikontrol terhadap pengaruh lag, adjRSerr tetap signifikan (p = 0,019), yang menunjukkan bahwa spatial error hadir secara mandiri dalam model.

Sebaliknya, uji RSlag tidak signifikan (p = 0,156) dan adjRSlag pun tidak signifikan (p = 0,609), yang berarti tidak ada bukti bahwa tingkat kemiskinan di suatu wilayah dipengaruhi langsung oleh tingkat kemiskinan wilayah tetangganya.

7. Spatial Error Model (SEM)

jabar.err <- errorsarlm(p.miskin15 ~ EYS2015 + APM.SD15 + APK.SD15 + APK.PT15 + APS.USIA15,
                        lw_jabar, data = jabar, zero.policy = TRUE)
summary(jabar.err)
## 
## Call:errorsarlm(formula = p.miskin15 ~ EYS2015 + APM.SD15 + APK.SD15 + 
##     APK.PT15 + APS.USIA15, data = jabar, listw = lw_jabar, zero.policy = TRUE)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -1.96720 -0.97706  0.17825  0.76731  1.45103 
## 
## Type: error 
## Regions with no neighbours included:
##  18 19 21 25 26 
## Coefficients: (asymptotic standard errors) 
##                Estimate  Std. Error z value  Pr(>|z|)
## (Intercept) -425.458866   84.564213 -5.0312 4.874e-07
## EYS2015        4.311729    1.035451  4.1641 3.126e-05
## APM.SD15      -1.521207    0.226462 -6.7173 1.852e-11
## APK.SD15       0.640932    0.101930  6.2880 3.216e-10
## APK.PT15      -0.358322    0.069408 -5.1626 2.436e-07
## APS.USIA15     4.680477    0.828208  5.6513 1.592e-08
## 
## Lambda: 0.9059, LR test value: 23.088, p-value: 1.5476e-06
## Asymptotic standard error: 0.060606
##     z-value: 14.947, p-value: < 2.22e-16
## Wald statistic: 223.43, p-value: < 2.22e-16
## 
## Log likelihood: -28.18863 for error model
## ML residual variance (sigma squared): 1.0473, (sigma: 1.0234)
## Number of observations: 17 
## Number of parameters estimated: 8 
## AIC: 72.377, (AIC for lm: 93.465)

8. Model SLX

jabar.SLX <- lmSLX(p.miskin15 ~ EYS2015 + APM.SD15 + APK.SD15 + APK.PT15 + APS.USIA15,
                   lw_jabar, data = jabar, zero.policy = TRUE, Durbin = TRUE)
summary(jabar.SLX)
## 
## Call:
## lm(formula = formula(paste("y ~ ", paste(colnames(x)[-1], collapse = "+"))), 
##     data = as.data.frame(x), weights = weights)
## 
## Coefficients:
##                 Estimate    Std. Error  t value     Pr(>|t|)  
## (Intercept)     -145.59982   307.35728    -0.47372     0.65245
## EYS2015            2.63817     4.59362     0.57431     0.58663
## APM.SD15           0.26488     0.97666     0.27122     0.79532
## APK.SD15           0.59059     0.23882     2.47293     0.04827
## APK.PT15          -0.20577     0.38277    -0.53759     0.61021
## APS.USIA15         0.36388     3.17195     0.11472     0.91241
## lag.EYS2015       -4.02200     9.31944    -0.43157     0.68113
## lag.APM.SD15       3.42980     1.21392     2.82538     0.03014
## lag.APK.SD15      -0.41090     0.69159    -0.59414     0.57412
## lag.APK.PT15       0.38003     0.82137     0.46268     0.65990
## lag.APS.USIA15    -2.48727     1.03245    -2.40910     0.05264

Hasil regresi menggunakan model SLX menunjukkan bahwa lag pada variabel X tidak berpengaruh signifikan. Model SEM tidak perlu ditambahkan dependensi spasial variabel X, sehingga SDEM tidak relevan lagi.

9. Model SARMA

jabar.sarma <- sacsarlm(p.miskin15 ~ EYS2015 + APM.SD15 + APK.SD15 + APK.PT15 + APS.USIA15,
                        lw_jabar, data = jabar, zero.policy = TRUE)
summary(jabar.sarma)
## 
## Call:sacsarlm(formula = p.miskin15 ~ EYS2015 + APM.SD15 + APK.SD15 + 
##     APK.PT15 + APS.USIA15, data = jabar, listw = lw_jabar, zero.policy = TRUE)
## 
## Residuals:
##       Min        1Q    Median        3Q       Max 
## -1.837342 -0.900247 -0.050073  0.685523  1.606525 
## 
## Type: sac 
## Coefficients: (asymptotic standard errors) 
##                Estimate  Std. Error z value  Pr(>|z|)
## (Intercept) -442.074286   83.148799 -5.3167 1.057e-07
## EYS2015        4.793132    1.140231  4.2037 2.626e-05
## APM.SD15      -1.707710    0.293038 -5.8276 5.623e-09
## APK.SD15       0.672837    0.103147  6.5231 6.886e-11
## APK.PT15      -0.392055    0.076727 -5.1097 3.226e-07
## APS.USIA15     4.939024    0.838588  5.8897 3.869e-09
## 
## Rho: 0.20377
## Asymptotic standard error: 0.19972
##     z-value: 1.0202, p-value: 0.30761
## Lambda: 0.91256
## Asymptotic standard error: 0.065071
##     z-value: 14.024, p-value: < 2.22e-16
## 
## LR test value: 23.918, p-value: 6.4015e-06
## 
## Log likelihood: -27.77358 for sac model
## ML residual variance (sigma squared): 0.97176, (sigma: 0.98578)
## Number of observations: 17 
## Number of parameters estimated: 9 
## AIC: 73.547, (AIC for lm: 93.465)

Model SARMA (tipe sac) menghasilkan temuan yang menarik pada kedua parameter spasialnya. Nilai Rho (\(\rho\)) sebesar 0,204 tidak signifikan (p = 0,308), yang berarti tidak terbukti adanya pengaruh langsung dari tingkat kemiskinan wilayah tetangga terhadap kemiskinan suatu wilayah. Sebaliknya, Lambda (\(\lambda\)) sebesar 0,913 sangat signifikan (p < 2,22e-16), mengindikasikan adanya autokorelasi spasial yang sangat kuat pada komponen error. Faktor-faktor yang tidak teramati dalam model cenderung berkorelasi kuat antar wilayah yang berdekatan.

Pola ini (\(\rho\) tidak signifikan, \(\lambda\) sangat signifikan) mengonfirmasi bahwa SEM lebih tepat dibandingkan SARMA untuk data ini. Hal ini dibuktikan dengan Uji Likelihood Ratio antara Model SEM dan Model SARMA.

10. LR Test: SEM vs SARMA

anova(jabar.err, jabar.sarma)
##             Model df    AIC  logLik Test L.Ratio p-value
## jabar.err       1  8 72.377 -28.189    1                
## jabar.sarma     2  9 73.547 -27.774    2 0.83008 0.36225

Hasil menunjukkan nilai L.Ratio sebesar 0,830 dengan p-value 0,362, jauh di atas taraf signifikansi 0,05, sehingga \(H_0\) gagal ditolak. Artinya, penambahan parameter lag spasial (\(\rho\)) pada SARMA tidak memberikan peningkatan fit model yang signifikan dibandingkan SEM. Hal ini juga tercermin dari nilai AIC SEM (72,377) yang lebih kecil dari SARMA (73,547), sehingga SEM lebih parsimoni tanpa mengorbankan kualitas model.

11. Akaike Information Criterion Corrected (AICc)

AICc(jabar.lm)
## [1] 105.9096
AICc(jabar.err)
## [1] 90.37725
AICc(jabar.sarma)
## [1] 99.26145

C. Model Dependensi Spasial

Tahapan regresi spasial untuk data yang memiliki efek dependensi spasial adalah sebagai berikut: eksplorasi data, Ordinary Least Square atau regresi klasik dan uji asumsi, menentukan matriks pembobot spasial, uji efek dependensi spasial dan heterogenitas spasial, regresi spasial dan uji asumsi, serta kebaikan model.

1. Package

library(spdep)        # Analisis data spasial: autokorelasi spasial, regresi spasial
library(sp)           # Struktur data untuk manipulasi data spasial
library(sf)           # Simple Features
library(readxl)       # Membaca file Excel
library(openxlsx)     # Membaca/menulis file Excel
library(corrplot)     # Visualisasi korelasi
library(DescTools)    # Statistik deskriptif dan inferensial
library(nortest)      # Uji normalitas (Anderson-Darling, dll)
library(car)          # Diagnostik regresi (vif, dll)
library(spatialreg)   # Model regresi spasial (SAR, SEM, SLM)
library(lmtest)       # Uji heteroskedastisitas, serial correlation
library(dplyr)        # Manipulasi data
library(RColorBrewer) # Palet warna
library(ggplot2)      # Grafik

2. Import Data

Data yang digunakan terdiri dari dua jenis: data poligon (peta Pulau Jawa, berekstensi .shp) dan dataframe (peubah Y dan X yang dilibatkan).

data <- read.csv(file.path(dir_data, "Dataset 06//data-06.csv"))
head(data)
##   ID_KAB    PROPINSI              KAB     long       lat     y    x1   x2
## 1   3101 DKI JAKARTA KEPULAUAN SERIBU 106.4933 -5.796823 27.35  89.5 50.0
## 2   3171 DKI JAKARTA  JAKARTA SELATAN 106.8100 -6.272549 36.22 103.1 52.5
## 3   3172 DKI JAKARTA    JAKARTA TIMUR 106.9003 -6.255373 27.46  90.3 48.7
## 4   3173 DKI JAKARTA    JAKARTA PUSAT 106.8351 -6.181230 29.17  88.5 54.9
## 5   3174 DKI JAKARTA    JAKARTA BARAT 106.7483 -6.165469 32.16  99.6 48.1
## 6   3175 DKI JAKARTA    JAKARTA UTARA 106.8695 -6.129185 32.67 102.2 45.8
dim(data)
## [1] 119   8

Data terdiri dari 119 kabupaten/kota di Pulau Jawa. Peubah yang dilibatkan adalah satu peubah respon (Y) dan dua peubah penjelas (X1 dan X2).

Berikut ini adalah peta Pulau Jawa:

peta <- st_read(dsn = file.path(dir_data, "Dataset 06/Jawamap"), layer = "jawa")
## Reading layer `jawa' from data source 
##   `C:\Users\User\.akuliah_statistika\Semester5\Regspas\Regspas_11\Regspas_11\Dataset 06\Jawamap' 
##   using driver `ESRI Shapefile'
## Simple feature collection with 119 features and 5 fields
## Geometry type: MULTIPOLYGON
## Dimension:     XY
## Bounding box:  xmin: 105.0998 ymin: -8.78036 xmax: 116.2702 ymax: -5.048857
## Geodetic CRS:  WGS 84
peta
## Simple feature collection with 119 features and 5 fields
## Geometry type: MULTIPOLYGON
## Dimension:     XY
## Bounding box:  xmin: 105.0998 ymin: -8.78036 xmax: 116.2702 ymax: -5.048857
## Geodetic CRS:  WGS 84
## First 10 features:
##    PROVNO KABKOTNO    PROVINSI           KABKOT ID2013
## 1      31       01 DKI JAKARTA KEPULAUAN SERIBU   3101
## 2      31       71 DKI JAKARTA  JAKARTA SELATAN   3171
## 3      31       72 DKI JAKARTA    JAKARTA TIMUR   3172
## 4      31       73 DKI JAKARTA    JAKARTA PUSAT   3173
## 5      31       74 DKI JAKARTA    JAKARTA BARAT   3174
## 6      31       75 DKI JAKARTA    JAKARTA UTARA   3175
## 7      32       01  JAWA BARAT            BOGOR   3201
## 8      32       02  JAWA BARAT         SUKABUMI   3202
## 9      32       03  JAWA BARAT          CIANJUR   3203
## 10     32       04  JAWA BARAT          BANDUNG   3204
##                          geometry
## 1  MULTIPOLYGON (((106.3842 -5...
## 2  MULTIPOLYGON (((106.8491 -6...
## 3  MULTIPOLYGON (((106.9719 -6...
## 4  MULTIPOLYGON (((106.8788 -6...
## 5  MULTIPOLYGON (((106.711 -6....
## 6  MULTIPOLYGON (((106.969 -6....
## 7  MULTIPOLYGON (((106.994 -6....
## 8  MULTIPOLYGON (((106.9652 -6...
## 9  MULTIPOLYGON (((107.2843 -6...
## 10 MULTIPOLYGON (((107.75 -6.8...
plot(peta, main = "Peta Pulau Jawa")

plot(peta[4], main = "Peta Pulau Jawa (Kabupaten)")

3. Eksplorasi Data

Mengecek Missing Value

data[!complete.cases(data), ]
## [1] ID_KAB   PROPINSI KAB      long     lat      y        x1       x2      
## <0 rows> (or 0-length row.names)

Hasil pengecekan menunjukkan bahwa tidak terdapat missing value pada data.

Ringkasan Statistik Deskriptif

summary(data[, -c(1, 2)])
##      KAB                 long            lat               y        
##  Length:119         Min.   :105.8   Min.   :-8.365   Min.   :13.72  
##  Class :character   1st Qu.:107.9   1st Qu.:-7.653   1st Qu.:22.07  
##  Mode  :character   Median :110.2   Median :-7.258   Median :25.40  
##                     Mean   :110.0   Mean   :-7.199   Mean   :25.53  
##                     3rd Qu.:111.8   3rd Qu.:-6.820   3rd Qu.:29.20  
##                     Max.   :114.2   Max.   :-5.797   Max.   :36.22  
##        x1               x2       
##  Min.   : 80.10   Min.   :25.10  
##  1st Qu.: 87.25   1st Qu.:33.20  
##  Median : 92.20   Median :41.20  
##  Mean   : 93.04   Mean   :40.78  
##  3rd Qu.: 99.85   3rd Qu.:49.25  
##  Max.   :105.00   Max.   :55.00
# Kab/kota dengan Y tertinggi
kab_max <- data %>% arrange(desc(y)) %>% slice(1)
print(paste("Kabupaten/kota dengan Y tertinggi adalah", kab_max$KAB))
## [1] "Kabupaten/kota dengan Y tertinggi adalah JAKARTA SELATAN"
# Kab/kota dengan Y terendah
kab_min <- data %>% arrange(y) %>% slice(1)
print(paste("Kabupaten/kota dengan Y terendah adalah", kab_min$KAB))
## [1] "Kabupaten/kota dengan Y terendah adalah KLATEN"

Berdasarkan output di atas diketahui bahwa Y tertinggi di Pulau Jawa adalah Kota Jakarta Selatan sebesar 36.22, sedangkan Y terendah adalah Kabupaten Klaten sebesar 13.72. Rata-rata Y kab/kota di Pulau Jawa adalah 25.53.

Boxplot - Identifikasi Pencilan

par(mfrow = c(1, 3))
boxplot(data$y,  main = "Sebaran Y",  col = "dodgerblue")
boxplot(data$x1, main = "Sebaran X1", col = "dodgerblue")
boxplot(data$x2, main = "Sebaran X2", col = "dodgerblue")

par(mfrow = c(1, 1))

Berdasarkan boxplot peubah respon dan peubah penjelas di atas, tidak terdapat pencilan pada data.

Hubungan antara Peubah Respon dan Peubah Penjelas

Scatter plot ini untuk melihat pola hubungan Y dengan masing-masing peubah X1 dan X2 serta pola hubungan antar peubah X.

pairs(data[, 6:8], pch = 19, lower.panel = NULL)

Berdasarkan scatter plot di atas, tampak adanya pola hubungan linear positif antara peubah X1 maupun X2 terhadap peubah Y, dengan X1 tampak memiliki hubungan yang lebih kuat. Selain itu, antar peubah penjelas tampak tidak memiliki hubungan karena tidak memiliki pola tertentu.

Korelasi antar Peubah

corrplot(cor(data[, 6:8]), method = "number")

Plot korelasi di atas menunjukkan bahwa:

  • Peubah X1 dan X2 berkorelasi positif terhadap peubah Y masing-masing sebesar 0.81 dan 0.51.
  • Antar peubah penjelas tidak memiliki korelasi, hal tersebut mengindikasikan bahwa kemungkinan besar tidak terjadi multikolinearitas dalam model.
cor(data[, 4:7])
##             long         lat          y          x1
## long  1.00000000 -0.74541782 -0.1306153 -0.08974212
## lat  -0.74541782  1.00000000  0.1679668  0.07479095
## y    -0.13061532  0.16796681  1.0000000  0.80963262
## x1   -0.08974212  0.07479095  0.8096326  1.00000000

Uji Korelasi antarpeubah

Korelasi Y dengan X1

  • H0: Tidak terdapat korelasi antara peubah Y dan X1
  • H1: Ada korelasi antara peubah Y dan X1
  • Keputusan: Tolak H0 jika p-value < \(\alpha\) = 0.05
cor.test(data$y, data$x1)
## 
##  Pearson's product-moment correlation
## 
## data:  data$y and data$x1
## t = 14.921, df = 117, p-value < 2.2e-16
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  0.7370471 0.8637532
## sample estimates:
##       cor 
## 0.8096326

Kesimpulan: Tolak H0, berarti pada taraf nyata 5% (p-value < 0.05) terdapat korelasi antara peubah Y dan X1.

Korelasi Y dengan X2

  • H0: Tidak terdapat korelasi antara peubah Y dan X2
  • H1: Ada korelasi antara peubah Y dan X2
  • Keputusan: Tolak H0 jika p-value < \(\alpha\) = 0.05
cor.test(data$y, data$x2)
## 
##  Pearson's product-moment correlation
## 
## data:  data$y and data$x2
## t = 6.5822, df = 117, p-value = 1.374e-09
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  0.3749256 0.6399554
## sample estimates:
##       cor 
## 0.5198398

Kesimpulan: Tolak H0, berarti pada taraf nyata 5% (p-value < 0.05) terdapat korelasi antara peubah Y dan X2.

Sebaran Spasial Data

Sebaran Spasial Y

k <- 101
colfunc <- colorRampPalette(c("green", "yellow", "red"))

peta$y <- data$y

ggplot(peta) +
  geom_sf(aes(fill = y)) +
  scale_fill_gradientn(colors = colfunc(k)) +
  labs(title = "Peta Sebaran Spasial Peubah Respon Y") +
  theme_minimal()

Berdasarkan plot di atas, dapat dilihat adanya kecenderungan pola bergerombol dengan wilayah tetangganya pada peubah Y di Pulau Jawa. Hal ini tampak dari gradasi warna yang cenderung mengumpul. Artinya terdapat kemiripan antar kabupaten/kota terhadap sebaran Y sehingga terindikasi adanya autokorelasi spasial positif.

Sebaran Spasial X1

peta$x1 <- data$x1

ggplot(peta) +
  geom_sf(aes(fill = x1)) +
  scale_fill_gradientn(colors = colfunc(k)) +
  labs(title = "Sebaran Spasial Peubah Penjelas X1") +
  theme_minimal()

Sebaran Spasial X2

peta$x2 <- data$x2

ggplot(peta) +
  geom_sf(aes(fill = x2)) +
  scale_fill_gradientn(colors = colfunc(k)) +
  labs(title = "Sebaran Spasial Peubah Penjelas X2") +
  theme_minimal()

4. Matriks Pembobot Spasial

Matriks pembobot spasial dapat berdasarkan aspek ketetanggaan dan aspek jarak. Matriks ketetanggaan yang dicobakan dalam analisis ini yaitu rook contiguity dan queen contiguity, sedangkan berdasarkan aspek jarak digunakan k-nearest neighbor (KNN), radial distance weight (RDW), inverse distance weight (IDW), dan exponential distance weight (EDW).

Matriks Bobot Berdasarkan Ketetanggaan

Pada pemeriksaan bobot spasial berdasarkan matriks ketetanggaan terdapat masalah, yaitu ada 1 daerah yang tidak memiliki tetangga, sehingga diaktifkan opsi zero.policy = TRUE.

Queen Contiguity

Matriks pembobot spasial queen contiguity lebih luas daripada rook contiguity karena wilayah-wilayah dianggap bertetangga jika mereka berbagi sisi atau titik sudut.

  • Dua poligon dianggap bertetangga jika mereka berbagi batas (baik sisi maupun titik sudut).
  • Jika dua wilayah memiliki titik atau sisi yang bersinggungan, maka elemen matriks pembobot diberi nilai 1.
# Memvalidasi geometri dalam objek sf
peta <- st_make_valid(peta)
# Konversi objek sf ke objek sp
sp.peta <- as(peta, "Spatial")

# Mengakses slot polygons dari objek sp
sp.polygons <- SpatialPolygons(sp.peta@polygons)
queen <- poly2nb(sp.peta, queen = TRUE)
queen
## Neighbour list object:
## Number of regions: 119 
## Number of nonzero links: 522 
## Percentage nonzero weights: 3.68618 
## Average number of links: 4.386555 
## 1 region with no links:
## 1
## 3 disjoint connected subgraphs
W.queen <- nb2listw(queen, style = "W", zero.policy = TRUE)
qc <- moran.test(data$y, W.queen, randomisation = TRUE,
                 alternative = "greater", zero.policy = TRUE)
qc
## 
##  Moran I test under randomisation
## 
## data:  data$y  
## weights: W.queen  
## n reduced by no-neighbour observations  
## 
## Moran I statistic standard deviate = 1.3921, p-value = 0.08195
## alternative hypothesis: greater
## sample estimates:
## Moran I statistic       Expectation          Variance 
##       0.085984133      -0.008547009       0.004611252

Pengujian hipotesis dapat pula dilakukan dengan algoritma Monte Carlo seperti di bawah ini.

set.seed(123)
moran.mc(data$y, listw = W.queen, zero.policy = TRUE, nsim = 99)
## 
##  Monte-Carlo simulation of Moran I
## 
## data:  data$y 
## weights: W.queen  
## number of simulations + 1: 100 
## 
## statistic = 0.085984, observed rank = 90, p-value = 0.1
## alternative hypothesis: greater

Rook Contiguity

Matriks pembobot spasial rook contiguity didasarkan pada konsep bahwa dua wilayah dianggap bertetangga jika mereka berbagi sisi batas.

  • Dua poligon dianggap bertetangga jika memiliki batas yang bersinggungan di sepanjang sisi yang sama (tidak hanya di titik sudut).
  • Jika dua wilayah bertetangga, nilai elemen matriks pembobot adalah 1; jika tidak, maka 0.
rook <- poly2nb(sp.peta, queen = FALSE)
rook
## Neighbour list object:
## Number of regions: 119 
## Number of nonzero links: 518 
## Percentage nonzero weights: 3.657934 
## Average number of links: 4.352941 
## 1 region with no links:
## 1
## 3 disjoint connected subgraphs
W.rook <- nb2listw(rook, style = "W", zero.policy = TRUE)
rc <- moran.test(data$y, W.rook, randomisation = TRUE,
                 alternative = "greater", zero.policy = TRUE)
rc
## 
##  Moran I test under randomisation
## 
## data:  data$y  
## weights: W.rook  
## n reduced by no-neighbour observations  
## 
## Moran I statistic standard deviate = 1.5987, p-value = 0.05495
## alternative hypothesis: greater
## sample estimates:
## Moran I statistic       Expectation          Variance 
##       0.100243070      -0.008547009       0.004630949
set.seed(123)
moran.mc(data$y, listw = W.rook, zero.policy = TRUE, nsim = 99)
## 
##  Monte-Carlo simulation of Moran I
## 
## data:  data$y 
## weights: W.rook  
## number of simulations + 1: 100 
## 
## statistic = 0.10024, observed rank = 96, p-value = 0.04
## alternative hypothesis: greater

Matriks Bobot Berdasarkan Jarak

# Menghitung centroid dari setiap unit spasial
centroids <- st_centroid(peta)

# Ekstrak koordinat centroid
longlat <- st_coordinates(centroids)

# Tambahkan koordinat long dan lat ke objek peta
peta$long <- longlat[, 1]
peta$lat  <- longlat[, 2]
coords <- peta[c("long", "lat")]
koord <- as.data.frame(coords)
jarak <- dist(longlat, method = "euclidean")
m.jarak <- as.matrix(jarak)

K-Nearest Neighbor

Matriks bobot k-nearest neighbor menentukan tetangga berdasarkan sejumlah tetangga terdekat (k) yang dipilih untuk setiap titik atau wilayah. Nilai matriks bobot diberikan 1 jika suatu titik berada dalam k tetangga terdekat dari titik lain, dan 0 jika tidak. Misalkan k = 3, artinya setiap titik akan memiliki 3 tetangga terdekat.

Digunakan 5 tetangga terdekat (k = 5).

W.knn <- knn2nb(knearneigh(longlat, k = 5, longlat = TRUE))
W.knn.s <- nb2listw(W.knn, style = "W")

MI.knn <- moran(data$y, W.knn.s, n = length(W.knn.s$neighbours), S0 = Szero(W.knn.s))
mt1 <- moran.test(data$y, W.knn.s, randomisation = TRUE, alternative = "greater")
mt1
## 
##  Moran I test under randomisation
## 
## data:  data$y  
## weights: W.knn.s    
## 
## Moran I statistic standard deviate = 2.1802, p-value = 0.01462
## alternative hypothesis: greater
## sample estimates:
## Moran I statistic       Expectation          Variance 
##       0.107628130      -0.008474576       0.002835976

Radial Distance Weight

Matriks bobot radial distance mendefinisikan tetangga berdasarkan jarak geografis. Setiap titik atau wilayah dianggap sebagai tetangga jika jaraknya dari titik/wilayah pusat berada dalam radius tertentu (\(r\)). Jika berada dalam radius tersebut, nilai dalam matriks bobot adalah 1; jika tidak, maka 0.

Ditentukan nilai ambang \(d_{max}\) sebesar 105 km. Nilai ini menggambarkan jarak maksimum untuk menentukan dependensi spasial antara lokasi-i terhadap lokasi-j.

W.rdw <- dnearneigh(longlat, 0, 105, longlat = TRUE)
W.rdw.s <- nb2listw(W.rdw, style = "W")

MI.rdw <- moran(data$y, W.rdw.s, n = length(W.rdw.s$neighbours), S0 = Szero(W.rdw.s))
mt2 <- moran.test(data$y, W.rdw.s, randomisation = TRUE, alternative = "greater")
mt2
## 
##  Moran I test under randomisation
## 
## data:  data$y  
## weights: W.rdw.s    
## 
## Moran I statistic standard deviate = 0.82869, p-value = 0.2036
## alternative hypothesis: greater
## sample estimates:
## Moran I statistic       Expectation          Variance 
##      0.0148447999     -0.0084745763      0.0007918598

Inverse Distance Weight

Matriks pembobot Inverse Distance Weight (IDW) menentukan bobot berdasarkan kebalikan dari jarak antar titik atau wilayah. Semakin dekat dua titik, semakin besar bobot yang diberikan. Bobot dihitung dengan rumus:

\[w_{ij} = \frac{1}{d_{ij}^{\alpha}}\]

Di mana \(d_{ij}\) adalah jarak antara titik i dan j, dan \(\alpha\) adalah eksponen yang menentukan seberapa cepat bobot menurun seiring bertambahnya jarak (biasanya 1 atau 2). Contoh: jika jarak dua titik adalah 5 dan eksponen 2, maka bobot \(= 1/5^2 = 0.04\).

Ditentukan nilai \(\alpha = 1\) dan \(\alpha = 2\).

alpha1 <- 1
W.idw <- 1 / (m.jarak^alpha1)
diag(W.idw) <- 0
rtot <- rowSums(W.idw, na.rm = TRUE)
W.idw.sd <- W.idw / rtot # row-normalized
W.idw.s <- mat2listw(W.idw.sd, style = "W")

MI.idw <- moran(data$y, W.idw.s, n = length(W.idw.s$neighbours), S0 = Szero(W.idw.s))
mt3 <- moran.test(data$y, W.idw.s, randomisation = TRUE, alternative = "greater")
mt3
## 
##  Moran I test under randomisation
## 
## data:  data$y  
## weights: W.idw.s    
## 
## Moran I statistic standard deviate = 2.3687, p-value = 0.008925
## alternative hypothesis: greater
## sample estimates:
## Moran I statistic       Expectation          Variance 
##       0.040533196      -0.008474576       0.000428063
alpha2 <- 2
W.idw2 <- 1 / (m.jarak^alpha2)
diag(W.idw2) <- 0
rtot <- rowSums(W.idw2, na.rm = TRUE)
W.idw2.sd <- W.idw2 / rtot # row-normalized
W.idw2.s <- mat2listw(W.idw2.sd, style = "W")

MI.idw2 <- moran(data$y, W.idw2.s, n = length(W.idw2.s$neighbours), S0 = Szero(W.idw2.s))
mt4 <- moran.test(data$y, W.idw2.s, randomisation = TRUE, alternative = "greater")
mt4
## 
##  Moran I test under randomisation
## 
## data:  data$y  
## weights: W.idw2.s    
## 
## Moran I statistic standard deviate = 1.9574, p-value = 0.02515
## alternative hypothesis: greater
## sample estimates:
## Moran I statistic       Expectation          Variance 
##       0.088273381      -0.008474576       0.002442892

Exponential Distance Weight

Matriks exponential distance weight memberikan bobot yang menurun secara eksponensial seiring dengan peningkatan jarak antar unit spasial. Bobot dihitung berdasarkan rumus:

\[w_{ij} = e^{-\alpha d_{ij}}\]

dimana \(\alpha\) mengatur kecepatan penurunan bobot berdasarkan jarak. Tidak ada ambang jarak tetap; semua unit bisa mempengaruhi unit lainnya, tetapi pengaruhnya menurun drastis dengan jarak yang lebih jauh. Ditentukan \(\alpha = 1\) dan \(\alpha = 2\).

alpha <- 1
W.edw <- exp((-alpha) * m.jarak)
diag(W.edw) <- 0
rtot <- rowSums(W.edw, na.rm = TRUE)
W.edw.sd <- W.edw / rtot # row-normalized
W.edw.s <- mat2listw(W.edw.sd, style = "W")

MI.edw <- moran(data$y, W.edw.s, n = length(W.edw.s$neighbours), S0 = Szero(W.edw.s))
mt5 <- moran.test(data$y, W.edw.s, randomisation = TRUE, alternative = "greater")
mt5
## 
##  Moran I test under randomisation
## 
## data:  data$y  
## weights: W.edw.s    
## 
## Moran I statistic standard deviate = 1.3022, p-value = 0.09643
## alternative hypothesis: greater
## sample estimates:
## Moran I statistic       Expectation          Variance 
##      0.0099060556     -0.0084745763      0.0001992396
alpha2 <- 2
W.edw2 <- exp((-alpha2) * m.jarak)
diag(W.edw2) <- 0
rtot <- rowSums(W.edw2, na.rm = TRUE)
W.edw2.sd <- W.edw2 / rtot # row-normalized
W.edw2.s <- mat2listw(W.edw2.sd, style = "W")

MI.edw2 <- moran(data$y, W.edw2.s, n = length(W.edw2.s$neighbours), S0 = Szero(W.edw2.s))
mt6 <- moran.test(data$y, W.edw2.s, randomisation = TRUE, alternative = "greater")
mt6
## 
##  Moran I test under randomisation
## 
## data:  data$y  
## weights: W.edw2.s    
## 
## Moran I statistic standard deviate = 1.875, p-value = 0.03039
## alternative hypothesis: greater
## sample estimates:
## Moran I statistic       Expectation          Variance 
##      0.0328701345     -0.0084745763      0.0004862084

Pemilihan Matriks Bobot Terbaik

Matriks pembobot spasial yang dipilih yaitu matriks yang menghasilkan nilai autokorelasi spasial tertinggi. Pemilihan juga dapat didasarkan pada matriks bobot dengan nilai indeks Moran yang signifikan pada taraf 5%.

MatriksBobot <- c("K-Nearest Neighbor (k=5)",
                  "Radial Distance Weight (dmax=105)",
                  "Invers Distance Weight (alpha=1)",
                  "Invers Distance Weight (alpha=2)",
                  "Exponential Distance Weight (alpha=1)",
                  "Exponential Distance Weight (alpha=2)",
                  "Rook Contiguity",
                  "Queen Contiguity")
IndeksMoran <- c(MI.knn$I, MI.rdw$I, MI.idw$I, MI.idw2$I, MI.edw$I, MI.edw2$I,
                 rc$estimate[1], qc$estimate[1])
pv <- c(mt1$p.value, mt2$p.value, mt3$p.value, mt4$p.value, mt5$p.value, mt6$p.value,
        rc$p.value, qc$p.value)
Matriks <- cbind.data.frame(MatriksBobot, IndeksMoran, "p-value" = pv)
colnames(Matriks) <- c("Matriks Bobot", "Indeks Moran", "p-value")
Matriks
##                           Matriks Bobot Indeks Moran     p-value
## 1              K-Nearest Neighbor (k=5)  0.107628130 0.014622303
## 2     Radial Distance Weight (dmax=105)  0.014844800 0.203639555
## 3      Invers Distance Weight (alpha=1)  0.040533196 0.008925225
## 4      Invers Distance Weight (alpha=2)  0.088273381 0.025147563
## 5 Exponential Distance Weight (alpha=1)  0.009906056 0.096426630
## 6 Exponential Distance Weight (alpha=2)  0.032870135 0.030394142
## 7                       Rook Contiguity  0.100243070 0.054948820
## 8                      Queen Contiguity  0.085984133 0.081948463
Matriks[Matriks$`p-value` < 0.05, ]
##                           Matriks Bobot Indeks Moran     p-value
## 1              K-Nearest Neighbor (k=5)   0.10762813 0.014622303
## 3      Invers Distance Weight (alpha=1)   0.04053320 0.008925225
## 4      Invers Distance Weight (alpha=2)   0.08827338 0.025147563
## 6 Exponential Distance Weight (alpha=2)   0.03287013 0.030394142

Berdasarkan hasil di atas, matriks bobot yang memiliki nilai Indeks Moran signifikan pada taraf 5% adalah k-nearest neighbor (k = 5), inverse distance weight dengan \(\alpha = 1\), inverse distance weight dengan \(\alpha = 2\), dan exponential distance weight dengan \(\alpha = 2\).

Matriks bobot spasial yang memiliki Indeks Moran tertinggi adalah k-nearest neighbor dengan 5 tetangga terdekat, sehingga matriks tersebut dipilih sebagai matriks pembobot spasial terbaik. Selanjutnya matriks pembobot yang digunakan dalam analisis adalah k-nearest neighbor dengan 5 tetangga terdekat.

5. Model Regresi Klasik (OLS)

Pemodelan Ordinary Least Square dan uji asumsi multikolinearitas, autokorelasi spasial, kehomogenan ragam, dan kenormalan sisaan. Matriks bobot yang digunakan adalah k-nearest neighbor dengan 5 tetangga terdekat.

Metode OLS

ols <- lm(y ~ x1 + x2, data = data)
summary(ols)
## 
## Call:
## lm(formula = y ~ x1 + x2, data = data)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -4.5977 -0.8358  0.0369  0.9222  3.5927 
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)    
## (Intercept) -36.66154    1.72709  -21.23   <2e-16 ***
## x1            0.54223    0.01742   31.13   <2e-16 ***
## x2            0.28804    0.01447   19.90   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 1.392 on 116 degrees of freedom
## Multiple R-squared:  0.922,  Adjusted R-squared:  0.9206 
## F-statistic: 685.3 on 2 and 116 DF,  p-value: < 2.2e-16
print(paste("Nilai AIC OLS", AIC(ols)))
## [1] "Nilai AIC OLS 421.320527312512"

Model Diagnostics

Uji Normalitas Sisaan

H0: sisaan model menyebar normal vs H1: sisaan model tidak menyebar normal. Tolak H0 jika p-value < 0.05.

err.ols <- residuals(ols)
ad.test(err.ols)
## 
##  Anderson-Darling normality test
## 
## data:  err.ols
## A = 0.48312, p-value = 0.2255
hist(err.ols)

qqnorm(err.ols, datax = TRUE)
qqline(rnorm(length(err.ols), mean(err.ols), sd(err.ols)), datax = TRUE, col = "red")

Karena p-value > 5%, maka gagal tolak H0. Artinya sisaan menyebar normal. Berdasarkan histogram dan normal Q-Q plot di atas terlihat bahwa sisaan menyebar normal.

Uji Kehomogenan Ragam

H0: ragam sisaan homogen vs H1: ragam sisaan tidak homogen.

lmtest::bptest(ols)
## 
##  studentized Breusch-Pagan test
## 
## data:  ols
## BP = 1.557, df = 2, p-value = 0.4591

Karena p-value > 0.05, maka gagal tolak H0. Artinya ragam sisaan homogen.

Uji Multikolinearitas

Pada regresi linear berganda perlu diperiksa persyaratan tidak adanya multikolinearitas antar peubah penjelas agar koefisien regresi yang diperoleh dapat dikatakan valid. Pemeriksaan dilakukan dengan variance inflation factor (VIF). Multikolinearitas terjadi jika nilai VIF > 5.

car::vif(ols)
##      x1      x2 
## 1.00002 1.00002

Berdasarkan perhitungan, diperoleh nilai VIF < 5 yang menunjukkan tidak terjadi multikolinearitas antar peubah penjelas.

6. Pengujian Efek Spasial

Efek Dependensi Spasial

Untuk menentukan model dependensi spasial yang sesuai dengan data, terlebih dahulu dilakukan uji dependensi spasial. Secara umum ada dua macam uji dependensi spasial, yaitu Indeks Moran dan Uji Pengganda Lagrange (Lagrange Multiplier Test).

Uji Indeks Moran

Pengujian autokorelasi spasial menggunakan Indeks Moran yang memerlukan matriks pembobot spasial. Digunakan matriks bobot terbaik, yaitu k-nearest neighbor dengan 5 tetangga terdekat.

H0: tidak ada autokorelasi spasial vs H1: ada autokorelasi spasial.

Uji Indeks Moran pada Galat Model Regresi

ww <- W.knn.s
lm.morantest(ols, listw = ww, alternative = "two.sided", zero.policy = TRUE)
## 
##  Global Moran I for regression residuals
## 
## data:  
## model: lm(formula = y ~ x1 + x2, data = data)
## weights: ww
## 
## Moran I statistic standard deviate = 7.7062, p-value = 1.296e-14
## alternative hypothesis: two.sided
## sample estimates:
## Observed Moran I      Expectation         Variance 
##      0.401296232     -0.008385587      0.002826244
err.ols <- residuals(ols)
merr <- moran.test(err.ols, ww, randomisation = TRUE, alternative = "two.sided")
merr
## 
##  Moran I test under randomisation
## 
## data:  err.ols  
## weights: ww    
## 
## Moran I statistic standard deviate = 7.7459, p-value = 9.488e-15
## alternative hypothesis: two.sided
## sample estimates:
## Moran I statistic       Expectation          Variance 
##       0.401296232      -0.008474576       0.002798555

Uji Indeks Moran pada Peubah Y

my <- moran.test(data$y, ww, randomisation = TRUE, alternative = "two.sided")
my
## 
##  Moran I test under randomisation
## 
## data:  data$y  
## weights: ww    
## 
## Moran I statistic standard deviate = 2.1802, p-value = 0.02924
## alternative hypothesis: two.sided
## sample estimates:
## Moran I statistic       Expectation          Variance 
##       0.107628130      -0.008474576       0.002835976
moran.plot(data$y, ww, labels = data$KAB)

Uji Indeks Moran pada Peubah X1

mx1 <- moran.test(data$x1, ww, randomisation = TRUE, alternative = "two.sided")
mx1
## 
##  Moran I test under randomisation
## 
## data:  data$x1  
## weights: ww    
## 
## Moran I statistic standard deviate = 0.89468, p-value = 0.371
## alternative hypothesis: two.sided
## sample estimates:
## Moran I statistic       Expectation          Variance 
##       0.039254520      -0.008474576       0.002846002

Uji Indeks Moran pada Peubah X2

mx2 <- moran.test(data$x2, ww, randomisation = TRUE, alternative = "two.sided")
mx2
## 
##  Moran I test under randomisation
## 
## data:  data$x2  
## weights: ww    
## 
## Moran I statistic standard deviate = -1.0874, p-value = 0.2768
## alternative hypothesis: two.sided
## sample estimates:
## Moran I statistic       Expectation          Variance 
##      -0.066483348      -0.008474576       0.002845675

Berikut ini adalah hasil uji autokorelasi pada peubah respon, peubah penjelas, dan sisaan regresi:

Peubah <- c("Y", "X1", "X2", "Sisaan")
Indeks_Moran <- c(my$estimate[1], mx1$estimate[1], mx2$estimate[1], merr$estimate[1])
p_value <- c(my$p.value, mx1$p.value, mx2$p.value, merr$p.value)

df1 <- cbind.data.frame(Peubah, Indeks_Moran, p_value)
colnames(df1) <- c("Peubah", "Indeks Moran", "p-value")
df1
##   Peubah Indeks Moran      p-value
## 1      Y   0.10762813 2.924461e-02
## 2     X1   0.03925452 3.709605e-01
## 3     X2  -0.06648335 2.768471e-01
## 4 Sisaan   0.40129623 9.487767e-15

Hasil pengujian Indeks Moran di atas menunjukkan bahwa peubah Y dan sisaan model regresi memiliki p-value < 0.05 sehingga tolak H0, artinya autokorelasi spasial pada peubah tersebut berpengaruh nyata. Hal ini mengindikasikan adanya ketergantungan spasial pada peubah Y dan sisaan model regresi klasik. Nilai indeks Moran yang positif pada peubah Y dan sisaan model regresi klasik menunjukkan adanya autokorelasi positif.

Sedangkan indeks Moran pada peubah X1 dan X2 memiliki p-value > 0.05 sehingga gagal tolak H0, artinya tidak terdapat autokorelasi spasial pada peubah X1 dan X2 pada taraf nyata 5%.

Oleh karenanya, untuk mencari model yang lebih baik, dilakukan uji LM (Lagrange Multiplier) untuk mengidentifikasi model dependensi spasial yang dapat digunakan pada kasus ini.

Uji Lagrange Multiplier

model <- lm.RStests(
  ols,
  listw = ww,
  zero.policy = TRUE,
  test = "all"
)

summary(model)
##  Rao's score (a.k.a Lagrange multiplier) diagnostics for spatial
##  dependence
## data:  
## model: lm(formula = y ~ x1 + x2, data = data)
## test weights: ww
##  
##          statistic parameter   p.value    
## RSerr      54.2452         1 1.770e-13 ***
## RSlag      32.0571         1 1.497e-08 ***
## adjRSerr   31.9386         1 1.591e-08 ***
## adjRSlag    9.7505         1  0.001793 ** 
## SARMA      63.9957         2 1.266e-14 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Output menunjukkan bahwa hasil uji LM untuk SAR, SEM, dan SARMA serta uji robust LM-SAR dan LM-SEM signifikan pada taraf 5%. Berdasarkan hal tersebut, kandidat model yang dicoba adalah SAR, SEM, dan SARMA.

Efek Heterogenitas Spasial

H0: ragam sisaan homogen vs H1: ragam sisaan tidak homogen.

lmtest::bptest(ols)
## 
##  studentized Breusch-Pagan test
## 
## data:  ols
## BP = 1.557, df = 2, p-value = 0.4591

Karena p-value > 0.05, maka gagal tolak H0. Artinya ragam sisaan homogen atau tidak terdapat efek heterogenitas spasial.

7. Model Regresi Spasial

Model SAR

sar <- lagsarlm(y ~ x1 + x2, data = data, listw = ww)
summary(sar, Nagelkerke = TRUE)
## 
## Call:lagsarlm(formula = y ~ x1 + x2, data = data, listw = ww)
## 
## Residuals:
##       Min        1Q    Median        3Q       Max 
## -4.278572 -0.761564  0.016699  0.849727  2.695114 
## 
## Type: lag 
## Coefficients: (asymptotic standard errors) 
##               Estimate Std. Error z value  Pr(>|z|)
## (Intercept) -41.792688   1.851270 -22.575 < 2.2e-16
## x1            0.532067   0.015553  34.209 < 2.2e-16
## x2            0.290320   0.012806  22.671 < 2.2e-16
## 
## Rho: 0.23233, LR test value: 25.223, p-value: 5.1057e-07
## Asymptotic standard error: 0.047605
##     z-value: 4.8803, p-value: 1.0593e-06
## Wald statistic: 23.817, p-value: 1.0593e-06
## 
## Log likelihood: -194.0485 for lag model
## ML residual variance (sigma squared): 1.5135, (sigma: 1.2303)
## Nagelkerke pseudo-R-squared: 0.93687 
## Number of observations: 119 
## Number of parameters estimated: 5 
## AIC: 398.1, (AIC for lm: 421.32)
## LM test for residual autocorrelation
## test value: 7.358, p-value: 0.0066764

Output di atas memperlihatkan bahwa koefisien Rho pada model SAR signifikan, dengan nilai AIC sebesar 398.1. Selain itu, hasil uji autokorelasi pada sisaan model memperlihatkan p-value sebesar 0.0066764, artinya terdapat autokorelasi pada sisaan.

Uji Asumsi Model SAR

Asumsi Kenormalan Sisaan

H0: galat model menyebar normal vs H1: galat model tidak menyebar normal.

err.sar <- residuals(sar)
ad.test(err.sar)
## 
##  Anderson-Darling normality test
## 
## data:  err.sar
## A = 0.28212, p-value = 0.6317

Karena p-value > 5%, maka gagal tolak H0. Artinya sisaan menyebar normal.

Asumsi Kehomogenan Ragam

H0: ragam sisaan homogen vs H1: ragam sisaan tidak homogen.

bptest.Sarlm(sar)
## 
##  studentized Breusch-Pagan test
## 
## data:  
## BP = 2.6875, df = 2, p-value = 0.2609

Karena p-value > 5%, maka gagal tolak H0. Artinya ragam sisaan homogen.

Uji Kebebasan Sisaan

H0: tidak ada autokorelasi spasial vs H1: ada autokorelasi spasial.

moran.test(err.sar, ww, alternative = "two.sided")
## 
##  Moran I test under randomisation
## 
## data:  err.sar  
## weights: ww    
## 
## Moran I statistic standard deviate = 2.776, p-value = 0.005504
## alternative hypothesis: two.sided
## sample estimates:
## Moran I statistic       Expectation          Variance 
##       0.138466721      -0.008474576       0.002801958

Karena p-value < 0.05, maka tolak H0, artinya terdapat autokorelasi spasial pada sisaan model SAR (asumsi kebebasan sisaan tidak terpenuhi).

8. Model SEM

sem <- errorsarlm(y ~ x1 + x2, data = data, listw = ww)
summary(sem)
## 
## Call:errorsarlm(formula = y ~ x1 + x2, data = data, listw = ww)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -4.61465 -0.56031  0.16416  0.76534  2.46897 
## 
## Type: error 
## Coefficients: (asymptotic standard errors) 
##               Estimate Std. Error z value  Pr(>|z|)
## (Intercept) -34.736068   1.427157 -24.339 < 2.2e-16
## x1            0.523408   0.014286  36.637 < 2.2e-16
## x2            0.283754   0.011367  24.963 < 2.2e-16
## 
## Lambda: 0.57406, LR test value: 33.057, p-value: 8.9503e-09
## Asymptotic standard error: 0.093935
##     z-value: 6.1113, p-value: 9.8842e-10
## Wald statistic: 37.348, p-value: 9.8842e-10
## 
## Log likelihood: -190.1318 for error model
## ML residual variance (sigma squared): 1.3381, (sigma: 1.1568)
## Number of observations: 119 
## Number of parameters estimated: 5 
## AIC: 390.26, (AIC for lm: 421.32)

Output di atas menunjukkan bahwa koefisien Lambda signifikan pada taraf nyata 5%. AIC model SEM adalah sebesar 390.26. Selanjutnya diperiksa sisaan model SEM.

Uji Asumsi Model SEM

Uji Asumsi Kenormalan Sisaan

H0: galat model menyebar normal vs H1: galat model tidak menyebar normal. Tolak H0 jika p-value < 0.05.

err.sem <- residuals(sem)
ad.test(err.sem)
## 
##  Anderson-Darling normality test
## 
## data:  err.sem
## A = 0.75876, p-value = 0.04711

Karena p-value (0.047) < 0.05, maka tolak H0. Artinya sisaan model SEM tidak menyebar normal.

Uji Asumsi Kebebasan Sisaan

H0: tidak ada autokorelasi spasial vs H1: ada autokorelasi spasial.

moran.test(err.sem, ww, alternative = "two.sided")
## 
##  Moran I test under randomisation
## 
## data:  err.sem  
## weights: ww    
## 
## Moran I statistic standard deviate = -0.55031, p-value = 0.5821
## alternative hypothesis: two.sided
## sample estimates:
## Moran I statistic       Expectation          Variance 
##      -0.037483117      -0.008474576       0.002778668

Karena p-value > 0.05 maka gagal tolak H0, artinya tidak terdapat autokorelasi spasial pada sisaan model SEM.

9. Model SDM

sdm <- lagsarlm(y ~ x1 + x2, data = data, ww, zero.policy = TRUE, type = "mixed")
summary(sdm)
## 
## Call:lagsarlm(formula = y ~ x1 + x2, data = data, listw = ww, type = "mixed", 
##     zero.policy = TRUE)
## 
## Residuals:
##       Min        1Q    Median        3Q       Max 
## -4.460816 -0.587583  0.063713  0.803323  2.489449 
## 
## Type: mixed 
## Coefficients: (asymptotic standard errors) 
##               Estimate Std. Error z value  Pr(>|z|)
## (Intercept) -23.011394   5.406184 -4.2565 2.077e-05
## x1            0.528068   0.014497 36.4268 < 2.2e-16
## x2            0.287681   0.012170 23.6394 < 2.2e-16
## lag.x1       -0.226018   0.064788 -3.4886 0.0004856
## lag.x2       -0.113673   0.045416 -2.5029 0.0123175
## 
## Rho: 0.52166, LR test value: 25.205, p-value: 5.1548e-07
## Asymptotic standard error: 0.10037
##     z-value: 5.1973, p-value: 2.0223e-07
## Wald statistic: 27.012, p-value: 2.0223e-07
## 
## Log likelihood: -188.6373 for mixed model
## ML residual variance (sigma squared): 1.3227, (sigma: 1.1501)
## Number of observations: 119 
## Number of parameters estimated: 7 
## AIC: 391.27, (AIC for lm: 414.48)
## LM test for residual autocorrelation
## test value: 5.7604, p-value: 0.016392

Uji Asumsi Model SDM

err.sdm <- sdm$residuals
ad.test(err.sdm) # Anderson-Darling
## 
##  Anderson-Darling normality test
## 
## data:  err.sdm
## A = 0.64985, p-value = 0.08783
hist(err.sdm)

qqnorm(err.sdm, datax = TRUE)
qqline(rnorm(length(err.sdm), mean(err.sdm), sd(err.sdm)), datax = TRUE, col = "blue")

bptest.Sarlm(sdm) # inputnya adalah modelnya
## 
##  studentized Breusch-Pagan test
## 
## data:  
## BP = 2.774, df = 4, p-value = 0.5963
moran.test(err.sdm, listw = ww, alternative = "two.sided", zero.policy = TRUE)
## 
##  Moran I test under randomisation
## 
## data:  err.sdm  
## weights: ww    
## 
## Moran I statistic standard deviate = -0.59546, p-value = 0.5515
## alternative hypothesis: two.sided
## sample estimates:
## Moran I statistic       Expectation          Variance 
##      -0.039895217      -0.008474576       0.002784333

10. Goodness of Fit (Model Terbaik)

Model regresi terbaik ditentukan berdasarkan nilai AIC yang dihasilkan dari masing-masing model. Model terbaik akan menghasilkan nilai AIC yang kecil. Hasilnya adalah sebagai berikut:

## Model SARMA
sarma <- sacsarlm(y ~ x1 + x2, data = data, listw = ww, zero.policy = TRUE)

df <- data.frame("Model" = c("OLS (Regresi Klasik)", "SAR", "SEM", "SARMA", "SDM"),
                 "AIC" = c(AIC(ols), AIC(sar), AIC(sem), AIC(sarma), AIC(sdm)))

df
##                  Model      AIC
## 1 OLS (Regresi Klasik) 421.3205
## 2                  SAR 398.0970
## 3                  SEM 390.2637
## 4                SARMA 391.2017
## 5                  SDM 391.2745

Berdasarkan output di atas, model SEM adalah model yang terbaik berdasarkan nilai AIC-nya. Hal ini sejalan dengan lambda yang signifikan. Akan tetapi, model SEM tidak memenuhi asumsi kenormalan. Oleh karena itu, model spasial yang dipilih adalah model SARMA karena memiliki nilai AIC yang lebih kecil dari model SAR dan OLS, serta hampir setara dengan model SEM. Hasil uji asumsi sisaan juga menunjukkan bahwa model SARMA telah memenuhi asumsi kenormalan, kehomogenan ragam, dan kebebasan.


Interpretasi dan Kesimpulan

Karena model SARMA memiliki spillover, maka perlu diinterpretasi dengan memperhatikan efek spillover-nya. Interpretasi koefisien pada model regresi spasial dijelaskan dengan efek langsung, tidak langsung, dan total dari setiap peubah.

sum_sarma <- summary(sarma)
sum_sarma
## 
## Call:
## sacsarlm(formula = y ~ x1 + x2, data = data, listw = ww, zero.policy = TRUE)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -4.53574 -0.59853  0.10686  0.78564  2.55146 
## 
## Type: sac 
## Coefficients: (asymptotic standard errors) 
##               Estimate Std. Error z value  Pr(>|z|)
## (Intercept) -37.670168   2.567539 -14.672 < 2.2e-16
## x1            0.530517   0.015036  35.282 < 2.2e-16
## x2            0.286556   0.011748  24.392 < 2.2e-16
## 
## Rho: 0.083991
## Asymptotic standard error: 0.064873
##     z-value: 1.2947, p-value: 0.19543
## Lambda: 0.47951
## Asymptotic standard error: 0.11669
##     z-value: 4.1093, p-value: 3.9689e-05
## 
## LR test value: 34.119, p-value: 3.9012e-08
## 
## Log likelihood: -189.6009 for sac model
## ML residual variance (sigma squared): 1.3555, (sigma: 1.1642)
## Number of observations: 119 
## Number of parameters estimated: 6 
## AIC: 391.2, (AIC for lm: 421.32)
# Spill over
Im <- impacts(sarma, listw = ww)
Im
## Impact measures (sac, exact):
##             Direct   Indirect     Total
## x1 dy/dx 0.5311153 0.04804611 0.5791614
## x2 dy/dx 0.2868790 0.02595184 0.3128308
# Efek Umpan Balik
koef <- sum_sarma$coefficients[-1]
diref <- Im$direct
umbal <- diref - koef
cbind.data.frame(Koefisien = koef, EfekLangsung = diref, UmpanBalik = umbal)
##    Koefisien EfekLangsung   UmpanBalik
## x1 0.5305173    0.5311153 0.0005980484
## x2 0.2865560    0.2868790 0.0003230325

Berikut ini adalah interpretasinya:

Peubah Penjelas X1

  • Pengaruh langsung dari peubah X1 adalah sebesar 0.531, artinya jika rata-rata X1 di wilayah-i meningkat satu satuan, maka rata-rata Y di wilayah tersebut akan meningkat sebesar 0.531, jika peubah lainnya tetap.
  • Pengaruh tidak langsung dari peubah X1 bernilai 0.048, artinya jika rata-rata X1 di wilayah-i meningkat satu satuan, maka rata-rata Y di wilayah-j (wilayah yang berbeda) akan meningkat sebesar 0.048, jika peubah lainnya tetap.
  • Pengaruh total dari peubah X1 bernilai 0.579, artinya apabila peningkatan X1 terjadi di seluruh wilayah maka akan meningkatkan Y di seluruh wilayah dengan rata-rata peningkatan sebesar 0.579. Efek umpan baliknya sebesar 0.0006.

Peubah Penjelas X2

  • Pengaruh langsung dari peubah X2 adalah sebesar 0.287, artinya jika rata-rata X2 di wilayah-i meningkat satu satuan, maka rata-rata Y di wilayah tersebut akan meningkat sebesar 0.287, jika peubah lainnya tetap.
  • Pengaruh tidak langsung dari X2 bernilai 0.026, artinya jika rata-rata X2 di wilayah-i meningkat satu satuan, maka rata-rata Y di wilayah-j (wilayah yang berbeda) akan meningkat sebesar 0.026, jika peubah lainnya tetap.
  • Pengaruh total dari peubah X2 adalah sebesar 0.313, artinya apabila peningkatan X2 terjadi di seluruh wilayah maka akan meningkatkan Y di seluruh wilayah dengan rata-rata peningkatan sebesar 0.313, jika peubah lainnya tetap. Efek umpan baliknya sebesar 0.000323.

Efek Marginal untuk Model Lainnya

# Spill over model SAR
Im2 <- impacts(sar, listw = ww)
Im2
## Impact measures (lag, exact):
##             Direct   Indirect     Total
## x1 dy/dx 0.5370876 0.15600347 0.6930911
## x2 dy/dx 0.2930588 0.08512239 0.3781812
# Spill over model SDM
Im3 <- impacts(sdm, listw = ww)
Im3
## Impact measures (mixed, exact):
##             Direct   Indirect     Total
## x1 dy/dx 0.5339407 0.09751864 0.6314593
## x2 dy/dx 0.2920035 0.07177461 0.3637781