Praktikum 10 Regresi Spasial

suppressPackageStartupMessages({
  library(sf)         
  library(readxl)       
  library(tidyverse)    
  library(patchwork)    
  library(spdep)    
  library(spatialreg)   
  library(MuMIn)        
  library(corrplot)    
  library(nortest)      
  library(car)         
  library(lmtest)       
})

path_china_shp  <- "Data/data china/China29/China29.shp"
path_china_xlsx <- "Data/data china/Data_China.xlsx"
path_jabar_shp  <- "Data/JABAR/Jabar2/Jabar2.shp"
path_jabar_xlsx <- "Data/JABAR/data_jabar.xlsx"
path_jawa_csv   <- "Data/Dataset 06/data-06.csv"
path_jawa_shp   <- "Data/Dataset 06/Jawamap/jawa.shp"

A. Model Prediksi GRP Data China

Deskripsi Data china_join

Data bersumber dari file Data_China.xlsx yang memuat data utama 29 provinsi di China, mencakup koordinat geografis (longitude dan latitude), Gross Regional Product (GRP) sebagai ukuran output ekonomi wilayah, serta tingkat urbanisasi (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, dan digunakan sebagai dasar pembentukan matriks bobot spasial. Secara keseluruhan, data digunakan untuk menganalisis sejauh mana tingkat urbanisasi berpengaruh terhadap output ekonomi regional China dengan mempertimbangkan keterkaitan spasial antar provinsi melalui konektivitas jaringan kereta api.

1. Persiapan Data

# Data spasial (shapefile)
shp_china <- st_read(path_china_shp)
## Reading layer `China29' from data source 
##   `C:\Users\najwe\OneDrive\Dokumen\SEMESTER 5\Regspas\Praktikum\Praktikum 10\Data\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 atribut
data_china <- read_excel(path_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" ...
# 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

Dibangun matriks bobot spasial berbasis railway distance antar provinsi di China. Data jarak dibaca dari file Excel, dikonversi menjadi matriks numerik 29×29, lalu setiap elemen ditransformasi menjadi invers jarak (\(1/d\)) karena semakin dekat suatu wilayah, semakin besar pengaruhnya. Nilai diagonal diset nol agar suatu wilayah tidak bertetangga dengan dirinya sendiri. Matriks kemudian dinormalisasi baris (row-standardization) sehingga total bobot tiap provinsi bernilai satu, lalu dikonversi menjadi objek listw untuk uji Moran dan estimasi model regresi spasial.

# Baca jarak kereta dari sheet Railway Distance
rail <- read_excel(path_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)

# Objek listw
W <- mat2listw(W_rail_std, style = "W")

5. Uji Moran’s I

Uji Diagnostik Autokorelasi Spasial Global

Untuk memahami pola hubungan spasial antara tingkat urbanisasi dan GRP di China, dilakukan uji autokorelasi spasial global pada sisaan (residuals) model OLS.

col.moran <- lm.morantest(china.lm, W)
col.moran
## 
##  Global Moran I for regression residuals
## 
## data:  
## model: lm(formula = GRP ~ Level_of_Urbanization, data = china_join)
## weights: W
## 
## 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 uji Global Moran’s I terhadap sisaan model OLS, diperoleh nilai yang tidak signifikan (p-value > 0,05). Hasil ini mengindikasikan bahwa sisaan model regresi menyebar secara acak dan tidak memperlihatkan pola mengelompok (clustering) yang terstruktur secara spasial di sepanjang jaringan kereta api China.

6. Uji Lagrange Multiplier

china.lagrange1 <- lm.RStests(china.lm, 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    0.0277967         1  0.8676
## RSlag    0.0035418         1  0.9525
## adjRSerr 0.0726855         1  0.7875
## adjRSlag 0.0484307         1  0.8258
## SARMA    0.0762273         2  0.9626

Baik uji LM-Lag maupun LM-Error tidak signifikan (p-value > 0,05). Tidak signifikannya LM-Lag menandakan tidak adanya efek ketergantungan spasial global pada variabel dependen: tinggi rendahnya GRP suatu wilayah tidak didorong oleh efek penularan atau umpan balik dari GRP wilayah lain di sepanjang koridor kereta api. Tidak signifikannya LM-Error menunjukkan tidak adanya pola spasial terstruktur dari variabel yang terabaikan (omitted variables) pada komponen error.

Oleh karena itu, jalur pemodelan spasial global (SAR, SEM, maupun SDM) tidak relevan untuk menjelaskan hubungan urbanisasi dan GRP pada data ini.

7. Model SLX

Pemodelan efek limpahan lokal: Spatially-Lagged X (SLX). Meskipun interaksi spasial global tidak terdeteksi, analisis diarahkan ke model SLX. Model ini mengasumsikan GRP suatu wilayah dipengaruhi langsung oleh tingkat urbanisasinya sendiri, serta limpahan dari tingkat urbanisasi wilayah lain yang terhubung melalui jalur kereta api (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)                -2.335e+04   4.130e+04  -5.654e-01   5.766e-01
## Level_of_Urbanization       1.387e+03   1.139e+02   1.217e+01   3.074e-12
## lag.Level_of_Urbanization  -1.418e+02   6.801e+02  -2.086e-01   8.364e-01

Level_of_Urbanization berpengaruh positif dan signifikan (p < 0,001): setiap kenaikan satu satuan tingkat urbanisasi di suatu provinsi meningkatkan GRP sekitar 1.387 satuan secara langsung (direct effect).

Sebaliknya, lag.Level_of_Urbanization (rata-rata terboboti urbanisasi wilayah lain) bernilai negatif (-141,8) namun tidak signifikan (p = 0,836 > 0,05), sehingga tidak terbukti ada pengaruh limpahan (spillover) yang berarti.

Untuk menguji apakah penambahan komponen spasial lokal (WX) memberi peningkatan yang bermakna dibandingkan OLS, dilakukan uji Likelihood Ratio (LR).

8. Uji LR: SLX vs OLS

# Log-likelihood masing-masing model
logLik(china.SLX)
## 'log Lik.' -295.1173 (df=4)
logLik(china.lm)
## 'log Lik.' -295.1415 (df=3)
# Statistik LR
LR <- 2 * (as.numeric(logLik(china.SLX)) - as.numeric(logLik(china.lm)))

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

# p-value
pchisq(LR, df = df_lr, lower.tail = FALSE)
## [1] 0.8257453
# AICc
AICc(china.lm)
## [1] 597.2431
AICc(china.SLX)
## [1] 599.9012

Nilai Likelihood Ratio tidak signifikan (p-value > 0,05) dan AICc SLX tidak lebih kecil dibandingkan OLS. Maka H0 gagal ditolak: penambahan urbanisasi wilayah lain berbasis konektivitas kereta api (WX) tidak memberi kontribusi signifikan. Model OLS adalah model terbaik untuk memodelkan pengaruh Level_of_Urbanization terhadap GRP.

B. Model Dependensi Spasial Data Jawa Barat

Data Kemiskinan Jawa Barat

1. Data Preprocessing

shp_jabar <- st_read(path_jabar_shp)
## Reading layer `Jabar2' from data source 
##   `C:\Users\najwe\OneDrive\Dokumen\SEMESTER 5\Regspas\Praktikum\Praktikum 10\Data\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(path_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"
nrow(jabar)            # harus 26
## [1] 17
sum(is.na(jabar$p.miskin15))   # harus 0
## [1] 0

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")],
     max.plot = 17)

3. Matriks Pembobot Spasial

Matriks bobot berbasis ketetanggaan (contiguity) dari poligon wilayah Jawa Barat. Fungsi poly2nb secara default memakai metode Queen (dua wilayah bertetangga bila berbagi sisi maupun titik sudut). Hasilnya dikonversi menjadi matriks bobot dengan nb2listw memakai row standardization (style = "W") sehingga total bobot tetangga tiap wilayah bernilai satu. Opsi zero.policy = TRUE menjaga proses tetap berjalan meskipun ada wilayah tanpa tetangga.

nb_jabar <- suppressWarnings(poly2nb(jabar))

lw_jabar <- nb2listw(nb_jabar, style = "W", zero.policy = TRUE)
lw_jabar
## Characteristics of weights list object:
## Neighbour list object:
## Number of regions: 17 
## Number of nonzero links: 32 
## Percentage nonzero weights: 11.07266 
## Average number of links: 1.882353 
## 5 regions with no links:
## 18, 19, 21, 25, 26
## 6 disjoint connected subgraphs
## 
## Weights style: W 
## Weights constants summary:
##    n  nn S0       S1       S2
## W 12 144 12 10.02778 49.43889

4. Penentuan Variabel (Indeks Moran)

Sebelum pemodelan, dicari kombinasi variabel independen yang menghasilkan autokorelasi spasial paling kuat pada sisaan OLS, sebagai langkah awal pemilihan variabel. Ada 17 kandidat variabel (kemiskinan, kesehatan, pendidikan, pengeluaran) tahun 2015 dengan p.miskin15 sebagai Y dan sisanya kandidat X. Kode membentuk semua kombinasi X dari 1 hingga 6 variabel, mengestimasi OLS untuk tiap kombinasi, lalu menguji sisaannya dengan Moran’s I. Hanya kombinasi dengan p-value Moran’s I < 0,05 yang disimpan, lalu diurutkan berdasarkan p-value terkecil.

# =========================================================
# ANALISIS MORAN'S I RESIDUAL
# MENCARI KOMBINASI X TERBAIK
# DENGAN P-VALUE TERKECIL
# =========================================================

# =========================================================
# 5. 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"
)

# =========================================================
# 6. TENTUKAN VARIABEL Y
# =========================================================
variabel_Y <- "p.miskin15"

# variabel kandidat X
variabel_X <- setdiff(
  variabel_list,
  variabel_Y
)

# =========================================================
# 7. DATAFRAME HASIL
# =========================================================
hasil_model <- data.frame(
  Formula = character(),
  Jumlah_X = numeric(),
  Moran_I = numeric(),
  P_Value = numeric(),
  stringsAsFactors = FALSE
)

# =========================================================
# 8. LOOP KOMBINASI VARIABEL
# =========================================================

maksimum_X <- 6

for (k in 1:maksimum_X) {
  # membuat kombinasi
  kombinasi_x <- combn(
    variabel_X,
    k,
    simplify = FALSE
  )
  
  # loop tiap kombinasi
  for (x_set in kombinasi_x) {
    
    tryCatch({
      
      # =====================================================
      # MEMBUAT FORMULA
      # =====================================================
      formula_text <- paste(
        variabel_Y,
        "~",
        paste(x_set, collapse = " + ")
      )
      
      rumus <- as.formula(formula_text)
      
      # =====================================================
      # MODEL OLS
      # =====================================================
      model_ols <- lm(
        rumus,
        data = jabar
      )
      
      # =====================================================
      # MORAN TEST RESIDUAL
      # =====================================================
      uji_moran <- lm.morantest(
        model_ols,
        lw_jabar,
        zero.policy = TRUE
      )
      
      # =====================================================
      # AMBIL NILAI
      # =====================================================
      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) {
      
      # abaikan error
      NULL
      
    })
  }
}

# =========================================================
# 9. URUTKAN HASIL
# =========================================================
hasil_model <- hasil_model %>%
  arrange(P_Value)


# =========================================================
# 11. MODEL TERBAIK
# P-VALUE PALING KECIL
# =========================================================


if (nrow(hasil_model) == 0) {
  
  cat("Tidak ada model signifikan.\n")
  
} else {
  
  # ambil model terbaik
  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

Terpilih model p.miskin15 ~ EYS2015 + APM.SD15 + APK.SD15 + APK.PT15 + APS.USIA15 (5 variabel independen) dengan Moran’s I = 0,5012 dan p-value = 0,005 (signifikan pada taraf 1%). Sisaan OLS pada kombinasi ini mengandung autokorelasi spasial positif yang kuat: wilayah dengan pola kemiskinan serupa cenderung mengelompok secara geografis dan belum sepenuhnya dijelaskan kelima variabel tersebut. Kombinasi ini menjadi justifikasi untuk melanjutkan ke 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, 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) — membuktikan 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,
  listw = 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,
  data = jabar, listw = lw_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 ditambahakan depensi 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,
  listw = 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 (ρ) 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 (λ) 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 ρ tidak signifikan, λ sangat signifikan sehingga mengonfirmasi bahwa SEM lebih tepat dibandingkan SARMA untuk data in. Hal ini juga akan dibuktikan dengan melakukan Uji Likelihood Ratio Test antara Model SEM dan Model SARMA

10. Uji LR: 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

L.Ratio = 0,830 dengan p-value = 0,362 (> 0,05), sehingga H0 gagal ditolak: penambahan parameter lag spasial (\(\rho\)) pada SARMA tidak meningkatkan kecocokan model secara signifikan dibanding SEM. AIC SEM (72,377) juga lebih kecil daripada SARMA (73,547), sehingga SEM lebih parsimoni.

11. Akaike Information Criterion Corrected (AICc)

data.frame(
  Model = c("OLS", "SEM", "SARMA"),
  AICc  = c(AICc(jabar.lm), AICc(jabar.err), AICc(jabar.sarma))
)
##   Model      AICc
## 1   OLS 105.90957
## 2   SEM  90.37725
## 3 SARMA  99.26145

AICc terkecil dimiliki SEM, sehingga SEM menjadi model terbaik untuk data kemiskinan Jawa Barat.

C. Model Dependensi Spasial Data Pulau Jawa

1. Import Data

Data terdiri dari dua jenis:

  • Data polygon: peta Pulau Jawa (.shp)
  • Data frame: peubah Y dan X (X1, X2)
jawa <- read.csv(path_jawa_csv)
head(jawa)
##   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(jawa)
## [1] 119   8

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

peta_jw <- st_read(path_jawa_shp)
## Reading layer `jawa' from data source 
##   `C:\Users\najwe\OneDrive\Dokumen\SEMESTER 5\Regspas\Praktikum\Praktikum 10\Data\Dataset 06\Jawamap\jawa.shp' 
##   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_jw
## 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_jw, main = "Peta Pulau Jawa")

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

2. Eksplorasi Data

Mengecek Missing Value

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

Tidak terdapat missing value pada data.

Ringkasan Statistik Deskriptif

summary(jawa[, -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 <- jawa %>% arrange(desc(y)) %>% slice(1)
print(paste("Kabupaten/kota dengan Y tertinggi adalah", kab_max$KAB))
## [1] "Kabupaten/kota dengan Y tertinggi adalah JAKARTA SELATAN"
# Kab/kota dengan Y terendah
kab_min <- jawa %>% arrange(y) %>% slice(1)
print(paste("Kabupaten/kota dengan Y terendah adalah", kab_min$KAB))
## [1] "Kabupaten/kota dengan Y terendah adalah KLATEN"

Y tertinggi di Pulau Jawa adalah Kota Jakarta Selatan (36,22), sedangkan Y terendah adalah Kabupaten Klaten (13,72). Rata-rata Y kab/kota di Pulau Jawa adalah 25,53.

Boxplot: Identifikasi Pencilan

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

par(mfrow = c(1, 1))

Tidak terdapat pencilan pada peubah respon maupun peubah penjelas.

Hubungan antara Peubah Respon dan Peubah Penjelas

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

Tampak pola hubungan linear positif antara X1 maupun X2 terhadap Y, dengan X1 memiliki hubungan lebih kuat. Antar peubah penjelas tidak tampak pola hubungan tertentu.

Korelasi antar Peubah

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

cor(jawa[, 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

X1 dan X2 berkorelasi positif terhadap Y masing-masing sebesar 0,81 dan 0,51. Antar peubah penjelas hampir tidak berkorelasi, sehingga kemungkinan besar tidak terjadi multikolinieritas.

cor(jawa[,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 Y dengan X1 (H0: tidak ada korelasi; tolak H0 jika p-value < 0,05):

cor.test(jawa$y, jawa$x1)
## 
##  Pearson's product-moment correlation
## 
## data:  jawa$y and jawa$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

Tolak H0: pada taraf nyata 5% terdapat korelasi antara Y dan X1.

Uji korelasi Y dengan X2 (H0: tidak ada korelasi; tolak H0 jika p-value < 0,05):

cor.test(jawa$y, jawa$x2)
## 
##  Pearson's product-moment correlation
## 
## data:  jawa$y and jawa$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

Tolak H0: pada taraf nyata 5% terdapat korelasi antara Y dan X2.

Sebaran Spasial Data

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

peta_jw$y  <- jawa$y
peta_jw$x1 <- jawa$x1
peta_jw$x2 <- jawa$x2

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

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

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

Peubah Y cenderung bergerombol dengan wilayah tetangganya (gradasi warna cenderung mengumpul), mengindikasikan autokorelasi spasial positif.

3. Matriks Pembobot Spasial

Matriks pembobot dapat didasarkan pada aspek ketetanggaan (rook dan queen contiguity) dan aspek jarak (k-nearest neighbor, radial distance weight, inverse distance weight, dan exponential distance weight).

Matriks Bobot Berdasarkan Ketetanggaan

Terdapat 1 daerah tanpa tetangga (Kepulauan Seribu), sehingga opsi zero.policy = TRUE diaktifkan.

Queen Contiguity

Dua poligon bertetangga jika berbagi batas, baik sisi maupun titik sudut (elemen matriks bernilai 1, selain itu 0).

# Memvalidasi geometri objek sf
peta_jw <- st_make_valid(peta_jw)

queen <- poly2nb(peta_jw, 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(jawa$y, W.queen, randomisation = TRUE,
                 alternative = "greater", zero.policy = TRUE)
qc
## 
##  Moran I test under randomisation
## 
## data:  jawa$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
# Alternatif: algoritma Monte Carlo
moran.mc(jawa$y, listw = W.queen, zero.policy = TRUE, nsim = 99)
## 
##  Monte-Carlo simulation of Moran I
## 
## data:  jawa$y 
## weights: W.queen  
## number of simulations + 1: 100 
## 
## statistic = 0.085984, observed rank = 93, p-value = 0.07
## alternative hypothesis: greater

Rook Contiguity

Dua poligon bertetangga jika berbagi sisi batas (tidak hanya titik sudut).

rook <- poly2nb(peta_jw, 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(jawa$y, W.rook, randomisation = TRUE,
                 alternative = "greater", zero.policy = TRUE)
rc
## 
##  Moran I test under randomisation
## 
## data:  jawa$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
moran.mc(jawa$y, listw = W.rook, zero.policy = TRUE, nsim = 99)
## 
##  Monte-Carlo simulation of Moran I
## 
## data:  jawa$y 
## weights: W.rook  
## number of simulations + 1: 100 
## 
## statistic = 0.10024, observed rank = 94, p-value = 0.06
## alternative hypothesis: greater

Matriks Bobot Berdasarkan Jarak

# Centroid tiap unit spasial
centroids <- st_centroid(peta_jw)

# Koordinat centroid
longlat <- st_coordinates(centroids)

# Jarak Euclidean antar centroid
jarak   <- dist(longlat, method = "euclidean")
m.jarak <- as.matrix(jarak)

K-Nearest Neighbor

Untuk setiap wilayah dipilih k tetangga terdekat (di sini k = 5); bobot 1 untuk tetangga terdekat dan 0 untuk lainnya.

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

MI.knn <- moran(jawa$y, W.knn.s, n = length(W.knn.s$neighbours), S0 = Szero(W.knn.s))
mt1 <- moran.test(jawa$y, W.knn.s, randomisation = TRUE, alternative = "greater")
mt1
## 
##  Moran I test under randomisation
## 
## data:  jawa$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

Dua wilayah bertetangga jika jaraknya berada dalam radius tertentu. Ditetapkan ambang jarak maksimum \(d_{max}\) = 105 km.

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

MI.rdw <- moran(jawa$y, W.rdw.s, n = length(W.rdw.s$neighbours), S0 = Szero(W.rdw.s))
mt2 <- moran.test(jawa$y, W.rdw.s, randomisation = TRUE, alternative = "greater")
mt2
## 
##  Moran I test under randomisation
## 
## data:  jawa$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

Bobot dihitung sebagai kebalikan jarak: \(w_{ij} = \frac{1}{d_{ij}^{p}}\), dengan \(p\) (biasanya 1 atau 2) menentukan seberapa cepat bobot menurun terhadap jarak. Dicoba \(\alpha = 1\) dan \(\alpha = 2\).

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

MI.idw <- moran(jawa$y, W.idw.s, n = length(W.idw.s$neighbours), S0 = Szero(W.idw.s))
mt3 <- moran.test(jawa$y, W.idw.s, randomisation = TRUE, alternative = "greater")
mt3
## 
##  Moran I test under randomisation
## 
## data:  jawa$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
# alpha = 2
alpha2 <- 2
W.idw2 <- 1 / (m.jarak^alpha2)
diag(W.idw2) <- 0
W.idw2.sd <- W.idw2 / rowSums(W.idw2, na.rm = TRUE)
W.idw2.s  <- mat2listw(W.idw2.sd, style = "W")

MI.idw2 <- moran(jawa$y, W.idw2.s, n = length(W.idw2.s$neighbours), S0 = Szero(W.idw2.s))
mt4 <- moran.test(jawa$y, W.idw2.s, randomisation = TRUE, alternative = "greater")
mt4
## 
##  Moran I test under randomisation
## 
## data:  jawa$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

Bobot menurun secara eksponensial terhadap jarak: \(w_{ij} = \exp(-\alpha\, d_{ij})\), dengan \(\alpha\) mengatur kecepatan penurunan bobot. Dicoba \(\alpha = 1\) dan \(\alpha = 2\).

# alpha = 1
alpha_e1 <- 1
W.edw <- exp(-alpha_e1 * m.jarak)
diag(W.edw) <- 0
W.edw.sd <- W.edw / rowSums(W.edw, na.rm = TRUE)
W.edw.s  <- mat2listw(W.edw.sd, style = "W")

MI.edw <- moran(jawa$y, W.edw.s, n = length(W.edw.s$neighbours), S0 = Szero(W.edw.s))
mt5 <- moran.test(jawa$y, W.edw.s, randomisation = TRUE, alternative = "greater")
mt5
## 
##  Moran I test under randomisation
## 
## data:  jawa$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
# alpha = 2
alpha_e2 <- 2
W.edw2 <- exp(-alpha_e2 * m.jarak)
diag(W.edw2) <- 0
W.edw2.sd <- W.edw2 / rowSums(W.edw2, na.rm = TRUE)
W.edw2.s  <- mat2listw(W.edw2.sd, style = "W")

MI.edw2 <- moran(jawa$y, W.edw2.s, n = length(W.edw2.s$neighbours), S0 = Szero(W.edw2.s))
mt6 <- moran.test(jawa$y, W.edw2.s, randomisation = TRUE, alternative = "greater")
mt6
## 
##  Moran I test under randomisation
## 
## data:  jawa$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 bobot terbaik adalah yang menghasilkan autokorelasi spasial tertinggi, atau yang Indeks Moran-nya signifikan pada taraf 5%.

MatriksBobot <- c("K-Nearest Neighbor (k=5)",
                  "Radial Distance Weight (dmax=105 km)",
                  "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 <- data.frame(MatriksBobot, IndeksMoran, 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 km)  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
# Yang signifikan pada taraf 5%
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

Matriks bobot dengan Indeks Moran signifikan pada taraf 5% adalah k-nearest neighbor (k = 5), inverse distance weight (\(\alpha\) = 1 dan \(\alpha\) = 2), dan exponential distance weight (\(\alpha\) = 2). Indeks Moran tertinggi dimiliki k-nearest neighbor dengan 5 tetangga terdekat, sehingga matriks inilah yang dipakai pada analisis selanjutnya.

4. Model Regresi Klasik (OLS)

Pemodelan OLS dan uji asumsi (normalitas sisaan, kehomogenan ragam, multikolinearitas, autokorelasi spasial). Matriks bobot: k-nearest neighbor (k = 5).

ols_jw <- lm(y ~ x1 + x2, data = jawa)
summary(ols_jw)
## 
## Call:
## lm(formula = y ~ x1 + x2, data = jawa)
## 
## 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_jw)))
## [1] "Nilai AIC OLS 421.320527312512"

Model Diagnostics

Uji Normalitas Sisaan

H0: sisaan menyebar normal; H1: sisaan tidak menyebar normal. Tolak H0 jika p-value < 0,05.

err.ols <- residuals(ols_jw)
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")

p-value > 5%, gagal tolak H0: sisaan menyebar normal (didukung histogram dan Q-Q plot).

Uji Kehomogenan Ragam

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

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

p-value > 0,05, gagal tolak H0: ragam sisaan homogen.

###$ Uji Multikolinearitas

Multikolinearitas terjadi jika VIF > 5.

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

VIF < 5: tidak terjadi multikolinearitas antar peubah penjelas.

5. Pengujian Efek Spasial

Efek Dependensi Spasial

Terdapat dua uji dependensi spasial: Indeks Moran dan Uji Pengganda Lagrange (Lagrange Multiplier). Digunakan matriks bobot terbaik (KNN, k = 5).

Uji Indeks Moran

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

ww_jw <- W.knn.s

# Moran pada galat model regresi
lm.morantest(ols_jw, listw = ww_jw, alternative = "two.sided", zero.policy = TRUE)
## 
##  Global Moran I for regression residuals
## 
## data:  
## model: lm(formula = y ~ x1 + x2, data = jawa)
## weights: ww_jw
## 
## 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_jw)
merr <- moran.test(err.ols, ww_jw, randomisation = TRUE, alternative = "two.sided")
merr
## 
##  Moran I test under randomisation
## 
## data:  err.ols  
## weights: ww_jw    
## 
## 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
# Peubah Y
my <- moran.test(jawa$y, ww_jw, randomisation = TRUE, alternative = "two.sided")
my
## 
##  Moran I test under randomisation
## 
## data:  jawa$y  
## weights: ww_jw    
## 
## 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(jawa$y, ww_jw, labels = jawa$KAB)

# Peubah X1 dan X2
mx1 <- moran.test(jawa$x1, ww_jw, randomisation = TRUE, alternative = "two.sided")
mx1
## 
##  Moran I test under randomisation
## 
## data:  jawa$x1  
## weights: ww_jw    
## 
## 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
mx2 <- moran.test(jawa$x2, ww_jw, randomisation = TRUE, alternative = "two.sided")
mx2
## 
##  Moran I test under randomisation
## 
## data:  jawa$x2  
## weights: ww_jw    
## 
## 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

Ringkasan hasil:

df_moran <- data.frame(
  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)
)
colnames(df_moran) <- c("Peubah", "Indeks Moran", "p-value")
df_moran
##   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

Indeks Moran pada peubah Y dan sisaan regresi memiliki p-value < 0,05 (tolak H0), sehingga terdapat autokorelasi spasial yang nyata, dan bernilai positif (autokorelasi positif). Indeks Moran pada X1 dan X2 memiliki p-value > 0,05 (gagal tolak H0): tidak ada autokorelasi spasial pada X1 dan X2 pada taraf 5%. Untuk mengidentifikasi model dependensi spasial yang sesuai, dilakukan uji LM.

Uji Lagrange Multiplier

model_lm <- lm.RStests(ols_jw, listw = ww_jw, zero.policy = TRUE, test = "all")
summary(model_lm)
##  Rao's score (a.k.a Lagrange multiplier) diagnostics for spatial
##  dependence
## data:  
## model: lm(formula = y ~ x1 + x2, data = jawa)
## test weights: ww_jw
##  
##          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

Uji LM (RSerr, RSlag, SARMA) serta versi robust (adjRSerr, adjRSlag) semuanya signifikan pada taraf 5%. Maka kandidat model adalah SAR, SEM, dan SARMA.

Skema keputusan umum: bila hanya RSerr (atau hanya RSlag) yang signifikan, pilih SEM (atau SAR); bila keduanya signifikan, lihat versi robust-nya; bila robust keduanya signifikan, pertimbangkan SARMA (GSM) dan bandingkan dengan SAR/SEM.

Efek Heterogenitas Spasial

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

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

p-value > 0,05, gagal tolak H0: ragam sisaan homogen, tidak ada efek heterogenitas spasial.

6. Model Regresi Spasial

Model SAR

sar_jw <- lagsarlm(y ~ x1 + x2, data = jawa, listw = ww_jw)
summary(sar_jw, Nagelkerke = TRUE)
## 
## Call:lagsarlm(formula = y ~ x1 + x2, data = jawa, listw = ww_jw)
## 
## 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

Koefisien Rho signifikan dengan AIC = 398,1. Namun uji autokorelasi pada sisaan menunjukkan p-value = 0,0067, artinya masih ada autokorelasi pada sisaan.

Uji asumsi model SAR

err.sar <- residuals(sar_jw)

# Kenormalan (H0: galat menyebar normal)
ad.test(err.sar)
## 
##  Anderson-Darling normality test
## 
## data:  err.sar
## A = 0.28212, p-value = 0.6317
# Kehomogenan ragam (H0: ragam homogen)
bptest.Sarlm(sar_jw)
## 
##  studentized Breusch-Pagan test
## 
## data:  
## BP = 2.6875, df = 2, p-value = 0.2609
# Kebebasan sisaan (H0: tidak ada autokorelasi spasial)
moran.test(err.sar, ww_jw, alternative = "two.sided")
## 
##  Moran I test under randomisation
## 
## data:  err.sar  
## weights: ww_jw    
## 
## 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

Sisaan menyebar normal (p-value > 5%) dan ragam homogen (p-value > 5%). Namun uji Moran pada sisaan memiliki p-value < 0,05, tolak H0: masih terdapat autokorelasi spasial pada sisaan model SAR, sehingga asumsi kebebasan sisaan tidak terpenuhi.

Model SEM

sem_jw <- errorsarlm(y ~ x1 + x2, data = jawa, listw = ww_jw)
summary(sem_jw)
## 
## Call:errorsarlm(formula = y ~ x1 + x2, data = jawa, listw = ww_jw)
## 
## 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)

Koefisien Lambda signifikan pada taraf 5%, dengan AIC = 390,26.

Uji asumsi model SEM

err.sem <- residuals(sem_jw)

# Kenormalan
ad.test(err.sem)
## 
##  Anderson-Darling normality test
## 
## data:  err.sem
## A = 0.75876, p-value = 0.04711
# Kehomogenan ragam
bptest.Sarlm(sem_jw)
## 
##  studentized Breusch-Pagan test
## 
## data:  
## BP = 0.89877, df = 2, p-value = 0.638
# Kebebasan sisaan
moran.test(err.sem, ww_jw, alternative = "two.sided")
## 
##  Moran I test under randomisation
## 
## data:  err.sem  
## weights: ww_jw    
## 
## 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

Normalitas: p-value < 0,05, tolak H0, sehingga sisaan tidak menyebar normal. Ragam homogen (p-value > 0,05). Tidak ada autokorelasi spasial pada sisaan (p-value > 0,05).

Model SARMA / GSM

sarma_jw <- sacsarlm(y ~ x1 + x2, data = jawa, listw = ww_jw, zero.policy = TRUE)
summary(sarma_jw)
## 
## Call:
## sacsarlm(formula = y ~ x1 + x2, data = jawa, listw = ww_jw, 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)

Hanya Lambda yang signifikan pada taraf 5%; Rho tidak signifikan. AIC = 391,2.

Uji asumsi model SARMA

err.sarma <- residuals(sarma_jw)

# Kenormalan
ad.test(err.sarma)
## 
##  Anderson-Darling normality test
## 
## data:  err.sarma
## A = 0.70442, p-value = 0.06428
# Kehomogenan ragam
bptest.Sarlm(sarma_jw)
## 
##  studentized Breusch-Pagan test
## 
## data:  
## BP = 1.2851, df = 2, p-value = 0.5259
# Kebebasan sisaan
moran.test(err.sarma, ww_jw, alternative = "two.sided")
## 
##  Moran I test under randomisation
## 
## data:  err.sarma  
## weights: ww_jw    
## 
## Moran I statistic standard deviate = -0.36979, p-value = 0.7115
## alternative hypothesis: two.sided
## sample estimates:
## Moran I statistic       Expectation          Variance 
##      -0.027983670      -0.008474576       0.002783258

Seluruh p-value > 0,05 (gagal tolak H0): model SARMA memenuhi asumsi kenormalan, kehomogenan ragam, dan kebebasan sisaan pada taraf nyata 5%.

Model SDM

sdm_jw <- lagsarlm(y ~ x1 + x2, data = jawa, listw = ww_jw,
                   zero.policy = TRUE, type = "mixed")
summary(sdm_jw)
## 
## Call:
## lagsarlm(formula = y ~ x1 + x2, data = jawa, listw = ww_jw, 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_jw$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_jw)
## 
##  studentized Breusch-Pagan test
## 
## data:  
## BP = 2.774, df = 4, p-value = 0.5963
moran.test(err.sdm, listw = ww_jw, alternative = "two.sided", zero.policy = TRUE)
## 
##  Moran I test under randomisation
## 
## data:  err.sdm  
## weights: ww_jw    
## 
## 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

7. Goodness of Fit (Model Terbaik)

Model terbaik ditentukan berdasarkan AIC terkecil.

df_aic <- data.frame(
  Model = c("OLS (Regresi Klasik)", "SAR", "SEM", "SARMA", "SDM"),
  AIC   = c(AIC(ols_jw), AIC(sar_jw), AIC(sem_jw), AIC(sarma_jw), AIC(sdm_jw))
)
df_aic
##                  Model      AIC
## 1 OLS (Regresi Klasik) 421.3205
## 2                  SAR 398.0970
## 3                  SEM 390.2637
## 4                SARMA 391.2017
## 5                  SDM 391.2745

Rincian perbandingan model (dihitung langsung dari objek model):

pz <- function(est, se) {
  if (is.null(est) || is.null(se)) return(NA_real_)
  2 * pnorm(-abs(est / se))
}

uji_sisaan <- function(m, bp) {
  e <- residuals(m)
  c(Normalitas = ad.test(e)$p.value,
    Homoskedastisitas = bp,
    Kebebasan = moran.test(e, ww_jw, alternative = "two.sided")$p.value)
}

rincian <- rbind(
  OLS   = c(AIC = AIC(ols_jw),
            Rho = NA, Lambda = NA,
            uji_sisaan(ols_jw, lmtest::bptest(ols_jw)$p.value)),
  SAR   = c(AIC = AIC(sar_jw),
            Rho = pz(sar_jw$rho, sar_jw$rho.se), Lambda = NA,
            uji_sisaan(sar_jw, bptest.Sarlm(sar_jw)$p.value)),
  SEM   = c(AIC = AIC(sem_jw),
            Rho = NA, Lambda = pz(sem_jw$lambda, sem_jw$lambda.se),
            uji_sisaan(sem_jw, bptest.Sarlm(sem_jw)$p.value)),
  SARMA = c(AIC = AIC(sarma_jw),
            Rho = pz(sarma_jw$rho, sarma_jw$rho.se),
            Lambda = pz(sarma_jw$lambda, sarma_jw$lambda.se),
            uji_sisaan(sarma_jw, bptest.Sarlm(sarma_jw)$p.value)),
  SDM   = c(AIC = AIC(sdm_jw),
            Rho = pz(sdm_jw$rho, sdm_jw$rho.se), Lambda = NA,
            uji_sisaan(sdm_jw, bptest.Sarlm(sdm_jw)$p.value))
)
colnames(rincian) <- c("AIC", "p-value Rho", "p-value Lambda",
                       "Kenormalan (p-value)", "Homoskedastisitas (p-value)",
                       "Kebebasan Sisaan (p-value)")
round(rincian, 4)
##            AIC p-value Rho p-value Lambda Kenormalan (p-value)
## OLS   421.3205          NA             NA               0.2255
## SAR   398.0970      0.0000             NA               0.6317
## SEM   390.2637          NA              0               0.0471
## SARMA 391.2017      0.1954              0               0.0643
## SDM   391.2745      0.0000             NA               0.0878
##       Homoskedastisitas (p-value) Kebebasan Sisaan (p-value)
## OLS                        0.4591                     0.0000
## SAR                        0.2609                     0.0055
## SEM                        0.6380                     0.5821
## SARMA                      0.5259                     0.7115
## SDM                        0.5963                     0.5515

Berdasarkan AIC, SEM adalah model terbaik, sejalan dengan Lambda yang signifikan. Akan tetapi SEM tidak memenuhi asumsi kenormalan sisaan. Oleh karena itu model spasial yang dipilih adalah SARMA: AIC-nya lebih kecil daripada SAR dan OLS, hampir setara dengan SEM, dan seluruh asumsi sisaan (kenormalan, kehomogenan ragam, kebebasan) terpenuhi.

8. Interpretasi dan Kesimpulan

Karena model SARMA memiliki spillover, interpretasi koefisien memperhatikan efek langsung (direct), tidak langsung (indirect), dan total tiap peubah.

sum_sarma <- summary(sarma_jw)

# Spillover
Im <- impacts(sarma_jw, listw = ww_jw)
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 = efek langsung - koefisien
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

Peubah X1

  • Pengaruh langsung = 0,531: jika rata-rata X1 di wilayah-i naik satu satuan, rata-rata Y di wilayah tersebut naik 0,531, peubah lain tetap.
  • Pengaruh tidak langsung = 0,048: jika X1 di wilayah-i naik satu satuan, rata-rata Y di wilayah-j (wilayah lain) naik 0,048, peubah lain tetap.
  • Pengaruh total = 0,579: jika peningkatan X1 terjadi di seluruh wilayah, Y di seluruh wilayah naik rata-rata 0,579. Efek umpan baliknya sebesar 0,0006.

Peubah X2

  • Pengaruh langsung = 0,287: jika rata-rata X2 di wilayah-i naik satu satuan, rata-rata Y di wilayah tersebut naik 0,287, peubah lain tetap.
  • Pengaruh tidak langsung = 0,026: jika X2 di wilayah-i naik satu satuan, rata-rata Y di wilayah-j naik 0,026, peubah lain tetap.
  • Pengaruh total = 0,313: jika peningkatan X2 terjadi di seluruh wilayah, Y di seluruh wilayah naik rata-rata 0,313. Efek umpan baliknya sebesar 0,0003.

Efek Marginal untuk Model Lainnya

# SAR
Im2 <- impacts(sar_jw, listw = ww_jw)
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
# SDM
Im3 <- impacts(sdm_jw, listw = ww_jw)
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