# Load Package
suppressPackageStartupMessages({
library(sf)
library(readxl)
library(tidyverse)
library(ggplot2)
library(spdep)
library(spatialreg)
library(MuMIn)
library(patchwork)
})
## Warning: package 'sf' was built under R version 4.5.3
## Warning: package 'readxl' was built under R version 4.5.3
## Warning: package 'tidyverse' was built under R version 4.5.2
## Warning: package 'ggplot2' was built under R version 4.5.3
## Warning: package 'tidyr' was built under R version 4.5.3
## Warning: package 'readr' was built under R version 4.5.2
## Warning: package 'dplyr' was built under R version 4.5.3
## Warning: package 'forcats' was built under R version 4.5.2
## Warning: package 'spdep' was built under R version 4.5.3
## Warning: package 'spData' was built under R version 4.5.3
## Warning: package 'spatialreg' was built under R version 4.5.3
## Warning: package 'MuMIn' was built under R version 4.5.3
## Warning: package 'patchwork' was built under R version 4.5.3
# Membaca data spasial dalam format shapefile (.shp)
shp_china <- st_read("C:\\Users\\syari\\Downloads\\Regspas_11\\Regspas_11\\data china\\China29\\China29.shp")
## Reading layer `China29' from data source
## `C:\Users\syari\Downloads\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("C:\\Users\\syari\\Downloads\\Regspas_11\\Regspas_11\\data china\\Data_China.xlsx")
china_join <- shp_china %>%
left_join(data_china,
by = c("NAME_1" = "Region"))
head(china_join)
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
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
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 maka 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 fungsi-fungsi analisis spasial seperti uji Moran’s I dan estimasi model regresi spasial.
# Baca jarak kereta dari sheet Railway Distance
rail <- read_excel("C:\\Users\\syari\\Downloads\\Regspas_11\\Regspas_11\\data china\\Data_China.xlsx", sheet = "Railway Distance", skip = 1)
## New names:
## • `` -> `...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 <- mat2listw(W_rail_std, style = "W")
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.
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 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.
Pengujian Lagrange Multiplier (LM Test). Baik uji LM-Lag maupun LM-Error menghasilkan nilai yang tidak signifikan (p-value>0.05). 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.
china.lagrange1 <- lm.LMtests(china.lm, W, test=c("LMerr","RLMerr","LMlag","RLMlag","SARMA"))
## Please update scripts to use lm.RStests in place of lm.LMtests
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: listw
##
## statistic parameter p.value
## RSerr 0.0277967 1 0.8676
## adjRSerr 0.0726855 1 0.7875
## RSlag 0.0035418 1 0.9525
## adjRSlag 0.0484307 1 0.8258
## SARMA 0.0762273 2 0.9626
Oleh karena itu, jalur pemodelan spasial global yang mengasumsikan efek multi-arah tak terbatas (seperti Spatial Autoregressive [SAR], Spatial Error Model [SEM], maupun Spatial Durbin Model [SDM]) diputuskan tidak relevan untuk menjelaskan hubungan Urbanisasi dan GRP dalam penelitian ini.
Pemodelan Efek Limpahan Lokal: Spatially-Lagged X Model (SLX)
Meskipun interaksi spasial bersifat global tidak terdeteksi (Uji Morans’I tidak signifikan), analisis diarahkan pada model SLX (Spatially-lagged X). 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 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 secara statistik (p < 0,001). Artinya, setiap kenaikan satu satuan tingkat urbanisasi di suatu provinsi akan meningkatkan variabel dependen sebesar 1.387 satuan secara langsung (direct effect). Ini menunjukkan bahwa urbanisasi di wilayah itu sendiri memiliki peran nyata terhadap variabel yang dimodelkan.
Sebaliknya, lag.Level_of_Urbanization yang merepresentasikan rata-rata tingkat urbanisasi provinsi-provinsi tetangga memiliki koefisien negatif (-141,8) namun tidak signifikan (pvalue= 0,836>0.05). Artinya, tingkat urbanisasi di provinsi-provinsi sekitar tidak terbukti memberikan pengaruh spasial (spill-over) yang berarti terhadap variabel dependen.
Untuk membuktikan apakah penambahan komponen spasial lokal (WX) pada model SLX memberikan peningkatan performa yang bermakna dibandingkan model OLS biasa, dilakukan uji formal Likelihood Ratio (LR) Test
# log likelihood masing-masing model
logLik(china.SLX)
## 'log Lik.' -295.1173 (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] 0.8257453
AICc(china.lm)
## [1] 597.2431
AICc(china.SLX)
## [1] 599.9012
Berdasarkan uji perbandingan tersebut, diperoleh nilai Likelihood Ratio yang tidak signifikan (p-value>0.05) yang disertai dengan nilai informasi kriteria AICc yang tidak lebih kecil dibandingkan OLS regression. Hasil statistik formal ini menyatakan gagal tolak H0, yang berarti penambahan variabel tingkat urbanisasi tetangga berbasis konektivitas kereta api (WX) tidak memberikan kontribusi signifikan dalam menurunkan AICc. Oleh karena itu, model regresi OLS menjadi model terbaik dalam memodelkan pengaruh Level_of_Urbanization terhadap GRP.
Data Kemiskinan Jawa Barat
shp_jabar <- st_read("C:\\Users\\syari\\Downloads\\Regspas_11\\Regspas_11\\JABAR\\Jabar2\\Jabar2.shp")
## Reading layer `Jabar2' from data source
## `C:\Users\syari\Downloads\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("C:\\Users\\syari\\Downloads\\Regspas_11\\Regspas_11\\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"
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"
)])
## Warning: plotting the first 9 out of 17 attributes; use max.plot = 17 to plot
## all
Membuat matriks bobot spasial berbasis ketetanggaan (contiguity) dari data poligon wilayah Jawa Barat. Fungsi poly2nb secara default menggunakan metode Queen dan dua wilayah dianggap bertetangga apabila berbagi batas sisi maupun titik sudut untuk mendeteksi secara otomatis wilayah-wilayah yang saling bersentuhan batas administratifnya. Kemudian dikonversi menjadi matriks bobot spasial menggunakan nb2listwdengan 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. Matriks bobot inilah yang selanjutnya digunakan sebagai dasar dalam uji autokorelasi spasial maupun estimasi model regresi spasial untuk data Jawa Barat.
# =====================================================
# SPATIAL WEIGHT
# =====================================================
nb_jabar <- suppressWarnings(poly2nb(jabar))
lw_jabar <- nb2listw(
nb_jabar,
style = "W",
zero.policy = TRUE
)
Sebelum dilakukan pemodelan, terlebih dulu mencari kombinasi variabel independen terbaik yang menghasilkan autokorelasi spasial paling kuat pada residual model regresi OLS, sebagai langkah awal dalam 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) ditetapkan sebagai variabel dependen (Y) dan seluruh variabel lainnya sebagai kandidat prediktor (X). Selanjutnya, kode secara sistematis membentuk semua kemungkinan kombinasi variabel X mulai dari 1 hingga maksimum 6 variabel, lalu untuk setiap kombinasi diestimasi model OLS dan residualnya diuji menggunakan Moran’s I terhadap matriks bobot spasial lw_jabar. Hanya kombinasi yang menghasilkan p-value Moran’s I < 0,05 — artinya residualnya terbukti mengandung autokorelasi spasial yang signifikan — yang disimpan ke dalam dataframe hasil. Setelah seluruh kombinasi selesai dievaluasi, hasilnya diurutkan berdasarkan p-value terkecil, dan kombinasi dengan p-value terkecil dipilih sebagai model terbaik, karena mengindikasikan adanya dependensi spasial paling kuat yang perlu ditangani melalui pemodelan regresi spasial lebih lanjut.
# =========================================================
# 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
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 secara biasa. Kombinasi ini dipilih sebagai model terbaik 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 yang mampu mengakomodasi struktur dependensi spasial tersebut secara eksplisit.
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
jabar.lagrange <- lm.LMtests(jabar.lm, lw_jabar, test=c("LMerr","RLMerr","LMlag","RLMlag","SARMA"))
## Please update scripts to use lm.RStests in place of lm.LMtests
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: listw
##
## statistic parameter p.value
## RSerr 7.23955 1 0.007132 **
## adjRSerr 5.48939 1 0.019132 *
## RSlag 2.01129 1 0.156133
## 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.
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)
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 ditambahakan depensi spasial variabel X, sehingga SDEM tidak relevan lagi.
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 (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
anova(jabar.err,jabar.sarma)
Hasil menunjukkan nilai L.Ratio sebesar 0,830 dengan p-value 0,362 — jauh di atas taraf signifikansi 0,05 — sehingga H₀ gagal ditolak. Artinya, penambahan parameter lag spasial (ρ) 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), mengonfirmasi bahwa SEM lebih parsimoni tanpa mengorbankan kualitas model.
AICc(jabar.lm)
## [1] 105.9096
AICc(jabar.err)
## [1] 90.37725
AICc(jabar.sarma)
## [1] 99.26145
Tahapan regresi spasial untuk data yang memiliki efek dependensi spasial adalah sebagai berikut:
Berikut adalah package yang digunakan:
library(spdep) # Analisis data spasial: spatial autocorrelation, spatial regression
library(sp) # Struktur data untuk manipulasi data spasial (poligon, titik, dll)
## Warning: package 'sp' was built under R version 4.5.3
library(sf) # Mengelola data spasial dengan standar Simple Features (sf)
library(readxl) # Membaca file Excel (format .xls dan .xlsx)
library(openxlsx) # Membuat, membaca, dan menulis file Excel (lebih cepat dari readxl)
## Warning: package 'openxlsx' was built under R version 4.5.3
library(corrplot) # Membuat visualisasi korelasi dalam bentuk plot
## Warning: package 'corrplot' was built under R version 4.5.2
## corrplot 0.95 loaded
library(DescTools) # Kumpulan fungsi statistik deskriptif dan inferensial
## Warning: package 'DescTools' was built under R version 4.5.3
library(nortest) # Melakukan uji normalitas (Anderson-Darling, Lilliefors, dll)
library(car) # Fungsi regresi linear dan diagnostik model (vif, durbinWatsonTest, dll)
## Warning: package 'car' was built under R version 4.5.3
## Loading required package: carData
##
## Attaching package: 'car'
## The following object is masked from 'package:DescTools':
##
## Recode
## The following object is masked from 'package:dplyr':
##
## recode
## The following object is masked from 'package:purrr':
##
## some
library(spatialreg) # Estimasi model regresi spasial (SAR, SEM, SLM)
library(lmtest) # Fungsi untuk menguji model regresi (heteroskedastisitas, serial correlation)
## Warning: package 'lmtest' was built under R version 4.5.3
## Loading required package: zoo
##
## Attaching package: 'zoo'
## The following objects are masked from 'package:base':
##
## as.Date, as.Date.numeric
library(dplyr) # Manipulasi data seperti filter, select, mutate, dan summarise
library(RColorBrewer) # Skema palet warna yang dapat digunakan dalam visualisasi
library(ggplot2) # Membuat grafik statistik dengan pendekatan Grammar of Graphics
Data yang digunakan terdiri dari dua jenis data:
Berikut ini adalah peubah-peubah yang digunakan:
Peubah Y
Peubah X1
Peubah X2
Data dapat di download disini
data <- read.csv("C:\\Users\\syari\\Downloads\\Regspas_11\\Regspas_11\\Dataset 06\\data-06.csv")
head(data)
dim(data)
## [1] 119 8
Data terdiri dari 119 kabupaten/kota di Pulau Jawa. Peubah yang dilibatkan diantaranya adalah satu peubah respon (Y) dan dua peubah penjelas (X1 dan X2)
Berikut ini adalah peta Pula Jawa:
peta <- st_read(dsn ="C:\\Users\\syari\\Downloads\\Regspas_11\\Regspas_11\\Dataset 06\\Jawamap", layer = "jawa")
## Reading layer `jawa' from data source
## `C:\Users\syari\Downloads\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
plot(peta, main = "Peta Pulau Jawa")
plot(peta[4], main = "Peta Pulau Jawa (Kabupaten)")
data[!complete.cases(data),]
Hasil pengecekan missing value menunjukkan bahwa tidak terdapat missing value pada data.
Hasil statistik deskriptif dari data secara deskriptif ditunjukkan sebagai berikut:
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
# Menunjukkan kab/kota dengan Y tertinggi
kab_max <- data %>%
arrange(desc(y)) %>%
slice(1)
print(paste("Kabupaten/kota dengan Y tertinggi adalah", kab_max$KAB))
## [1] "Kabupaten/kota dengan Y tertinggi adalah JAKARTA SELATAN"
# Menunjukkan kab/kota dengan Y terendah
kab_min <- data %>%
arrange(y) %>%
slice(1)
print(paste("Kabupaten/kota dengan Y terendah adalah", kab_min$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.
par(mfrow=c(1,3))
boxplot(data$y,main = "Sebaran Y", col="dodgerblue")
boxplot(data$x1,main = "Sebaran X1", col="dodgerblue")
boxplot(data$x2,main = "Sebaran X2", col="dodgerblue")
Berdasarkan Boxplot dari peubah respon dan peubah penjelas diatas diketahui bahwa tidak terdapat pencilan pada data.
Scatter plot ini untuk melihat pola hubungan Y dengan masing-masing peubah X1 dan X2 serta pola hubungan antar peubah X.
pairs(data[,6:8], pch = 19, lower.panel = NULL)
Berdasarkan scatter plot di atas, tampak adanya pola hubungan linear positif antara peubah X1 maupun X2 terhadap peubah Y, dengan X1 tampak memiliki hubungan yang lebih kuat. Selain itu, tampak juga bahwa antar peubah penjelas tidak memiliki hubungan karena tidak memiliki pola tertentu.
Nilai korelasi antar peubah adalah sebagai berikut:
corrplot(cor(data[,6:8]), method = "number")
Plot korelasi di atas menunjukkan bahwa:
cor(data[,4:7])
## long lat y x1
## long 1.00000000 -0.74541782 -0.1306153 -0.08974212
## lat -0.74541782 1.00000000 0.1679668 0.07479095
## y -0.13061532 0.16796681 1.0000000 0.80963262
## x1 -0.08974212 0.07479095 0.8096326 1.00000000
Uji Korelasi antarpeubah
Korelasi Y dengan X1
Ho: Tidak terdapat korelasi antara peubah Y dan X1
H1: Ada korelasi antara peubah Y dan X1
Keputusan: Tolak Ho jika p-value < alpha=0.05
#Y dengan X1
cor.test(data$y, data$x1)
##
## Pearson's product-moment correlation
##
## data: data$y and data$x1
## t = 14.921, df = 117, p-value < 2.2e-16
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
## 0.7370471 0.8637532
## sample estimates:
## cor
## 0.8096326
Kesimpulan: Tolak Ho berarti pada taraf nyata 5% (p-value < 0.05), Terdapat korelasi antara peubah Y dan X1.
Korelasi Y dengan X2
Ho: Tidak terdapat korelasi antara peubah Y dan X2
H1: Ada korelasi antara peubah Y dan X2
Keputusan: Tolak Ho jika p-value < alpha=0.05
#Y dengan X2
cor.test(data$y, data$x2)
##
## Pearson's product-moment correlation
##
## data: data$y and data$x2
## t = 6.5822, df = 117, p-value = 1.374e-09
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
## 0.3749256 0.6399554
## sample estimates:
## cor
## 0.5198398
Kesimpulan: Tolak Ho berarti pada taraf nyata 5% (p-value < 0.05) terdapat korelasi antara peubah Y dan X2.
Sebaran Spasial Y
k=101
colfunc <- colorRampPalette(c("green", "yellow","red"))
peta$y <- data$y
# Plot menggunakan ggplot2
ggplot(peta) +
geom_sf(aes(fill = y)) +
scale_fill_gradientn(colors = colfunc(k)) +
labs(title = "Peta Sebaran Spasial Peubah Respon Y") +
theme_minimal()
Berdasarkan plot di atas, dapat dilihat adanya kecenderungan pola bergerombol dengan wilayah tetangganya pada peubah Y di Pulau Jawa. Hal ini tampak dari gradasi warna yang cenderung mengumpul. Artinya terdapat kemiripan antar kabupaten/kota terhadap sebaran Y sehingga terindikasi adanya autokorelasi spasial positif.
Sebaran Spasial X1
peta$x1<- data$x1
# Plot menggunakan ggplot2
ggplot(peta) +
geom_sf(aes(fill = x1)) +
scale_fill_gradientn(colors = colfunc(k)) +
labs(title = "Sebaran Spasial Peubah Penjelas X1") +
theme_minimal()
Sebaran Spasial X2
peta$x2<- data$x2
# Plot menggunakan ggplot2
ggplot(peta) +
geom_sf(aes(fill = x2)) +
scale_fill_gradientn(colors = colfunc(k)) +
labs(title = "Sebaran Spasial Peubah Penjelas X2") +
theme_minimal()
Matriks pembobot spasial dapat berdasarkan aspek ketetanggaan dan aspek jarak. Matriks ketetanggaan yang dicobakan dalam analisis ini yaitu rook contiguity dan queen contiguity sedangkan berdasarkan aspek jarak digunakan k-nearest neighbor (KNN), radial distance weight (RDW), inverse distance weight (IDW), dan exponential distance weight (IDW).
Pada pemeriksaan bobot apasial berdasarkan matriks ketetanggaan terdapat masalah, yaitu ada 1 daerah yang tidak memiliki tetangga, sehingga diaktifkan opsi zero.policy = TRUE.
Matriks pembobot spasial queen contiguity lebih luas daripada rook contiguity karena wilayah-wilayah dianggap bertetangga jika mereka berbagi sisi atau titik sudut.
Karakteristik:
Berikut ilustrasi dari queen contiguity:
# Memvalidasi geometri dalam objek sf
peta <- st_make_valid(peta)
# Konversi objek sf ke objek sp
sp.peta <- as(peta, "Spatial")
# Mengakses slot polygons dari objek sp
sp.polygons <- SpatialPolygons(sp.peta@polygons)
queen <- poly2nb(sp.peta, queen = T)
## Warning in poly2nb(sp.peta, queen = T): some observations have no neighbours;
## if this seems unexpected, try increasing the snap argument.
## Warning in poly2nb(sp.peta, queen = T): neighbour object has 3 sub-graphs;
## if this sub-graph count seems unexpected, try increasing the snap argument.
queen
## Neighbour list object:
## Number of regions: 119
## Number of nonzero links: 522
## Percentage nonzero weights: 3.68618
## Average number of links: 4.386555
## 1 region with no links:
## 1
## 3 disjoint connected subgraphs
W.queen <- nb2listw(queen, style='W',zero.policy=TRUE)
qc = moran.test(data$y, W.queen,randomisation=T,
alternative="greater", zero.policy = TRUE)
qc
##
## Moran I test under randomisation
##
## data: data$y
## weights: W.queen
## n reduced by no-neighbour observations
##
## Moran I statistic standard deviate = 1.3921, p-value = 0.08195
## alternative hypothesis: greater
## sample estimates:
## Moran I statistic Expectation Variance
## 0.085984133 -0.008547009 0.004611252
Pengujian hipotesis dapat pula dilakukan dengan melibatkan algoritma monte carlo seperti di bawah ini.
moran.mc(data$y, listw = W.queen, zero.policy = TRUE, nsim = 99)
##
## Monte-Carlo simulation of Moran I
##
## data: data$y
## weights: W.queen
## number of simulations + 1: 100
##
## statistic = 0.085984, observed rank = 96, p-value = 0.04
## alternative hypothesis: greater
Matriks pembobot spasial rook contiguity didasarkan pada konsep bahwa dua wilayah dianggap bertetangga jika mereka berbagi sisi batas.
Karakteristik:
Berikut ilustrasi dari rook contiguity
rook <- poly2nb(sp.peta, queen = F)
## Warning in poly2nb(sp.peta, queen = F): some observations have no neighbours;
## if this seems unexpected, try increasing the snap argument.
## Warning in poly2nb(sp.peta, queen = F): neighbour object has 3 sub-graphs;
## if this sub-graph count seems unexpected, try increasing the snap argument.
rook
## Neighbour list object:
## Number of regions: 119
## Number of nonzero links: 518
## Percentage nonzero weights: 3.657934
## Average number of links: 4.352941
## 1 region with no links:
## 1
## 3 disjoint connected subgraphs
W.rook <- nb2listw(rook, style='W',zero.policy=TRUE)
rc = moran.test(data$y, W.rook,randomisation=T,
alternative="greater", zero.policy = TRUE)
rc
##
## Moran I test under randomisation
##
## data: data$y
## weights: W.rook
## n reduced by no-neighbour observations
##
## Moran I statistic standard deviate = 1.5987, p-value = 0.05495
## alternative hypothesis: greater
## sample estimates:
## Moran I statistic Expectation Variance
## 0.100243070 -0.008547009 0.004630949
Pengujian hipotesis dapat pula dilakukan dengan melibatkan algoritma monte carlo seperti di bawah ini.
moran.mc(data$y, listw = W.rook, zero.policy = TRUE, nsim = 99)
##
## Monte-Carlo simulation of Moran I
##
## data: data$y
## weights: W.rook
## number of simulations + 1: 100
##
## statistic = 0.10024, observed rank = 96, p-value = 0.04
## alternative hypothesis: greater
# Menghitung centroid dari setiap unit spasial
centroids <- st_centroid(peta)
## Warning: st_centroid assumes attributes are constant over geometries
# Ekstrak koordinat centroid
longlat <- st_coordinates(centroids)
# Tambahkan koordinat long dan lat ke objek peta
peta$long <- longlat[, 1] # Kolom X (long)
peta$lat <- longlat[, 2] # Kolom Y (lat)
coords <- peta[c("long","lat")]
#class(coords)
koord <- as.data.frame(coords)
jarak<-dist(longlat, method = "euclidean")
m.jarak<-as.matrix(jarak)
Matriks bobot k-nearest neighbor menentukan tetangga berdasarkan sejumlah tetangga terdekat (k) yang dipilih untuk setiap titik atau wilayah.
Karakteristik:
Contoh: Misalkan k = 3, artinya setiap titik akan memiliki 3 tetangga terdekat. Matriks bobot akan memiliki 1 di elemen yang mewakili tetangga terdekat, dan 0 di elemen lainnya.
Digunakan 5 tetangga terdekat (k=5)
# k = 5
W.knn<-knn2nb(knearneigh(longlat,k=5,longlat=TRUE))
W.knn.s <- nb2listw(W.knn,style='W')
MI.knn <- moran(data$y,W.knn.s,n=length(W.knn.s$neighbours),S0=Szero(W.knn.s))
mt1 = moran.test(data$y,W.knn.s,randomisation = T,alternative = "greater")
mt1
##
## Moran I test under randomisation
##
## data: data$y
## weights: W.knn.s
##
## Moran I statistic standard deviate = 2.1802, p-value = 0.01462
## alternative hypothesis: greater
## sample estimates:
## Moran I statistic Expectation Variance
## 0.107628130 -0.008474576 0.002835976
Matriks bobot radial distance mendefinisikan tetangga berdasarkan jarak geografis. Setiap titik atau wilayah dianggap sebagai tetangga jika jaraknya dari titik/wilayah pusat berada dalam jarak radius tertentu.
Karakteristik:
Contoh: Jika radius yang ditentukan adalah 10 km, maka setiap titik atau wilayah yang berada dalam jarak 10 km dari titik pusat akan dianggap sebagai tetangga, dan bobot matriks akan diberikan 1.
Ditentukan nilai ambang dmax adalah 105 km (d=105). Nilai ini menggambarkan nilai jarak maksimum untuk menentukan dependensi spasial anatar lokasi-i terhadap lokasi-j.
W.rdw <-dnearneigh(longlat,0,105,longlat=TRUE)
W.rdw.s <- nb2listw(W.rdw,style='W')
MI.rdw <- moran(data$y,W.rdw.s,n=length(W.rdw.s$neighbours),S0=Szero(W.rdw.s))
mt2 = moran.test(data$y,W.rdw.s,randomisation = T,alternative = "greater")
mt2
##
## Moran I test under randomisation
##
## data: data$y
## weights: W.rdw.s
##
## Moran I statistic standard deviate = 0.82869, p-value = 0.2036
## alternative hypothesis: greater
## sample estimates:
## Moran I statistic Expectation Variance
## 0.0148447999 -0.0084745763 0.0007918598
Matriks pembobot Inverse Distance Weight (IDW) menentukan bobot berdasarkan kebalikan dari jarak antar titik atau wilayah. Semakin dekat dua titik, semakin besar bobot yang diberikan.
Karakteristik:
wij=1dpij
Di mana dij adalah jarak antara titik i dan j, dan p adalah eksponen yang menentukan seberapa cepat bobot menurun seiring bertambahnya jarak. Biasanya p bernilai 1 atau 2.
Contoh: Jika jarak antara dua titik adalah 5 km, dan eksponen jarak adalah 2, maka bobot dihitung sebagai 152=0.04
Ditentukan nilai alpha=1 dan alpha=2
alpha1=1
W.idw <-1/(m.jarak^alpha1)
diag(W.idw)<-0
rtot<-rowSums(W.idw,na.rm=TRUE)
W.idw.sd<-W.idw/rtot #row-normalized
W.idw.s = mat2listw(W.idw.sd,style='W')
MI.idw <- moran(data$y,W.idw.s,n=length(W.idw.s$neighbours),S0=Szero(W.idw.s))
mt3 = moran.test(data$y,W.idw.s,randomisation = T,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 = T,alternative = "greater")
mt4
##
## Moran I test under randomisation
##
## data: data$y
## weights: W.idw2.s
##
## Moran I statistic standard deviate = 1.9574, p-value = 0.02515
## alternative hypothesis: greater
## sample estimates:
## Moran I statistic Expectation Variance
## 0.088273381 -0.008474576 0.002442892
Matriks exponential distance weight memberikan bobot yang menurun secara eksponensial seiring dengan peningkatan jarak antar unit spasial. Ini mirip dengan inverse distance weight, tetapi penurunan bobot terhadap jarak lebih tajam.
Karakteristik:
wij=(−αdij)
dimana α adalah parameter yang mengatur kecepatan penurunan bobot berdasarkan jarak.
Ditentukan alpha=1 dan alpha=2
alpha=1
W.edw<-exp((-alpha)*m.jarak)
diag(W.edw)<-0
rtot<-rowSums(W.edw,na.rm=TRUE)
W.edw.sd<-W.edw/rtot #row-normalized
W.edw.s = mat2listw(W.edw.sd,style='W')
MI.edw <- moran(data$y,W.edw.s,n=length(W.edw.s$neighbours),S0=Szero(W.edw.s))
mt5 = moran.test(data$y,W.edw.s,randomisation = T,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 = T,alternative = "greater")
mt6
##
## Moran I test under randomisation
##
## data: data$y
## weights: W.edw2.s
##
## Moran I statistic standard deviate = 1.875, p-value = 0.03039
## alternative hypothesis: greater
## sample estimates:
## Moran I statistic Expectation Variance
## 0.0328701345 -0.0084745763 0.0004862084
Matriks pembobot spasial yang dipilih yaitu matriks yang menghasilkan nilai autokorelasi spasial yang tertinggi. Pemilihan matriks bobot juga dapat didasarkan pada matriks bobot dengan nilai indeks moran yang signifikan pada taraf 5%.
MatriksBobot <- c("K-Nearest Neighbor (k=5)",
"Radial Distance Weight (dmax=60)",
"Invers Distance Weight (alpha=1)",
"Invers Distance Weight (alpha=2)",
"Exponential Distance Weight (alpha=1)",
"Exponential Distance Weight (alpha=2)",
"Rook Contiguity",
"Queen Contiguity")
IndeksMoran <- c(MI.knn$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$p.value)
Matriks = cbind.data.frame(MatriksBobot, IndeksMoran,"p-value"=pv)
colnames(Matriks) <-c("Matriks Bobot", "Indeks Moran", "p-value")
Matriks
Matriks[Matriks$`p-value`< 0.05,]
Berdasakan hasil di atas, Matriks bobot yang memiliki nilai Indeks Moran yang signifikan pada taraf 5% adalah k-nearest neighbor (k=5), invers distance weight dengan alpha =1, invers 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 dapat dipilih menjadi matriks pembobot spasial yang terbaik diantara matriks pembobot lainnya. Selanjutnya matriks pembobot yang digunakan dalam analisis adalah k-nearest neighbor dengan 5 tetangga terdekat.
Pemodelan Ordinary Least Square dan uji asumsi multikolinearitas, autokorelasi spasial, kehomogenan ragam, kenormalan sisaan.
Matriks Bobot yang digunakan adalah k-nearest neighbor dengan 5 tetangga terdekat
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"
H0 : sisaan model menyebar normal 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
Karena p-value > 5%, maka gagal tolak H0. Artinya sisaan menyebar normal.
hist(err.ols)
qqnorm(err.ols,datax=T)
qqline(rnorm(length(err.ols),mean(err.ols),sd(err.ols)),datax=T, col="red")
Berdasarkan plot histogram dan normal Q-Q plot diatas terlihat bahwa sisaan menyebar normal.
H0 : Ragam Sisaan Homogen 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
Pada regresi linear berganda perlu diperiksa persyaratan tidak adanya multikolinearitas antar peubah penjelas agar koefisien regresi yang diperoleh dapat dikatakan valid.
Pemeriksaan multikolinearitas dapat dilakukan dengan menggunakan nilai 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.
Untuk menentukan model dependensi spasial yang sesuai dengan data, terlebih dahulu dilakukan uji dependensi spasial. Secara umum ada dua macam uji dependensi spasia, yaitu Indeks Moran dan Uji Pengganda Lagrange (Lagrange Multiplier Test)
Pengujian autokorelasi spasial menggunakan Indeks Moran yang memerlukan matriks pembobot spasial. Dalam kasus ini, digunakan matriks bobot terbaik yang telah diperoleh sebelumnya, yaitu k-nearest neighbor dengan 5 tetangga terdekat
H0 : Tidak ada autokorelasi spasial
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=T,
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$y, ww,randomisation=T,
alternative="two.sided")
my
##
## Moran I test under randomisation
##
## data: data$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$y, ww, labels=data$KABKOT)
Uji Indeks Moran pada Peubah X1
mx1 <- moran.test(data$x1, ww,randomisation=T,
alternative="two.sided")
mx1
##
## Moran I test under randomisation
##
## data: data$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$x2, ww,randomisation=T,
alternative="two.sided")
mx2
##
## Moran I test under randomisation
##
## data: data$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
Berdasarkan hasil pengujian Indeks Moran di atas menunjukkan bahwa nilai indeks Moran pada peubah Y dan sisaan model regresi memiliki nilai p-value < 0.05 maka Tolak H0 sehingga autokorelasi spasial pada peubah tersebut berpengaruh nyata. Hal ini mengindikasikan bahwa terdapat ketergantungan spasial pada peubah y dan sisaan model regresi klasik. Terlihat pula nilai indeks moran positif pada peubah Y dan sisaan model regresi klasik yang menunjukkan adanya autokorelasi positif.
Sedangkan, nilai indeks moran pada peubah X1 dan X2 memiliki p-value > 0.05 maka gagal tolak H0 artinya tidak terdapat autokorelasi spasial peubah X1 dan X2 taraf nyata 5%.
Oleh karenanya, untuk mencari model yang lebih baik, kita dapat melakukan uji LM (lagrange multiplier) untuk mengidentifikasi model dependensi spasial yang dapat digunakan pada kasus ini.
model <- lm.LMtests(ols,listw=ww,zero.policy = TRUE, test=c("LMerr","RLMerr","LMlag","RLMlag","SARMA"))
## Please update scripts to use lm.RStests in place of lm.LMtests
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: listw
##
## statistic parameter p.value
## RSerr 54.2452 1 1.770e-13 ***
## adjRSerr 31.9386 1 1.591e-08 ***
## RSlag 32.0571 1 1.497e-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 model SAR, SEM, dan GSM serta uji robust LM SAR dan LM-SEM signifikan pada taraf 5%. Berdasarkan skema tersebut, maka kita dapat mencoba kandidat model SAR, SEM, dan SARMA.
H0 : Ragam Sisaan Homogen
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.
sar <- lagsarlm(y ~ x1 + x2, data = data, listw = ww)
summary(sar, Nagelkerke = T)
##
## 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, terlihat pula hasil uji autokorelasi pada sisaan model memperlihatkan nilai p-value sebesar 0.0066764, artinya terdapat autokorelasi pada sisaan.
Uji Asumsi Model SAR
Asumsi Kenormalan Sisaan
H0 : galat model menyebar normal
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
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
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 gagal tolak H0 artinya terdapat autokorelasi spasial pada sisaan model SAR.
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 kita akan coba memeriksa sisaan model SEM ini.
Uji Asumsi Model SEM
Asumsi Kenormalan Sisaan
H0 : galat model menyebar normal
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 < 0.05, maka tolak H0. Artinya sisaan menyebar tidak menyebar normal.
Asumsi Kehomogenan Ragam
H0 : Ragam Sisaan Homogen
H1 : Ragam Sisaan Tidak Homogen
bptest.Sarlm(sem)
##
## studentized Breusch-Pagan test
##
## data:
## BP = 0.89877, df = 2, p-value = 0.638
Karena p-value > 0.05, maka gagal tolak H0. Artinya ragam sisaan homogen.
Asumsi Kebesaan Sisaan
H0 : Tidak Ada Autokorelasi spasial
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.
SARMA <- sacsarlm(y ~ x1+x2,data=data,ww, zero.policy = TRUE)
summary(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)
Output di atas memperlihatkan bahwa hanya salah satu koefisien dependensi spasial yang signifikan pada taraf nyata 5%, yaitu Lambda. Sedangkan koefisien dependensi spasial Rho tidak signifikan pada taraf nyata 5%. AIC model SARMA adalah sebesar 391.2.
Uji Asumsi Model SARMA
Asumsi Kenormalan Sisaan
H0 : Sisaan model menyebar normal
H1 : Sisaaan model tidak menyebar normal
err.SARMA<-residuals(SARMA)
ad.test(err.SARMA)
##
## Anderson-Darling normality test
##
## data: err.SARMA
## A = 0.70442, p-value = 0.06428
Karena p-value > 0.05 maka gagal tolak H0, artinya sisaan menyebar normal.
Asumsi Kehomogenan Ragam
H0 : Ragam Sisaan Homogen
H1 : Ragam Sisaan Tidak Homogen
bptest.Sarlm(SARMA)
##
## studentized Breusch-Pagan test
##
## data:
## BP = 1.2851, df = 2, p-value = 0.5259
Karena p-value > 0.05 maka gagal tolak H0, artinya ragam sisaan homogen.
Asumsi Kebesaan Sisaan
H0 : Tidak Ada autokorelasi spasial
H1 : Ada autokorelasi spasial
moran.test(err.SARMA, ww, alternative="two.sided")
##
## Moran I test under randomisation
##
## data: err.SARMA
## weights: ww
##
## 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
Karena p-value > 0.05, maka gagal tolak H0 artinya tidak terdapat autokorelasi spasial pada sisaan model SARMA. Artinya model SARMA telah memenuhi asumsi kenormalan, kehomogenan ragam, dan kebebasan pada taraf nyata 5%.
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=T)
qqline(rnorm(length(err.sdm),mean(err.sdm),sd(err.sdm)),datax=T, 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
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:
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
| Rincian | OLS | SAR | SEM | SARMA | SDM |
|---|---|---|---|---|---|
| AIC | 421.321 | 398.1 | 390.26 | 391.2 | 391.27 |
| p-value dari Rho | NA | 0.000 | NA | 0.195 | 0.000 |
| p-value dari Lambda | NA | NA | 0.000 | 0.000 | NA |
| Kenormalan (p-value) | 0.225 | 0.632 | 0.0471 | 0.064 | 0.087 |
| Homoskedastisitas (p-value) | 0.459 | 0.261 | 0.638 | 0.526 | 0.596 |
| Kebebasan Sisaan (p-value) | 0.000 | 0.0055 | 0.582 | 0.712 | 0.552 |
Berdasarkan output diatas, model SEM adalah model yang terbaik berdasarkan nilai AIC-nya. Hal ini juga sejalan dengan lambda yang signifikan (p-value 0.000). Akan tetapi model SEM tidak memenuhi asumsi kenormalan. Oleh karena itu, model spasial yang dipilih adalah model SARMA karena model memiliki nilai AIC yang 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.
Karena Model SARMA memiliki spillover, maka perlu diinterpretasi dengan memperhatikan spillovernya. Interpretasi koefisien pada model regresi spasial dijelaskan dengan efek langsung, tidak langsung, dan total dari setiap peubah.
sum <- summary(SARMA)
sum
##
## 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$coefficients[-1]
diref = Im$direct
umbal = diref-koef
cbind.data.frame(Koefisien=koef,EfekLangsung=diref,UmpanBalik=umbal)
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 0.049, artinya jika Jika rata-rata X1 di wilayah-i meningkat satu satuan, maka rata-rata Y di wilayah-j (wilayah yang berbeda) akan meningkat sebesar 0.049, jika peubah lainnya tetap.
Pengaruh total dari peubah X1 bernilai 0.580, artinya apabila peningkatan X1 terjadi di seluruh wilayah maka akan meningkatkan Y diseluruh wilayah dengan rata-rata peningkatan sebesar 0.580. 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 tersebut bernilai 0.026, artinya jika 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 diseluruh wilayah dengan rata-rata peningkatan sebesar 0.313, jika peubah lainnya tetap. Efek umpan baliknya sebesar 0.000341.
Efek Marginal untuk Model Lainnya
# Spill over
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
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