Deskripsi data
Data China berisi 29 provinsi, koordinat longitude dan latitude, GRP, serta tingkat urbanisasi. Matriks jarak kereta api antarprovinsi digunakan untuk membentuk bobot spasial berbasis invers jarak. ## 1. Persiapan Data
# Load Package
suppressPackageStartupMessages({
library(sf)
library(readxl)
library(tidyverse)
library(ggplot2)
library(spdep)
library(spatialreg)
library(MuMIn)
library(patchwork)
})# Membaca data spasial dalam format shapefile (.shp)
path_shp_china <- "data/China29.shp"
shp_china <- st_read(path_shp_china, quiet = TRUE)path_excel_china <- "data/Data_China.xlsx"
data_china <- read_excel(path_excel_china)
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...
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## 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" ...
## 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
##
## 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
Bobot spasial dibentuk dari invers jarak kereta api. Elemen diagonal dibuat nol, kemudian dilakukan row-standardization.
## New names:
## • `` -> `...1`
rail_matrix <- as.matrix(rail[, 3:31])
storage.mode(rail_matrix) <- "numeric"
rownames(rail_matrix) <- colnames(rail_matrix)
# Invers jarak; diagonal nol
W_rail <- 1 / rail_matrix
diag(W_rail) <- 0
# Cegah nilai tak hingga akibat jarak nol di luar diagonal
W_rail[!is.finite(W_rail)] <- 0
# Row-standardization
W_rail_std <- W_rail / rowSums(W_rail)
W_rail_std[!is.finite(W_rail_std)] <- 0
W <- mat2listw(W_rail_std, style = "W")Uji Diagnostik Autokorelasi Spasial Global
##
## 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.
china.lagrange <- lm.RStests(
china.lm,
W,
test = "all",
zero.policy = TRUE
)
summary (china.lagrange)## 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
Uji LM digunakan untuk memeriksa indikasi dependensi spasial pada lag variabel dependen maupun komponen error.
Pemodelan Efek Limpahan Lokal: Spatially-Lagged X Model (SLX)
china.SLX <- lmSLX(
GRP ~ Level_of_Urbanization,
data = china_join,
listw = W,
Durbin = TRUE,
zero.policy = 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
Model SLX memasukkan variabel penjelas wilayah tetangga (WX) untuk menguji kemungkinan efek limpahan lokal.
## 'log Lik.' -295.1173 (df=4)
## '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
## [1] 597.2431
## [1] 599.9012
Model dengan AICc lebih kecil dipertimbangkan memiliki keseimbangan kecocokan dan kompleksitas yang lebih baik. Keputusan akhir juga mempertimbangkan hasil LR Test.
Deskripsi data
Contoh kedua menggunakan data kemiskinan kabupaten/kota di Jawa
Barat. Variabel dependen adalah persentase penduduk miskin
(p.miskin15), sedangkan variabel penjelas berasal dari
indikator kesehatan, pendidikan, dan pengeluaran.
# Ganti path sesuai lokasi file pada komputer
path_shp_jabar <- "data/Jabar2.shp"
path_excel_jabar <- "data/data_jabar.xlsx"
shp_jabar <- st_read(path_shp_jabar, quiet = TRUE)
data_jabar <- read_excel(path_excel_jabar)
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
Matriks ketetanggaan dibentuk menggunakan Queen contiguity. Dua wilayah bertetangga jika berbagi sisi atau titik sudut.
Bagian ini mengevaluasi kombinasi variabel penjelas (maksimal enam variabel). Kombinasi dengan Moran’s I residual yang signifikan disimpan, kemudian 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
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.
Catatan metodologis: memilih kombinasi hanya karena p-value Moran’s I residual paling kecil bukan satu-satunya cara memilih model. Pertimbangkan pula teori, relevansi variabel, multikolinearitas, dan kualitas model.
formula_jabar <- p.miskin15 ~ EYS2015 + APM.SD15 +
APK.SD15 + APK.PT15 + APS.USIA15
jabar.lm <- lm(formula_jabar, data = jabar)
summary(jabar.lm)##
## Call:
## lm(formula = formula_jabar, 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.RStests(
jabar.lm,
lw_jabar,
test = "all",
zero.policy = TRUE
)
summary(jabar.lagrange)## Rao's score (a.k.a Lagrange multiplier) diagnostics for spatial
## dependence
## data:
## model: lm(formula = formula_jabar, 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.
jabar.err <- errorsarlm(
formula_jabar,
data = jabar,
listw = lw_jabar,
zero.policy = TRUE
)
summary(jabar.err)##
## Call:errorsarlm(formula = formula_jabar, 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(
formula_jabar,
data = jabar,
listw = lw_jabar,
Durbin = TRUE,
zero.policy = 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(
formula_jabar,
data = jabar,
listw = lw_jabar,
zero.policy = TRUE
)
summary(jabar.sarma)##
## Call:sacsarlm(formula = formula_jabar, 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)
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.
## Model df AIC logLik Test L.Ratio p-value
## jabar.err 1 8 72.377 -28.189 1
## jabar.sarma 2 9 73.547 -27.774 2 0.83008 0.36225
Hasil menunjukkan nilai L.Ratio sebesar 0,830 dengan p-value 0,362 — jauh di atas taraf signifikansi 0,05 — sehingga 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.
tabel_aicc <- data.frame(
Model = c("OLS", "SEM", "SARMA"),
AICc = c(
AICc(jabar.lm),
AICc(jabar.err),
AICc(jabar.sarma)
)
)
tabel_aicc %>% arrange(AICc)## Model AICc
## 1 SEM 90.37725
## 2 SARMA 99.26145
## 3 OLS 105.90957
Model dengan nilai AICc terkecil menjadi pilihan berdasarkan kriteria AICc, dengan tetap mempertimbangkan hasil pengujian dan kesesuaian model.
Referensi
Rusesta, R. R. Spatial Regression Model. RPubs.
http://rpubs.com/rositariarusesta/spatial_regression
# ------------------------------------------------------------
packages <- c(
"spdep", "sp", "sf", "readxl", "openxlsx", "corrplot",
"DescTools", "nortest", "car", "spatialreg", "lmtest",
"dplyr", "RColorBrewer", "ggplot2"
)
belum_terpasang <- packages[
!packages %in% rownames(installed.packages())
]
if (length(belum_terpasang) > 0) {
install.packages(belum_terpasang)
}
invisible(lapply(packages, library, character.only = TRUE))
# ------------------------------------------------------------# ------------------------------------------------------------
data <- read.csv("data/data-06.csv")
data <- as.data.frame(data)
head(data)## ID_KAB PROPINSI KAB long lat y x1 x2
## 1 3101 DKI JAKARTA KEPULAUAN SERIBU 106.4933 -5.796823 27.35 89.5 50.0
## 2 3171 DKI JAKARTA JAKARTA SELATAN 106.8100 -6.272549 36.22 103.1 52.5
## 3 3172 DKI JAKARTA JAKARTA TIMUR 106.9003 -6.255373 27.46 90.3 48.7
## 4 3173 DKI JAKARTA JAKARTA PUSAT 106.8351 -6.181230 29.17 88.5 54.9
## 5 3174 DKI JAKARTA JAKARTA BARAT 106.7483 -6.165469 32.16 99.6 48.1
## 6 3175 DKI JAKARTA JAKARTA UTARA 106.8695 -6.129185 32.67 102.2 45.8
## [1] 119 8
## 'data.frame': 119 obs. of 8 variables:
## $ ID_KAB : int 3101 3171 3172 3173 3174 3175 3201 3202 3203 3204 ...
## $ PROPINSI: chr "DKI JAKARTA" "DKI JAKARTA" "DKI JAKARTA" "DKI JAKARTA" ...
## $ KAB : chr "KEPULAUAN SERIBU" "JAKARTA SELATAN" "JAKARTA TIMUR" "JAKARTA PUSAT" ...
## $ long : num 106 107 107 107 107 ...
## $ lat : num -5.8 -6.27 -6.26 -6.18 -6.17 ...
## $ y : num 27.4 36.2 27.5 29.2 32.2 ...
## $ x1 : num 89.5 103.1 90.3 88.5 99.6 ...
## $ x2 : num 50 52.5 48.7 54.9 48.1 45.8 43.8 38.8 53.7 34.8 ...
# Baca shapefile. Folder Jawamap berisi berkas shapefile Jawa.
peta <- st_read("data/jawa.shp", quiet = TRUE)
print(peta)## Simple feature collection with 119 features and 5 fields
## Geometry type: MULTIPOLYGON
## Dimension: XY
## Bounding box: xmin: 105.0998 ymin: -8.78036 xmax: 116.2702 ymax: -5.048857
## Geodetic CRS: WGS 84
## First 10 features:
## PROVNO KABKOTNO PROVINSI KABKOT ID2013
## 1 31 01 DKI JAKARTA KEPULAUAN SERIBU 3101
## 2 31 71 DKI JAKARTA JAKARTA SELATAN 3171
## 3 31 72 DKI JAKARTA JAKARTA TIMUR 3172
## 4 31 73 DKI JAKARTA JAKARTA PUSAT 3173
## 5 31 74 DKI JAKARTA JAKARTA BARAT 3174
## 6 31 75 DKI JAKARTA JAKARTA UTARA 3175
## 7 32 01 JAWA BARAT BOGOR 3201
## 8 32 02 JAWA BARAT SUKABUMI 3202
## 9 32 03 JAWA BARAT CIANJUR 3203
## 10 32 04 JAWA BARAT BANDUNG 3204
## geometry
## 1 MULTIPOLYGON (((106.3842 -5...
## 2 MULTIPOLYGON (((106.8491 -6...
## 3 MULTIPOLYGON (((106.9719 -6...
## 4 MULTIPOLYGON (((106.8788 -6...
## 5 MULTIPOLYGON (((106.711 -6....
## 6 MULTIPOLYGON (((106.969 -6....
## 7 MULTIPOLYGON (((106.994 -6....
## 8 MULTIPOLYGON (((106.9652 -6...
## 9 MULTIPOLYGON (((107.2843 -6...
## 10 MULTIPOLYGON (((107.75 -6.8...
## [1] ID_KAB PROPINSI KAB long lat y x1 x2
## <0 rows> (or 0-length row.names)
## 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"
par(mfrow=c(1,3))
boxplot(data$y,main = "Sebaran Y", col="dodgerblue")
boxplot(data$x1,main = "Sebaran X1", col="dodgerblue")
boxplot(data$x2,main = "Sebaran X2", col="dodgerblue")
Berdasarkan Boxplot dari peubah respon dan peubah penjelas diatas
diketahui bahwa tidak terdapat pencilan pada data.
Scatter plot ini untuk melihat pola hubungan Y dengan masing-masing peubah X1 dan X2 serta pola hubungan antar peubah X.
Berdasarkan scatter plot di atas, tampak adanya pola hubungan linear
positif antara peubah X1 maupun X2 terhadap peubah Y, dengan X1 tampak
memiliki hubungan yang lebih kuat. Selain itu, tampak juga bahwa antar
peubah penjelas tidak memiliki hubungan karena tidak memiliki pola
tertentu.
Nilai korelasi antar peubah adalah sebagai berikut:
Plot korelasi di atas menunjukkan bahwa:
Peubah X1 dan X2 berkorelasi positif terhadap peubah Y masing-masing sebesar 0.81 dan 0.51.
Antar peubah penjelas tidak memiliki korelasi, hal tersebut mengindikasikan bahwa kemungkinan besar tidak terjadi multikolinieritas dalam model.
## long lat y x1
## long 1.00000000 -0.74541782 -0.1306153 -0.08974212
## lat -0.74541782 1.00000000 0.1679668 0.07479095
## y -0.13061532 0.16796681 1.0000000 0.80963262
## x1 -0.08974212 0.07479095 0.8096326 1.00000000
Uji Korelasi antarpeubah
Korelasi Y dengan X1
Ho: Tidak terdapat korelasi antara peubah Y dan X1
H1: Ada korelasi antara peubah Y dan X1
Keputusan: Tolak Ho jika p-value < alpha=0.05
##
## Pearson's product-moment correlation
##
## data: data$y and data$x1
## t = 14.921, df = 117, p-value < 2.2e-16
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
## 0.7370471 0.8637532
## sample estimates:
## cor
## 0.8096326
Kesimpulan: Tolak Ho berarti pada taraf nyata 5% (p-value < 0.05), Terdapat korelasi antara peubah Y dan X1.
Korelasi Y dengan X2
Ho: Tidak terdapat korelasi antara peubah Y dan X2
H1: Ada korelasi antara peubah Y dan X2
Keputusan: Tolak Ho jika p-value < alpha=0.05
##
## Pearson's product-moment correlation
##
## data: data$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$y
# Plot menggunakan ggplot2
ggplot(peta) +
geom_sf(aes(fill = y)) +
scale_fill_gradientn(colors = colfunc(k)) +
labs(title = "Peta Sebaran Spasial Peubah Respon Y") +
theme_minimal()peta$x1<- data$x1
# Plot menggunakan ggplot2
ggplot(peta) +
geom_sf(aes(fill = x1)) +
scale_fill_gradientn(colors = colfunc(k)) +
labs(title = "Sebaran Spasial Peubah Penjelas X1") +
theme_minimal()peta$x2<- data$x2
# Plot menggunakan ggplot2
ggplot(peta) +
geom_sf(aes(fill = x2)) +
scale_fill_gradientn(colors = colfunc(k)) +
labs(title = "Sebaran Spasial Peubah Penjelas X2") +
theme_minimal()# Memvalidasi geometri dalam objek sf
peta <- st_make_valid(peta)
# Konversi objek sf ke objek sp
sp.peta <- as(peta, "Spatial")
# Mengakses slot polygons dari objek sp
sp.polygons <- SpatialPolygons(sp.peta@polygons)
queen <- poly2nb(sp.peta, queen = T)## Warning in poly2nb(sp.peta, queen = T): some observations have no neighbours;
## if this seems unexpected, try increasing the snap argument.
## Warning in poly2nb(sp.peta, queen = T): neighbour object has 3 sub-graphs;
## if this sub-graph count seems unexpected, try increasing the snap argument.
## Neighbour list object:
## Number of regions: 119
## Number of nonzero links: 522
## Percentage nonzero weights: 3.68618
## Average number of links: 4.386555
## 1 region with no links:
## 1
## 3 disjoint connected subgraphs
W.queen <- nb2listw(queen, style='W',zero.policy=TRUE)
qc = moran.test(data$y, W.queen,randomisation=T,
alternative="greater", zero.policy = TRUE)
qc##
## Moran I test under randomisation
##
## data: data$y
## weights: W.queen
## n reduced by no-neighbour observations
##
## Moran I statistic standard deviate = 1.3921, p-value = 0.08195
## alternative hypothesis: greater
## sample estimates:
## Moran I statistic Expectation Variance
## 0.085984133 -0.008547009 0.004611252
##
## Monte-Carlo simulation of Moran I
##
## data: data$y
## weights: W.queen
## number of simulations + 1: 100
##
## statistic = 0.085984, observed rank = 87, p-value = 0.13
## alternative hypothesis: greater
## Warning in poly2nb(sp.peta, queen = FALSE): some observations have no neighbours;
## if this seems unexpected, try increasing the snap argument.
## Warning in poly2nb(sp.peta, queen = FALSE): neighbour object has 3 sub-graphs;
## if this sub-graph count seems unexpected, try increasing the snap argument.
## 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
##
## Monte-Carlo simulation of Moran I
##
## data: data$y
## weights: W.rook
## number of simulations + 1: 100
##
## statistic = 0.10024, observed rank = 93, p-value = 0.07
## alternative hypothesis: greater
## Warning: st_centroid assumes attributes are constant over geometries
# Ekstrak koordinat centroid
longlat <- st_coordinates(centroids)
# Tambahkan koordinat long dan lat ke objek peta
peta$long <- longlat[, 1] # Kolom X (long)
peta$lat <- longlat[, 2] # Kolom Y (lat)
coords <- peta[c("long","lat")]
#class(coords)
koord <- as.data.frame(coords)
jarak<-dist(longlat, method = "euclidean")
m.jarak<-as.matrix(jarak)K-Nearest Neighbor
# k = 5
W.knn<-knn2nb(knearneigh(longlat,k=5,longlat=TRUE))
W.knn.s <- nb2listw(W.knn,style='W')
MI.knn <- moran(data$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$y
## weights: W.knn.s
##
## Moran I statistic standard deviate = 2.1802, p-value = 0.01462
## alternative hypothesis: greater
## sample estimates:
## Moran I statistic Expectation Variance
## 0.107628130 -0.008474576 0.002835976
Radial Distance Weight
W.rdw <-dnearneigh(longlat,0,105,longlat=TRUE)
W.rdw.s <- nb2listw(W.rdw,style='W')
MI.rdw <- moran(data$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$y
## weights: W.rdw.s
##
## Moran I statistic standard deviate = 0.82869, p-value = 0.2036
## alternative hypothesis: greater
## sample estimates:
## Moran I statistic Expectation Variance
## 0.0148447999 -0.0084745763 0.0007918598
Invers Distance Weight
alpha1=1
W.idw <-1/(m.jarak^alpha1)
diag(W.idw)<-0
rtot<-rowSums(W.idw,na.rm=TRUE)
W.idw.sd<-W.idw/rtot #row-normalized
W.idw.s = mat2listw(W.idw.sd,style='W')
MI.idw <- moran(data$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$y
## weights: W.idw2.s
##
## Moran I statistic standard deviate = 1.9574, p-value = 0.02515
## alternative hypothesis: greater
## sample estimates:
## Moran I statistic Expectation Variance
## 0.088273381 -0.008474576 0.002442892
Exponential Distance Weight
alpha=1
W.edw<-exp((-alpha)*m.jarak)
diag(W.edw)<-0
rtot<-rowSums(W.edw,na.rm=TRUE)
W.edw.sd<-W.edw/rtot #row-normalized
W.edw.s = mat2listw(W.edw.sd,style='W')
MI.edw <- moran(data$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$y
## weights: W.edw2.s
##
## Moran I statistic standard deviate = 1.875, p-value = 0.03039
## alternative hypothesis: greater
## sample estimates:
## Moran I statistic Expectation Variance
## 0.0328701345 -0.0084745763 0.0004862084
MatriksBobot <- c("K-Nearest Neighbor (k=5)",
"Radial Distance Weight (dmax=60)",
"Invers Distance Weight (alpha=1)",
"Invers Distance Weight (alpha=2)",
"Exponential Distance Weight (alpha=1)",
"Exponential Distance Weight (alpha=2)",
"Rook Contiguity",
"Queen Contiguity")
IndeksMoran <- c(MI.knn$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 Bobot Indeks Moran p-value
## 1 K-Nearest Neighbor (k=5) 0.107628130 0.014622303
## 2 Radial Distance Weight (dmax=60) 0.014844800 0.203639555
## 3 Invers Distance Weight (alpha=1) 0.040533196 0.008925225
## 4 Invers Distance Weight (alpha=2) 0.088273381 0.025147563
## 5 Exponential Distance Weight (alpha=1) 0.009906056 0.096426630
## 6 Exponential Distance Weight (alpha=2) 0.032870135 0.030394142
## 7 Rook Contiguity 0.100243070 0.054948820
## 8 Queen Contiguity 0.085984133 0.081948463
## Matriks 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
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.
##
## 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
## [1] "Nilai AIC OLS 421.320527312512"
Uji Normalitas Sisaan
##
## 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.
Berdasarkan plot histogram dan normal Q-Q plot diatas terlihat bahwa
sisaan menyebar normal.
Uji Kehomogenan Ragam
##
## studentized Breusch-Pagan test
##
## data: ols
## BP = 1.557, df = 2, p-value = 0.4591
Karena p-value > 0.05, maka gagal tolak H0. Artinya ragam sisaan homogen
Uji Multikolinearitas
## x1 x2
## 1.00002 1.00002
Berdasarkan perhitungan, diperoleh nilai VIF < 5 yang menunjukkan tidak terjadi multikolinearitas antar peubah penjelas.
Uji Indeks Moran Uji Indeks Moran pada Galat Model Regresi
##
## 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
##
## 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
Uji Indeks Moran pada Peubah X1
##
## Moran I test under randomisation
##
## data: data$x1
## weights: ww
##
## Moran I statistic standard deviate = 0.89468, p-value = 0.371
## alternative hypothesis: two.sided
## sample estimates:
## Moran I statistic Expectation Variance
## 0.039254520 -0.008474576 0.002846002
Uji Indeks Moran pada Peubah X2
##
## Moran I test under randomisation
##
## data: data$x2
## weights: ww
##
## Moran I statistic standard deviate = -1.0874, p-value = 0.2768
## alternative hypothesis: two.sided
## sample estimates:
## Moran I statistic Expectation Variance
## -0.066483348 -0.008474576 0.002845675
Berikut ini adalah hasil uji autokorelasi pada peubah respon, peubah penjelas, dan sisaan regresi
Peubah = c("Y", "X1", "X2", "Sisaan")
Indeks_Moran = c(my$estimate[1], mx1$estimate[1], mx2$estimate[1], merr$estimate[1])
p_value = c(my$p.value, mx1$p.value, mx2$p.value, merr$p.value)
df1 = cbind.data.frame(Peubah, Indeks_Moran, p_value)
colnames(df1) <- c("Peubah", "Indeks Moran", "p-value")
df1## Peubah Indeks Moran p-value
## 1 Y 0.10762813 2.924461e-02
## 2 X1 0.03925452 3.709605e-01
## 3 X2 -0.06648335 2.768471e-01
## 4 Sisaan 0.40129623 9.487767e-15
Uji Lagrange Multiplier
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
## 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.
##
## 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
##
## 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
##
## 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
##
## 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.
##
## 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
##
## 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.
##
## 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.
##
## 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.
##
## 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
##
## 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.
##
## 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.
##
## 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%.
##
## 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
##
## Anderson-Darling normality test
##
## data: err.sdm
## A = 0.64985, p-value = 0.08783
qqnorm(err.sdm,datax=T)
qqline(rnorm(length(err.sdm),mean(err.sdm),sd(err.sdm)),datax=T, col="blue")##
## studentized Breusch-Pagan test
##
## data:
## BP = 2.774, df = 4, p-value = 0.5963
##
## 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
df <- data.frame("Model" = c("OLS (Regresi KlasiK)","SAR","SEM","SARMA", "SDM"),
"AIC" = c(AIC(ols),AIC(sar), AIC(sem),AIC(SARMA), AIC(sdm)))
df## Model AIC
## 1 OLS (Regresi KlasiK) 421.3205
## 2 SAR 398.0970
## 3 SEM 390.2637
## 4 SARMA 391.2017
## 5 SDM 391.2745
Berdasarkan output 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.
##
## 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)
## 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)## Koefisien EfekLangsung UmpanBalik
## x1 0.5305173 0.5311153 0.0005980484
## x2 0.2865560 0.2868790 0.0003230325
Berikut ini adalah interpretasinya:
Peubah Penjelas X1
Pengaruh langsung dari peubah X1 adalah sebesar 0.531, artinya Jika rata-rata X1 di wilayah-i meningkat satu satuan, maka rata-rata Y di wilayah tersebut akan meningkat sebesar 0.531, jika peubah lainnya tetap.
Pengaruh tidak langsung dari peubah X1 bernilai 0.049, 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
## 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
## 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