suppressPackageStartupMessages({
library(sf)
library(readxl)
library(tidyverse)
library(spdep)
library(spatialreg)
library(MuMIn)
library(patchwork)
})
folder_dasar <- "Regspas_11"
lokasi_cn_shp <- file.path(folder_dasar, "data china", "China29", "China29.shp")
lokasi_cn_xlsx <- file.path(folder_dasar, "data china", "Data_China.xlsx")
lokasi_jb_shp <- file.path(folder_dasar, "JABAR", "Jabar2", "Jabar2.shp")
lokasi_jb_xlsx <- file.path(folder_dasar, "JABAR", "data_jabar.xlsx")
Data terdiri atas peta 29 provinsi (shapefile) dan tabel atribut
berisi koordinat, GRP, serta tingkat urbanisasi (%). Keduanya digabung
berdasarkan nama provinsi (NAME_1 pada peta dan
Region pada tabel).
peta_cn <- st_read("C:\\Users\\MIFTA INDIRA\\Downloads\\China29", quiet = TRUE)
tabel_cn <- read_excel("C:\\Users\\MIFTA INDIRA\\Downloads\\Data_China.xlsx", sheet = "Data")
cn_gabung <- peta_cn %>%
left_join(tabel_cn, by = c("NAME_1" = "Region"))
# Pastikan semua provinsi berhasil digabung (tidak ada NA pada peubah utama)
colSums(is.na(cn_gabung[, c("GRP", "Level_of_Urbanization")] %>% st_drop_geometry()))
## GRP Level_of_Urbanization
## 0 0
glimpse(st_drop_geometry(cn_gabung[, c("NAME_1", "Long", "Lat", "GRP", "Level_of_Urbanization")]))
## Rows: 29
## Columns: 5
## $ NAME_1 <chr> "Anhui", "Beijing", "Chongqing", "Fujian", "Gans…
## $ Long <dbl> 117.22623, 116.41067, 107.87484, 117.98151, 100.…
## $ Lat <dbl> 31.82579, 40.18491, 30.05865, 26.08641, 37.82079…
## $ GRP <dbl> 28792, 87475, 38914, 52763, 21978, 54095, 27952,…
## $ Level_of_Urbanization <dbl> 46.50000, 86.20000, 56.98000, 59.60000, 38.75000…
Seluruh 29 provinsi berhasil digabung dan tidak ada data hilang pada peubah GRP maupun tingkat urbanisasi, sehingga data siap dianalisis tanpa penghapusan amatan.
summary(st_drop_geometry(cn_gabung[, c("GRP", "Level_of_Urbanization")]))
## GRP Level_of_Urbanization
## Min. :19710 Min. :36.41
## 1st Qu.:31499 1st Qu.:46.50
## Median :36584 Median :51.26
## Mean :44472 Mean :54.55
## 3rd Qu.:54095 3rd Qu.:59.60
## Max. :93173 Max. :89.30
gambar_grp <- ggplot(cn_gabung) +
geom_sf(aes(fill = GRP), color = "white", linewidth = 0.2) +
scale_fill_viridis_c(option = "magma", name = "GRP") +
labs(title = "Gross Regional Product", subtitle = "Per provinsi") +
theme_minimal() +
theme(legend.position = "bottom", plot.title = element_text(face = "bold"))
gambar_urb <- ggplot(cn_gabung) +
geom_sf(aes(fill = Level_of_Urbanization), color = "white", linewidth = 0.2) +
scale_fill_viridis_c(option = "magma", name = "Urbanisasi (%)") +
labs(title = "Tingkat Urbanisasi", subtitle = "Per provinsi") +
theme_minimal() +
theme(legend.position = "bottom", plot.title = element_text(face = "bold"))
gambar_grp | gambar_urb
ggplot(st_drop_geometry(cn_gabung), aes(Level_of_Urbanization, GRP)) +
geom_point(size = 2.5, color = "#b5367a") +
geom_smooth(method = "lm", se = TRUE, color = "#2c3e50") +
labs(x = "Tingkat urbanisasi (%)", y = "GRP",
title = "Hubungan urbanisasi dan GRP") +
theme_minimal()
Provinsi dengan GRP dan urbanisasi tinggi terkonsentrasi di pesisir timur dan kota-kota besar (Beijing, Tianjin, Shanghai), sedangkan nilai rendah berkumpul di wilayah barat dan tengah-selatan. Kemiripan dua peta tersebut menunjukkan hubungan positif antara urbanisasi dan GRP, yang diperkuat oleh diagram pencar: titik-titik tersusun mendekati garis lurus naik.
Model dasar: \(GRP_i = \beta_0 + \beta_1 \, Urbanisasi_i + \varepsilon_i\).
reg_ols_cn <- lm(GRP ~ Level_of_Urbanization, data = cn_gabung)
summary(reg_ols_cn)
##
## Call:
## lm(formula = GRP ~ Level_of_Urbanization, data = cn_gabung)
##
## 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
jarak_mentah <- read_excel("C:\\Users\\MIFTA INDIRA\\Downloads\\Data_China.xlsx", sheet = "Railway Distance", skip = 1)
mat_jarak <- as.matrix(jarak_mentah[, 3:31])
storage.mode(mat_jarak) <- "numeric"
dimnames(mat_jarak) <- list(tabel_cn$Region, tabel_cn$Region) # urutan sheet Data
# samakan urutan dengan baris peta
urutan_peta <- match(cn_gabung$NAME_1, tabel_cn$Region)
mat_jarak <- mat_jarak[urutan_peta, urutan_peta]
stopifnot(identical(rownames(mat_jarak), cn_gabung$NAME_1))
# inverse jarak, diagonal nol, lalu standarisasi baris
mat_invers <- 1 / mat_jarak
diag(mat_invers) <- 0
mat_baku <- mat_invers / rowSums(mat_invers)
lw_cn <- mat2listw(mat_baku, row.names = cn_gabung$NAME_1, style = "W")
dim(mat_baku)
## [1] 29 29
range(rowSums(mat_baku)) # setiap baris harus berjumlah 1
## [1] 1 1
Matriks bobot berukuran 29 × 29 dengan jumlah tiap baris tepat 1. Semua provinsi saling terhubung dengan bobot yang mengecil seiring bertambahnya jarak rel; provinsi yang dekat secara jaringan kereta api memiliki pengaruh lebih besar. Karena bobotnya inverse jarak untuk seluruh provinsi lain, “tetangga” di sini bukan hanya provinsi yang bersinggungan batas.
\(H_0\): tidak ada autokorelasi spasial pada sisaan; \(H_1\): ada autokorelasi spasial positif.
moran_cn <- lm.morantest(reg_ols_cn, lw_cn)
moran_cn
##
## Global Moran I for regression residuals
##
## data:
## model: lm(formula = GRP ~ Level_of_Urbanization, data = cn_gabung)
## weights: lw_cn
##
## Moran I statistic standard deviate = -0.12783, p-value = 0.5509
## alternative hypothesis: greater
## sample estimates:
## Observed Moran I Expectation Variance
## -0.045955969 -0.041108750 0.001437895
Nilai Moran’s I sisaan sekitar −0,046 (hampir sama dengan nilai harapannya, −0,041) dengan p-value ≈ 0,55 (> 0,05) sehingga \(H_0\) tidak ditolak. Secara global tidak ada bukti sisaan model OLS mengelompok menurut kedekatan jarak kereta api. Namun Moran’s I hanya menguji pola global; untuk mengetahui jenis dependensi (lag atau error) tetap diperlukan uji Lagrange Multiplier.
# lm.LMtests menampilkan pesan agar memakai lm.RStests, namun hasilnya sama
lm_cn <- lm.LMtests(reg_ols_cn, lw_cn,
test = c("LMerr", "RLMerr", "LMlag", "RLMlag", "SARMA"))
summary(lm_cn)
## Rao's score (a.k.a Lagrange multiplier) diagnostics for spatial
## dependence
## data:
## model: lm(formula = GRP ~ Level_of_Urbanization, data = cn_gabung)
## test weights: listw
##
## statistic parameter p.value
## RSerr 0.51957 1 0.471025
## adjRSerr 4.16751 1 0.041206 *
## RSlag 3.17647 1 0.074706 .
## adjRSlag 6.82441 1 0.008992 **
## SARMA 7.34398 2 0.025426 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
| Uji | Statistik | p-value | Keputusan (α = 5%) |
|---|---|---|---|
| LM-Error (RSerr) | 0,520 | 0,471 | tidak signifikan |
| LM-Lag (RSlag) | 3,176 | 0,075 | tidak signifikan (signifikan pada 10%) |
| Robust LM-Error (adjRSerr) | 4,168 | 0,041 | signifikan |
| Robust LM-Lag (adjRSlag) | 6,824 | 0,009 | signifikan |
| SARMA | 7,344 | 0,025 | signifikan |
Uji LM biasa belum meyakinkan, tetapi uji robust dan SARMA signifikan. Uji robust lebih dapat dipercaya ketika kedua bentuk dependensi mungkin hadir bersamaan karena masing-masing dikoreksi terhadap pengaruh lainnya.
Statistik robust LM-Lag (6,82) lebih besar daripada robust LM-Error (4,17) dan p-valuenya lebih kecil, sehingga dependensi yang dominan mengarah ke bentuk lag (jalur SAR/SDM pada diagram penentuan model). Hal ini sejalan dengan sifat uji Moran yang tidak signifikan: Moran’s I mengukur pola pada sisaan, sedangkan efek lag spasial dapat ikut diserap oleh koefisien regresi sehingga sisaannya tampak acak.
sar_cn <- lagsarlm(GRP ~ Level_of_Urbanization, data = cn_gabung, listw = lw_cn,
zero.policy = TRUE)
sdm_cn <- lagsarlm(GRP ~ Level_of_Urbanization, data = cn_gabung, listw = lw_cn,
Durbin = TRUE, zero.policy = TRUE)
summary(sar_cn)
##
## Call:lagsarlm(formula = GRP ~ Level_of_Urbanization, data = cn_gabung,
## listw = lw_cn, zero.policy = TRUE)
##
## Residuals:
## Min 1Q Median 3Q Max
## -13225.28 -3591.62 220.52 2370.96 14730.81
##
## Type: lag
## Coefficients: (numerical Hessian approximate standard errors)
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) -51496.982 10159.911 -5.0686 4.007e-07
## Level_of_Urbanization 1291.118 96.788 13.3396 < 2.2e-16
##
## Rho: 0.5564, LR test value: 3.7071, p-value: 0.05418
## Approximate (numerical Hessian) standard error: 0.25647
## z-value: 2.1694, p-value: 0.030049
## Wald statistic: 4.7065, p-value: 0.030049
##
## Log likelihood: -293.288 for lag model
## ML residual variance (sigma squared): 34754000, (sigma: 5895.2)
## Number of observations: 29
## Number of parameters estimated: 4
## AIC: 594.58, (AIC for lm: 596.28)
summary(sdm_cn)
##
## Call:lagsarlm(formula = GRP ~ Level_of_Urbanization, data = cn_gabung,
## listw = lw_cn, Durbin = TRUE, zero.policy = TRUE)
##
## Residuals:
## Min 1Q Median 3Q Max
## -13588.75 -2981.15 169.33 2232.95 13778.90
##
## Type: mixed
## Coefficients: (numerical Hessian approximate standard errors)
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) -120812.863 31627.705 -3.8198 0.0001335
## Level_of_Urbanization 1289.826 94.464 13.6541 < 2.2e-16
## lag.Level_of_Urbanization 2334.127 1071.593 2.1782 0.0293924
##
## Rho: -0.74883, LR test value: 1.1206, p-value: 0.28978
## Approximate (numerical Hessian) standard error: 0.71772
## z-value: -1.0433, p-value: 0.29679
## Wald statistic: 1.0886, p-value: 0.29679
##
## Log likelihood: -290.6908 for mixed model
## ML residual variance (sigma squared): 29022000, (sigma: 5387.2)
## Number of observations: 29
## Number of parameters estimated: 5
## AIC: 591.38, (AIC for lm: 590.5)
Model SLX menambahkan rata-rata tertimbang urbanisasi provinsi lain (\(WX\)) sebagai peubah penjelas: \(GRP_i = \beta_0 + \beta_1 X_i + \gamma\,(WX)_i + \varepsilon_i\).
slx_cn <- lmSLX(GRP ~ Level_of_Urbanization, data = cn_gabung, listw = lw_cn,
Durbin = TRUE)
summary(slx_cn)
##
## 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) -9.645e+04 2.329e+04 -4.142e+00 3.227e-04
## Level_of_Urbanization 1.256e+03 9.690e+01 1.297e+01 7.404e-13
## lag.Level_of_Urbanization 1.307e+03 4.620e+02 2.829e+00 8.884e-03
sem_cn <- errorsarlm(GRP ~ Level_of_Urbanization, data = cn_gabung, listw = lw_cn,
zero.policy = TRUE)
sdem_cn <- errorsarlm(GRP ~ Level_of_Urbanization, data = cn_gabung, listw = lw_cn,
Durbin = TRUE, zero.policy = TRUE)
sarma_cn <- sacsarlm(GRP ~ Level_of_Urbanization, data = cn_gabung, listw = lw_cn,
zero.policy = TRUE)
Fungsi pembantu untuk menghitung LR antara model yang lebih lengkap dan model yang lebih sederhana (bersarang):
uji_lr <- function(model_lengkap, model_ringkas) {
ll_besar <- logLik(model_lengkap)
ll_kecil <- logLik(model_ringkas)
stat_lr <- 2 * (as.numeric(ll_besar) - as.numeric(ll_kecil))
derajat <- attr(ll_besar, "df") - attr(ll_kecil, "df")
data.frame(LR = round(stat_lr, 4), df = derajat,
p_value = signif(pchisq(stat_lr, df = derajat, lower.tail = FALSE), 4))
}
rekap_lr_cn <- rbind(
"SLX vs OLS (H0: gamma = 0)" = uji_lr(slx_cn, reg_ols_cn),
"SDM vs SAR (H0: gamma = 0)" = uji_lr(sdm_cn, sar_cn),
"SDM vs SLX (H0: rho = 0)" = uji_lr(sdm_cn, slx_cn),
"SDEM vs SEM (H0: gamma = 0)" = uji_lr(sdem_cn, sem_cn),
"SAR vs OLS (H0: rho = 0)" = uji_lr(sar_cn, reg_ols_cn)
)
rekap_lr_cn
aicc_cn <- data.frame(
Model = c("OLS", "SAR", "SEM", "SLX", "SDM", "SDEM", "SARMA"),
AICc = c(AICc(reg_ols_cn), AICc(sar_cn), AICc(sem_cn), AICc(slx_cn),
AICc(sdm_cn), AICc(sdem_cn), AICc(sarma_cn))
) %>% arrange(AICc) %>% mutate(AICc = round(AICc, 3))
aicc_cn
AICc terkecil dimiliki SLX (≈ 592,17), lebih rendah sekitar 5 poin dari OLS (≈ 597,24). Selisih lebih dari 2 poin menandakan dukungan yang cukup jelas. SDM (≈ 593,99) dan SDEM (≈ 595,02) lebih besar karena menambah parameter tanpa peningkatan kecocokan yang sebanding. Hasil AICc ini konsisten dengan uji LR sehingga SLX dipilih sebagai model terbaik untuk data China.
summary(slx_cn)
##
## 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) -9.645e+04 2.329e+04 -4.142e+00 3.227e-04
## Level_of_Urbanization 1.256e+03 9.690e+01 1.297e+01 7.404e-13
## lag.Level_of_Urbanization 1.307e+03 4.620e+02 2.829e+00 8.884e-03
b_slx <- coef(slx_cn)
cat("Pengaruh langsung urbanisasi provinsi sendiri :", round(b_slx[2], 1), "\n")
## Pengaruh langsung urbanisasi provinsi sendiri : 1256.3
cat("Pengaruh limpahan (WX) :", round(b_slx[3], 1), "\n")
## Pengaruh limpahan (WX) : 1306.8
cat("Jumlah pengaruh (langsung + limpahan) :", round(b_slx[2] + b_slx[3], 1), "\n")
## Jumlah pengaruh (langsung + limpahan) : 2563.1
# Apakah sisaan SLX masih berautokorelasi spasial?
lm.morantest(slx_cn, lw_cn)
##
## Global Moran I for regression residuals
##
## data:
## model: lm(formula = formula(paste("y ~ ", paste(colnames(x)[-1],
## collapse = "+"))), data = as.data.frame(x), weights = weights)
## weights: lw_cn
##
## Moran I statistic standard deviate = 0.87729, p-value = 0.1902
## alternative hypothesis: greater
## sample estimates:
## Observed Moran I Expectation Variance
## -0.013842047 -0.046237895 0.001363612
lag.Level_of_Urbanization) berkoefisien sekitar
1.307 dan signifikan (p ≈ 0,009): kenaikan 1 poin
persen rata-rata tertimbang urbanisasi provinsi lain yang terhubung rel
kereta api dikaitkan dengan kenaikan GRP sekitar 1.307 satuan. Jadi
urbanisasi di wilayah yang terhubung baik tidak hanya menguntungkan
wilayahnya sendiri, tetapi juga wilayah-wilayah yang dilayani jaringan
kereta api yang sama.Catatan: pada pemodelan sebelumnya yang matriks bobotnya tidak sejajar dengan data, efek limpahan ini tidak terdeteksi. Kesejajaran urutan antara data dan matriks bobot sangat menentukan hasil.
peta_jb <- st_read("C:\\Users\\MIFTA INDIRA\\Downloads\\Jabar2", quiet = TRUE)
tabel_jb <- read_excel("C:\\Users\\MIFTA INDIRA\\Downloads\\data_jabar.xlsx", sheet = "data")
# Kunci penggabungan: KODE2010 (teks di shapefile, angka di Excel)
tabel_jb$KODE2010 <- as.character(tabel_jb$KODE2010)
# Buang kolom identitas di tabel yang sudah ada di peta agar tidak ganda (.x / .y)
tabel_jb_ringkas <- tabel_jb %>%
select(-PROVNO, -KABKOTNO, -PROVINSI, -KABKOT, -IDSP2010)
jb_gabung <- peta_jb %>%
left_join(tabel_jb_ringkas, by = "KODE2010")
nrow(jb_gabung)
## [1] 26
sum(!complete.cases(st_drop_geometry(jb_gabung))) # jumlah baris dengan NA
## [1] 0
colnames(jb_gabung)
## [1] "PROVNO" "KABKOTNO" "KODE2010" "PROVINSI" "KABKOT"
## [6] "SUMBER" "IDSP2010" "Long" "Lat" "p.miskin15"
## [11] "p.miskin16" "j.miskin15" "j.miskin16" "AHH2015" "AHH2016"
## [16] "EYS2015" "EYS2016" "MYS2015" "MYS2016" "EXP2015"
## [21] "EXP2016" "APM.SD15" "APM.SMP15" "APM.SMA15" "APM.PT15"
## [26] "APK.SD15" "APK.SMP15" "APK.SMA15" "APK.PT15" "APS.USIA15"
## [31] "APS.USIA2" "APS.USIA3" "APS.USIA4" "geometry"
Seluruh 26 kabupaten/kota (17 kabupaten dan 9 kota)
tergabung tanpa data hilang. Peubah dependen adalah persentase penduduk
miskin 2015 (p.miskin15); peubah lainnya (angka harapan
hidup, harapan dan rata-rata lama sekolah, pengeluaran per kapita, angka
partisipasi murni/kasar, dan angka partisipasi sekolah) menjadi kandidat
peubah penjelas.
peta_miskin <- ggplot(jb_gabung) +
geom_sf(aes(fill = p.miskin15), color = "white", linewidth = 0.2) +
scale_fill_viridis_c(option = "magma", direction = -1, name = "% miskin") +
labs(title = "Penduduk Miskin 2015 (%)") +
theme_void() + theme(legend.position = "bottom", plot.title = element_text(face = "bold"))
peta_eys <- ggplot(jb_gabung) +
geom_sf(aes(fill = EYS2015), color = "white", linewidth = 0.2) +
scale_fill_viridis_c(option = "viridis", name = "tahun") +
labs(title = "Harapan Lama Sekolah 2015") +
theme_void() + theme(legend.position = "bottom", plot.title = element_text(face = "bold"))
peta_miskin | peta_eys
plot(jb_gabung[, c("p.miskin15", "AHH2015", "EYS2015", "MYS2015", "EXP2015",
"APM.SD15", "APM.SMP15", "APM.SMA15", "APM.PT15")],
max.plot = 9)
Persentase kemiskinan tertinggi muncul di kabupaten bagian timur dan selatan (misalnya Indramayu, Cirebon, Kuningan, Majalengka, Garut), sedangkan kota-kota (Depok, Bandung, Bekasi, Cimahi) memiliki kemiskinan terendah. Warna yang serupa pada wilayah berdekatan mengisyaratkan adanya pengelompokan spasial. Pola kebalikannya tampak pada harapan lama sekolah yang cenderung tinggi di wilayah dengan kemiskinan rendah.
nb_jb <- poly2nb(jb_gabung, queen = TRUE)
lw_jb <- nb2listw(nb_jb, style = "W", zero.policy = TRUE)
summary(nb_jb)
## Neighbour list object:
## Number of regions: 26
## Number of nonzero links: 102
## Percentage nonzero weights: 15.08876
## Average number of links: 3.923077
## Link number distribution:
##
## 1 2 3 4 5 6 7 8
## 4 2 6 4 3 5 1 1
## 4 least connected regions:
## 18 19 21 26 with 1 link
## 1 most connected region:
## 1 with 8 links
card(nb_jb) # banyak tetangga tiap wilayah
## [1] 8 3 6 7 4 5 5 3 4 6 6 4 6 5 4 3 6 1 1 3 1 3 2 3 2 1
titik_pusat <- st_centroid(st_geometry(jb_gabung))
plot(st_geometry(jb_gabung), border = "grey60", main = "Jaringan ketetanggaan Queen")
plot(nb_jb, st_coordinates(titik_pusat), add = TRUE, col = "red", pch = 19, cex = 0.6)
Dengan seluruh 26 wilayah, tidak ada wilayah yang terisolasi (setiap kabupaten/kota memiliki setidaknya satu tetangga). Kota yang dikelilingi kabupaten, misalnya Kota Bogor, Kota Sukabumi, dan Kota Cirebon, hanya memiliki satu atau dua tetangga, sedangkan Kabupaten Bogor memiliki delapan tetangga. Bobot setiap baris dibakukan sehingga berjumlah 1.
daftar_peubah <- 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")
peubah_respon <- "p.miskin15"
kandidat_x <- setdiff(daftar_peubah, peubah_respon)
data_tanpa_geom <- st_drop_geometry(jb_gabung)
penampung <- list()
no_simpan <- 0
for (jumlah in 1:6) {
semua_kombinasi <- combn(kandidat_x, jumlah, simplify = FALSE)
for (pilihan_x in semua_kombinasi) {
teks_formula <- paste(peubah_respon, "~", paste(pilihan_x, collapse = " + "))
baris_hasil <- tryCatch({
model_coba <- lm(as.formula(teks_formula), data = data_tanpa_geom)
uji_coba <- lm.morantest(model_coba, lw_jb, zero.policy = TRUE)
data.frame(Formula = teks_formula,
Jumlah_X = jumlah,
Moran_I = unname(uji_coba$estimate["Observed Moran I"]),
P_Value = uji_coba$p.value)
}, error = function(e) NULL)
if (!is.null(baris_hasil) && isTRUE(baris_hasil$P_Value < 0.05)) {
no_simpan <- no_simpan + 1
penampung[[no_simpan]] <- baris_hasil
}
}
}
hasil_seleksi <- bind_rows(penampung) %>% arrange(P_Value)
nrow(hasil_seleksi) # banyaknya kombinasi dengan Moran signifikan
## [1] 11095
head(hasil_seleksi, 8)
terbaik_jb <- hasil_seleksi %>% slice(1)
cat("Formula :", terbaik_jb$Formula, "\n")
## Formula : p.miskin15 ~ EYS2015
cat("Jumlah X :", terbaik_jb$Jumlah_X, "\n")
## Jumlah X : 1
cat("Moran's I :", round(terbaik_jb$Moran_I, 5), "\n")
## Moran's I : 0.50011
cat("P-Value :", format(terbaik_jb$P_Value, scientific = FALSE), "\n")
## P-Value : 0.00005963082
rumus_jb <- as.formula(terbaik_jb$Formula)
Dari 14.892 kombinasi yang diuji, sebanyak 11095 kombinasi
menghasilkan sisaan dengan autokorelasi spasial signifikan. Kombinasi
dengan p-value terkecil adalah
p.miskin15 ~ EYS2015 (Moran’s I ≈ 0,500; p
≈ 0,00006), yaitu model yang hanya memakai harapan lama sekolah sebagai
peubah penjelas. Nilai Moran’s I yang positif dan sangat signifikan
berarti kabupaten/kota dengan sisaan tinggi cenderung bertetangga dengan
wilayah bersisaan tinggi juga (dan sebaliknya), sehingga model OLS belum
menangkap struktur spasial kemiskinan dan pemodelan regresi spasial
dibutuhkan.
Karena sangat banyak kombinasi yang signifikan, selisih p-value antarkombinasi teratas sangat kecil; pemilihan ini bersifat prosedural untuk keperluan praktikum, bukan pemilihan model prediktif terbaik.
reg_ols_jb <- lm(rumus_jb, data = jb_gabung)
summary(reg_ols_jb)
##
## Call:
## lm(formula = rumus_jb, data = jb_gabung)
##
## Residuals:
## Min 1Q Median 3Q Max
## -5.8378 -2.4262 0.2295 1.9214 8.3997
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 37.8359 10.1294 3.735 0.00103 **
## EYS2015 -2.2405 0.8134 -2.755 0.01103 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 3.185 on 24 degrees of freedom
## Multiple R-squared: 0.2402, Adjusted R-squared: 0.2086
## F-statistic: 7.588 on 1 and 24 DF, p-value: 0.01103
Harapan lama sekolah berpengaruh negatif dan signifikan terhadap persentase penduduk miskin (koefisien ≈ −2,24; p ≈ 0,011): tambahan satu tahun harapan lama sekolah dikaitkan dengan turunnya persentase penduduk miskin sekitar 2,24 poin. \(R^2\) hanya ≈ 0,24 (adjusted ≈ 0,21), artinya model OLS baru menjelaskan sekitar seperempat keragaman kemiskinan; sisanya kemungkinan terkait struktur spasial yang belum dimodelkan.
moran_jb <- lm.morantest(reg_ols_jb, lw_jb, zero.policy = TRUE)
moran_jb
##
## Global Moran I for regression residuals
##
## data:
## model: lm(formula = rumus_jb, data = jb_gabung)
## weights: lw_jb
##
## Moran I statistic standard deviate = 3.8476, p-value = 5.963e-05
## alternative hypothesis: greater
## sample estimates:
## Observed Moran I Expectation Variance
## 0.50010831 -0.05107053 0.02052090
moran.plot(residuals(reg_ols_jb), lw_jb, zero.policy = TRUE,
xlab = "Sisaan OLS", ylab = "Lag spasial sisaan",
main = "Moran scatterplot sisaan OLS")
Moran’s I sisaan ≈ 0,50 dengan p < 0,001, sehingga \(H_0\) ditolak: sisaan OLS memiliki autokorelasi spasial positif yang kuat. Moran scatterplot memperlihatkan titik-titik terkonsentrasi di kuadran High-High dan Low-Low, yang artinya wilayah bersisaan tinggi dikelilingi wilayah bersisaan tinggi, dan sebaliknya.
lm_jb <- lm.LMtests(reg_ols_jb, lw_jb,
test = c("LMerr", "RLMerr", "LMlag", "RLMlag", "SARMA"))
summary(lm_jb)
## Rao's score (a.k.a Lagrange multiplier) diagnostics for spatial
## dependence
## data:
## model: lm(formula = rumus_jb, data = jb_gabung)
## test weights: listw
##
## statistic parameter p.value
## RSerr 10.43736 1 0.001235 **
## adjRSerr 2.70477 1 0.100048
## RSlag 8.09967 1 0.004427 **
## adjRSlag 0.36708 1 0.544602
## SARMA 10.80444 2 0.004507 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
| Uji | Statistik | p-value | Keputusan (α = 5%) |
|---|---|---|---|
| LM-Error (RSerr) | 10,437 | 0,0012 | signifikan |
| LM-Lag (RSlag) | 8,100 | 0,0044 | signifikan |
| Robust LM-Error (adjRSerr) | 2,705 | 0,100 | tidak signifikan (signifikan pada 10%) |
| Robust LM-Lag (adjRSlag) | 0,367 | 0,545 | tidak signifikan |
| SARMA | 10,804 | 0,0045 | signifikan |
Uji LM biasa untuk error maupun lag sama-sama signifikan, sehingga dependensi spasial memang ada. Karena kedua bentuk signifikan, dilanjutkan ke uji robust: statistik robust LM-Lag turun tajam (p = 0,545), sedangkan robust LM-Error masih jauh lebih besar (2,70 dibanding 0,37; p = 0,100). Artinya signifikansi LM-Lag sebagian besar “terbawa” oleh dependensi error. Meskipun robust LM-Error belum signifikan pada 5%, statistiknya lebih dominan sehingga dependensi paling masuk akal bersumber dari komponen error (jalur SEM pada diagram).
\(y = \beta_0 + X\beta + u,\quad u = \lambda W u + \varepsilon\)
sem_jb <- errorsarlm(rumus_jb, data = jb_gabung, listw = lw_jb, zero.policy = TRUE)
summary(sem_jb)
##
## Call:errorsarlm(formula = rumus_jb, data = jb_gabung, listw = lw_jb,
## zero.policy = TRUE)
##
## Residuals:
## Min 1Q Median 3Q Max
## -4.417017 -1.337621 0.043828 1.440601 7.157161
##
## Type: error
## Coefficients: (asymptotic standard errors)
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) 36.62520 8.30861 4.4081 1.043e-05
## EYS2015 -2.14859 0.64336 -3.3397 0.0008388
##
## Lambda: 0.67018, LR test value: 11.172, p-value: 0.00083046
## Asymptotic standard error: 0.1432
## z-value: 4.6801, p-value: 2.868e-06
## Wald statistic: 21.903, p-value: 2.868e-06
##
## Log likelihood: -60.38973 for error model
## ML residual variance (sigma squared): 5.2704, (sigma: 2.2957)
## Number of observations: 26
## Number of parameters estimated: 4
## AIC: 128.78, (AIC for lm: 137.95)
sar_jb <- lagsarlm(rumus_jb, data = jb_gabung, listw = lw_jb, zero.policy = TRUE)
summary(sar_jb)
##
## Call:lagsarlm(formula = rumus_jb, data = jb_gabung, listw = lw_jb,
## zero.policy = TRUE)
##
## Residuals:
## Min 1Q Median 3Q Max
## -4.298851 -1.482013 -0.017143 1.262834 7.931650
##
## Type: lag
## Coefficients: (asymptotic standard errors)
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) 26.20501 8.05521 3.2532 0.001141
## EYS2015 -1.83923 0.61604 -2.9855 0.002831
##
## Rho: 0.64204, LR test value: 9.7485, p-value: 0.0017947
## Asymptotic standard error: 0.14393
## z-value: 4.4609, p-value: 8.1622e-06
## Wald statistic: 19.899, p-value: 8.1622e-06
##
## Log likelihood: -61.10145 for lag model
## ML residual variance (sigma squared): 5.6496, (sigma: 2.3769)
## Number of observations: 26
## Number of parameters estimated: 4
## AIC: 130.2, (AIC for lm: 137.95)
## LM test for residual autocorrelation
## test value: 0.0043564, p-value: 0.94738
slx_jb <- lmSLX(rumus_jb, data = jb_gabung, listw = lw_jb, Durbin = TRUE)
sdem_jb <- errorsarlm(rumus_jb, data = jb_gabung, listw = lw_jb,
Durbin = TRUE, zero.policy = TRUE)
sdm_jb <- lagsarlm(rumus_jb, data = jb_gabung, listw = lw_jb,
Durbin = TRUE, zero.policy = TRUE)
summary(slx_jb)
##
## 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) 28.76404 18.85252 1.52574 0.14071
## EYS2015 -2.45664 0.90687 -2.70891 0.01252
## lag.EYS2015 0.95769 1.66872 0.57391 0.57160
Pada model SLX, koefisien lag.EYS2015 (≈ 0,96)
tidak signifikan (p ≈ 0,57), sedangkan
EYS2015 sendiri tetap signifikan negatif. Rata-rata harapan
lama sekolah di kabupaten/kota tetangga tidak terbukti berpengaruh
terhadap kemiskinan suatu wilayah (\(\gamma =
0\)), sehingga model SDEM tidak diperlukan dan SEM sudah
memadai.
sarma_jb <- sacsarlm(rumus_jb, data = jb_gabung, listw = lw_jb, zero.policy = TRUE)
summary(sarma_jb)
##
## Call:sacsarlm(formula = rumus_jb, data = jb_gabung, listw = lw_jb,
## zero.policy = TRUE)
##
## Residuals:
## Min 1Q Median 3Q Max
## -4.273712 -1.195483 0.079832 1.368563 6.859251
##
## Type: sac
## Coefficients: (asymptotic standard errors)
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) 37.69685 8.66397 4.3510 1.355e-05
## EYS2015 -2.13392 0.63883 -3.3404 0.0008366
##
## Rho: -0.1273
## Asymptotic standard error: 0.38775
## z-value: -0.3283, p-value: 0.74269
## Lambda: 0.72691
## Asymptotic standard error: 0.20996
## z-value: 3.4622, p-value: 0.00053578
##
## LR test value: 11.275, p-value: 0.0035619
##
## Log likelihood: -60.33822 for sac model
## ML residual variance (sigma squared): 5.0536, (sigma: 2.248)
## Number of observations: 26
## Number of parameters estimated: 5
## AIC: 130.68, (AIC for lm: 137.95)
Interpretasi. Pada SARMA (tipe sac) parameter lag spasial \(\rho\) ≈ −0,13 tidak berarti dan hampir nol, sedangkan \(\lambda\) ≈ 0,73 mendominasi. Pola “\(\rho\) tidak berarti, \(\lambda\) kuat” menunjukkan bahwa dependensi spasial pada data ini hadir melalui komponen error, sehingga SEM lebih tepat daripada SARMA.
rekap_lr_jb <- rbind(
"SEM vs OLS (H0: lambda = 0)" = uji_lr(sem_jb, reg_ols_jb),
"SLX vs OLS (H0: gamma = 0)" = uji_lr(slx_jb, reg_ols_jb),
"SDEM vs SEM (H0: gamma = 0)" = uji_lr(sdem_jb, sem_jb),
"SARMA vs SEM (H0: rho = 0)" = uji_lr(sarma_jb, sem_jb),
"SDM vs SAR (H0: gamma = 0)" = uji_lr(sdm_jb, sar_jb)
)
rekap_lr_jb
anova(sem_jb, sarma_jb)
aicc_jb <- data.frame(
Model = c("OLS", "SEM", "SAR", "SLX", "SDEM", "SDM", "SARMA"),
AICc = c(AICc(reg_ols_jb), AICc(sem_jb), AICc(sar_jb), AICc(slx_jb),
AICc(sdem_jb), AICc(sdm_jb), AICc(sarma_jb))
) %>% arrange(AICc) %>% mutate(AICc = round(AICc, 3))
aicc_jb
SEM memiliki AICc terkecil (≈ 130,68), jauh di bawah OLS (≈ 139,04). SAR (≈ 132,11) berada cukup dekat dengan selisih sekitar 1,4 poin, sehingga SAR tidak bisa dikesampingkan sepenuhnya jika yang diutamakan adalah kecocokan saja. SEM tetap dipilih karena uji robust LM lebih condong ke error, AICc-nya terkecil, dan model-model yang lebih kompleks (SLX, SDEM, SDM, SARMA) bernilai AICc lebih besar.
1. Data China (urbanisasi dan GRP).
2. Data Jawa Barat (kemiskinan).
EYS2015) menghasilkan autokorelasi spasial sisaan terkuat
(Moran’s I ≈ 0,50; p < 0,001).3. Keterbatasan.