Setelah praktikum ini, diharapkan mampu:
| Model | Lag spasial di… | Parameter spasial | Fungsi R (paket) |
|---|---|---|---|
| OLS | tidak ada | tidak ada | lm() |
| SLX / SCR | variabel bebas (\(WX\)) | \(\gamma\) atau \(\theta\) | lmSLX() (spatialreg) |
| SDM | variabel respon (\(Wy\)) dan bebas (\(WX\)) | \(\rho\) dan \(\theta\) | lagsarlm(type="mixed") |
| SDEM | error (\(W\varepsilon\)) dan variabel bebas (\(WX\)) | \(\lambda\) dan \(\theta\) | errorsarlm(etype="emixed") |
# Jalankan sekali saja (hapus tanda # jika perlu)
# install.packages(c("sf", "spdep", "spatialreg", "spData"))Keterangan. Jalankan instalasi sekali jika paket belum tersedia. Saat Knit, blok ini dilewati.
library(sf) # data spasial (peta)
library(spdep) # matriks bobot & uji autokorelasi spasial
library(spatialreg) # model regresi spasialKeterangan. sf membaca peta,
spdep membentuk bobot dan menguji autokorelasi spasial,
sedangkan spatialreg mengestimasi model regresi
spasial.
Data berisi 49 lingkungan (neighborhood) di Columbus, Ohio. Variabel yang dipakai:
CRIME : tingkat kriminalitas (respon, \(y\))INC : pendapatan rumah tangga (ribu dolar) (\(x_1\))HOVAL : nilai rumah (ribu dolar) (\(x_2\))columbus <- st_read(system.file("shapes/columbus.gpkg", package = "spData")[1],
quiet = TRUE)
col.gal.nb <- read.gal(system.file("weights/columbus.gal", package = "spData")[1])
head(st_drop_geometry(columbus[, c("CRIME", "INC", "HOVAL")]))## CRIME INC HOVAL
## 1 15.72598 19.531 80.467
## 2 18.80175 21.232 44.567
## 3 30.62678 15.956 26.350
## 4 32.38776 4.477 33.200
## 5 50.73151 11.252 23.225
## 6 26.06666 16.029 28.750
Cara baca. Tabel menampilkan 6 dari 49 lingkungan.
Setiap baris memuat tingkat kriminalitas (CRIME),
pendapatan (INC), dan nilai rumah (HOVAL)
untuk satu lingkungan.
Kita memakai matriks ketetanggaan yang terstandarisasi
baris (style = "W"), sehingga \(Wx\) berarti rata-rata nilai \(x\) dari tetangga.
## Characteristics of weights list object:
## Neighbour list object:
## Number of regions: 49
## Number of nonzero links: 230
## Percentage nonzero weights: 9.579342
## Average number of links: 4.693878
## Link number distribution:
##
## 2 3 4 5 6 7 8 9 10
## 7 7 13 4 9 6 1 1 1
## 7 least connected regions:
## 1 6 31 39 42 46 47 with 2 links
## 1 most connected region:
## 20 with 10 links
##
## Weights style: W
## Weights constants summary:
## n nn S0 S1 S2
## W 49 2401 49 23.48489 204.6687
Interpretasi. Ada 49 lingkungan dengan rata-rata
4,69 tetangga per lingkungan. Dengan style = "W", bobot
tetangga untuk tiap lingkungan berjumlah 1, sehingga \(WX\) dapat dibaca sebagai rata-rata nilai
tetangganya.
koord <- suppressWarnings(st_coordinates(st_centroid(st_geometry(columbus))))
plot(st_geometry(columbus), border = "grey60", main = "Peta dan Hubungan Ketetanggaan")
plot(col.gal.nb, koord, add = TRUE, col = "red", pch = 19, cex = 0.5)Cara baca peta. Garis merah menghubungkan lingkungan yang dikategorikan bertetangga. Hubungan inilah yang menentukan wilayah mana yang masuk dalam perhitungan lag spasial.
##
## Moran I test under randomisation
##
## data: columbus$CRIME
## weights: lw
##
## Moran I statistic standard deviate = 5.3427, p-value = 4.578e-08
## alternative hypothesis: greater
## sample estimates:
## Moran I statistic Expectation Variance
## 0.485770914 -0.020833333 0.008991121
Interpretasi. Moran’s \(I=0{,}486\) dengan p-value jauh di bawah 0,05. Nilai ini menunjukkan autokorelasi spasial positif: lingkungan bertetangga cenderung memiliki tingkat kriminalitas yang serupa.
##
## Call:
## lm(formula = CRIME ~ INC + HOVAL, data = columbus)
##
## Residuals:
## Min 1Q Median 3Q Max
## -34.418 -6.388 -1.580 9.052 28.649
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 68.6190 4.7355 14.490 < 2e-16 ***
## INC -1.5973 0.3341 -4.780 1.83e-05 ***
## HOVAL -0.2739 0.1032 -2.654 0.0109 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 11.43 on 46 degrees of freedom
## Multiple R-squared: 0.5524, Adjusted R-squared: 0.5329
## F-statistic: 28.39 on 2 and 46 DF, p-value: 9.341e-09
Interpretasi. Dengan variabel lain tetap, kenaikan 1
ribu dolar pada INC dan HOVAL masing-masing
berasosiasi dengan penurunan CRIME sebesar 1,60 dan 0,27
satuan. Keduanya signifikan pada taraf 5%. Model menjelaskan sekitar
55,2% variasi CRIME.
##
## Global Moran I for regression residuals
##
## data:
## model: lm(formula = CRIME ~ INC + HOVAL, data = columbus)
## weights: lw
##
## Moran I statistic standard deviate = 2.681, p-value = 0.00367
## alternative hypothesis: greater
## sample estimates:
## Observed Moran I Expectation Variance
## 0.212374153 -0.033268284 0.008394853
Interpretasi. Moran’s \(I\) sisaan OLS sebesar 0,212 dengan \(p=0{,}0037\) dari
lm.morantest(). Setelah INC dan
HOVAL diperhitungkan, sisaan masih menunjukkan autokorelasi
spasial positif.
# Uji Lagrange Multiplier: membantu menduga SAR atau SEM yang lebih cocok
lm.RStests(ols, lw, test = c("LMerr", "LMlag", "RLMerr", "RLMlag"))##
## Rao's score (a.k.a Lagrange multiplier) diagnostics for spatial
## dependence
##
## data:
## model: lm(formula = CRIME ~ INC + HOVAL, data = columbus)
## test weights: lw
##
## RSerr = 4.6111, df = 1, p-value = 0.03177
##
##
## Rao's score (a.k.a Lagrange multiplier) diagnostics for spatial
## dependence
##
## data:
## model: lm(formula = CRIME ~ INC + HOVAL, data = columbus)
## test weights: lw
##
## RSlag = 7.8557, df = 1, p-value = 0.005066
##
##
## Rao's score (a.k.a Lagrange multiplier) diagnostics for spatial
## dependence
##
## data:
## model: lm(formula = CRIME ~ INC + HOVAL, data = columbus)
## test weights: lw
##
## adjRSerr = 0.033514, df = 1, p-value = 0.8547
##
##
## Rao's score (a.k.a Lagrange multiplier) diagnostics for spatial
## dependence
##
## data:
## model: lm(formula = CRIME ~ INC + HOVAL, data = columbus)
## test weights: lw
##
## adjRSlag = 3.2781, df = 1, p-value = 0.07021
Interpretasi. Uji awal RSerr dan
RSlag sama-sama signifikan pada taraf 5%. Setelah
penyesuaian, adjRSerr (\(p=0{,}855\)) dan adjRSlag
(\(p=0{,}070\)) sama-sama belum
signifikan. Keduanya bisa dipertimbangkan sebagai model pembanding.
Pada model SLX, efek spasial hanya melekat pada variabel bebas. Wilayah \(i\) dipengaruhi oleh \(x\) miliknya sendiri dan rata-rata \(x\) tetangganya:
\[ y_i = \beta_1 + \beta_2 x_i + \gamma_2 \sum_{j} w_{ij} x_j + \varepsilon_i \qquad\text{atau}\qquad \mathbf{y} = \mathbf{X}\boldsymbol{\beta} + \mathbf{WX}\boldsymbol{\gamma} + \boldsymbol{\varepsilon} \]
\[ \begin{bmatrix}\hat{\boldsymbol\beta}\\ \hat{\boldsymbol\gamma}\end{bmatrix}=([\mathbf X\ \mathbf X^*]'[\mathbf X\ \mathbf X^*])^{-1}[\mathbf X\ \mathbf X^*]'\mathbf y, \quad \mathbf X^*=\mathbf{WX} \]
Ini contoh dari materi kuliah: \(x\) = pertumbuhan output, \(y\) = pertumbuhan produktivitas, 5 wilayah. Tujuannya agar kamu paham bahwa SLX hanyalah regresi dengan satu kolom tambahan \(Wx\).
x <- c(0.6, 1.0, 1.6, 2.6, 2.2)
y <- c(0.4, 0.6, 0.9, 1.1, 1.2)
W <- matrix(c(0, 1/2, 1/2, 0, 0,
1/3, 0, 1/3, 1/3, 0,
1/3, 1/3, 0, 1/3, 0,
0, 1/3, 1/3, 0, 1/3,
0, 0, 0, 1, 0),
nrow = 5, byrow = TRUE)
rowSums(W) # tiap baris harus berjumlah 1 (terstandarisasi)## [1] 1 1 1 1 1
Cara baca. Kelima jumlah baris bernilai 1. Pada baris pertama, wilayah 2 dan 3 masing-masing mendapat bobot ½ untuk menghitung lag wilayah 1.
## [1] 1.3 1.6 1.4 1.6 2.6
## x Wx
## [1,] 1 0.6 1.3
## [2,] 1 1.0 1.6
## [3,] 1 1.6 1.4
## [4,] 1 2.6 1.6
## [5,] 1 2.2 2.6
Interpretasi. Untuk wilayah 1, \(Wx_1=(1{,}0+1{,}6)/2=1{,}3\). Matriks
Z memuat tiga kolom untuk estimasi SLX, yaitu intersep,
nilai \(x\) sendiri, dan rata-rata
\(x\) tetangga.
# Penduga koefisien: (Z'Z)^-1 Z'y
beta <- solve(t(Z) %*% Z) %*% t(Z) %*% y
rownames(beta) <- c("beta1 (intersep)", "beta2 (x)", "gamma2 (Wx)")
round(beta, 4) # 0.0230 0.3350 0.1653## [,1]
## beta1 (intersep) 0.0230
## beta2 (x) 0.3350
## gamma2 (Wx) 0.1653
Interpretasi. Koefisien \(x\) sebesar 0,3350 menggambarkan asosiasi dalam wilayah sendiri. Koefisien \(Wx\) sebesar 0,1653 menggambarkan asosiasi dengan rata-rata \(x\) tetangga. Signifikansinya diperiksa pada uji berikut.
n <- 5; k <- 2
e <- y - Z %*% beta # galat
sigma2 <- sum(e^2) / (n - k - 1) # ragam galat
vcov_b <- sigma2 * solve(t(Z) %*% Z) # matriks kovarian
se <- sqrt(diag(vcov_b))
t_hit <- as.numeric(beta) / se
hasil <- data.frame(Koefisien = round(as.numeric(beta), 4),
SE = round(se, 4),
t_hitung = round(t_hit, 3),
t_tabel = round(qt(0.975, df = n - k - 1), 3),
Keputusan = ifelse(abs(t_hit) > qt(0.975, n - k - 1),
"Tolak H0", "Gagal tolak H0"),
row.names = rownames(beta))
hasil## Koefisien SE t_hitung t_tabel Keputusan
## beta1 (intersep) 0.0230 0.1593 0.145 4.303 Gagal tolak H0
## beta2 (x) 0.3350 0.0667 5.020 4.303 Tolak H0
## gamma2 (Wx) 0.1653 0.1059 1.560 4.303 Gagal tolak H0
Interpretasi. Pada taraf 5%, hanya koefisien \(x\) sendiri yang signifikan karena \(|t|=5{,}02\) melebihi 4,303. Koefisien lag \(Wx\) memiliki \(|t|=1{,}56\).
Uji F untuk \(H_0:\gamma = 0\) (membandingkan model dengan dan tanpa lag):
## Analysis of Variance Table
##
## Model 1: y ~ x
## Model 2: y ~ x + Wx
## Res.Df RSS Df Sum of Sq F Pr(>F)
## 1 3 0.038912
## 2 2 0.017550 1 0.021362 2.4344 0.2591
Interpretasi manual.
##
## 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) 7.403e+01 6.722e+00 1.101e+01 3.133e-14
## INC -1.108e+00 3.750e-01 -2.955e+00 5.007e-03
## HOVAL -2.949e-01 1.014e-01 -2.910e+00 5.654e-03
## lag.INC -1.383e+00 5.592e-01 -2.474e+00 1.729e-02
## lag.HOVAL 2.262e-01 2.026e-01 1.116e+00 2.704e-01
Interpretasi. INC, HOVAL,
dan lag.INC memiliki koefisien negatif dan signifikan pada
taraf 5%. Khusus lag.INC, kenaikan 1 ribu dolar pada
rata-rata pendapatan tetangga berasosiasi dengan penurunan
CRIME sekitar 1,38 satuan, dengan variabel lain tetap.
Uji apakah semua lag \(X\) perlu dimasukkan (bandingkan dengan OLS):
columbus_lag <- transform(
st_drop_geometry(columbus),
lag.INC = lag.listw(lw, INC),
lag.HOVAL = lag.listw(lw, HOVAL)
)
slx_lm <- lm(CRIME ~ INC + HOVAL + lag.INC + lag.HOVAL, data = columbus_lag)
anova(ols, slx_lm)## Analysis of Variance Table
##
## Model 1: CRIME ~ INC + HOVAL
## Model 2: CRIME ~ INC + HOVAL + lag.INC + lag.HOVAL
## Res.Df RSS Df Sum of Sq F Pr(>F)
## 1 46 6014.9
## 2 44 5261.5 2 753.41 3.1503 0.05265 .
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Interpretasi. Uji F membandingkan OLS dengan SLX
penuh. Nilai \(p\) sekitar 0,053,
sehingga pada taraf 5% belum cukup bukti bahwa penambahan
lag.INC dan lag.HOVAL secara bersama
memperbaiki model.
Dampak langsung dan tidak langsung pada SLX:
## Impact measures (SlX, glht, n-k):
## Direct Indirect Total
## INC dy/dx -1.1081273 -1.3834468 -2.49157410
## HOVAL dy/dx -0.2949095 0.2261538 -0.06875574
## ========================================================
## Standard errors:
## Direct Indirect Total
## INC dy/dx 0.3749956 0.5591789 0.4928197
## HOVAL dy/dx 0.1013524 0.2026169 0.2049626
## ========================================================
## Z-values:
## Direct Indirect Total
## INC dy/dx -2.955041 -2.474068 -5.0557523
## HOVAL dy/dx -2.909744 1.116164 -0.3354551
##
## p-values:
## Direct Indirect Total
## INC dy/dx 0.0031263 0.013358 4.287e-07
## HOVAL dy/dx 0.0036172 0.264352 0.73728
Interpretasi. Untuk INC, dampak
langsung sekitar −1,11 dan dampak tidak langsung sekitar −1,38. Keduanya
signifikan, dengan dampak total sekitar −2,49. Untuk HOVAL,
hanya dampak langsung yang signifikan.
Baca output summary(slx) dengan urutan berikut:
INC,
HOVAL): pengaruh variabel wilayah itu
sendiri terhadap CRIME, ceteris paribus.lag.INC,
lag.HOVAL: pengaruh rata-rata nilai
tetangga. Misalnya, jika lag.INC bernilai \(\hat\gamma\), maka kenaikan 1 satuan
rata-rata pendapatan tetangga mengubah kriminalitas
wilayah \(i\) sebesar \(\hat\gamma\) satuan (variabel lain
tetap).Pr(>|t|).
Variabel dengan p < 0,05 berpengaruh nyata.anova(ols, slx_lm): jika p <
0,05, menambahkan lag spasial \(X\)
memperbaiki model dibanding OLS.impacts: direct = pengaruh
\(x_i\) ke \(y_i\) (\(\beta\)), indirect = pengaruh
\(x\) tetangga ke \(y_i\) (\(\gamma\), ini efek spillover),
total = jumlahnya.SDM = SAR (lag pada respon \(Wy\)) + SLX (lag pada bebas \(WX\)):
\[ \mathbf y = \rho \mathbf{Wy} + \alpha \mathbf 1_n + \mathbf X\boldsymbol\beta + \mathbf{WX}\boldsymbol\theta + \boldsymbol\varepsilon, \qquad \boldsymbol\varepsilon \sim N(0,\sigma^2\mathbf I_n) \]
Mengapa tidak cukup dengan OLS? Karena \(Wy\) berkorelasi dengan error, OLS pada
model ini bias. Estimasi yang benar memakai
Maximum Likelihood Estimation (MLE), yang
sudah ditangani otomatis oleh lagsarlm(). Fungsi
log-likelihood-nya memuat suku Jacobian \(\ln|\mathbf I-\rho\mathbf W|\).
sdm <- lagsarlm(CRIME ~ INC + HOVAL, data = columbus, listw = lw,
type = "mixed") # "mixed" = SDM (menambah WX otomatis)
summary(sdm)##
## Call:lagsarlm(formula = CRIME ~ INC + HOVAL, data = columbus, listw = lw,
## type = "mixed")
##
## Residuals:
## Min 1Q Median 3Q Max
## -37.15904 -6.62594 -0.39823 6.57561 23.62757
##
## Type: mixed
## Coefficients: (asymptotic standard errors)
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) 45.592893 13.128679 3.4728 0.0005151
## INC -0.939088 0.338229 -2.7765 0.0054950
## HOVAL -0.299605 0.090843 -3.2980 0.0009736
## lag.INC -0.618375 0.577052 -1.0716 0.2838954
## lag.HOVAL 0.266615 0.183971 1.4492 0.1472760
##
## Rho: 0.38251, LR test value: 4.1648, p-value: 0.041272
## Asymptotic standard error: 0.16237
## z-value: 2.3557, p-value: 0.018488
## Wald statistic: 5.5493, p-value: 0.018488
##
## Log likelihood: -182.0161 for mixed model
## ML residual variance (sigma squared): 95.051, (sigma: 9.7494)
## Number of observations: 49
## Number of parameters estimated: 7
## AIC: 378.03, (AIC for lm: 380.2)
## LM test for residual autocorrelation
## test value: 0.101, p-value: 0.75063
Interpretasi. Nilai \(\hat\rho=0{,}383\) dengan \(p\) uji LR sekitar 0,041 menunjukkan
ketergantungan spasial positif pada CRIME setelah
memperhitungkan prediktor. Besar dampak INC dan
HOVAL dibaca dari tabel impacts berikut.
Alternatif penulisan yang setara:
lagsarlm(..., Durbin = TRUE).
Dampak langsung, tidak langsung, dan total (wajib untuk SDM):
set.seed(123)
imp_sdm <- impacts(sdm, listw = lw, R = 500) # R = jumlah simulasi
summary(imp_sdm, zstats = TRUE, short = TRUE)## Impact measures (mixed, exact):
## Direct Indirect Total
## INC dy/dx -1.0418080 -1.4804246 -2.52223256
## HOVAL dy/dx -0.2836325 0.2302055 -0.05342697
## ========================================================
## Simulation results ( variance matrix):
## ========================================================
## Simulated standard errors
## Direct Indirect Total
## INC dy/dx 0.30581262 0.8062295 0.8593855
## HOVAL dy/dx 0.09185694 0.3127424 0.3442759
##
## Simulated z-values:
## Direct Indirect Total
## INC dy/dx -3.413783 -1.8292526 -2.9309026
## HOVAL dy/dx -3.103719 0.7070577 -0.1858138
##
## Simulated p-values:
## Direct Indirect Total
## INC dy/dx 0.00064068 0.067362 0.0033798
## HOVAL dy/dx 0.00191105 0.479531 0.8525908
Interpretasi. Untuk INC, dampak
langsung rata-rata sekitar −1,04 dan dampak total sekitar −2,52,
keduanya signifikan pada taraf 5%. Dampak tidak langsung diperkirakan
−1,48, dengan \(p\) simulasi sekitar
0,067. Untuk HOVAL, hanya dampak langsung yang
signifikan.
1. Parameter \(\rho\) (Rho: di
bagian bawah output)
Pada data ini \(\hat\rho =\) 0.3825 dengan p-value 0.0185.
CRIME
tinggi cenderung bertetangga dengan wilayah ber-CRIME
tinggi.2. Jangan menafsirkan \(\beta\) dan \(\theta\) langsung seperti OLS! Di SDM terdapat feedback effect: perubahan \(x_i\) memengaruhi \(y_i\), lalu \(y_i\) memengaruhi tetangga, lalu kembali ke \(y_i\). Karena itu, tafsirkan memakai dampak (impacts):
| Dampak | Arti |
|---|---|
| Direct | Perubahan 1 satuan \(x\) di wilayah \(i\) terhadap \(y\) di wilayah \(i\) sendiri (sudah termasuk feedback) |
| Indirect | Jumlah dampak perubahan \(x\) di suatu wilayah terhadap \(y\) di wilayah lain, dirata-ratakan antarwilayah |
| Total | Direct + Indirect |
Contoh kalimat interpretasi: “Jika pendapatan (INC)
naik 1 satuan di suatu lingkungan, kriminalitas di lingkungan itu
berubah sebesar [Direct]; sedangkan dampak tidak langsung ke lingkungan
sekitarnya sebesar [Indirect].” Signifikansi dampak dilihat dari
z-value dan p-value pada ringkasan
impacts.
3. Uji kecocokan. Statistik uji Wald dan LR untuk \(\rho\) ada di output. Pembandingan dengan OLS dilakukan di bagian Perbandingan Model.
SDEM = SEM (lag pada error) + SLX (lag pada bebas):
\[ \mathbf y = \alpha\mathbf 1_n + \mathbf X\boldsymbol\beta + \mathbf{WX}\boldsymbol\theta + \boldsymbol\varepsilon, \qquad \boldsymbol\varepsilon = \lambda \mathbf{W}\boldsymbol\varepsilon + \mathbf v \]
sdem <- errorsarlm(CRIME ~ INC + HOVAL, data = columbus, listw = lw,
etype = "emixed") # "emixed" = SDEM
summary(sdem)##
## Call:errorsarlm(formula = CRIME ~ INC + HOVAL, data = columbus, listw = lw,
## etype = "emixed")
##
## Residuals:
## Min 1Q Median 3Q Max
## -37.02060 -6.68585 -0.15142 6.51557 24.18199
##
## Type: error
## Coefficients: (asymptotic standard errors)
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) 73.258655 8.528044 8.5903 < 2.2e-16
## INC -1.069530 0.324719 -3.2937 0.0009887
## HOVAL -0.280344 0.091809 -3.0535 0.0022615
## lag.INC -1.196774 0.568968 -2.1034 0.0354297
## lag.HOVAL 0.146758 0.200872 0.7306 0.4650196
##
## Lambda: 0.37613, LR test value: 3.7313, p-value: 0.053403
## Asymptotic standard error: 0.16554
## z-value: 2.2721, p-value: 0.023079
## Wald statistic: 5.1626, p-value: 0.023079
##
## Log likelihood: -182.2329 for error model
## ML residual variance (sigma squared): 96.022, (sigma: 9.7991)
## Number of observations: 49
## Number of parameters estimated: 7
## AIC: 378.47, (AIC for lm: 380.2)
Interpretasi. lag.INC bernilai negatif
dan signifikan (\(p=0{,}035\)),
sedangkan lag.HOVAL belum signifikan. Untuk \(\lambda\), uji Wald menghasilkan \(p=0{,}023\) dan uji LR \(p=0{,}053\), sehingga kesimpulannya pada
taraf 5% bergantung pada uji yang dipakai.
Alternatif setara:
errorsarlm(..., Durbin = TRUE).
1. Parameter \(\lambda\). Pada data ini \(\hat\lambda =\) 0.3761 dengan p-value 0.0231. Jika \(p<0{,}05\), ada autokorelasi spasial pada error: ada faktor lain di luar model yang menyebar antarwilayah bertetangga.
2. Koefisien \(\beta\) (tanpa awalan) = dampak langsung variabel wilayah itu sendiri terhadap \(y\), ceteris paribus.
3. Koefisien \(\theta\)
(lag.) = dampak tidak langsung /
spillover dari rata-rata nilai tetangga.
4. Dampak total = \(\beta + \theta\) (jumlahkan kedua koefisien).
koef <- coef(sdem)
dampak_sdem <- data.frame(
Variabel = c("INC", "HOVAL"),
Langsung = c(koef["INC"], koef["HOVAL"]),
TidakLangsung = c(koef["lag.INC"], koef["lag.HOVAL"])
)
dampak_sdem$Total <- dampak_sdem$Langsung + dampak_sdem$TidakLangsung
dampak_sdem## Variabel Langsung TidakLangsung Total
## INC INC -1.0695301 -1.1967736 -2.2663036
## HOVAL HOVAL -0.2803441 0.1467585 -0.1335856
Interpretasi. Untuk INC, dampak
langsung (−1,07) dan tidak langsung (−1,20) menghasilkan total sekitar
−2,27. Untuk HOVAL, komponen −0,28 dan +0,15 menghasilkan
total sekitar −0,13. Tabel ini menampilkan besaran dampak.
Untuk menguji apakah lag \(WX\) pada model Durbin memang diperlukan, kita bandingkan dengan model tanpa \(WX\) (nested).
sar <- lagsarlm(CRIME ~ INC + HOVAL, data = columbus, listw = lw) # tanpa WX
sem <- errorsarlm(CRIME ~ INC + HOVAL, data = columbus, listw = lw) # tanpa WXKeterangan. SAR mempertahankan lag pada respons (\(Wy\)), sedangkan SEM mempertahankan struktur spasial pada galat. Keduanya menjadi pembanding untuk menguji tambahan \(WX\) pada model Durbin.
tabel_aic <- data.frame(
Model = c("OLS", "SLX", "SAR", "SEM", "SDM", "SDEM"),
AIC = c(AIC(ols), AIC(slx), AIC(sar), AIC(sem), AIC(sdm), AIC(sdem))
)
tabel_aic[order(tabel_aic$AIC), ]## Model AIC
## 3 SAR 376.3366
## 5 SDM 378.0322
## 4 SEM 378.3104
## 6 SDEM 378.4658
## 2 SLX 380.1970
## 1 OLS 382.7545
Interpretasi. Dari enam model, SAR memiliki AIC terendah (376,34), disusul SDM (378,03). Selisihnya hanya 1,70, jadi AIC mendukung SAR dengan selisih kecil. OLS memiliki AIC tertinggi (382,75).
##
## Likelihood ratio for spatial linear models
##
## data:
## Likelihood ratio = 10.722, df = 3, p-value = 0.01333
## sample estimates:
## Log likelihood of sdm Log likelihood of ols
## -182.0161 -187.3772
##
## Likelihood ratio for spatial linear models
##
## data:
## Likelihood ratio = 10.289, df = 3, p-value = 0.01626
## sample estimates:
## Log likelihood of sdem Log likelihood of ols
## -182.2329 -187.3772
##
## Likelihood ratio for spatial linear models
##
## data:
## Likelihood ratio = 2.3043, df = 2, p-value = 0.316
## sample estimates:
## Log likelihood of sdm Log likelihood of sar
## -182.0161 -183.1683
##
## Likelihood ratio for spatial linear models
##
## data:
## Likelihood ratio = 3.8446, df = 2, p-value = 0.1463
## sample estimates:
## Log likelihood of sdem Log likelihood of sem
## -182.2329 -184.1552
Interpretasi. SDM dan SDEM masing-masing memperbaiki kecocokan terhadap OLS (\(p=0{,}013\) dan \(p=0{,}016\)). Dibandingkan model spasial yang lebih sederhana, tambahan \(WX\) belum didukung pada SDM vs SAR (\(p=0{,}316\)) maupun SDEM vs SEM (\(p=0{,}146\)).
Pada versi lama
spatialreg, nama fungsinyaLR.sarlm(huruf kecil).
Cara membaca:
data.frame(
Model = c("OLS", "SDM", "SDEM"),
Moran_I_sisaan = c(moran.test(residuals(ols), lw)$estimate[1],
moran.test(residuals(sdm), lw)$estimate[1],
moran.test(residuals(sdem), lw)$estimate[1]),
p_value = c(moran.test(residuals(ols), lw)$p.value,
moran.test(residuals(sdm), lw)$p.value,
moran.test(residuals(sdem), lw)$p.value)
)## Model Moran_I_sisaan p_value
## 1 OLS 0.212374153 0.006162272
## 2 SDM 0.007529515 0.377684249
## 3 SDEM 0.012426415 0.357644648
Interpretasi. Pada tabel ini, sisaan OLS masih menunjukkan autokorelasi spasial positif (\(I=0{,}212\); \(p=0{,}006\)). Untuk SDM dan SDEM, \(I\) mendekati nol dan \(p\) masing-masing sekitar 0,378 dan 0,358. Pemeriksaan ini tidak menemukan bukti autokorelasi positif pada sisaan kedua model Durbin.
Hasil moran.test() di tabel dipakai sebagai pemeriksaan
deskriptif sisaan. Untuk uji formal pada OLS, gunakan
lm.morantest() di bagian sebelumnya.
Pada praktik, tidak semua lag \(WX\)
signifikan. Salah satu cara memperbaiki model adalah membuang
lag yang paling tidak signifikan, lalu membandingkan dengan
model awal. Caranya, buat lag secara manual dengan
create_WX().
# 1. Ambil matriks variabel bebas dari model OLS (tanpa kolom intersep)
X <- model.matrix(ols)[, -1]
# 2. Bentuk matriks lag spasial
lagX <- create_WX(X, lw, prefix = "lag")
# 3. Gabungkan dengan data
dat2 <- cbind(st_drop_geometry(columbus), lagX)
# 4. Model SDM tereduksi: hanya mempertahankan lag.INC
sdm2 <- lagsarlm(CRIME ~ INC + HOVAL + lag.INC, data = dat2, listw = lw)
summary(sdm2)##
## Call:lagsarlm(formula = CRIME ~ INC + HOVAL + lag.INC, data = dat2,
## listw = lw)
##
## Residuals:
## Min 1Q Median 3Q Max
## -37.62163 -6.13108 0.11211 6.70682 24.76777
##
## Type: lag
## Coefficients: (asymptotic standard errors)
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) 51.951208 12.577338 4.1305 3.619e-05
## INC -1.038812 0.337656 -3.0765 0.002094
## HOVAL -0.269345 0.090406 -2.9793 0.002889
## lag.INC -0.254653 0.544298 -0.4679 0.639888
##
## Rho: 0.35028, LR test value: 3.4351, p-value: 0.063823
## Asymptotic standard error: 0.1617
## z-value: 2.1662, p-value: 0.030293
## Wald statistic: 4.6926, p-value: 0.030293
##
## Log likelihood: -183.065 for lag model
## ML residual variance (sigma squared): 99.846, (sigma: 9.9923)
## Number of observations: 49
## Number of parameters estimated: 6
## AIC: 378.13, (AIC for lm: 379.57)
## LM test for residual autocorrelation
## test value: 2.5646, p-value: 0.10928
## [1] 378.0322
## [1] 378.13
##
## Likelihood ratio for spatial linear models
##
## data:
## Likelihood ratio = 2.0978, df = 1, p-value = 0.1475
## sample estimates:
## Log likelihood of sdm Log likelihood of sdm2
## -182.0161 -183.0650
Interpretasi. AIC SDM penuh 378,03 dan SDM tereduksi
378,13, dengan selisih sekitar 0,10. Uji LR (\(p=0{,}148\)) belum menunjukkan manfaat
tambahan dari lag.HOVAL, sehingga SDM tereduksi dapat
dipertimbangkan jika mengutamakan model yang lebih sederhana.
Untuk menghitung dampak SDM tereduksi dengan lag yang dibuat manual, gunakan struktur \(WX\) yang sesuai dan perhitungkan umpan balik melalui \((\mathbf I-\hat\rho\mathbf W)^{-1}\).
lm.morantest()
pada sisaan.| Aspek | SLX | SDM | SDEM |
|---|---|---|---|
| Estimasi | OLS | MLE | MLE |
| Parameter spasial | \(\theta\) | \(\rho,\ \theta\) | \(\lambda,\ \theta\) |
| Ada feedback effect? | Tidak | Ya | Tidak |
| Cara menafsirkan | Koefisien langsung | Impacts | Koefisien langsung |
Data yang dipakai berasal dari paket sf (file
nc.shp): 100 county di North Carolina, AS,
berisi jumlah kelahiran dan kasus Sudden Infant Death Syndrome
(SIDS, kematian bayi mendadak) tahun 1979.
Variabel yang kita bentuk:
SIDS79 : kasus SIDS per 1.000 kelahiran (respon, \(y\))NWPROP79 : persentase kelahiran non-kulit putih (\(x_1\))LOGBIR79 : logaritma jumlah kelahiran, sebagai ukuran
besar populasi (\(x_2\))nc <- st_read(system.file("shape/nc.shp", package = "sf"), quiet = TRUE)
nc$SIDS79 <- nc$SID79 / nc$BIR79 * 1000
nc$NWPROP79 <- nc$NWBIR79 / nc$BIR79 * 100
nc$LOGBIR79 <- log(nc$BIR79)
# Matriks bobot queen contiguity, terstandarisasi baris
nb.nc <- poly2nb(nc, queen = TRUE)
lw.nc <- nb2listw(nb.nc, style = "W")
summary(st_drop_geometry(nc[, c("SIDS79", "NWPROP79", "LOGBIR79")]))## SIDS79 NWPROP79 LOGBIR79
## Min. :0.000 Min. : 0.324 Min. : 5.765
## 1st Qu.:1.249 1st Qu.:12.020 1st Qu.: 7.197
## Median :2.075 Median :30.762 Median : 7.877
## Mean :2.039 Mean :31.045 Mean : 7.857
## 3rd Qu.:2.539 3rd Qu.:46.309 3rd Qu.: 8.494
## Max. :6.114 Max. :75.922 Max. :10.334
Cara baca. Median SIDS sekitar 2,08 kasus per 1.000 kelahiran, dengan nilai antarkabupaten dari 0 hingga sekitar 6,11.
Cara baca peta. Warna mengikuti skala angka SIDS per 1.000 kelahiran. Amati apakah county dengan angka serupa saling berdekatan, lalu gunakan uji Moran untuk memeriksa kesan tersebut.
Ganti setiap ___ dengan kode yang sesuai (lihat bagian
Model 1 sampai 3 di atas). Bagian ini tidak dijalankan
otomatis (eval=FALSE). Ubah menjadi
eval=TRUE setelah semua ___ kamu isi.
reg.eq <- SIDS79 ~ NWPROP79 + LOGBIR79
# 1. Model OLS dan uji autokorelasi spasial pada sisaan
reg.OLS <- lm(reg.eq, data = nc)
___(reg.OLS, lw.nc) # petunjuk: uji Moran untuk sisaan lm
# 2. Model SLX
reg.SLX <- ___(reg.eq, data = nc, listw = lw.nc)
# 3. Model SDM
reg.SDM <- lagsarlm(reg.eq, data = nc, listw = lw.nc, type = "___")
# 4. Model SDEM
reg.SDEM <- errorsarlm(reg.eq, data = nc, listw = lw.nc, etype = "___")
# 5. Model pembanding tanpa WX
reg.SAR <- lagsarlm(reg.eq, data = nc, listw = lw.nc)
reg.SEM <- errorsarlm(reg.eq, data = nc, listw = lw.nc)
# 6. Perbandingan model
AIC(reg.OLS, reg.SLX, reg.SDM, reg.SDEM)
LR.Sarlm(reg.SDM, reg.___) # apakah WX perlu pada model SDM?
LR.Sarlm(reg.SDEM, reg.___) # apakah WX perlu pada model SDEM?
# 7. Dampak pada SDM
set.seed(123)
summary(impacts(reg.___, listw = lw.nc, R = 500), zstats = TRUE, short = TRUE)Panduan membaca hasil. Setelah kode dilengkapi, catat p-value uji Moran, urutan AIC, dan tanda dampak direct dan indirect sebelum menjawab pertanyaan latihan.
SIDS79. Apakah ada autokorelasi spasial? Tafsirkan.NWPROP79, tuliskan
interpretasi dampak langsung dan tidak langsung (spillover).
Apakah signifikan?create_WX(), lalu bandingkan dengan model awal (AIC dan
LR). Apakah model menjadi lebih baik?Tidak ada satu jawaban “pasti benar”. Yang dinilai adalah ketepatan memilih model dan kerapian interpretasimu.