1 Tujuan dan Alur Praktikum

Setelah praktikum ini, diharapkan mampu:

  1. Membedakan SLX/SCR, SDM, dan SDEM (apa yang ditambahkan ke model OLS).
  2. Menuliskan sintaks R untuk mengestimasi ketiganya.
  3. Menginterpretasikan output (koefisien, \(\rho\), \(\lambda\), AIC, uji LR, dan dampak langsung/tidak langsung).
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")

2 Persiapan

2.1 Paket yang dibutuhkan

# 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 spasial

Keterangan. sf membaca peta, spdep membentuk bobot dan menguji autokorelasi spasial, sedangkan spatialreg mengestimasi model regresi spasial.

2.2 Data yang dipakai: Columbus, Ohio

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.

2.3 Matriks bobot spasial (\(W\))

Kita memakai matriks ketetanggaan yang terstandarisasi baris (style = "W"), sehingga \(Wx\) berarti rata-rata nilai \(x\) dari tetangga.

lw <- nb2listw(col.gal.nb, style = "W")
summary(lw)
## 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.

2.4 Eksplorasi: apakah ada autokorelasi spasial?

moran.test(columbus$CRIME, lw)
## 
##  Moran I test under randomisation
## 
## data:  columbus$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.

3 Model Dasar: OLS

3.1 Sintaks

ols <- lm(CRIME ~ INC + HOVAL, data = columbus)
summary(ols)
## 
## 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.

3.2 Cek sisaan OLS secara spasial

lm.morantest(ols, lw)
## 
##  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.


4 Model 1: SLX / Spatial Cross Regressive (SCR)

4.1 Pengantar

Pada model SLX, efek spasial hanya melekat pada variabel bebas. Wilayah \(i\) dipengaruhi oleh \(x\) miliknya sendiri dan rata-rata \(x\) tetangganya:

\[ y_i = \beta_1 + \beta_2 x_i + \gamma_2 \sum_{j} w_{ij} x_j + \varepsilon_i \qquad\text{atau}\qquad \mathbf{y} = \mathbf{X}\boldsymbol{\beta} + \mathbf{WX}\boldsymbol{\gamma} + \boldsymbol{\varepsilon} \]

  • \(\beta\) : pengaruh \(x\) wilayah sendiri.
  • \(\gamma\) : pengaruh \(x\) wilayah tetangga (spillover).
  • Karena \(WX\) bersifat eksogen (bobot \(W\) ditentukan di awal), model ini dapat diestimasi dengan OLS biasa:

\[ \begin{bmatrix}\hat{\boldsymbol\beta}\\ \hat{\boldsymbol\gamma}\end{bmatrix}=([\mathbf X\ \mathbf X^*]'[\mathbf X\ \mathbf X^*])^{-1}[\mathbf X\ \mathbf X^*]'\mathbf y, \quad \mathbf X^*=\mathbf{WX} \]

4.2 Contoh hitung manual (5 wilayah)

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.

Wx <- as.numeric(W %*% x)   # lag spasial dari x
Wx                          # 1.3 1.6 1.4 1.6 2.6
## [1] 1.3 1.6 1.4 1.6 2.6
Z  <- cbind(1, x, Wx)       # matriks [X X*]
Z
##          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):

m_tanpa_lag <- lm(y ~ x)
m_slx       <- lm(y ~ x + Wx)
anova(m_tanpa_lag, m_slx)
## 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.

  • Pada \(\alpha = 5\%\) dengan \(db = 2\), nilai kritis \(t = 4{,}303\). Hanya \(\beta_2\) (\(|t| \approx 5{,}02\)) yang signifikan. Intersep dan \(\gamma_2\) tidak signifikan.
  • Uji F untuk \(\gamma\) menghasilkan \(F \approx 2{,}4\), lebih kecil dari \(F_{(1;2;0{,}95)} = 18{,}5\), dengan \(p=0{,}259\). Pada taraf 5%, gagal menolak \(H_0\).
  • Untuk satu parameter, \(F = t^2\) (cek: \(1{,}56^2 \approx 2{,}4\)).
  • Dengan \(n = 5\) saja, uji sangat lemah. Ini hanya ilustrasi perhitungan.

4.3 Sintaks (data Columbus)

slx <- lmSLX(CRIME ~ INC + HOVAL, data = columbus, listw = lw)
summary(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)   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:

summary(impacts(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.

4.4 Interpretasi

Baca output summary(slx) dengan urutan berikut:

  1. Koefisien tanpa awalan (INC, HOVAL): pengaruh variabel wilayah itu sendiri terhadap CRIME, ceteris paribus.
  2. Koefisien 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).
  3. Signifikansi: lihat kolom Pr(>|t|). Variabel dengan p < 0,05 berpengaruh nyata.
  4. Uji anova(ols, slx_lm): jika p < 0,05, menambahkan lag spasial \(X\) memperbaiki model dibanding OLS.
  5. impacts: direct = pengaruh \(x_i\) ke \(y_i\) (\(\beta\)), indirect = pengaruh \(x\) tetangga ke \(y_i\) (\(\gamma\), ini efek spillover), total = jumlahnya.

5 Model 2: Spatial Durbin Model (SDM)

5.1 Pengantar

SDM = SAR (lag pada respon \(Wy\)) + SLX (lag pada bebas \(WX\)):

\[ \mathbf y = \rho \mathbf{Wy} + \alpha \mathbf 1_n + \mathbf X\boldsymbol\beta + \mathbf{WX}\boldsymbol\theta + \boldsymbol\varepsilon, \qquad \boldsymbol\varepsilon \sim N(0,\sigma^2\mathbf I_n) \]

  • \(\rho\) : koefisien lag spasial respon. Nilai \(y\) wilayah \(i\) dipengaruhi oleh nilai \(y\) tetangga.
  • \(\boldsymbol\theta\) : koefisien lag spasial variabel bebas.
  • Syarat kestabilan: \(1/\lambda_{min} < \rho < 1/\lambda_{max}\) (\(\lambda\) = nilai eigen \(W\); untuk \(W\) terstandarisasi, \(-1<\rho<1\)).

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 \(\ln|\mathbf I-\rho\mathbf W|\).

5.2 Sintaks

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.

5.3 Interpretasi

1. Parameter \(\rho\) (Rho: di bagian bawah output)

Pada data ini \(\hat\rho =\) 0.3825 dengan p-value 0.0185.

  • Jika \(p<0{,}05\): ada ketergantungan spasial pada respon.
  • Tanda positif: wilayah dengan CRIME tinggi cenderung bertetangga dengan wilayah ber-CRIME tinggi.
  • Tanda negatif: pola kebalikan (nilai tinggi dikelilingi nilai rendah).

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.


6 Model 3: Spatial Durbin Error Model (SDEM)

6.1 Pengantar

SDEM = SEM (lag pada error) + SLX (lag pada bebas):

\[ \mathbf y = \alpha\mathbf 1_n + \mathbf X\boldsymbol\beta + \mathbf{WX}\boldsymbol\theta + \boldsymbol\varepsilon, \qquad \boldsymbol\varepsilon = \lambda \mathbf{W}\boldsymbol\varepsilon + \mathbf v \]

  • \(\lambda\) : koefisien autokorelasi spasial pada error. Ini menangkap faktor tak teramati yang menyebar secara spasial.
  • Tidak ada \(Wy\) di sisi kanan, sehingga tidak ada feedback effect. Koefisien \(\beta\) langsung berarti dampak langsung dan \(\theta\) langsung berarti dampak tidak langsung (spillover). Ini membuat interpretasinya lebih sederhana daripada SDM.
  • Estimasi dengan MLE (iteratif/GLS).

6.2 Sintaks

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).

6.3 Interpretasi

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.


7 Perbandingan Model

7.1 Model pembanding (SAR dan SEM)

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 WX

Keterangan. SAR mempertahankan lag pada respons (\(Wy\)), sedangkan SEM mempertahankan struktur spasial pada galat. Keduanya menjadi pembanding untuk menguji tambahan \(WX\) pada model Durbin.

7.2 Kriteria AIC (semakin kecil semakin baik)

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).

7.3 Uji Likelihood Ratio (LR)

LR.Sarlm(sdm,  ols)   # SDM  vs OLS  : H0: rho = theta = 0
## 
##  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
LR.Sarlm(sdem, ols)   # SDEM vs OLS  : H0: lambda = theta = 0
## 
##  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
LR.Sarlm(sdm,  sar)   # SDM  vs SAR  : H0: theta = 0 (apakah WX perlu?)
## 
##  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
LR.Sarlm(sdem, sem)   # SDEM vs SEM  : H0: theta = 0
## 
##  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 fungsinya LR.sarlm (huruf kecil).

Cara membaca:

  • Hipotesis: \(H_0\) model yang lebih sederhana cukup, \(H_1\) model yang lebih kompleks lebih baik.
  • p-value < 0,05 → tolak \(H_0\) → model yang lebih kompleks (Durbin) lebih baik.
  • AIC terkecil menunjukkan model yang paling didukung oleh AIC di antara model yang dibandingkan.
  • SDM dan SDEM tidak nested, jadi keduanya dibandingkan dengan AIC (bukan uji LR).

7.4 Cek sisaan: apakah autokorelasi spasial sudah hilang?

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.


8 Perbaikan Model: Mengeluarkan Lag yang Tidak Signifikan

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
# 5. Bandingkan dengan SDM penuh
AIC(sdm); AIC(sdm2)
## [1] 378.0322
## [1] 378.13
LR.Sarlm(sdm, sdm2)     # H0: lag yang dibuang = 0
## 
##  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 \((\mathbf I-\hat\rho\mathbf W)^{-1}\).


9 Ringkasan: Cara Memilih Model

  1. Estimasi OLS, lalu uji lm.morantest() pada sisaan.
  2. Jika sisaan tidak berautokorelasi spasial → OLS cukup.
  3. Jika berautokorelasi → coba SAR/SEM (lihat LM test), lalu model Durbin (SDM/SDEM) dan SLX.
  4. Bandingkan dengan AIC dan uji LR.
  5. Tafsirkan:
    • SLX dan SDEM: koefisien langsung bermakna direct (\(\beta\)) dan spillover (\(\theta\)).
    • SDM: wajib memakai impacts (direct, indirect, total).
  6. Periksa sisaan model akhir (Moran’s I).
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

10 Latihan Mandiri: Angka Kejadian SIDS di North Carolina

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 (\(x_2\))

10.1 Persiapan data (sudah disediakan, cukup dijalankan)

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.

plot(nc["SIDS79"], main = "SIDS per 1.000 kelahiran (1979)")

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.

10.2 Kerangka kerja

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.

10.3 Pertanyaan latihan

  1. Eksplorasi. Hitung Moran’s I untuk SIDS79. Apakah ada autokorelasi spasial? Tafsirkan.
  2. OLS. Variabel mana yang signifikan? Apakah sisaan OLS masih berautokorelasi spasial?
  3. Pemilihan model. Bandingkan OLS, SLX, SDM, dan SDEM dengan AIC dan uji LR. Model mana yang terbaik? Berikan alasannya.
  4. Parameter spasial. Tafsirkan \(\rho\) (jika memilih SDM) atau \(\lambda\) (jika memilih SDEM): tanda dan signifikansinya.
  5. Dampak. Untuk NWPROP79, tuliskan interpretasi dampak langsung dan tidak langsung (spillover). Apakah signifikan?
  6. Perbaikan. Buang lag yang tidak signifikan dengan create_WX(), lalu bandingkan dengan model awal (AIC dan LR). Apakah model menjadi lebih baik?
  7. Kritik. Angka SIDS pada county kecil sangat bervariasi karena jumlah kelahirannya sedikit. Menurutmu, bagaimana hal ini bisa memengaruhi hasil?

Tidak ada satu jawaban “pasti benar”. Yang dinilai adalah ketepatan memilih model dan kerapian interpretasimu.


11 Referensi

  • LeSage, J. & Pace, R.K. (2009). Introduction to Spatial Econometrics. CRC Press.
  • Anselin, L. (1988). Spatial Econometrics: Methods and Models. Kluwer.
  • Bivand, R., Pebesma, E., & Gómez-Rubio, V. (2013). Applied Spatial Data Analysis with R. Springer.
  • Materi kuliah Regresi Spasial (Spatial Cross Regressive, Regresi Durbin, dan SDEM).