Package yang Digunakan

library(readxl)     #Membaca file data excel
library(plm)        #untuk membuat model
library(kableExtra) #untuk tampilan tabel
library(lmtest)     #uji homoskedastisitas

Data yang digunakan

Akan diuji pengaruh variabel Angka melek huruf penduduk umur 15-24, Penduduk Miskin, Penduduk Bekerja, Rata-rata lama sekolah penduduk umur > 15 tahun terhadap Produk Domestik Regional Bruto.

# Import Data
dataPDRB <- read_xlsx("D:/Data Panel.xlsx")

Berikut adalah data yang akan digunakan :

dataPDRB %>% kbl(format = "html", caption= "Data PDRB 2018-2020",align = 'c',longtable = 'T',) %>% kable_material(full_width=F,c("striped", "hover", "condensed", "responsive")) %>% scroll_box(width="100%", height="400px")
Data PDRB 2018-2020
Provinsi Tahun PDRB AMH Miskin Bekerja Sekolah
Aceh 2018 126824.37 99.92 839.49 2243677 9.46
Aceh 2019 132074.25 99.98 819.44 2256736 9.59
Aceh 2020 131585.02 99.98 814.91 2359905 9.71
Sumatera Utara 2018 512762.63 99.84 1324.98 7039491 9.61
Sumatera Utara 2019 539513.85 99.88 1282.04 7012518 9.71
Sumatera Utara 2020 533746.36 99.90 1283.29 6842252 9.83
Sumatera Barat 2018 163996.19 99.79 357.13 2480405 9.10
Sumatera Barat 2019 172213.79 99.89 348.22 2540040 9.22
Sumatera Barat 2020 169458.11 99.88 344.23 2581524 9.34
Riau 2018 482064.63 99.88 500.44 2890286 9.11
Riau 2019 495598.10 99.89 490.72 2953151 9.35
Riau 2020 490024.47 99.94 483.39 3022988 9.47
Jambi 2018 142902.00 99.95 281.69 1724899 8.70
Jambi 2019 149142.59 99.96 274.32 1683575 8.86
Jambi 2020 148449.87 99.92 277.80 1739003 8.97
Sumatera Selatan 2018 298484.07 99.90 1068.27 4005578 8.48
Sumatera Selatan 2019 315474.27 99.92 1073.74 4012611 8.60
Sumatera Selatan 2020 315143.01 99.94 1081.58 4091383 8.68
Bengkulu 2018 44164.11 99.90 301.81 987914 8.94
Bengkulu 2019 46345.45 99.91 302.30 1002161 9.08
Bengkulu 2020 46338.44 99.93 302.58 1031881 9.20
Lampung 2018 232165.99 99.85 1097.05 4163776 8.29
Lampung 2019 244380.37 99.91 1063.66 4186197 8.36
Lampung 2020 240306.86 99.89 1049.32 4280109 8.51
Bangka Belitung 2018 52208.04 99.89 76.26 692646 8.24
Bangka Belitung 2019 53940.42 99.86 68.38 701958 8.35
Bangka Belitung 2020 52702.46 99.87 68.39 699881 8.49
Kepulauan Riau 2018 173498.75 99.96 131.68 938000 10.01
Kepulauan Riau 2019 181895.86 99.95 128.46 988817 10.13
Kepulauan Riau 2020 174976.70 99.91 131.97 1016600 10.22
DKI Jakarta 2018 1735208.29 99.97 373.12 4725738 11.06
DKI Jakarta 2019 1836198.49 99.96 365.55 4852949 11.11
DKI Jakarta 2020 1792794.59 99.96 480.86 4659251 11.17
Jawa Barat 2018 1419624.14 99.99 3615.79 20936930 8.61
Jawa Barat 2019 1491575.95 99.98 3399.16 22063833 8.79
Jawa Barat 2020 1455235.14 99.97 3920.23 21674854 8.96
Jawa Tengah 2018 941091.14 99.88 3897.20 17413869 7.84
Jawa Tengah 2019 991913.12 99.92 3743.23 17602917 8.03
Jawa Tengah 2020 965629.09 99.95 3980.90 17536935 8.19
DI Yogyakarta 2018 98024.01 100.00 460.10 2151252 9.73
DI Yogyakarta 2019 104487.54 100.00 448.47 2174712 9.83
DI Yogyakarta 2020 101679.60 99.93 475.72 2126316 9.95
Jawa Timur 2018 1563441.83 99.88 4332.59 20832201 7.93
Jawa Timur 2019 1649768.12 99.91 4112.25 21032612 8.11
Jawa Timur 2020 1610419.65 99.94 4419.10 20962967 8.31
Banten 2018 433782.71 99.98 661.36 5351110 8.93
Banten 2019 456740.83 99.97 654.46 5552454 9.07
Banten 2020 441295.80 99.94 775.99 5552172 9.22
Bali 2018 154072.66 99.92 171.76 2525707 9.00
Bali 2019 162694.33 99.93 163.85 2469006 9.19
Bali 2020 147549.80 99.94 165.19 2423419 9.31
Nusa Tenggara Barat 2018 90349.13 99.75 737.46 2269580 7.69
Nusa Tenggara Barat 2019 93869.73 99.92 735.96 2522114 7.98
Nusa Tenggara Barat 2020 93269.13 99.93 713.89 2575956 8.08
Nusa Tenggara Timur 2018 65929.19 98.51 1142.17 2630879 7.70
Nusa Tenggara Timur 2019 69385.99 98.80 1146.32 2615039 7.98
Nusa Tenggara Timur 2020 68806.67 98.89 1153.76 2725955 8.09
Kalimantan Barat 2018 130596.32 99.79 387.08 2423570 7.65
Kalimantan Barat 2019 137243.09 99.84 378.41 2445078 7.80
Kalimantan Barat 2020 134743.38 99.86 366.77 2458296 7.90
Kalimantan Tengah 2018 94566.25 99.85 136.93 1302363 8.66
Kalimantan Tengah 2019 100357.57 99.84 134.59 1318954 8.83
Kalimantan Tengah 2020 98956.72 99.86 132.94 1318133 8.95
Kalimantan Selatan 2018 128052.58 99.91 189.03 2039048 8.45
Kalimantan Selatan 2019 133271.55 99.87 192.48 2045831 8.59
Kalimantan Selatan 2020 130865.60 99.92 187.87 2083319 8.69
Kalimantan Timur 2018 464694.43 100.00 218.90 1620969 9.63
Kalimantan Timur 2019 486712.24 100.00 219.92 1693481 9.88
Kalimantan Timur 2020 472864.89 99.96 230.26 1692796 9.99
Kalimantan Utara 2018 57459.31 99.34 50.35 314776 9.18
Kalimantan Utara 2019 61422.64 99.68 48.78 320046 9.24
Kalimantan Utara 2020 60743.20 99.60 51.79 330441 9.30
Sulawesi Utara 2018 84249.72 99.95 193.31 1114516 9.51
Sulawesi Utara 2019 89009.26 99.95 191.70 1148987 9.63
Sulawesi Utara 2020 88126.37 99.92 192.37 1134802 9.74
Sulawesi Tengah 2018 117555.83 99.68 420.21 1479962 8.74
Sulawesi Tengah 2019 127935.06 99.81 410.36 1466042 8.98
Sulawesi Tengah 2020 134152.69 99.80 398.73 1516347 9.09
Sulawesi Selatan 2018 309156.19 99.48 792.63 4006309 8.45
Sulawesi Selatan 2019 330506.38 99.68 767.80 4058595 8.73
Sulawesi Selatan 2020 328192.82 99.73 776.83 4006620 8.86
Sulawesi Tenggara 2018 88310.05 99.75 307.10 1254215 9.03
Sulawesi Tenggara 2019 94053.39 99.92 302.58 1262634 9.25
Sulawesi Tenggara 2020 93446.72 99.93 301.82 1289232 9.41
Gorontalo 2018 26719.27 99.84 198.51 569639 7.83
Gorontalo 2019 28428.44 99.86 186.03 572841 8.11
Gorontalo 2020 28422.29 99.87 185.02 568563 8.26
Sulawesi Barat 2018 31114.14 99.41 151.78 640885 7.94
Sulawesi Barat 2019 32877.78 99.49 151.40 660481 8.22
Sulawesi Barat 2020 32082.45 99.47 152.02 672986 8.33
Maluku 2018 29457.13 99.68 320.08 743897 9.78
Maluku 2019 31049.43 99.90 317.69 758252 10.03
Maluku 2020 30765.02 99.90 318.18 775701 10.20
Maluku Utara 2018 25034.08 99.90 81.46 547424 9.07
Maluku Utara 2019 26561.31 99.94 84.60 551778 9.32
Maluku Utara 2020 27868.47 99.95 86.37 552502 9.42
Papua Barat 2018 60465.52 99.47 214.47 419948 9.73
Papua Barat 2019 62072.75 99.49 211.50 436714 9.92
Papua Barat 2020 61592.39 99.52 208.58 459350 10.00
Papua 2018 159711.85 88.44 917.63 1800727 6.66
Papua 2019 134562.24 90.39 926.36 1792157 6.85
Papua 2020 137677.57 90.78 911.37 1691745 6.96

Pada output diatas dapat diketahui bahwa bentuk data merupakan data panel karena data dikumpulkan dalam kurun waktu tertentu dalam sejumlah objek tertentu. Data yang diinput merupakan data yang sudah dilakukan penumpukan terhadap waktu t maupun terhadap observasi.

Melihat Deskripsi Data

str(dataPDRB)
## tibble [102 x 7] (S3: tbl_df/tbl/data.frame)
##  $ Provinsi: chr [1:102] "Aceh" "Aceh" "Aceh" "Sumatera Utara" ...
##  $ Tahun   : num [1:102] 2018 2019 2020 2018 2019 ...
##  $ PDRB    : num [1:102] 126824 132074 131585 512763 539514 ...
##  $ AMH     : num [1:102] 99.9 100 100 99.8 99.9 ...
##  $ Miskin  : num [1:102] 839 819 815 1325 1282 ...
##  $ Bekerja : num [1:102] 2243677 2256736 2359905 7039491 7012518 ...
##  $ Sekolah : num [1:102] 9.46 9.59 9.71 9.61 9.71 9.83 9.1 9.22 9.34 9.11 ...
summary(dataPDRB)
##    Provinsi             Tahun           PDRB              AMH        
##  Length:102         Min.   :2018   Min.   :  25034   Min.   : 88.44  
##  Class :character   1st Qu.:2018   1st Qu.:  68952   1st Qu.: 99.82  
##  Mode  :character   Median :2019   Median : 133712   Median : 99.90  
##                     Mean   :2019   Mean   : 318048   Mean   : 99.53  
##                     3rd Qu.:2020   3rd Qu.: 325013   3rd Qu.: 99.94  
##                     Max.   :2020   Max.   :1836199   Max.   :100.00  
##      Miskin           Bekerja            Sekolah      
##  Min.   :  48.78   Min.   :  314776   Min.   : 6.660  
##  1st Qu.: 191.87   1st Qu.: 1020420   1st Qu.: 8.335  
##  Median : 361.34   Median : 2104818   Median : 8.975  
##  Mean   : 759.99   Mean   : 3759722   Mean   : 8.944  
##  3rd Qu.: 818.31   3rd Qu.: 4006126   3rd Qu.: 9.500  
##  Max.   :4419.10   Max.   :22063833   Max.   :11.170
names(dataPDRB)
## [1] "Provinsi" "Tahun"    "PDRB"     "AMH"      "Miskin"   "Bekerja"  "Sekolah"

Output di atas digunakan untuk melihat gambaran sekilas dari data. Fungsi str digunakan untuk melihat deskripsi data meliputi jumlah variabel dan jumlah observasinya, tipe dari setiap variabel, dan datanya seperti apa. Fungsi summary digunakan untuk melihat statistik deskriptifnya meliputi min, max, median, rata-rata, dan kuartil. *Fungsi names digunakan untuk melihat nama setiap kolom dari data.

Uji Chow

H0 : Model Common Effect

H1 : Model Fixed Effect

H0 ditolak jika P-value lebih kecil dari nilai alpha. Nilai alpha yang digunakan sebesar 5%.

common=plm(PDRB~AMH+Miskin+Bekerja+Sekolah,data=dataPDRB,model="pooling")
fixed=plm(PDRB~AMH+Miskin+Bekerja+Sekolah,data=dataPDRB,model="within")
pooltest(common,fixed)
## 
##  F statistic
## 
## data:  PDRB ~ AMH + Miskin + Bekerja + Sekolah
## F = 930.24, df1 = 33, df2 = 64, p-value < 2.2e-16
## alternative hypothesis: unstability

Keputusan : Karena p-value (2.2e-16) < alpha (0.05), maka Tolak H0

Kesimpulan : Dengan tingkat keyakinan 95%, kita yakin bahwa metode fixed effect lebih baik digunakan daripada menggunakan metode common effect.

Uji Hausman

Lalu dilakukan pengujian kembali dengan Uji Hausmann untuk mengetahui apakah terdapat efek acak dalam model data panel.

H0 : Model Random Effect

H1 : Model Fixed Effect

H0 ditolak jika P-value lebih kecil dari nilai alpha. Nilai alpha yang digunakan sebesar 5%.

# membuat model regresi panel
fixed=plm(PDRB~AMH+Miskin+Bekerja+Sekolah,data=dataPDRB,model="within",index = c("Provinsi","Tahun"))
random=plm(PDRB~AMH+Miskin+Bekerja+Sekolah,data=dataPDRB,model="random",index = c("Provinsi","Tahun"))

# Menguji Hausmaan
phtest(fixed,random)
## 
##  Hausman Test
## 
## data:  PDRB ~ AMH + Miskin + Bekerja + Sekolah
## chisq = 2.7672, df = 4, p-value = 0.5975
## alternative hypothesis: one model is inconsistent

Keputusan : Karena p-value (0.5975) > alpha (0.05), maka gagal tolak H0

Kesimpulan : Dengan tingkat keyakinan 95%, kita yakin bahwa metode random effect merupakan metode yang lebih baik untuk digunakan bila dibandingkan dengan metode fixed effect.

Uji Breusch Pagan

Setelah diperoleh model yang terbaik yaitu model random effect, selanjutnya melakukan uji Breusch Pagan

Uji Breusch Pagan digunakan untuk menentukan apakah ada efek time maupun individu atau bahkan tidak ada pada model. Ketika nilai p-value kurang dari alpha maka dapat disimpulkan ada efek.

#Uji Breusch Pagan
gr=plm(PDRB~AMH+Miskin+Bekerja+Sekolah,data=dataPDRB,model="random")

#Efek Dua Arah
plmtest(gr, effect="twoways", type="bp")
## 
##  Lagrange Multiplier Test - two-ways effects (Breusch-Pagan) for
##  balanced panels
## 
## data:  PDRB ~ AMH + Miskin + Bekerja + Sekolah
## chisq = 97.653, df = 2, p-value < 2.2e-16
## alternative hypothesis: significant effects
#Efek Individu/Cross Section
plmtest(gr, effect="individual", type="bp")
## 
##  Lagrange Multiplier Test - (Breusch-Pagan) for balanced panels
## 
## data:  PDRB ~ AMH + Miskin + Bekerja + Sekolah
## chisq = 96.785, df = 1, p-value < 2.2e-16
## alternative hypothesis: significant effects
#Efek Waktu/Time
plmtest(gr, effect="time", type="bp")
## 
##  Lagrange Multiplier Test - time effects (Breusch-Pagan) for balanced
##  panels
## 
## data:  PDRB ~ AMH + Miskin + Bekerja + Sekolah
## chisq = 0.86773, df = 1, p-value = 0.3516
## alternative hypothesis: significant effects

Berdasarkan hasil pengujian Breusch Pagan diperoleh kesimpulan bahwa pada model random effect terdapat efek dua arah. Namun, setelah diuji efek cross section dan time, hanya terdapat efek cross section.

Sehingga model yang terbentuk adalah model random effect terdapat efek satu arah, yaitu efek cross section.

Pembuatan Model

Dari uji hausmann dan uji breusch-pagan disimpukan bahwa model yang akan diestimasi adalah model data efek random dangan efek cross section. Kemudian dilakukan uji signifikansi variabel pada model sebagai berikut :

# model 1
m1=plm(PDRB~AMH+Miskin+Bekerja+Sekolah,data=dataPDRB,model="random",effect="individual",index = c("Provinsi","Tahun"))
summary(m1)
## Oneway (individual) effect Random Effect Model 
##    (Swamy-Arora's transformation)
## 
## Call:
## plm(formula = PDRB ~ AMH + Miskin + Bekerja + Sekolah, data = dataPDRB, 
##     effect = "individual", model = "random", index = c("Provinsi", 
##         "Tahun"))
## 
## Balanced Panel: n = 34, T = 3, N = 102
## 
## Effects:
##                     var   std.dev share
## idiosyncratic 1.334e+08 1.155e+04 0.003
## individual    4.628e+10 2.151e+05 0.997
## theta: 0.969
## 
## Residuals:
##     Min.  1st Qu.   Median  3rd Qu.     Max. 
## -21635.2  -5447.3  -1212.3   2533.8  78555.0 
## 
## Coefficients:
##                Estimate  Std. Error z-value  Pr(>|z|)    
## (Intercept)  8.9344e+05  6.5761e+05  1.3586  0.174269    
## AMH         -1.0222e+04  6.8249e+03 -1.4977  0.134201    
## Miskin      -6.4678e+01  2.2785e+01 -2.8386  0.004532 ** 
## Bekerja      7.5483e-02  7.0600e-03 10.6917 < 2.2e-16 ***
## Sekolah      2.3185e+04  1.0136e+04  2.2874  0.022171 *  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Total Sum of Squares:    3.4923e+10
## Residual Sum of Squares: 1.5038e+10
## R-Squared:      0.56938
## Adj. R-Squared: 0.55163
## Chisq: 128.259 on 4 DF, p-value: < 2.22e-16
ranef(m1)
##                Aceh                Bali     Bangka Belitung              Banten 
##          -82962.409         -105470.906          -61466.399           -6989.190 
##            Bengkulu       DI Yogyakarta         DKI Jakarta           Gorontalo 
##          -93281.672         -130529.922         1325556.745          -62593.946 
##               Jambi          Jawa Barat         Jawa Tengah          Jawa Timur 
##          -41528.453          -11242.854         -163441.923          243805.116 
##    Kalimantan Barat  Kalimantan Selatan   Kalimantan Tengah    Kalimantan Timur 
##          -79115.212          -83233.591          -69492.434          263570.556 
##    Kalimantan Utara      Kepulauan Riau             Lampung              Maluku 
##          -51288.338            4686.131          -76442.487         -111120.360 
##        Maluku Utara Nusa Tenggara Barat Nusa Tenggara Timur               Papua 
##          -96424.267         -101786.486         -126105.451          -62514.503 
##         Papua Barat                Riau      Sulawesi Barat    Sulawesi Selatan 
##          -63566.233          209639.858          -73835.724           -6994.623 
##     Sulawesi Tengah   Sulawesi Tenggara      Sulawesi Utara      Sumatera Barat 
##          -40052.403          -70717.829          -80906.780          -86519.894 
##    Sumatera Selatan      Sumatera Utara 
##            3356.954          -10991.071

Pengujian Model

Uji Autokorelasi

# Uji Korelasi Serial
pbgtest(m1)
## 
##  Breusch-Godfrey/Wooldridge test for serial correlation in panel models
## 
## data:  PDRB ~ AMH + Miskin + Bekerja + Sekolah
## chisq = 7.3403, df = 3, p-value = 0.06181
## alternative hypothesis: serial correlation in idiosyncratic errors

Uji hipotesis korelasi serial

Hipotesis H0 : tidak ada korelasi serial pada komponen galat H1 : ada korelasi serial pada komponen galat

Tingkat signifikansi α = 0,05

Statistik uji P-value tercantum pada tabel.

Daerah kritik H0 ditolak jika P-value < α

Kesimpulan : Karena pvalue (0.06181) > α (0.05), maka gagal tolak H0 . Hasil inkonklusif, tidak dapat dikatakan bahwa ada korelaso serial pada komponen galat.

Uji Homoskedastisitas

bptest(m1)
## 
##  studentized Breusch-Pagan test
## 
## data:  m1
## BP = 37.093, df = 4, p-value = 1.724e-07

Uji homoskedastisitas

Hipotesis H0 : homoskedastisitas H1 : tidak homoskedastisitas atau heteroskedastisitas

Tingkat signifikansi α = 0,05

Statistik uji P-value tercantum pada tabel

Daerah kritik H0 ditolak jika P-value < α

Kesimpulan

Kesimpulan : Karena pvalue (1.724e-07) < α (0.05), maka tolak H0. Dengan tingkat kepercayaan 95%, kita yakin bahwa model heteroskedastisitas.

Uji Overall

# model 3
m1=plm(PDRB~AMH+Miskin+Bekerja+Sekolah,data=dataPDRB,model="random",effect="individual",index = c("Provinsi","Tahun"))
summary(m1)
## Oneway (individual) effect Random Effect Model 
##    (Swamy-Arora's transformation)
## 
## Call:
## plm(formula = PDRB ~ AMH + Miskin + Bekerja + Sekolah, data = dataPDRB, 
##     effect = "individual", model = "random", index = c("Provinsi", 
##         "Tahun"))
## 
## Balanced Panel: n = 34, T = 3, N = 102
## 
## Effects:
##                     var   std.dev share
## idiosyncratic 1.334e+08 1.155e+04 0.003
## individual    4.628e+10 2.151e+05 0.997
## theta: 0.969
## 
## Residuals:
##     Min.  1st Qu.   Median  3rd Qu.     Max. 
## -21635.2  -5447.3  -1212.3   2533.8  78555.0 
## 
## Coefficients:
##                Estimate  Std. Error z-value  Pr(>|z|)    
## (Intercept)  8.9344e+05  6.5761e+05  1.3586  0.174269    
## AMH         -1.0222e+04  6.8249e+03 -1.4977  0.134201    
## Miskin      -6.4678e+01  2.2785e+01 -2.8386  0.004532 ** 
## Bekerja      7.5483e-02  7.0600e-03 10.6917 < 2.2e-16 ***
## Sekolah      2.3185e+04  1.0136e+04  2.2874  0.022171 *  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Total Sum of Squares:    3.4923e+10
## Residual Sum of Squares: 1.5038e+10
## R-Squared:      0.56938
## Adj. R-Squared: 0.55163
## Chisq: 128.259 on 4 DF, p-value: < 2.22e-16

Berdasarkan hasil pengujian overall, diperoleh bahwa nilai p-value pada variabel Jumlah penduduk miskin, jumlah penduduk bekerja, dan lama sekolah kurang dari alpha 0.05 yang berarti hipotesis nol ditolak. Sehingga, secara simultan variabel independen tersebut berpengaruh signifikan terhadap PDRB.

Selain itu, dapat dilihat nilai adjusted koefisien determinasi sebesar 0,55163. Artinya, variabel independen yaitu variabel AMH, jumlah penduduk miskin, jumlah penduduk bekerja, dan lama sekolah mampu menjelaskan variabel dependen yaitu PDRB sebesar 55.163%, sedangkan sisanya sebesar 44.837% dijelaskan oleh faktor lain yang tidak disebutkan dalam model.

Interpretasi

Diperoleh model regresi

PDRB=8.9344e+05 - (1.0222e+04) AMH - (6.4678e+01) Penduduk Miskin + (7.5483e-02) Penduduk Bekerja + (2.3185e+04) Lama Sekolah + ci + ei

Interpretasi

  1. Setiap kenaikan satu satuan Angka Melek Huruf menyebabkan PDRB turun sebesar 1.0222e+04 dengan mengganggap variabel lain konstan.

  2. Setiap kenaikan satu satuan Penduduk Miskin menyebabkan PDRB turun sebesar 6.4678e+01 dengan mengganggap variabel lain konstan.

  3. Setiap kenaikan satu satuan Penduduk Bekerja menyebabkan PDRB naik sebesar 7.5483e-02 dengan mengganggap variabel lain konstan.

  4. Setiap kenaikan satu satuan Lama Sekolah menyebabkan PDRB naik sebesar 2.3185e+04 dengan mengganggap variabel lain konstan.

Dalam Random Effect Model nilai berbeda dari setiap individu. Dalam kasus ini setiap Provinsi memiliki nilai yang berbeda-beda. Berikut adalah syntax yang digunakan untuk melihat besarnya pengaruh pada masing-masing Provinsi.

#Melihat seberapa besar pengaruh masing-masing cross section
ranef(m1)
##                Aceh                Bali     Bangka Belitung              Banten 
##          -82962.409         -105470.906          -61466.399           -6989.190 
##            Bengkulu       DI Yogyakarta         DKI Jakarta           Gorontalo 
##          -93281.672         -130529.922         1325556.745          -62593.946 
##               Jambi          Jawa Barat         Jawa Tengah          Jawa Timur 
##          -41528.453          -11242.854         -163441.923          243805.116 
##    Kalimantan Barat  Kalimantan Selatan   Kalimantan Tengah    Kalimantan Timur 
##          -79115.212          -83233.591          -69492.434          263570.556 
##    Kalimantan Utara      Kepulauan Riau             Lampung              Maluku 
##          -51288.338            4686.131          -76442.487         -111120.360 
##        Maluku Utara Nusa Tenggara Barat Nusa Tenggara Timur               Papua 
##          -96424.267         -101786.486         -126105.451          -62514.503 
##         Papua Barat                Riau      Sulawesi Barat    Sulawesi Selatan 
##          -63566.233          209639.858          -73835.724           -6994.623 
##     Sulawesi Tengah   Sulawesi Tenggara      Sulawesi Utara      Sumatera Barat 
##          -40052.403          -70717.829          -80906.780          -86519.894 
##    Sumatera Selatan      Sumatera Utara 
##            3356.954          -10991.071

Sehingga, untuk masing-masing persamaan regresi akan bertambah 1 variabel sesuai dengan Provinsinya.

Misal Model untuk:

*Provinsi Aceh :

PDRB=8.9344e+05 - (1.0222e+04) AMH - (6.4678e+01) Penduduk Miskin + (7.5483e-02) Penduduk Bekerja + (2.3185e+04) Lama Sekolah -82962.409

*Provinsi Sumatera Selatan

PDRB=8.9344e+05 - (1.0222e+04) AMH - (6.4678e+01) Penduduk Miskin + (7.5483e-02) Penduduk Bekerja + (2.3185e+04) Lama Sekolah + 3356.954