SKRIPSI
Oleh
MUSFIKA RATI
080803038
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
MEDAN
2013
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar Sarjana Sains
MUSFIKA RATI
080803038
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
MEDAN
2013
PERSETUJUAN
Judul
Kategori
Nama
Nomor Induk Mahasiswa
Program Studi
Departemen
Fakultas
Diluluskan di
Medan, 2 Februari 2013
Komisi Pembimbing
Pembimbing 2
Pembimbing 1
Diketahui/Disetujui oleh
Departemen Matematika FMIPA USU
Ketua,
ii
PERNYATAAN
Saya mengakui bahwa skripsi ini adalah hasil kerja saya sendiri, kecuali beberapa
kutipan dan ringkasan yang masing-masing disebutkan sumbernya.
MUSFIKA RATI
080803038
iii
PENGHARGAAN
Puji syukur penulis ucapkan kepada Allah SWT yang telah memberikan nikmat
kesehatan, nikmat ilmu, nikmat waktu sehingga penulis mampu menyelesaikan
penyusunan skripsi yang berjudul Model Regresi Spasial untuk Anak Tidak
Bersekolah Usia Kurang 15 Tahun di Kota Medan dengan baik dan lancar.
Penulisan skripsi ini terselesaikan dengan bantuan pelbagai pihak. Oleh karena
itu, dalam kesempatan ini penulis ingin mengucapkan terima kasih kepada:
1. Ibu Dr. Esther S.M. Nababan, M.Sc sebagai pembimbing pertama dan Bapak Dr.
Sutarman, M.Sc sebagai pembimbing kedua yang telah memberikan bimbingan
dan motivasi dari awal hingga akhir penyusunan skripsi penulis.
2. Bapak Drs. Marihat Situmorang, M.Kom dan Bapak Drs. Pasukat Sembiring, M.Si
sebagai Dosen penguji yang telah memberikan kritik dan saran untuk
penyempurnaan skripsi penulis.
3. Bapak Prof. Dr.Tulus.Voldipl.Math.,M.Si.,Ph.D dan Ibu Dra. Mardiningsih, M.Si
sebagai Ketua dan Sekretaris Departemen Matematika FMIPA USU.
4. Dr. Sutarman, M.Sc sebagai Dekan Fakultas Matematika dan Ilmu Pengetahuan
Alam Universitas Sumatera Utara.
5. Bapak Nurman dan Bapak Andri dari Departemen Geografi UNIMED yang telah
membantu dan mengajarkan di dalam pembuatan peta untuk penyelesaian skripsi
ini.
6. Orang tua tercinta Ayahanda Tumirin dan Ibunda Sri Rahayu, Kakanda tersayang
Willy Suhendra dan kedua adik tersayang Imam Surya dan Wawan Kurniawan
serta keluarga dekat lainnya yang telah memberikan segalanya baik dukungan
moril, motivasi dan doanya sehingga penulis selalu bersemangat.
7. Para sahabat dan teman-teman yaitu CICILANWIFI (Aci, Uci, Ulan, dan Wika),
teman-teman ASRI (Asrama Putri), teman-teman kampus yaitu Ugi, Ibel, Meli,
Anum, dan teman-teman dari Bank Muamalat yaitu Bang Ondo dan Putri serta
yang lainnya yang tidak dapat dituliskan satu persatu yang selalu memberikan
semangat dan bantuan kepada penulis.
iv
Penulis berharap semoga Allah SWT membalas kebaikan dari semua pihak
yang telah banyak membantu dan memotivasi penulis dalam menyelesaikan skripsi
ini. Penulis menyadari bahwa penulisan skripsi ini masih memiliki kekurangan dan
ketidaksempurnaan. Untuk itu, kritik dan saran yang membangun dari pembaca sangat
diharapkan. Penulis berharap semoga skripsi ini dapat bermanfaat dan akhir kata
penulis ucapkan terima kasih.
MUSFIKA RATI
080803038
ABSTRAK
Penelitian ini dilakukan untuk menentukan model anak tidak bersekolah anak usia
kurang 15 tahun di kota Medan menggunakan regresi spasial, menganalisis faktorfaktor yang mempengaruhinya serta mengkaji efektifitas metode regresi spasial dalam
menganalisis kasus tersebut. Analisis yang digunakan yaitu Spatial Autoregresive
Model (SAR). Hasil analisis menunjukkan bahwa variabel prediktor yang
mempengaruhi variabel respon adalah jumlah penduduk prasejahtera, jumlah sekolah
SD dan rasio antara anak yang bersekolah dengan anak tidak bersekolah (ATB)
kurang 15 tahun. Nilai koefisien determinasi (R2) adalah 95.70%.
Kata kunci: Regresi spasial, Spatial Autoregresive Model (SAR), anak tidak
bersekolah
vi
Spatial Regression Model for Non Schooled Children Less Than 15 Years in
Medan
ABSTRACT
The research is done to determine the model of non schooled children less than 15
years in Medan with spatial regression, to analyze the factors that affect it and to
definite the effective spatial regression in analyzing it. Spatial regression used is
Spatial Autoregressive Model (SAR). The result shows that predictor variables which
affect the response variable is the number of underprivileged population, the number
of elementary schools and the ratio of children attending the ATB less than 15 years.
Value of R2 is 95.70%.
Keyword : Spatial Regression, Spatial Autoregressive Model (SAR), school drop out.
vii
DAFTAR ISI
Halaman
Persetujuan
Pernyataan
Penghargaan
Abstrak
Abstract
Daftar Isi
Daftar Tabel
Daftar Gambar
Daftar Lampiran
ii
iii
iv
vi
vii
viii
x
xi
xii
Bab 1 Pendahuluan
1.1. Latar Belakang
1.2. Rumusan Masalah
1.3. Tujuan Penelitian
1.4. Batasan Masalah
1.5. Manfaat Penelitian
1.6. Metodologi Penelitian
1.7. Tinjauan Pustaka
1
1
2
2
3
3
3
4
6
6
7
9
10
11
11
12
12
13
13
15
17
17
19
21
22
22
25
26
35
35
viii
41
41
41
Daftar Pustaka
43
Lampiran
ix
DAFTAR TABEL
Halaman
Tabel 3.1 Data Variabel Prediktor dan Variabel Respon
Tabel 3.2 Jumlah ATB Berdasarkan Wilayah
Tabel 3.3 Estimasi Parameter Model Regresi Sederhana
Tabel 3.4 Perhitungan Nilai Morans I pada Variabel Y
Tabel 3.5 Morans I
Tabel 3.6 Hasil Analisis Dependensi Spasial
Tabel 3.7 Banyak Tetangga dengan Banyak Kecamatan
Tabel 3.8 Tetangga Setiap Kecamatan
Tabel 3.9 Pengaruh Jumlah Tetangga dengan ATB
Tabel 3.10 Estimasi Parameter Model SAR
Tabel 3.11 Hasil Estimasi Regresi pada OLS dan SAR
18
20
21
24
25
25
27
28
30
35
39
DAFTAR GAMBAR
Halaman
Gambar 2.1 Ilustrasi dari Contiguity
Gambar 3.1 Kecamatan Kota Medan
Gambar 3.2 Peta Tematik ATB di Kota Medan
Gambar 3.3 Diagram Scatter plot antara Variabel Bebas dan Bergantung
Gambar 3.4 Moran Scatter Plot
Gambar 3.5 Histogram Ketetanggan (Contiguity)
Gambar 3.6 Graph Contiguity
xi
8
19
19
21
23
27
29
DAFTAR LAMPIRAN
Halaman
Lampiran A : Model SAR Setiap Kecamatan di Kota Medan
Lampiran B : Tabel Perbandingan Residu pada OLS dan SAR
Lampiran C : Hasil Output dari Program OpenGeoda
Lampiran D : Data dari Balitbang
Lampiran E : Surat Izin Pengambilan Data
xii
44
46
47
52
BAB 1
PENDAHULUAN
1.1.
Latar Belakang
Regresi spasial merupakan hasil pengembangan dari metode regresi linier klasik.
Pengembangan itu berdasarkan adanya pengaruh tempat atau spasial pada data yang
dianalisis (Anselin, 1988). Data spasial adalah suatu data yang mengacu pada posisi,
objek, dan hubungan diantaranya dalam ruang bumi. Mapping Science Committee
(1995) dalam Rajabidfard (2001) menerangkan mengenai pentingnya peranan posisi
lokasi yaitu pengetahuan mengenai lokasi dari suatu aktifitas memungkinkan
hubungannya dengan aktifitas lain atau elemen lain dalam daerah yang sama atau
lokasi yang berdekatan. Tobler (1979) juga menyatakan dalam hukum geografi
pertamanya bahwa segala sesuatu saling berhubungan satu dengan yang lainnya, tetapi
sesuatu yang dekat lebih mempunyai pengaruh daripada sesuatu yang jauh (Anselin,
1988). Fenomena-fenomena yang termasuk data spasial diantaranya ialah penyebaran
suatu penyakit, penentuan harga jual rumah, pertanian, kedokteran, pemilihan seorang
pemimpin, kriminalitas, kemiskinan, anak tidak bersekolah dan lain-lain.
1.2.
Rumusan Masalah
Regresi linier sederhana kurang tepat digunakan untuk memodelkan kasus anak tidak
bersekolah, karena data mengandung faktor spasial sehingga model akan kurang
akurat dan menyebabkan kesimpulan yang kurang tepat karena asumsi eror saling
bebas dan asumsi hemoginitas tidak terpenuhi. Oleh karena itu, perlu adanya suatu
analisis yang lebih akurat pada data spasial yaitu regresi spasial. Dalam penelitian ini,
analisis dan pemodelan untuk data yang di dalamnya ada faktor spasial dapat
digunakan regresi spasial.
1.3.
Tujuan Penelitian
Tujuan dari penelitian adalah untuk menentukan model anak yang tidak bersekolah di
bawah usia 15 tahun di kota Medan dengan model regresi spasial, menganalisis
faktor-faktor yang mempengaruhinya serta mengkaji efektifitas metode regresi spasial
dalam menganalisis kasus anak tidak bersekolah.
1.4.
Batasan Masalah
Dalam penelitian ini, penelitian dilakukan di kota Medan. Data yang diperoleh dari
Kantor Walikota Medan dan data yang digunakan adalah data sekunder, yakni:
1. Jumlah anak tidak bersekolah usia kurang 15 tahun tiap kecamatan
2. Jumlah penduduk prasejahtera tiap kecamatan
3. Jumlah sekolah SD tiap kecamatan
4. Jumlah anak bekerja di bawah usia 15 tahun tiap kecamatan
5. Jumlah anak yang bersekolah tiap kecamatan
Data diolah menggunakan regresi spasial. Metode spasial yang digunakan adalah
pendekatan area yaitu Spatial Autoregressive Model (SAR), Spatial Error Model
(SEM), dan Mixture Model. Untuk mengetahui depedensi spasialnya dilakukan
perhitungan statistik Morans I dan uji identifikasi model yang sesuai dengan uji
dependensi lag maupun erornya yaitu menggunakan uji Lagrange Multiplier (LM).
Matrik Queen contiguity adalah matrik yang digunakan sebagai matrik penimbang
baik pada uji identifikasi model yang sesuai maupun dalam pemodelan.
1.5.
Manfaat Penelitian
Model anak tidak bersekolah usia kurang 15 tahun yang diperoleh dapat digunakan
untuk membuat suatu prediksi, antisipasi, kebijakan dan langkah awal yang dilakukan
untuk mengurangi bertambahnya anak yang tidak bersekolah usia kurang 15 tahun di
kota Medan.
1.6.
Metodologi Penelitian
Data yang digunakan adalah data sekunder yang diambil dari Pemko Medan pada
tahun 2011 yakni:
a. Jumlah anak tidak bersekolah usia kurang 15 tahun tiap kecamatan
b. Jumlah penduduk prasejahtera tiap kecamatan
c. Jumlah sekolah SD tiap kecamatan
d. Jumlah anak bekerja usia kurang 15 tahun tiap kecamatan
e. Jumlah anak yang bersekolah tiap kecamatan
3. Urutan Pengolahan Data
Pengolahan data dilakukan dengan urutan (Septiana, 2009 ) sebagai berikut :
a. Melakukan eksplorasi peta tematik untuk mengetahui pola penyebaran dan
dependensi pada masing-masing variabel serta scatterplot untuk mengetahui
pola hubungan variabel X dan Y.
b. Melakukan pemodelan regresi dengan metode Ordinary Least Square (OLS)
yang meliputi estimasi parameter dan estimasi signifikansi model.
c. Uji dependensi atau korelasi.
d. Identifikasi keberadaan efek spasial dengan uji Lagrange Multiplier (LM) dan
Morans I Statistics (Anselin, 1988).
e. Proses pemodelan, yaitu data dimodelkan dengan Spatial Autoregresive Model
(SAR), Spatial Error Model (SEM), atau Spatial Autoregresive Moving
Average (SARMA).
1.7.
Tinjauan Pustaka
Regresi spasial telah dikembangkan oleh beberapa peneliti, beberapa diantaranya ialah
Anselin, et al. (2004), LeSage dan Pace (2007). Regresi ini telah banyak digunakan
dalam ilmu-ilmu regional (Cressie, 1993), ekonomi (LeSage dan Polasek, 2006), real
estate (Pavlov, 2000), maupun di dalam pengolahan citra (Halim, 2007).
Selain pengembangan dari sisi metode, metode ini juga telah banyak
digunakan sebagai alat analisis data pada beberapa bidang, diantaranya ialah Siana
Halim et al (2008). Dia menggunakan metode regresi spasial ini untuk memodelkan
harga jual apartemen di Surabaya. Nurvita Arumsari dan Sutikno (2010) memodelkan
kejadian diare menggunakan pendekatan titik dengan studi kasus Kabupaten Tuban
Jawa Timur.
BAB 2
LANDASAN TEORI
2.1.
Y 0 1 X 1 ... p X p
(2.1)
dengan
Y : variabel dependen,
i : koefisien regresi
Xi : variabel bebas
: nilai eror regresi
~ IIDN (0, 2I)
i = 1, 2, , p
(2.3)
Secara matriks, bentuk penaksir kuadrat terkecil (least square) dari parameter tersebut
adalah:
(2.4)
dengan
: vektor dari parameter yang ditaksir (p+1) x 1
X : matriks variabel bebas berukuran n x (p+1)
Y : vektor observasi dari variabel respon berukuran (n x 1)
k : banyaknya variabel bebas (k = 1, 2, , p)
Uji signifikansi parsial yaitu uji untuk mengetahui variabel mana saja yang
mempengaruhi variabel bergantung secara signifikan. Hipotesis yang digunakan
adalah
H0 : k = 0
H1 : k 0 dengan k = 1, 2, 3, , p
Dengan taraf signifikansi adalah = 5%
Dengan statistik uji yang digunakan adalah
t hit
k
~ t n 2k
SE ( k )
(2.5)
1-/2).
2.2.
a.
Rook contiguity ialah persentuhan sisi wilayah satu dengan sisi wilayah yang
lain yang bertetanggaan. Pada gambar 2.1, wilayah 1 bersentuhan dengan
wilayah 2 sehingga W12 = 1 dan yang lain 0 atau pada wilayah 3 bersentuhan
dengan wilayah 4 dan 5 sehingga W34 = 1, W35 = 1 dan yang lain 0.
b.
Bishop contiguity ialah persentuhan titik vertek wilayah satu dengan wilayah
tetangga yang lain. Pada gambar 2.1, wilayah 2 bersentuhan titik dengan
wilayah 3 sehingga W23 = 1 dan yang lain 0.
c.
Queen contiguity ialah persentuhan baik sisi maupun titik vertek wilayah satu
dengan wilayah yang lain yaitu gabungan rook contiguity dan bishop
contiguity. Contoh W32 = 1, W34 = 1, W35 =1 dan yang lain 0.
Matrik Queen contiguity atau Rook contiguity yang sudah diperoleh, dibentuk
kedalam bentuk matrik normalitas, yaitu matrik dimana jumlah dari setiap barisnya
adalah satu, sehingga matrik normalitas dari matrik Wqueen tersebut adalah
2.3.
Regresi Spasial
Regresi spasial adalah suatu metode untuk memodelkan suatu data yang memiliki
unsure spasial. Model umum regresi spasial atau juga biasa disebut Spatial
Autoregressive Moving Average (SARMA) dalam bentuk matriks (Lesage 1999;
Anselin 2004) dapat disajikan sebagai berikut:
dengan
y Wy X u
(2.7)
u Wu
(2.8)
10
u,
(2.9)
u (I W) 1
(2.10)
Persamaan (2.9) dan (2.10) disubtitusi ke persamaan (2.7), maka akan diperoleh
bentuk persamaan yang lain yaitu:
(I W)y X (I W) 1
(2.11)
2.4.
(2.12)
Pada persamaan (2.7) jika nilai 0 dan = 0 maka model regresi spasial akan
menjadi model regresi spasial Mixed Regressive-Autoregressive atau Spatial
Autoregressive Model (SAR) atau disebut juga Spatial lag Model (SLM) (Anselin,
1988) dengan bentuk persamaannya yaitu
11
(2.13)
2.5.
(2.14)
Pada persamaan (2.7) jika nilai 0 atau = 0 maka model regresi spasial akan
menjadi model Spatial Error Model (SEM) dengan bentuk persamaannya yaitu
(2.15)
1
T
T
X WX X WX X Wy y Wy
2.6.
(2.16)
Anselin (2003) menyatakan bahwa salah satu prinsip dasar penduga Maksimum
Likelihood adalah asymptotic normality, artinya semakin besar ukuran n maka kurva
akan semakin mendekati kurva sebaran normal. Pengujian signifikansi parameter
regresi () dan autoregresif ( dan ) secara parsial yaitu didasarkan pada nilai ragam
galat (2), sehingga statistik uji signifikansi parameter yang dipergunakan yaitu
12
Z hitung
s.b( )
Dimana
masing parameter
dengan hipotesis
H 0 : 0
H : 0
1
Dimana
Zhitung Z(/2) atau p-value < /2, maka keputusan tolak H0, artinya koefisien regresi
layak digunakan pada model.
2.7.
Efek Spasial
Pada bagian ini akan diuraikan hal-hal yang berkaitan dengan efek spasial yaitu:
Efek heterogenitas adalah efek yang menunjukkan adanya keragaman antar lokasi.
Jadi setiap lokasi mempunyai struktur dan parameter hubungan yang berbeda.
Pengujian efek spasial dilakukan dengan uji heterogenitas yaitu menggunakan uji
Breusch- Pagan test (BP test). Pembentukan model yang dilakukan adalah dengan
menggunakan pendekatan titik. Regresi spasial pendekatan titik yaitu Geographically
Weighted Regression (GWR). Rumus persamaan Geographically Weighted Regression
(GWR) adalah
dengan
yi
xk
k (ui, vi) = realisasi fungsi kontinu k (ui, vi) pada pengamatan ke-i
(ui, vi)
13
Dependensi spasial terjadi akibat adanya dependensi dalam data wilayah. Spatial
dependence muncul berdasarkan hukum Tobler I (1979) yaitu segala sesuatu saling
berhubungan dengan hal yang lain tetapi sesuatu yang lebih dekat mempunyai
pengaruh yang besar. Penyelesaian yang dilakukan jika ada efek dependensi spasial,
adalah dengan pendekatan area.
14
observasi
n
n
w
i 1 j 1
Dengan ei Yi
e'We
e' e
(2.17)
ij
1 n
Yi adalah sebuah vektor deviasi untuk rata-rata sampel dan
n i 1
W [ wij ] adalah matrik bobot spasial. Rumus Morans I dengan matrik pembobot
e'We
e' e
(2.18)
1
n 1
(2.19)
Jika I > Io, maka nilai autokorelasi bernilai positif, hal ini berarti bahwa pola data
membentuk kelompok (cluster), I = Io artinya tidak terdapat autokorelasi spasial, dan I
< Io artinya nilai autokorelasi bernilai negatif, hal ini berarti pola data menyebar.
Uji statistik Morans I, dibatasi oleh 1.0 (yang berarti klaster spasial bernilai
autokorelasi positif) dan -1.0 (yang berarti klaster spasial bernilai autokorelasi
negatif). Nilai autokorelasi spasial dikatakan kuat, apabila nilai tinggi dengan tinggi
atau nilai rendah dengan rendah dari sebuah variabel berkelompok dengan daerah
sekitarnya (common side).
Morans I scatterplot adalah sebuah diagram untuk melihat hubungan antara
nilai amatan pada suatu lokasi (distandarisasi) dengan rata-rata nilai amatan dari
lokasi-lokasi yang bertetanggan dengan lokasi yang bersangkutan (Lee dan Wong,
2001). Jika I > Io maka nilai autokorelasi bernilai positif, sedangkan jika I < Io maka
nilai autokorelasi bernilai negatif. Pembagian kuadrannya (Perobelli dan Haddad,
2003) adalah
15
0.
50
0.
25
Kuadran II
Low-High
Kuadran I
High-High
0.
00
0.25
Kuadran III
Kuadran IV
Low-Low
High-Low
0.50
0.
-0.
0.
50
0.25
00
0.5
25
0
Kuadran I disebut High-High, menunjukkan nilai observasi tinggi dikelilingi
oleh daerah yang mempunyai nilai observasi yang tinggi berlawanan dengan Kuadran
III disebut Low-Low, menunjukkan nilai observasi rendah dikelilingi oleh daerah yang
mempunyai nilai observasi rendah. Kuadran II disebut Low-High menunjukan nilai
observasi rendah dikelilingi oleh daerah yang mempunyai nilai observasi tinggi
berkebalikan dengan kuadran IV disebut High-Low, menunjukkan nilai observasi
tinggi dikelilingi oleh derah yang mempunyai nilai observasi yang rendah (Kartika,
2007).
Uji LM (Lagrange Multiplier) adalah uji untuk menentukan apakah model memiliki
efek spasial atau tidak. Lagrange Multiplier (LM) yang mana pada tes ini, nilai sisa
diperoleh dari kuadrat terkecil dan hitungan matrik bobot spasial yang dignakan
adalah W. Bentuk tes LM (Anselin, 1988), yaitu
Pada SEM :
(2.20)
Pada SAR:
(2.21)
16
dengan
e = nilai residu dari hasil OLS
n = banyak observasi
C = Matrik standard dari Wqueen
*. = operasi perkalian titik pada elemen matriks
Pada Uji Lagrange Multiplier (LM), ada tiga hipotesis yang dilakukan, yaitu :
1. Untuk SAR, H0 : = 0 dan H1 : 0
2. Untuk SEM, H0 : = 0 dan H1 : 0
3. Untuk mixture Model, H0 : , = 0 dan H1 : , 0
Dalam mengambil keputusan, tolak H0 jika LM > 2 (1) atau p-value < .
17
BAB 3
Pada bab ini akan dilakukan suatu pemodelan dengan menggunakan metode yang
telah dikemukakan pada Bab 2. Sebagai dasar untuk melakukan pemodelan digunakan
data yang terdapat pada Tabel 3.1.
3.1.
Data
Data pada Tabel 3.1 merupakan data yang akan digunakan dalam bab ini yaitu data
berdasarkan hasil pengamatan peneliti terhadap anak yang tidak bersekolah di bawah
15 tahun di Medan pada tahun 2011 dan faktor-faktornya. Data yang diperoleh di
Tabel 3.1 akan diolah dengan metode regresi spasial.
18
No
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
Nama
Kecamatan
M. Tuntungan
M. Johor
M. Amplas
M. Denai
M. Area
M. Kota
M. Maimun
M. Polonia
M. Baru
M. Selayang
M. Sunggal
M. Helvetia
M. Petisah
M. Barat
M. Timur
M. Perjuangan
M. Tembung
M. Deli
X1
X2
X3
X4
150
234
96
293
96
68
92
128
18
143
376
227
57
202
135
140
249
464
643
685
946
2547
5017
3711
5634
2267
2142
1926
2048
566
2784
3650
4015
1473
2377
3571
3649
4529
6821
6512
7707
9201
36
47
38
69
41
40
22
16
24
28
40
52
22
27
43
32
41
51
46
49
41
9
30
1
10
10
1
8
9
0
13
19
27
12
4
8
6
20
77
16
38
53
14,99
21,34
41,43
21,18
24,92
31,66
21,05
16,78
30,00
17,17
9,31
17,41
24,30
11,39
23,17
25,79
19,04
15,47
10,28
11,53
10,48
M. Labuhan
M. Marelan
M. Belawan
Sumber: BAPEDDA Kota Medan
Keterangan :
Y = Jumlah anak tidak bersekolah (ATB) di bawah usia 15 tahun
X1 = Jumlah status kesejahteraan
X2 = Jumlah sekolah SD
X3 = Jumlah anak bekerja di bawah usia 15 tahun
X4 = Rasio anak bersekolah dengan ATB di bawah usia 15 tahun
19
3.2.
Gambar 3.1 adalah sebuah peta kecamatan kota Medan. Pada peta tersebut terlihat
bahwa jumlah kecamatan di kota Medan terdiri dari 21 kecamatan.
20
Gambar 3.2 adalah peta tematik ATB di kota Medan yaitu pengelompokan
ATB di setiap kecamatan. Berdasarkan peta tersebut, wilayah kota Medan dibagi
menjadi 5 bagian. Daerah-daerah tersebut disajikan dalam Tabel 3.2 berikut :
Tabel 3.2. Jumlah ATB Berdasarkan Wilayah
No
Wilayah 1
Wilayah 2
Wilayah 3
Wilayah 4
Wilayah 5
(18 : 92)
(96 : 135)
(140 : 227)
(234 : 376)
(464 : 946)
M. Petisah
M. Timur
M. Helvetia
M. Sunggal
M. Belawan
M. Baru
M. Area
M. Perjuangan
M. Johor
M. Labuhan
M. Maimun
M. Polonia
M. Tuntungan
M. Tembung
M. Marelan
M. Kota
M. Amplas
M. Barat
M. Denai
M. Deli
M. Selayang
Berdasarkan letak geografis pada peta tematik dari Gambar 3.2 tersebut bahwa
masing-masing kecamatan pada wilayah tersebut adalah cenderung berdekatan. Secara
geografis, hal ini diindikasikan bahwa ada pengaruh spasial atau tempat pada data
jumlah anak yang tidak bersekolah.
Diagram scatter plot pada Gambar 3.3, akan memperlihatkan pola hubungan
antara variabel bebas yang terdiri dari 4 variabel bebas dan satu variabel terikat.
Secara grafis terlihat bahwa keseluruhan variabel bebas memiliki pola yang tidak
menyebar.
21
Gambar 3.3. Diagram Scatter plot antara variabel bebas dan bergantung
3.3.
Estimasi parameter pada model regresi sederhana disajikan pada Tabel 3.3, yaitu :
Koefisien
Konstanta
165,8063
Std.
Error
68,5434
X1
0,114067
0,0135
* 8,427988 0,0000003
X2
-4,77438
1,7014
*-2,806235 0,0126772
X3
-1,31687
1,2625
-1,043054 0,3124279
X4
-7,65185
R square = 93,72 %
*T(16, 0.95) = 2,11991
**T(16, 0.90) = 1,74588
2,2209
*-3,445393 0,0033258
T Stat.
Prob
2,418998 0,0278451
22
Berdasarkan Tabel 3.3 dapat ditunjukan hasil pengujian bahwa terdapat tiga
variabel yang berpengaruh secara signifikan terhadap variabel bergantung karena pada
variabel bebas tersebut memiliki nilai Thitung < T(16; 0,950) atau nilai p-value > (0,05).
Variabel tersebut adalah X1 (jumlah penduduk prasejahtera), X2 (jumlah sekolah SD),
dan X4 (rasio anak bersekolah dengan ATB usia kurang 15 tahun). Dari hasil analisis
data tersebut, nilai R2 sebesar 93,72% yang artinya model yang terbentuk mewakili
data sebesar 93,72%.
Dari tabel 3.3 diperolehlah model persamaan regresi linier berganda yaitu :
3.4.
Regresi Spasial
Pengujian efek spasial dilakukan untuk melihat apakah data setiap variabel memiliki
pengaruh spasial pada lokasi. Pengujian spasial dependence menggunakan statistik
Morans I. Gambar 3.4 merupakan gambar diagram Morans I untuk setiap variabel
baik variabel bebas maupun terikatnya.
23
Pada Gambar 3.4 tersebut menunjukkan bahwa pola data berada pada kuadran
I dan III. Hal ini berarti bahwa kecamatan dengan nilai yang tinggi pada setiap
variabel mengelompok pada daerah yang nilainya tinggi juga dan daerah dengan nilai
yang rendah berkelompok dengan daerah yang memiliki nilai rendah pula. Pada
variabel Y, kecamatan yang memiliki ATB yang tinggi berkelompok dengan
kecamatan yang memiliki ATB yang tinggi juga dan kecamatan yang memiliki ATB
yang rendah berkelompok dengan ATB yang rendah pula. Adapun nilai masingmasing Morans I pada variabel-variabel tersebut disajikan pada Tabel 3.5. Sebagai
contoh untuk nilai Morans I pada variabel Y diperoleh dengan menggunakan rumus
pada persamaan (2.18) yaitu
e n 'Wn e n
en ' en
24
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
Jumlah
Rata-rata
150
234
96
293
96
68
92
128
18
143
376
227
57
202
135
140
249
464
643
685
946
5442
259,143
en = Y-
enWn
enWnen
enen
11912,16327
632,1632653
26615,59184
1146,306122
26615,59184
36535,59184
27936,73469
17198,44898
58149,87755
13489,16327
13655,59184
1033,163265
40861,73469
3265,306122
15411,44898
14195,02041
102,877551
41966,44898
147346,3061
181354,3061
471772,7347
1151196,571
805328,6
1151196,571
I 0,699558
Secara lengkap hasil Morans I dikerjakan dengan menggunakan software
OpenGeoda sebagai berikut:
25
Moran's I
0,69958
0,640032
0,298701
0,249088
0,285518
Berdasarkan Tabel 3.5 dan nilai I0 terlihat bahwa semua nilai Morans I
bernilai lebih besar dari I0 yang artinya semua variabel baik bebas maupun terikat
memiliki autokorelasi positif. Sama seperti yang terlihat pada gambar 3.5, bahwa data
berkelompok pada kuadran I dan III yang menandakan memiliki autokorelasi positif.
Nilai
2,1297
5,9335
0,6934
5,9444
Prob
0,0332
0,0149
0,4050
0,0512
26
Berdasarkan uji LM, telah diketahui bahwa pada kasus ATB di kota
Medan terdapat pengaruh spasial dalam data. Hal ini mengidentifikasikan
bahwa pemodelan kurang akurat dengan menggunakan metode OLS karena
pada OLS mengabaikan unsus spasial dalam data. Maka pemodelan akan
diselesaikan dengan menggunakan regresi spasial.
Berdasarkan Gambar 3.1, dibuat sebuah matriks berukuran 21 x 21. Matriks tersebut
adalah matrik keterkaitan spasial (Spatial Weight Matrices). Metode yang digunakan
27
dalam pembuatan matrik adalah metode Queen Contiguity. Adapun jumlah masingmasing tetangga (contiguity) dari masing-masing kecamatan dilihat pada Tabel 3.7
berikut.
Banyak
Tetangga
Nama Kecamatan
Kel 1
M. Tuntungan, M. Belawan
Kel 2
Kel 3
Kel 4
Kel 5
Kel 6
M. Kota
Dari Tabel
3.7
dijelaskan
bahwa
kecamatan
yang
paling
banyak
Adapun masing-masing dari tetangga dari setiap kecamatan dapat dilihat pada
Tabel 3.8.
28
Jumlah
Tetangga
2
M. Tuntungan
M. Johor
M. Amplas
M. Denai
M. Area
M. Kota
M. Maimun
M. Polonia
M. Baru
10
M. Selayang
11
M. Sunggal
12
M. Helvetia
13
M. Petisah
14
M. Barat
15
M. Timur
16
M. Perjuangan
17
M. Tembung
18
M. Deli
19
20
21
M. Labuhan
M. Marelan
M. Belawan
3
3
2
29
Berikutnya dari Tabel 3.8 diperlihatkan pengaruh jumlah tetangga dengan anak
tidak bersekolah pada Tabel 3.9.
30
Jlh
Banyak Anak
Tetangga Tidak Bersekolah
2
150
6
234
3
96
5
293
3
96
8
68
5
92
5
128
4
18
5
143
4
376
5
227
6
57
5
202
6
135
5
140
3
249
4
464
3
643
3
685
2
946
Dari Tabel 3.9 memperlihatkan bahwa semakin banyak jumlah tetangga pada
suatu kecamatan relatif mengakibatkan semakin sedikitnya jumlah anak tidak
bersekolah di kecamatan tersebut. Sebagai contoh pada M. Belawan yang memiliki 2
tetangga merupakan kecamatan yang paling banyak jumlah anak tidak bersekolah
yaitu 946 anak. Begitu pula pada kecamatan M. Baru yang memiliki 4 tetangga yang
merupakan kecamatan yang paling rendah jumlah anak tidak bersekolah yaitu 18
anak.
31
WQueen
Matrik pembobot yang akan digunakan adalah matrik W yang merupakan bentuk
normalitas dari Matrik WQueen. Matriks W tersebut adalah
32
1
6
1
5
1
2
1
6
1
3
1
3
1
5
1
5
1
8
1
5
1
5
1
6
1
3
1
5
1
3
1
6
1
6
1
2
1
6
1
5
1
8
1
5
1
8
1
5
1
3
1
8
1
5
1
6
1
5
1
5
1
8
1
3
1
8
1
8
1
8
1
5
1
5
1
5
1
5
1
5
1
4
1
5
1
5
1
5
1
3
1
5
1
6
1
5
0
0
1
4
1
5
1
4
1
5
1
5
1
4
1
4
1
6
1
5
1
6
1
6
0
1
5
1
6
1
5
1
5
1
4
1
4
1
4
1
5
0
1
6
1
5
1
6
1
5
1
5
1
6
1
6
1
6
1
6
1
5
1
4
1
5
1
3
1
4
1
3
1
4
1
4
1
3
yaitu
1
3
1
3
0
0
1
3
1
2
0
1
2
3
1
3
0
33
1
6
1
5
Wy 0
1
2
1
6
1
3
1
5
1
8
1
5
1
5
1
8
1
0
3
1
0
5
1
0
3
1 1
8 8
1
6
1
3
1
5
1
3
1
6
1
6
1
5
1
2
1
6
1
5
1
8
1
8
1
5
1
5
1
8
1
5
1
5
1
3
1
8
1
5
1
5
1
5
1
4
1
5
1
5
1
5
1
6
0
0
1
4
1
5
1
4
1
5
1
5
1
4
1
4
1
6
1
5
1
6
1
6
1 1
5 5
1
0
3
1
5
1
6
1
5
0
1
5
1
6
1
5
1
5
1
4
1
4
1
4
1
5
0
1
6
1
5
1
6
1
5
1
5
1
6
1
6
1
6
1
6
1
5
1
4
1
5
1
3
1
4
1
3
1
4
1
3
1
3
0
0
1
3
1
2
0 0
0 0
0 0
0 0
0 0
0 0
0 0
0 0
0 0
0 0
0 0
0 0
0 0
0 0
0 0
0 0
1
0
4
1 1
3 3
1
0
3
1
0
2
0
y 1
y 2
y 3
y 4
y
5
y 6
y 7
y
8
y 9
y 10
y
11
y 12
y 13
y 14
y 15
y
16
y 17
y 18
y
19
y 20
y 21
34
1
1
Wy1 y 2 y10
1
1
1
1
1
1
Wy
y
y
2 6 1 6 3 6 6 6 7 6 8` 6 10
Wy 1 y 1 y 1 y
3 3 2 3 4 3 6
1
1
1
1
Wy 4 y 3 y 5 y 6 y16 y17
5
5
5
5
1
1
1
Wy 5 y 4 y 6 y16
3
3
3
1
1
1
1
1
1
1
Wy 1
Wy 7 1 y 2 1 y 6 1 y 8 1 y13 1 y14
5
5
5
5
5
1
1
1
1
1
Wy 8 y 2 y 7 y 9 y10 y13
5
5
5
5
5
1
1
1
1
Wy 1 y 1 y 1 y 1 y 1 y
10
1
2
8
9
11
5
5
5
5
5
1
1
1
Wy11 y 9 y10 y12 y13
4
4
4
1
1
1
1
1
5
5
5
5
Wy 1 y 1 y 1 y 1 y 1 y 1 y
13 6 7 6 8 6 9 6 11 6 12 6 14
1
1
1
1
1
Wy14 y 6 y 7 y12 y13 y15
5
5
5
5
5
1
1
1
1
1
1
6
6
6
6
6
1
1
1
1
Wy
y
y
16 5 4 5 5 5 6 5 15 5 17
1
1
1
Wy y y y
17 3 4 3 15 3 16
1
1
1
Wy18 y12 y15 y19 y 20
4
4
4
1
1
1
Wy19 y18 y 20 y 21
3
3
3
Wy 1 y 1 y 1 y
20 3 18 3 19 3 21
1
1
Wy 21 y19 y 20
2
2
35
Berdasarkan pengujian Lagrange Multiplier (LM), model yang akan dibentuk hanya
Spatial Autoregressive Model (SAR) sedangkan Spatial Error Model (SEM) maupun
SARMA tidak perlu dilakukan karena berdasarkan hasil uji LM nilai probabilitas
lebih besar dari nilai signifikan () 5%.
Estimasi parameter pada model SAR disajikan pada Tabel 3.8 berikut.
Wy
0,3048
konstanta
128,3035
X1
0,0842
X2
-3,0008
X3
-0,9627
X4
-7,3893
R square = 95,699%
Z(0.025) = 1,96
0,0993
50,5915
0,0138
1,3399
0,9175
1,607
z_value
Prob
3,0707
2,5361
6,1049
-2,2396
-1,0493
-4,5983
0,002136
0,0112105
0,0000000
0,0251169
0,2940404
0,0000043
Berdasarkan pada Tabel 3.10, beberapa variabel memiliki nilai |Zhitung| > Z0,025
(1,96) atau nilai probabilitas > , yaitu X1, X2, dan X4. Itu artinya jumlah penduduk
prasejahtera (X1), jumlah sekolah (X2), dan rasio anak bersekolah dengan ATB (X4)
memiliki pengaruh signifikan terhadap variabel bergantung.
j 1,i j
ij
(3.1)
36
Secara umum, model SAR dapat diinterpretasikan, bahwa apabila faktor lain
dianggap konstan maka ketika tingkat kesejahteraan di suatu kecamatan (X 1) naik
sebesar 1 satuan maka bisa menambah Anak Tidak Bersekolah (ATB) usia kurang 15
tahun sebesar 0,0842. Jika jumlah sekolah SD di suatu kecamatan (X 2) naik 1 satuan
maka mengurangi ATB sebesar 3,0008, dan jika rasio anak bersekolah dengan ATB
(X4) naik 1 satuan maka juga akan mengurangi jumlah ATB sebesar 7,3893.
Berdasarkan pada Tabel 3.7, pada persamaan 3.1 terdapat 2 persamaan model
SAR untuk kecamatan yang memiliki 2 tetangga salah satunya adalah pada kecamatan
M. Belawan yaitu kecamatan dengan jumlah anak tidak bersekolah usia kurang 15
tahun terbanyak yaitu 946 anak. Modelnya adalah sebagai berikut:
37
38
Model persamaan SAR untuk ATB yang memiliki 8 tetangga hanya terdapat 1
model yaitu pada kecamatan M. Kota adalah
39
Persamaan SAR pada kecamatan M. Kota tersebut terlihat bahwa apabila faktor lain
dianggap konstan, jika tingkat kesejahteraan di suatu kecamatan (X 1) naik sebesar 100
satuan maka bisa menambah ATB usia kurang 15 tahun di M. Kota sebesar 8 anak,
jumlah sekolah SD di suatu kecamatan (X2) naik 100 satuan maka mengurangi ATB
sebesar 300 anak, rasio anak bersekolah dengan ATB (X4) naik 100 satuan maka juga
akan mengurangi jumlah ATB sebesar 739 anak. Selanjutnya banyak ATB di
kecamatan M. Kota juga dipengaruhi kecamatan tetangganya yaitu M. Amplas, M.
Denai, M. Area, M. Maimun, M. Johor, M. Barat, M. Timur, dan M. Perjuangan jadi
jika banyak ATB usia kurang 15 tahun pada M. Amplas, M. Denai, M. Area, M.
Maimun, M. Johor, M. Barat, M. Timur, dan M. Perjuangan naik sebesar 100 satuan
maka masing-masing akan menambah ATB usia kurang 15 tahun pada kecamatan M.
Kota sebesar 4 anak. Model persamaan SAR untuk kecamatan yang lain dapat dilihat
pada Lampiran A.
Berikut disajikan tabel-hasil estimasi dari persamaan model OLS dan SAR
yaitu
Tabel 3.11. Hasil Estimasi Koefisien Regresi pada OLS dan SAR
Metode
OLS
Konstanta
165,8063
X1
0,1141
X2
-4,7744
X3
-1,3169
X4
-7,6518
2
R
0,9372
Rho ()
Jmlh kuadrat eror
74364,7300
Taraf signifikansi () = 5%
SAR
128,3035
0,0842
-3,0008
-0,9627
-7,3893
0,9570
0,3048
53566,7820
Pada Tabel 3.11 dapat dilihat bahwa model SAR memiliki nilai R 2 sebesar
95,70% dan jumlah kuadrat eror yang kecil dar model OLS yaitu sebesar 53566,782.
Jumlah variabel yang berpengaruh pada OLS dan SAR adalah sama yaitu jumlah
40
penduduk prasejahtera (X1), jumlah sekolah (X2) dan Rasio anak bersekolah dengan
ATB di bawah 15 tahun (X4) sedangkan pada jumlah anak yang bekerja usia kurang
15 tahun (X3) tidak menjadi variabel yang mempengaruhi di dalam pemodelan kasus
anak tidak bersekolah usia kurang 15 tahun di kota Medan.
41
BAB 4
4.1 Kesimpulan
4.2 Saran
42
3. Regresi spasial dengan pendekatan area yang digunakan peneliti adalah Spatial
Autoregresive Model (SAR). Dengan menambahkan faktor lain didalam penelitian
selanjutnya memungkinkan model spasial dengan pendekatan area yang lain
seperti Spatial Error Model (SEM) atau SARMA dapat digunakan.
4. Matriks ketetanggaan yang digunakan pada penelitian ini adalah dengan
menggunakan matrik Queen Contiguity, peneliti selanjutnya dapat menggunakan
matrik Rook Contiguity sebagai matriks penimbang.
43
DAFTAR PUSTAKA
Anselin, L., Syabri, I., dan Youngihn, K. 2004. GeoDa: An Introduction to Spatial
Data Analysis. Urbana: University of Illinois.
Cristhopher S. F. 2011. Spatial Regression. CSDE Statistics Workshop. University of
Washington.
Halim., S., Anastasya, S., Evalina, A., Tobing, A. F. 2008. Penentuan harga jual
hunian pada apartemen di Surabaya dengan menggunakan metode regresi
spasial. Jurnal Teknik Industri 10(2): hal. 151-157.
LeSage, J. P. 1998. Spatial Econometrics. Departement of Economics.
University of Toledo.
Safrizal, M. R. 2011. Prosedur Generalized Spatial Two Stage Least Squares untuk
Mengestimasi Model Spatial Autoregressive With Autoregressive Disturbances
Studi Kasus Pemodelan Pertumbuhan Ekonomi Di Propinsi Jawa Timur.
Surabaya: Program Magister FMIPA Institut Teknologi Sepuluh November.
Septiana, L. dan Wulandari, S.P. 2009. Pemodelan Remaja Putus Sekolah Usia SMA
di Provinsi Jawa Timur dengan Menggunakan Metode Regresi Spasial.
digilib.its.ac.id/public/ITS-Undergraduate-16199-Cover_id-pdf.pdf.
Ward, M.D. dan Gleditsch. 2007. An Introduction to Spatial Regression Models in the
Social Sciences. Barcelona, Seattle, San Diego, Oslo, & Colchester.
www.tribunnews.com/2012/06/11/14.901-siswa-putus-sekolah-di-sumut.
tanggal 10 Desember, 2012.
di
akses
44
45
y17 128,3035 0.1016 y 4 0.1016 y15 0.1016 y16 0.0842 X 1 3.0008 X 2 7.3893 X 4
y18 128,3035 0.076 y12 0.076 y15 0.076 y19 0.076 y 20
0.0842 X 1 3.0008 X 2 7.3893 X 4
y19 128,3035 0.1016 y18 0.1016 y 20 0.1016 y 21 0.0842 X 1 3.0008 X 2 7.3893 X 4
y 20 128,3035 0.1016 y18 0.1016 y19 0.1016 y 21 0.0842 X 1 3.0008 X 2 7.3893 X 4
46
SAR
e2
e2
150
158.00222
-8.0022
64.035525
172.756993
-22.757
517.88073
234
311.06802
-77.068
5939.4797
257.520238
-23.52
553.2016
96
89.48374
6.51626
42.461644
25.683101
70.3169
4944.4663
293
304.00404
-11.004
121.0889
269.087726
23.9123
571.79685
96
24.88286
71.1171
5057.6476
53.285344
42.7147
1824.5418
68
-24.32712
92.3271
8524.2971
2.792762
65.2072
4251.9839
92
108.928
-16.928
286.55718
103.237735
-11.238
126.28669
128
182.84924
-54.849
3008.4391
153.259546
-25.26
638.04466
18
-113.7454
131.745
17356.85
-64.2335
82.2335
6762.3485
10
143
201.28656
-58.287
3397.3231
194.570519
-51.571
2659.5184
11
376
295.05188
80.9481
6552.5981
262.335817
113.664
12919.546
12
227
206.89318
20.1068
404.28421
230.958287
-3.9583
15.668036
13
57
27.1037
29.8963
893.78875
48.18451
8.81549
77.712864
14
202
215.70342
-13.703
187.78372
194.729373
7.27063
52.862017
15
135
180.14626
-45.146
2038.1848
189.615619
-54.616
2982.8658
16
140
224.14582
-84.146
7080.519
194.478453
-54.478
2967.9018
17
249
314.80082
-65.801
4329.7479
284.375028
-35.375
1251.3926
18
464
480.82666
-16.827
283.13649
489.590529
-25.591
654.87517
19
643
589.49064
53.5094
2863.2516
660.063896
-17.064
291.17655
20
685
672.97914
12.0209
144.50108
716.997271
-31.997
1023.8254
21
946
869.91614
76.0839
5788.7538
853.919136
92.0809
8478.8855
Jumlah
74364.73
53566.782
47
Regression
SUMMARY OF OUTPUT: ORDINARY LEAST SQUARES ESTIMATION
Data set
: admin3
Dependent Variable
Y Number of Observations: 21
R-squared
: 0.937226 F-statistic
59.7207
Adjusted R-squared
: 0.921533 Prob(F-statistic)
: 2.049e-009
: -115.305
Sigma-square
240.61
S.E. of regression
245.833
Sigma-square ML
3441.2
S.E of regression ML :
58.6617
----------------------------------------------------------------------Variable
Coefficient
Std.Error
t-Statistic
Probability
----------------------------------------------------------------------CONSTANT
165.8063
68.5434
X1
0.1140673
0.01353434
X2
-4.774384
1.701349
-2.806235
X3
-1.316867
1.262511
-1.043054 0.3124279
2.220894
-3.445393 0.0033258
X5
-7.651852
2.418998
0.0278451
8.427988 0.0000003
-----------------------------------------------------------------------
0.0126772
48
REGRESSION DIAGNOSTICS
MULTICOLLINEARITY CONDITION NUMBER 12.069651
TEST ON NORMALITY OF ERRORS
TEST
DF
VALUE
Jarque-Bera
1.471593
PROB
0.4791237
DF
Breusch-Pagan test
VALUE
Koenker-Bassett test 4
PROB
1.806
0.7713845
2.572461
0.6317092
DF
14
VALUE
PROB
17.7973
0.2161695
MI/DF
VALUE
Moran's I (error)
0.127325
N/A
5.9334893
0.0148558
Robust LM (lag)
5.2510548
0.0219335
0.6933650
0.4050222
Robust LM (error)
0.0109306
0.9167335
5.9444199
PROB
N/A
0.0511901
49
Regression
SUMMARY OF OUTPUT: SPATIAL LAG MODEL - MAXIMUM LIKELIHOOD ESTIMATION
Data set
: admin3
Spatial Weight
: admin3.gal
Dependent Variable :
Y Number of Observations
: 21
: 6
: 15
: 0.304814
R-squared
: -111.584
Sq. Correlation
:-
235.167
Sigma-square
241.434
S.E of regression :
48.554
----------------------------------------------------------------------Variable
Coefficient
Std.Error
z-value
Probability
----------------------------------------------------------------------W_Y
0.3048144
CONSTANT 128.3035
0.09926653
3.070667 0.0021360
50.59147
2.536069
0.0112105
0.0000000
X1
0.08421594 0.01379471
6.104945
X2
-3.000773
1.339871
-2.239599 0.0251169
X3
-0.9627318
0.9174996
-1.049299 0.2940404
X5
-7.389294
1.606955
-4.59832
-----------------------------------------------------------------------
0.0000043
50
REGRESSION DIAGNOSTICS
DIAGNOSTICS FOR HETEROSKEDASTICITY
RANDOM COEFFICIENTS
TEST
DF
Breusch-Pagan test
VALUE
1.388285
PROB
0.8462286
DF
VALUE
7.443377
PROB
0.0063670
Regression
SUMMARY OF OUTPUT: SPATIAL ERROR MODEL - MAXIMUM LIKELIHOOD
ESTIMATION
Data set
: admin3
Spatial Weight
: admin3.gal
Dependent Variable
Y Number of Observations: 21
: 0.687965
R-squared
:-
Sq. Correlation
:-
: -113.918531
Sigma-square
S.E of regression :
Log likelihood
237.837
243.06
51
----------------------------------------------------------------------Variable
Coefficient
Std.Error z-value
Probability
----------------------------------------------------------------------CONSTANT
132.2869
74.68421
1.771283
0.0765135
X1
0.09784754
0.01451933 6.739122
0.0000000
X2
-2.872564
1.309913
-2.192942 0.0283114
X3
-1.305787
0.9120519
-1.431703 0.1522291
X5
-6.118617
1.776425
-3.444342 0.0005725
0.6879645
0.1549486
4.439954 0.0000090
LAMBDA
-----------------------------------------------------------------------
REGRESSION DIAGNOSTICS
DIAGNOSTICS FOR HETEROSKEDASTICITY
RANDOM COEFFICIENTS
TEST
Breusch-Pagan test
DF
4
VALUE
4.051938
PROB
0.3990224
DF
VALUE
2.773422
PROB
0.0958411