Regresi Spasial
Ingin diuji model regresi mana yang terbaik untuk memodelkan data spasial. Data
adalah data sebaran kemiskinan di seluruh propinsi di Pulau Jawa. Terdapat 112 data
kemiskinan untuk tiap-tiap kabupaten di masing-masing propinsi.
a) Import data dan bobot dengan software R
#memanggil package yang dibutuhkan
> library(spdep)
> library(car)
> library(lmtest)
> library(nortest)
#impor data kemiskinan
> miskin=read.table("E:/kemiskinan.csv",sep=",",header=TRUE)
> attach(miskin)
#impor matriks bobot spasial
> bobot=read.table("E:/bobot.csv",sep=",",header=FALSE)
> attach(bobot)
> bot=as.matrix(bobot)
#mengkonversi bentuk matriks bobot menjadi list
> matbot=mat2listw(bot)
b) Regresi Klasik
#persamaan regresi klasik
> reg1=lm(Y~X1+X2+X3+X4+X5+X6+X7+X8+X9,data=miskin)
> summary(reg1)
Call:
lm(formula = Y~X1+X2+X3+X4+X5+X6+X7+X8+X9,data = miskin)
Residuals:
Min
1Q Median
3Q
Max
-9.5544 -3.6900 -0.5157 2.7107 13.3674
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -12.321735 28.269220 -0.436 0.66385
X1
61.528226 18.336093
3.356 0.00111 **
X2
-0.078965
1.242570 -0.064 0.94945
X3
0.085842
0.115461
0.743 0.45891
X4
-0.404445
0.189640 -2.133 0.03535 *
X5
1.428111
1.588226
0.899 0.37067
X6
-2.157977
2.177422 -0.991 0.32400
X7
0.322581
1.230572
0.262 0.79374
X8
-0.006828
0.038523 -0.177 0.85967
X9
0.257629
0.291695
0.883 0.37920
--Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1
Residual standard error: 5.015 on 102 degrees of freedom
Multiple R-squared: 0.4668,
Adjusted R-squared: 0.4198
F-statistic: 9.923 on 9 and 102 DF, p-value: 8.364e-11
1. Normalitas sisaan
H0 : Data sisaan tidak berdistribusi normal
H1 : Data sisaan berdistribusi normal
Tingkat kepercayaan : = 5% = 0,05
Daerah kritis : H0 ditolak jika pvalue <
Statistik uji & output software :
#uji normalitas anderson-darling
> ad.test(reg1)
Anderson-Darling normality test
data: res1
A = 1.2865, p-value = 0.00231
#mengeluarkan plot normalitas dengan garis
> qqnorm(res1)
> qqline(res1)
Kesimpulan :
Karena pvalue (0,00231) < (0,05) maka H0 ditolak. Sehingga dapat dikatakan bahwa
data sisaan tidak berdistribusi normal.
#uji homogenitas
> bptest(reg1)
studentized Breusch-Pagan test
data: reg1
BP = 5.6347, df = 9, p-value = 0.7758
Kesimpulan :
Karena pvalue (0,7758) > (0,05) maka H0 tidak ditolak. Sehingga dapat dikatakan
bahwa ragam sisaan homogen.
Kesimpulan :
Karena dL (1,335) < DW (1,613) < dU (1,765) maka tidak bisa diambil kesimpulan
tentang asumsi autokorelasinya.
Multikolinearitas
Dikatakan terdapat multikolinearitas jika nilai VIF > 10
#uji multikolinearitas
> as.matrix(vif(reg1))
[,1]
X1 2.608229
X2 2.799228
X3 1.911725
X4 2.654061
X5 2.109853
X6 1.179278
X7 1.412522
X8 1.946109
X9 2.035164
Kesimpulan :
-
1. Normalitas sisaan
H0 : Data sisaan tidak berdistribusi normal
H1 : Data sisaan berdistribusi normal
Tingkat kepercayaan : = 5% = 0,05
Daerah kritis : H0 ditolak jika pvalue <
Statistik uji & output software :
#uji normalitas anderson-darling
> ad.test(residuals(sar1))
Anderson-Darling normality test
data: r1
A = 1.3879, p-value = 0.001297
#mengeluarkan plot normalitas dengan garis
> qqnorm(residuals(sar1))
> qqline(residuals(sar1))
Kesimpulan :
Karena pvalue (0,00129 ) < (0,05) maka H0 ditolak. Sehingga dapat dikatakan
bahwa data sisaan tidak berdistribusi normal.
Kesimpulan :
Karena pvalue (0,7981) > (0,05) maka H0 tidak ditolak. Sehingga dapat dikatakan
bahwa ragam sisaan homogen.
1. Normalitas sisaan
H0 : Data sisaan tidak berdistribusi normal
H1 : Data sisaan berdistribusi normal
Tingkat kepercayaan : = 5% = 0,05
Daerah kritis : H0 ditolak jika pvalue <
Statistik uji & output software :
#uji normalitas anderson-darling
> ad.test(residuals(sem1))
Anderson-Darling normality test
data: residuals(sem1)
A = 1.4215, p-value = 0.001071
#mengeluarkan plot normalitas dengan garis
> qqnorm(residuals(sem1))
> qqline(residuals(sem1))
Kesimpulan :
Karena pvalue (0,00129 ) < (0,05) maka H0 ditolak. Sehingga dapat dikatakan
bahwa data sisaan tidak berdistribusi normal.
Kesimpulan :
Karena pvalue (0,8655) > (0,05) maka H0 tidak ditolak. Sehingga dapat dikatakan
bahwa ragam sisaan homogen.
g) Kebaikan Model
Untuk membandingkan manakah model yang palingbaik di antara ketiganya, dari nilai
AIC yang terkecil.
Intercept
X1
X2
X3
X4
X5
X6
X7
X8
X9
Rho
Lambda
AIC
Regresi Klasik
SAR
-12.321735
7.7154068
* 61.528226 * 48.5559101
-0.078965
0.1677456
0.085842
0.0159686
* -0.404445
-0.1277982
1.428111
0.9877048
-2.157977
-2.6498893
0.322581
-0.2292579
-0.006828
-0.0249436
0.257629
-0.0025144
0,4931
690,55
670,35
SEM
27.3736223
* 58.3290767
0.3604321
-0.0013316
-0.1745283
0.9334969
-2.3161623
0.0795133
-0.0203269
-0.1329615
0,59975
670,93
Dapat dilihat bahwa model yang terbaik untuk memodelkan pola kemiskinan di Pulau Jawa
adalah model SAR karena memiliki AIC yang paling kecil di bandingkan dengan model SEM
dan model klasik.
Model terbaik :
Y = 7,72 + 48,56 X1 + 0,168 X2 + 0,016 X3 0,128 X4 + 0,988 X5 2,649 X6 0,025 X7
0,025 X8 0,003 X9