Athikah Dian Alfarizy (G152140331)

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

Athikah Dian Alfarizy (G152140331)

c) Uji Asumsi Klasik

#residual regresi klasik
> res1=residuals(reg1)

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.

2. Kehomogenan ragam sisaan

H0 : Ragam sisaan tidak homogen
H1 : Ragam sisaan homogen

Athikah Dian Alfarizy (G152140331)

Tingkat kepercayaan : = 5% = 0,05

Daerah kritis : H0 ditolak jika pvalue <
Statistik uji & output software :

#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.

3. Kebebasan Sisaan (Uji Durbin-Watson)

- Daerah kritis :
Nilai DW
Keputusan
4-dL < DW < 4
Tolak H0 ; ada autokorelasi negatif
4-dU < DW < 4-dL
Tidak dapat disimpulkan (ragu-ragu)
dU < DW < 4-dU
Terima H0
dL < DW < dU
Tidak dapat disimpulkan (ragu-ragu)
0 < DW < dL
Tolak H0 ; ada autokorelasi positif
Nilai dL dan dU dari tabel durbin watson (n=112 ; k=10)
dL = 1,335 ; dU = 1,765
- Statistik uji & output software :
#uji autokorelasi
> durbinWatsonTest(res1)
[1] 1.613312

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 :
-

Karena semua nilai VIF tidak ada yang melebihi

10, maka dapat dikatakan bahwa tidak ada
multi-kolinearitas untuk semua variabel.

Athikah Dian Alfarizy (G152140331)

d) Uji Lagrange Mutiplier
Uji LM
> LM1=lm.LMtests(reg1,matbot,test=c("LMerr","LMlag"))
> LM1
Lagrange multiplier diagnostics for spatial dependence
data:
model: lm(formula = Y~X1+X2+X3+X4+X5+X6+X7+X8+X9,data =
miskin)
weights: matbot
LMerr = 15.386, df = 1, p-value = 8.763e-05
Lagrange multiplier diagnostics for spatial dependence
data:
model: lm(formula = Y~X1+X2+X3+X4+X5+X6+X7+X8+X9,data =
miskin)

1. Uji Lagrange SEM

H0 : Tidak perlu dilanjutkan pada pembentukan model SEM
H1 : Perlu dilanjutkan pada pembentukan model SEM
Tingkat kepercayaan : = 5% = 0,05
Daerah kritis : H0 ditolak jika pvalue <
Statistik uji : pvalue LMerr = 8,76 . 105
Kesimpulan :
Karena pvalue LMerr < (0,05) maka H 0 ditolak. Sehingga perlu dilanjutkan untuk
pembentukan model Spatial Error Model (SEM) untuk memodelkan presentase
kemiskinan di Pulau Jawa
2. Uji Lagrange SAR
H0 : Tidak perlu dilanjutkan pada pembentukan model SAR
H1 : Perlu dilanjutkan pada pembentukan model SAR
Tingkat kepercayaan : = 5% = 0,05
Daerah kritis : H0 ditolak jika pvalue <
Statistik uji : pvalue LMlag = 1,003 . 105
Kesimpulan :
Karena pvalue LMlag < (0,05) maka H0 ditolak. Sehingga perlu dilanjutkan untuk
pembentukan model Spatial Autocorrelation Regression (SAR) untuk memodelkan
presentase kemiskinan di Pulau Jawa
e) Regresi Spatial Auocorrelation Regression (SAR) dan Asumsi
Berdasarkan uji Langrange Multiplier maka perlu dilanjutkkan ke model SAR

Athikah Dian Alfarizy (G152140331)

#persamaan regresi SAR

> sar1=lagsarlm(Y~X1+X2+X3+X4+X5+X6+X7+X8+X9,data=miskin,matbot)
> summary(sar1)
Call:lagsarlm(formula = Y ~ X1+X2+X3+X4+X5+X6+X7+X8+X9, data =
miskin, listw = matbot)
Residuals:
Min
1Q
Median
3Q
Max
-8.08718 -2.51852 -0.57735 2.32914 14.67073
Type: lag
Coefficients: (asymptotic standard errors)
Estimate Std. Error z value Pr(>|z|)
(Intercept) 7.7154068 23.7210748 0.3253 0.744988
X1
48.5559101 15.5978584 3.1130 0.001852
X2
0.1677456 1.0427340 0.1609 0.872195
X3
0.0159686 0.0969511 0.1647 0.869174
X4
-0.1277982 0.1633111 -0.7825 0.433895
X5
0.9877048 1.3366885 0.7389 0.459956
X6
-2.6498893 1.8274813 -1.4500 0.147052
X7
-0.2292579 1.0394541 -0.2206 0.825438
X8
-0.0249436 0.0323552 -0.7709 0.440748
X9
-0.0025144 0.2449302 -0.0103 0.991809
Rho: 0.49311, LR test value: 22.206, p-value: 2.4494e-06
Asymptotic standard error: 0.085844
z-value: 5.7442, p-value: 9.2346e-09
Wald statistic: 32.996, p-value: 9.2346e-09
Log likelihood: -323.174 for lag model
ML residual variance (sigma squared): 17.708, (sigma: 4.2081)
Number of observations: 112
Number of parameters estimated: 12
AIC: 670.35, (AIC for lm: 690.55)

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))

Athikah Dian Alfarizy (G152140331)

Kesimpulan :
Karena pvalue (0,00129 ) < (0,05) maka H0 ditolak. Sehingga dapat dikatakan
bahwa data sisaan tidak berdistribusi normal.

2. Kehomogenan ragam sisaan

H0 : Ragam sisaan tidak homogen
H1 : Ragam sisaan homogen
Tingkat kepercayaan : = 5% = 0,05
Daerah kritis : H0 ditolak jika pvalue <
Statistik uji & output software :
#uji homogenitas
> bptest.sarlm(sar1)
studentized Breusch-Pagan test
data:
BP = 5.4007, df = 9, p-value = 0.7981

Kesimpulan :
Karena pvalue (0,7981) > (0,05) maka H0 tidak ditolak. Sehingga dapat dikatakan
bahwa ragam sisaan homogen.

f) Regresi Spatial Error Model (SEM) dan Asumsi

Berdasarkan uji Langrange Multiplier maka perlu dilanjutkkan ke model SAR

Athikah Dian Alfarizy (G152140331)

#persamaan regresi SAR

>sem1=errorsarlm(Y~X1+X2+X3+X4+X5+X6+X7+X8+X9,data=miskin,matbot)
> summary(sem1)
Call:errorsarlm(formula = Y ~ X1 + X2 + X3 + X4 + X5 + X6 + X7 + X8
+ X9, data = miskin, listw = matbot)
Residuals:
Min
1Q Median
3Q
Max
-7.8318 -2.5089 -0.8598 2.1699 15.5809
Type: error
Coefficients: (asymptotic standard errors)
Estimate Std. Error z value Pr(>|z|)
(Intercept) 27.3736223 24.6517704 1.1104 0.2668215
X1
58.3290767 16.9262339 3.4461 0.0005688
X2
0.3604321 1.0054983 0.3585 0.7199982
X3
-0.0013316 0.1062478 -0.0125 0.9900003
X4
-0.1745283 0.1759832 -0.9917 0.3213279
X5
0.9334969 1.4624292 0.6383 0.5232658
X6
-2.3161623 1.6144177 -1.4347 0.1513801
X7
0.0795133 1.0239393 0.0777 0.9381031
X8
-0.0203269 0.0325705 -0.6241 0.5325679
X9
-0.1329615 0.2483271 -0.5354 0.5923533
Lambda: 0.59975, LR test value: 21.623, p-value: 3.3182e-06
Asymptotic standard error: 0.086615
z-value: 6.9243, p-value: 4.3823e-12
Wald statistic: 47.946, p-value: 4.3823e-12
Log likelihood: -323.4653 for error model
ML residual variance (sigma squared): 17.208, (sigma: 4.1483)
Number of observations: 112
Number of parameters estimated: 12
AIC: 670.93, (AIC for lm: 690.55)

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))

Athikah Dian Alfarizy (G152140331)

Kesimpulan :
Karena pvalue (0,00129 ) < (0,05) maka H0 ditolak. Sehingga dapat dikatakan
bahwa data sisaan tidak berdistribusi normal.

2. Kehomogenan ragam sisaan

H0 : Ragam sisaan tidak homogen
H1 : Ragam sisaan homogen
Tingkat kepercayaan : = 5% = 0,05
Daerah kritis : H0 ditolak jika pvalue <
Statistik uji & output software :
#uji homogenitas
> bptest.sarlm(sem1)
studentized Breusch-Pagan test
data:
BP = 4.6144, df = 9, p-value = 0.8665

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

Athikah Dian Alfarizy (G152140331)