Regresi Spasial
Regresi Spasial
26NOVBy richie
Pada artikel sebelumnya kita sudah banyak membahas pola hubungan antar
variabel yang asimetris salah satu diantaranya adalah analisis regresi linear
baik itu dalam konsep linear sederhana ataupun multivariat (lebih dari satu
variabel bebas). Dalam analisis regresi linear, kita sudah membahas pula
beberapa asumsi regresi linear klasik yang berguna dalam memastikan
bahwa model yang dihasilkan oleh data “baik”, baik itu dari segi penaksiran
parameter yang dihasilkan (nilai beta) dan proporsionalnya selang
kepercayaan dalam pengujian hipotesis (uji F dan t).
Pada kesempatan kali ini kita akan sedikit membahas analisis regresi dari
perspektif kewilayahan (spasial). Pada bahasan pengujian
heteroskedastisitas pada model regresi, sudah sedikit dibahas adanya
pengaruh heteroskedastisitas pada model regresi yang dihasilkan, yaitu
adanya keberagaman varians dari faktor gangguan yang akan mengganggu
pada hasil penaksiran yang dihasilkan oleh model regresi. Salah satu faktor
yang memungkinkan yang dapat menyebabkan heteroskedastisitas pada
model adalah faktor kewilayahan atau spasial. Sehingga perlakuan pada
data yang akan dibentuk menjadi sebuah model regresi terdapat
penyesuaian diantaranya pada pembahasan sebelumnya (artikel : Asumsi
Non Heteroskedastisitas Pada Model Regresi), pada poin pertama, dengan
menggunakan nilai koefisien regresi b yang dihasilkan dari kuadrat terkecil
tertimbang/terboboti (weighted least square-WLS)
Data Spasial
Data spasial merupakan data yang memuat informasi tentang atribut dan
informasi lokasi. Sedangkan data bukan spasial hanya memuat informasi
tentang atribut saja. Sebagai ilustrasi, data produk yang dihasilkan oleh
suatu perusahaan berdasarkan banyaknya karyawan merupakan contoh data
bukan spasial. Banyaknya orang yang bertahan dari suatu penyakit di
berbagai daerah di suatu negara merupakan contoh data spasial
(Fortheringham et al, 2002).
Hal tersebut sesuai dengan hukum I Tobler yang dikemukakan oleh Tobler
(Tobler’s first law of geography) dalam Schanbenberger dan Gotway (2005),
yaitu “Everything is related to everything else, but near thing are more
related than distant thing.” Yang berarti “Segala sesuatu saling berhubungan
satu dengan yang lainya, tetapi sesuatu yang dekat lebih mempunyai
pengaruh daripada sesuatu yang jauh.”
Hubungan tersebut dinamakan efek spasial. Efek spasial di sini terkait
dengan perbedaan karakteristik lingkungan dan geografis antar lokasi
pengamatan sehingga masing-masing pengamatan kemungkinan memiliki
variasi yang berbeda atau terdapat perbedaan pengaruh variabel prediktor
terhadap variabel respon untuk setiap lokasi pengamatan. Efek spasial ini
kemudian disebut sebagai keragaman spasial atau heterogenitas spasial.
Oleh karena itu, diperlukan sebuah metode statistika yang diharapkan dapat
mengantisipasi heterogenitas spasial. Metode statistika tersebut yaitu
metode regresi terboboti geografis atau Geographically Weighted
Regression (GWR).
Geographically Weighted Regression (GWR)
Model regresi terbboboti geografi (RTG) atau Geographically Weighted
Regression (GWR) pertama kali diperkenalkan oleh Fotheringham pada tahun
1967. Model GWR adalah pengembangan dari model regresi linear klasik
atau ordinary linear regression (OLR). Model GWR adalah model regresi yang
dikembangkan untuk memodelkan data dengan variabel respon yang
bersifat kontinu dan mempertimbangkan aspek spasial atau lokasi.
Pendekatan yang dilakukan dalam GWR adalah pendekatan titik. Setiap
nilai parameter ditaksir pada setiap titik lokasi pengamatan,
sehingga setiap titik lokasi pengamatan mempunyai nilai parameter yang
berbeda-beda.
Penaksiran Keofisien Regresi GWR
Penaksiran regresi pada Geographically Weighted Regression (GWR)
dilakukan dengan menggunakan metode kuadrat terkecil terboboti
atau Weighted Least Square (WLS), yaitu metode kuadrat terkecil dengan
memberikan pembobotan yang berbeda pada setiap titik lokasi pengamatan.
Pembobotan tersebut berupa matriks diagonal dimana elemen-elemen
diagonalnya merupakan sebuah fungsi pembobot dari titik lokasi
pengamatan.
Misalkan pembobot untuk setiap titik lokasi pengamatan (ui, vj) adalah Wij,
maka koefisien regrei pada titik lokasi pengamatan (ui,vj) ditaksir dengan
menambahkan pembobot Wij pada persamaan regresi dan meminimumkan
jumlah kuadrat error-nya.
(perhitungan manual penaksir regresi linear dapat diaplikasikan dengan
menggunakan matriks –lebih dari 2 variabel bebas, dengan adanya
pembobotan spasial maka fungsi matriks awal digabung dengan matriks
bobot spasial-Wij)
Pembobot Model GWR
Peran pembobot dalam GWR merupakan aspek penting. Pembobot tersebut
bergantung pada jarak antar titik lokasi pengamatan. Seperti penjelasan
sebelumnya, pembobot tersebut berupa berupa matriks diagonal dimana
elemen-elemen diagonalnya merupakan sebuah fungsi pembobotan dari
setiap titik lokasi pengamatan. Fungsi dari matriks pembobot adalah untuk
menentukan atau menaksir parameter yang berbeda pada setiap titik lokasi
pengamatan.
———————————————————————————————————————
————————————-