Spasial Menggunakan
Software Stata
Randi Kurniawan
§ Efek spasial terbagi menjadi dua, yaitu spatial autocorrelation dan spatial
heterogeneity.
§ Dalam pemodelan ekonometri standar, permasalahan spatial heterogeneity
dapat menyebabkan terjadinya heteroskedastisitas (varians error yang tidak
konstan). Namun permasalahan ini dapat diatasi dengan menggunakan teknik,
antara lain robust standar error. Namun spatial autocorrelation tidak dapat
diatasi dengan menggunakan model regresi standar.
§ Spatial autocorrelation ditandai dengan karakteristik berikut (Drukker, 2018):
o Apabila variabel interest di suatu lokasi berhubungan dengan variabel
interest di lokasi lainnya
o Apabila variabel interest di suatu lokasi berhubungan dengan variabel
kontrol di lokasi lainnya
o Apabila error yang berpengaruh terhadap variabel interest di suatu lokasi
berhubungan dengan error yang berpengaruh terhadap variabel interest di
lokasi lainnya
Konsep Spatial
Autocorrelation (2)
Spatial autocorrelation dapat dituliskan dalam
persamaan:
𝑦! = 𝜌 / 𝑊!" 𝑦" + 𝜖!
Matriks "#$
Dimana
Pembobot ∑%"#$ 𝑊!" 𝑦" = spatial lag yang merepresentasikan kombinasi
linear dari nilai y yang dihitung dari observasi/wilayah yang
bertetangga dengan i
𝑊!" = n × n matriks pembobot spasial
𝜌 ∶ parameter dalam bentuk skalar yang menunjukkan
kekuatan spatial dependence
Matriks Pembobot
Matriks 𝑅1 𝑅2 𝑅3 𝑅4 𝑅5 𝑅6 𝑅7
Pembobot: 𝑅1 0
1
1
0
0
1
0
0
0
0
0
0
0
0
𝑅2
Contiguity (1) 𝐶=
𝑅3
𝑅4
0 1 0 1 0 0 0
0 0 1 0 1 0 0
𝑅5 0 0 0 1 0 1 0
𝑅6 0 0 0 0 1 0 1
𝑅7 0 0 0 0 0 1 0
Contoh Matriks pembobot dinormalisasi dengan row standardized,
dimana penjumlahan horizontal sama dengan 1
Matriks
Pembobot: 0 1 0 0 0 0 0
0 0
Contiguity (2) 1/2
0
0
1/2
1/2
0 1/2 0
0
0
0
0
𝑊= 0 0 1 0 1/2 0 0
0 0 0 1/2 0 1/2 0
0 0 0 0 1/2 0 1/2
0 0 0 0 0 1 0
Matriks Pembobot Berdasarkan Jarak
• Spatial Lag Model atau Spatial Autoregressive (SAR) tepat digunakan jika
fokus pengamatan pada asesmen terhadap keberadaan dan kekuatan dari
interaksi spasial.
• Metode ini digunakan jika sudah terdapat informasi mengenai keterkaitan
struktur spasial dari variabel dependen yang diteliti. Contoh: harga suatu
rumah juga dipengaruhi oleh harga rumah yang berada di dekatnya
• Ditambahkan sebagai regressor dalam bentuk spatially lag dependent
variable (Wy), yang dituliskan dalam persamaan berikut:
𝑦 = 𝜌 𝑊𝑦 + 𝑋𝛽 + 𝑒
Dimana 𝜌 merupakan koefisien spatial autoregressive, X merupakan vektor
dari variabel independen, dan 𝜀 merupakan error term.
Spatial Error Model
• Spatial Error Model (SEM) tepat digunakan apabila fokus pengamatan pada
bagaimana mengatasi bias yang terjadi dari adanya autokorelasi spasial,
sebagai akibat dari penggunaan data spasial.
• Metode ini tepat digunakan jika belum ada informasi sebelumnya mengenai
struktur spasial dari variabel yang diteliti. Contoh: adopsi teknologi petani
kemungkinan disebabkan oleh petani yang bertetangga dengannya.
• Isu spasial ditambahkan dalam komponen error term (e), sehingga e
memiliki struktur spasial. Misal: persamaan regresi dituliskan:
𝑦 = 𝑋𝛽 + 𝑒
• Karena error term memiliki korelasi spasial, maka dituliskan dalam
persamaan:
𝑒 = 𝜆 𝑊𝑒 + 𝑢 atau (I - 𝜆 𝑊) e = 𝑢
Spatial Dependence Test
Daftar • mmerge
• esttab
Perintah yang
Perlu Di-Install Petunjuk Install:
Laptop terkoneksi internet. Kemudian, buka Stata,
lalu ketikkan perintah ssc install “nama perintah”
pada command line. Contoh:
ssc install spmap
Tunggu sampai muncul keterangan installation
complete di jendela utama Stata
Peserta disarankan
menggunakan Stata versi 15
ke atas
Visualisasi:
Data IPM per Kabupaten/Kota di Jawa Tengah (1)
• Dalam latihan ini, akan digunakan peta Jawa Tengah yang diperoleh dari GADM
• Terlebih dulu buat dua direktori dengan perintah:
- Penyimpanan peta:
cd /Users/randikurniawan/Documents/latihan_stata_spasial/peta
- penyimpanan dataset dan output:
global data /Users/randikurniawan/Documents/latihan_stata_spasial
• Simpan data peta di dalam folder yang dijadikan direktori (cd)
• Ubah data format shp menjadi format stata (pilih file level kabupaten:
gadm36_IDN_2.shp) dengan mengetikkan perintah:
spshape2dta gadm36_IDN_2.shp, replace
Visualisasi:
Data IPM Kabupaten/Kota di Jawa Tengah (2)
• Setelah berhasil menjalankan perintah ini, akan muncul dua file berformat stata di
direktori, yaitu file keterangan objek dan file koordinat objek.
• Panggil file keterangan objek dan lakukan seleksi lokasi hanya di Jawa Tengah
dengan perintah:
.
Menghitung Matriks
Pembobot (2)
. spset, modify coordsys(latlong, kilometers)
2. Menghitung matriks pembobot distance Sp dataset data_analisis.dta
data: cross sectional
* modifikasi jarak peta menjadi kilometer spatial-unit id: _ID
coordinates: _CY, _CX (latitude-and-longitude, kilometers)
spset, modify coordsys(latlong, kilometers) linked shapefile: gadm36_IDN_2_shp.dta
. spmatrix dir
Type idistance
Normalization row
Weighting matrix name N x N Type Normalization
Dimension 35 x 35
Wcon 35 x 35 contiguity row Elements
Wdis 35 x 35 idistance row
minimum 0
Menguji Spatial . regress ipm lnpdrb_kapita lnbelanjakesehatan_kapita lnbelanjapendidikan_kapita
Dependence
F(3, 31) = 18.57
Model 423.554627 3 141.184876 Prob > F = 0.0000
Residual 235.71207 31 7.60361516 R-squared = 0.6425
Adj R-squared = 0.6079
Total 659.266697 34 19.390197 Root MSE = 2.7575
lnbelanjakesehatan_kapita
lnbelanjapendidikan_kapita
. estat moran, errorlag(Wcon)
Hasil uji moran di samping menunjukkan ada Prob > chi2 = 0.0028
spatial dependence
Regresi Spasial (1)
• Regresi spasial (Model SAR)
spregress ipm lnpdrb_kapita lnbelanjakesehatan_kapita lnbelanjapendidikan_kapita , ml
dvarlag(Wcon) nolog
. spregress ipm lnpdrb_kapita lnbelanjakesehatan_kapita lnbelanjapendidikan_kapita , ml dvarlag(Wcon) nolog
(35 observations)
(35 observations (places) used)
(weighting matrix defines 35 places)
ipm
lnpdrb_kapita 4.728172 .8223278 5.75 0.000 3.116439 6.339905
lnbelanjakesehatan_kapita 3.852746 .9585507 4.02 0.000 1.974021 5.731471
lnbelanjapendidikan_kapita -1.35072 1.178499 -1.15 0.252 -3.660536 .9590947
_cons -19.18917 17.3566 -1.11 0.269 -53.20748 14.82913
Wcon
ipm .6213325 .1254065 4.95 0.000 .3755402 .8671249
Wald test of spatial terms: chi2(1) = 24.55 Prob > chi2 = 0.0000
Regresi Spasial (2)
• Regresi spasial (Model SAR)
spregress ipm lnpdrb_kapita lnbelanjakesehatan_kapita lnbelanjapendidikan_kapita ,
ml errorlag(Wcon) nolog
. spregress ipm lnpdrb_kapita lnbelanjakesehatan_kapita lnbelanjapendidikan_kapita , ml errorlag(Wcon) nolo
> g
(35 observations)
(35 observations (places) used)
(weighting matrix defines 35 places)
ipm
lnpdrb_kapita 4.071962 .8534154 4.77 0.000 2.399299 5.744626
lnbelanjakesehatan_kapita 4.664337 1.070563 4.36 0.000 2.566072 6.762602
lnbelanjapendidikan_kapita -3.227043 1.455587 -2.22 0.027 -6.079941 -.3741457
_cons 42.45935 14.42346 2.94 0.003 14.18988 70.72882
Wcon
e.ipm .719591 .1371204 5.25 0.000 .4508399 .9883421
Wald test of spatial terms: chi2(1) = 27.54 Prob > chi2 = 0.0000
esttab sar sem ols, se mti(SAR SEM OLS)
main
lnpdrb_kap~a 4.728*** 4.072*** 5.880***
(0.822) (0.853) (1.109)
Perbandingan
(0.959) (1.071) (1.287)
Hasil Regresi
(1.178) (1.456) (1.655)
Wcon
ipm 0.621***
(0.125)
e.ipm 0.720***
(0.137)
/
var(e.ipm) 3.848*** 4.087***
(0.944) (1.034)