SPATIAL

REGRESSION
Praktikum 9 | Statistika Spasial
rahmaanisa@apps.ipb.ac.id
 MODEL SPASIAL GLOBAL

y  Wy  XB  u; u  Wu  
 ~ N (0,  2 I )

 0  0 0 𝜌≠0
 0 0  0 𝜆≠0

OLS SEM SAR SARMA

y  XB   y  XB  u y  Wy  XB   𝑦 = 𝜌𝑊𝑦 + 𝑋𝐵 + 𝑢
 Eksplorasi Data

Regresi Klasik & Uji Asumsi

TAHAPAN Matriks Pembobot Spasial

REGRESI
SPASIAL Uji Lagrange Multiplier

Regresi Spasial & Uji Asumsi

Kebaikan Model
Silahkan download files yang ada pada link berikut ini:

https://github.com/raoy/SpatialReg
JAWA BARAT DATA SET

• Data yang Anda download terdiri dari dua jenis data:

1. Data polygon (peta Jawa Barat, dengan extension .shp)

2. Dataframe (data pendidikan dan kemiskinan, diperoleh dari BPS)

STUDY KASUS: KEMISKINAN DI JAWA
BARAT

Sumber: jabar.bps.go.id
STUDY
KASUS:
KEMISKINAN
DI JAWA
BARAT
Sumber: jabar.bps.go.id
STUDY KASUS: KEMISKINAN DI JAWA
BARAT
• Y : Persentase Penduduk Miskin Tahun 2016
• X : Angka Melek Huruf Tahun 2016
IMPORT DATA

library(spdep)
library(rgdal)
library(raster)
#copy dulu data dari file Jabar Data (gabung).xlsx
data.jabar<-read.delim("clipboard")
jabar2<-readOGR(dsn=“directory tempat folder utk file .shp", layer=“nama file shp")
DATA
EXPLORATION
RELATIONSHIP
OF THE DATA

plot(data.jabar$EYS2016,
data.jabar$p.miskin16,
xlab="Angka Melek Huruf
Thn.2016", ylab="Persentase
Penduduk Miskin Thn.2016",
pch=20, col="orange", cex=2)
RELATIONSHIP
OF THE DATA

lines.lm(reg.klasik, col=2,
add=T)
PLOT PERSENTASE PENDUDUK MISKIN
TAHUN 2016
k=16
colfunc <-
colorRampPalette(c("green",
"yellow","red"))
color<-colfunc(k)
library(sp)
jabar2$miskin2<-
data.jabar$p.miskin16
spplot(jabar2, "miskin2",
col.regions=color)
 MORAN’S TEST
w<-poly2nb(jabar2)

ww<-nb2listw(w)

moran(data.jabar$p.miskin16,
ww,
n=length(ww$neighbours),
S0=Szero(ww))

moran.test(data.jabar$p.misk
in16, ww,randomisation=T,
alternative="greater")
MORAN PLOT
moran.plot(data.jabar$p.miskin16, ww, labels=data.jabar$KABKOT)
CL ASSICAL
REGRESION
MODELING
OLS METHOD
reg.klasik<-lm(p.miskin16~EYS2016,data.jabar)
err.regklasik<-residuals(reg.klasik)
summary(reg.klasik)
MODEL DIAGNOSTICS: NORMALITY
TEST
library(nortest)
library(car)
library(DescTools)
library(lmtest)
ad.test(err.regklasik)
hist(err.regklasik)
qqnorm(err.regklasik,datax=T)
qqline(rnorm(length(err.regklasik),mean(err.regklasik),sd(err.regklasik)),datax=T, col="red")
MODEL DIAGNOSTICS: NORMALITY TEST

H0: galat model menyebar normal

H1: galat model tidak menyebar normal
MODEL DIAGNOSTICS: INDEPENDENCE

durbinWatsonTest(err.regklasik) H0: galat model saling bebas

RunsTest(err.regklasik) H1: galat model tidak saling bebas
MODEL DIAGNOSTICS:
HETEROSCEDASTICS
bptest(reg.klasik)

H0: ragam galat homogen

H1: ragam galat tidak homogen
EXPLORE FOR
S PAT I A L
A U T O C O R R E L AT I O N
 MORAN’S TEST
w<-poly2nb(jabar2)

ww<-nb2listw(w)

moran(err.regklasik,
ww,
n=length(ww$neighbou
rs), S0=Szero(ww))

moran.test(err.regklasik
, ww,randomisation=T,
alternative="greater")
L AGRANGE
MULTIPLIER
TEST
LM-TEST

LM<-lm.LMtests(reg.klasik, nb2listw(w, style="W"),test=c("LMerr",

"LMlag","RLMerr","RLMlag","SARMA"))

Lagrange multiplier diagnostics for spatial dependence

LMerr = 8.3738, df = 1, p-value = 0.003807

LMlag = 6.644, df = 1, p-value = 0.009949
RLMerr = 1.8188, df = 1, p-value = 0.1775
RLMlag = 0.089011, df = 1, p-value = 0.7654
SARMA = 8.4628, df = 2, p-value = 0.01453
SPATIAL
REGRESSION
MODELING
MODEL SAR

sar<-lagsarlm(p.miskin16~EYS2016,data=data.jabar,nb2listw(w))
err.sar<-residuals(sar)
ad.test(err.sar)
bptest.sarlm(sar)
RunsTest(err.sar)
MODEL SAR
MODEL SAR
MODEL SEM

sem<-errorsarlm(p.miskin16~EYS2016,data=data.jabar,nb2listw(w))
err.sem<-residuals(sem)
ad.test(err.sem)
bptest.sarlm(sem)
RunsTest(err.sem)
MODEL SEM
MODEL SEM
MODEL GSM/SARMA

gsm<-sacsarlm(p.miskin16~EYS2016,data=data.jabar,nb2listw(w))
err.gsm<-residuals(gsm)
ad.test(err.gsm)
bptest.sarlm(gsm)
RunsTest(err.gsm)
MODEL GSM/SARMA
MODEL GSM/SARMA
GOODNESS OF
FITS
GOODNESS OF FITS
MKT SAR SEM SARMA

AIC 131.04 125.11 124.28 126.16

Rho 0.59077* -0.14631
(p-value) - (0.00485) - (0.70779)
Lambda 0.61765* 0.69299*
(p-value) - - (0.00308) (0.00266)

Normalitas Sisaan Terpenuhi Terpenuhi Terpenuhi Terpenuhi

Homogenitas sisaan Terpenuhi Terpenuhi Terpenuhi Terpenuhi

Kebebasan sisaan Terpenuhi Terpenuhi Terpenuhi Terpenuhi

GOODNESS OF FITS
MKT SAR SEM SARMA

AIC 131.04 125.11 124.28 126.16

Rho 0.59077* -0.14631
(p-value) - (0.00485) - (0.70779)
Lambda 0.61765* 0.69299*
(p-value) - - (0.00308) (0.00266)

Normalitas Sisaan Terpenuhi Terpenuhi Terpenuhi Terpenuhi

Homogenitas sisaan Terpenuhi Terpenuhi Terpenuhi Terpenuhi

Kebebasan sisaan Terpenuhi Terpenuhi Terpenuhi Terpenuhi

THANK YOU