Oleh
Deby Ardianti (186090500011002)
PENDAHULUAN
Independensi
Spasial
Heterogenitas
Spasial
Analisis Spasial
Georaphically Weighted Regression (GWR) diperkenalkan oleh Brunsdon
dkk. (1996), untuk mempelajari potensi hubungan dalam sebuah model
regresi agar bervariasi dalam ruang geografis, atau yang disebut dengan
non stasioneritas parametrik.
GWR, model regresi dapat disesuaikan pada tiap lokasi pengamatan walaupun kalibrasi
model tidak dibatasi oleh lokasi observasi. Koordinat spasial dari titik-titik data digunakan
untuk menghitung jarak antar titik, yang dimasukkan ke dalam fungsi kernel untuk
menghitung bobot yang mewakili ketergantungan spasial antar pengamatan.
Model GWR
𝑝
dimana
𝑦𝑖 = nilai peubah respon pada lokasi 𝑖,
𝑥𝑖𝑘 = nilai dari kovariat ke- 𝑘 pada lokasi 𝑖,
𝛽0 (𝑢𝑖 , 𝑣𝑖 )= Nilai intercept model regresi GWR
𝛽𝑘 𝑢𝑖 , 𝑣𝑖 =Koefisien regresi variabel predictor ke-k pada lokasi pengamatan ke-i
𝑝 = jumlah istilah regresi,
𝜀𝑖 = kesalahan acak pada lokasi 𝑖.
𝑢𝑖 , 𝑣𝑖 = Koordinat letak geografis (lintang,bujur) dari lokasi pengamatan ke-i
dimana
𝒀 = vektor peubah respon berukuran 𝑛 × 1
𝑿 = [𝑿𝑻𝟏 , 𝑿𝑻𝟐 , … , 𝑿𝑻𝒏 ]𝑻 , matriks desain peubah prediktor, yang mencakup kolom pertama untuk intersep;
𝑾𝒊 = 𝑑𝑖𝑎𝑔 𝑊𝑖1 , … , 𝑊𝑖𝑛 , matriks pembobot diagonal 𝑛 × 𝑛 yang dihitung untuk setiap lokasi kalibrasi 𝑖;
𝒊 = [𝛽𝑖0 , 𝛽𝑖1 , … , 𝛽𝑖𝑝−1 ]𝑇 , vektor 𝑝 koefisien regresi lokal pada lokasi 𝑖 untuk 𝑝 − 1 peubah prediktor dan sebuah inters.
𝜷
Pembobot 𝑊𝑖𝑗
𝑤𝑖1 0 … 0
𝑊 𝑢𝑖 , 𝑣𝑖 = ⋮ ⋮ ⋱ ⋮
0 0 … 𝑤𝑖𝑛
Pembobot 𝑊𝑖𝑗
pembobotan biner
2 2
1 𝑗𝑖𝑘𝑎 𝑑𝑖𝑗 ≤ 𝑑 ∗ 𝑑𝑖𝑗 = 𝑢𝑖 − 𝑢𝑗 + 𝑣𝑖 − 𝑣𝑗
𝑊𝑖𝑗 = ቊ
0 𝑙𝑎𝑖𝑛𝑛𝑦𝑎 Fungsi kernel bisquare
(C.5.4) 2
𝑑𝑖𝑗
di mana 𝑊𝑖𝑗 = 1 − 2 (C. 5.8)
𝛾
𝑑𝑖𝑗 = jarak antara pengamatan 𝑖 dan 𝑗
𝑑 ∗ = jarak ambang batas.
.
Parameter bandwidth kernel yang tidak diketahui harus dipilih atau diduga dari data.
Setiap baris dari matriks hat didefinisikan oleh Ragam kesalahan yang diduga adalah
𝑯𝑖 = 𝑿𝑖 𝑿𝑇 𝑾𝑖 𝑿 −1 𝑿𝑇 𝑾
𝑖 2
σ𝑛𝑖=1 𝑦𝑖 − 𝑦ො𝑖 2
𝜎ො =
𝑛 − 2𝑡𝑟𝑎𝑐𝑒 𝑯 − 𝑡𝑟𝑎𝑐𝑒 𝑯𝑇 𝑯
Analisis Spasial
Permasalahan
pemilihan bandwidth kernel melibatkan
keragaman spasial tingkat tinggi dan Perhitungan standar error ini
kemulusan estimasi koefisien regresi. menunjukkan bahwa selang
Jelas, jika bandwidth seperti kepercayaan untuk koefisien GWR
memasukkan sejumlah besar yang diestimasi hanya perkiraan dan
pengamatan, akan ada sedikit atau tidak dapat diandalkan untuk
Pada tingkat dasar, sebuah
tidak ada keragaman spasial dalam menunjukkan efek kovariat dan
argumen menyatakan bahwa
koefisien, dan jika bandwidth kecil, pemilihan model yang signifikan
GWR tidak mengusulkan model
kemungkinan akan ada keragaman secara statistik.
dasar untuk sumber keragaman
dalam jumlah besar.
2 4
1 3 5
Keragaman koefisien regresi yang
Isu kedua terkait dengan
meningkat terkait dengan kolinieritas
penggunaan berulang data
lokal dalam GWR dapat
untuk mengestimasi parameter
menyebabkan perkiraan berlebih
model pada lokasi kalibrasi
untuk besarnya efek kovariat dan
model yang berbeda, yang
pembalikan tanda koefisien,
menyebabkan situasi
keduanya cenderung mengarah pada
perbandingan ganda.
interpretasi yang salah dari
hubungan dalam model regresi. .
Ekstensi
Analisis Spasial
Model perluasan penerapan konsep pembobot geografis dalam analisis regresi
Autoregresif GWR
Salah satu perluasan pertama konsep GWR adalah untuk mengakomodasi dependensi spasial dalam struktur model
(Brunsdon dkk. 1998). Pendekatan yang berbeda untuk mendapatkan model lokal autoregresif spasial (spatially
autoregressive) berdasarkan konsep pembobotan geografis menyatakan Páez dkk. (2002b) dengan mengadopsi model
varians non-konstan, dapat menentukan parameter duga koefisien model, termasuk bandwidth kernel. Model alternatif telah
disarankan termasuk model Spatially Autoregressive Local Estimation (SALE) dari Pace dan LeSage (2004) yang didasarkan
pada dekomposisi matriks duga, dan model ZOOM dari Mur dkk. (2008).
Analisis Spasial
Model hierarkis Bayesian sebagai Alternatif untuk GWR
Model hierarkis Bayesian bersifat hirarki karena distribusi data ditentukan bersyarat pada parameter yang tidak diketahui.
Model ini dapat menggabungkan parameter pada berbagai tingkat data untuk model hubungan pada skala yang berbeda.
Terdapat dua alternatif utama untuk GWR dalam kelas model ini
Model Bayesian Spatially Varying Coefficient Model spatially varying coefficient proccess
(SVC) (SVCP)
Model yang mendefinisikan korelasi spasial Model yang menggunakan spesifikasi prior
dalam koefisien regresi melalui spesifikasi gabungan dari koefisien yang memodelkan
prior bersyarat dari koefisien yang hanya korelasi dalam koefisien sebagai proses
menggunakan observasi tetangga. spasial kontinu.
Langkah-Langkah
Analisis GWR
Analisis Spasial
Langkah-Langkah Analisis GWR
1. Pemodelan menggunakan metode OLS (Analisis Regresi dengan OLS)
o Pengujian asumsi residual berdistribusi Normal
o Pengujian Multikolinieritas
o Pengujian signifikansi parameter (Uji simultan dan Uji Parsial)
Indeks Moran’s I
Heterogenitas Spasial 𝐻0 : 𝐼 = 0 (tidak terdapat dependensi spasial)
𝐻1 : 𝐼 ≠ 0 (terdapat dependensi spasial)
Untuk mengetahui adanya keberagaman dalam
Statistik Uji:
hubungaan secara kewilayahan
𝐼 − 𝐸(𝐼)
𝑍𝑖 =
Hipotesis Uji: 𝑉(𝐼)
𝐻0 : 𝜎12 = 𝜎22 = ⋯ = 𝜎𝑖2 (tidak terdapat heterogenitas spasial) Daerah penolakan:
𝐻1 : 𝑚𝑖𝑛𝑖𝑚𝑎𝑙 𝑎𝑑𝑎 𝑠𝑎𝑡𝑢 𝜎𝑖2 ≠ 𝜎 2 (terdapat heterogenitas spasial) Tolak 𝐻0 , jika 𝑍𝑖 > 𝑍𝛼/2
Statistik Uji:
1 𝑇
𝐵𝑃 = 𝑓 𝑍 𝑍𝑇 𝑍 −1 𝑇
𝑍 𝑓
2
Daerah Penolakan: Tolak 𝐻0 , jika 𝐵𝑃 > 𝜒 2 (𝑝) atau jika 𝑃𝑣𝑎𝑙𝑢𝑒 < 𝛼
Pengujian Kesesuaian Model GWR
Bertujuan untuk menjelaskan apakah model GWR dapat menjelaskan dengan lebih baik dibandingkan model regresi
linier atau tidak
Hipotesis Uji:
𝐻0 : 𝛽𝑘 𝑢𝑖 , 𝑣𝑖 = 𝛽𝑘 (tidak ada perbedaan yang signifikan antara model regresi dengan model GWR)
𝐻1 : 𝑚𝑖𝑛𝑖𝑚𝑎𝑙 𝑎𝑑𝑎 𝑠𝑎𝑡𝑢 𝛽𝑘 𝑢𝑖 , 𝑣𝑖 ≠ 𝛽𝑘 (ada perbedaan yang signifikan antara model regresi dengan model GWR)
Statistik Uji:
𝑆𝑆𝐸𝑂𝐿𝑆 − 𝑆𝑆𝐸𝐺𝑊𝑅 /𝑣
𝐹ℎ𝑖𝑡 =
𝑆𝑆𝐸𝐺𝑊𝑅 /𝛿𝑖
Daerah penolakan:
tolak 𝐻0 jika nilai 𝐹ℎ𝑖𝑡 > 𝐹𝑡𝑎𝑏𝑒𝑙 atau sig< 𝛼 = 0,05(Hosmer & Lemeshow)
Studi Kasus
ANALISIS POLA HUBUNGAN PDRB DENGAN FAKTOR
PENCEMARAN LINGKUNGAN DI INDONESIA MENGGUNAKAN
PENDEKATAN GEOGRAPHICALLY WEIGHTED REGRESSION
(GWR)
Oleh:
RIZA DAMAYANTI
Analisis Spasial
Contoh Kasus
Ilustrasi
Penelitian ini terkait pola hubungan PDRB
dengan faktor pencemaran lingkungan di
Indonesia Tahun 2013, Data yang
digunakan adalah data sekunder yang
bersumber: Publikasi Badan Pusat Statistik
(BPS) Tahun 2013, sebanyak 33 Provinsi.
Variabel Penjelas
Variabel Respon Indeks Kualitas Udara(X1)
PDRB Indeks Kualitas Air Sungai (X2)
Indeks Tutupan Hutan (X3)
Kepadatan Penduduk(X4)
Data Spasial:
Koordinat Lintang (𝑢𝑖 )
Koordinat Bujur (𝑣𝑖 )
Analisis Deskriptif
Langkah 1 : Pemodelan menggunakan metode OLS (Analisis Regresi dengan OLS)
Permodelan regresi linier bertujuan untuk mengetahui variabel-variabel yang
mempengaruhi angka harapan hidup di Papua tanpa mempertimbangkan aspek
spasial.
Nilai p value =0,01095 sehingga diputuskan tolak H0 karena p-value kurang dari (0,05).
Hal tersebut menunjukkan bahwa asumsi residual independen tidak terpenuhi terpenuhi.
Pada penelitian ini, asumsi tidak terpenuhinya residual independen tidak diatasi. Hal ini
dikarenakan apabila asumsi tersebut diatasi, maka variabel yang berpengaruh signifikan
berkurang.
Langkah 1 : Pemodelan menggunakan metode OLS (Analisis Regresi dengan OLS)
Tolak 𝐻0
minimal ada satu variabel prediktor yang memiliki
pengaruh signifikan terhadap variabel respon
Langkah 1 : Pemodelan menggunakan metode OLS (Analisis Regresi dengan OLS)
Uji independensi
Uji Breusch-Pagan dengan p value sebesar 1,411𝑥 10−6 < 0, maka tolak H0.
Dapat disimpulkan bahwa terjadi dependensi spasial pada
Hasil pengolahan didapatkan pengamatan
nilai BP = 13,999 dan p-value = 0,0026
2 2
𝑑𝑖𝑗 = 𝑢𝑖 − 𝑢𝑗 + 𝑣𝑖 − 𝑣𝑗
Langkah 3 : Pemodelan dengan GWR
Perhitungan Jarak Euclide
Langkah 3 : Pemodelan dengan GWR
Pemilihan pembobot dan bandwidth
fungsi pembobot fixed gaussian
model Geographically Weighted Regression memiliki nilai AIC dan SSE yang lebih kecil
dibandingkan model global. Selain itu, dari segi R2, model GWR memberikan R2 yang
lebih tinggi dibanding dengan model regresi global. Oleh karena itu, dapat disimpulkan
bahwa model GWR merupakan model yang lebih baik dibandingkan dengan model
regresi global.
Kesimpulan
Model GWR dengan pembobot kernel fixed gaussian merupakan model terbaik untuk data tingkat
kemiskinan di Jawa Tengah dengan AIC sebesar 83,12 dan R2 sebesar 65,98%.
Berdasarkan variabel yang signifikan untuk tiap provinsi, terbentuk 4 kelompok provinsi yang memiliki
kesamaan variabel yang berpengaruh terhadap PDRB. Kelompok pertama dengan variabel yang signifikan
indeks kualitas udara (X1) terdiri dari 24 provinsi, kelompok kedua dengan variabel yang signifikan adalah
indeks kualitas udara dan air sungai (X1 dan X2) terdiri dari 1 provinsi, dan kelompok ketiga dengan
variabel X1 dan X4 yang signifikan terdiri dari 3 provinsi. Kelompok keempat terdiri dari 5 provinsi yaitu
NAD, Riau, Kepulauan Riau, Sumatera Utara, dan Sumatera Barat tanpa variabel yang signifikan.
Thank You