Pemodelan Regresi Probit Spasial dengan Pendekatan Fisher Scoring

Jiblathar, Panji (2024) Pemodelan Regresi Probit Spasial dengan Pendekatan Fisher Scoring. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6003212022-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 July 2026. Download (4MB) | Request a copy

Abstract

Model regresi probit digunakan untuk memodelkan hubungan antara variabel respon yang bersifat kategorik, dengan variabel prediktor yang bersifat numerik, kategorik atau gabungan dari keduanya. Pada beberapa kasus, data yang dihasilkan pada variabel respon dalam regresi probit juga bisa dipengaruhi oleh efek autokorelasi spasial. Jika diabaikan, maka akan menghasilkan estimasi parameter yang bias dan tidak konsisten. Penanganan dapat dilakukan dengan menggunakan model probit yang memperhitungkan unsur spasial salah satunya model SAR probit. Metode estimasi yang digunakan adalah metode MLE dengan iterasi numerik Fisher scoring, karena bentuk dari model probit spasial yang apabila menggunakan MLE akan membentuk persamaan yang tidak closed form. Uji hipotesis pada model probit spasial menggunakan uji MLRT untuk uji simultan dan uji Z untuk uji parsialnya. Model probit spasial diaplikasikan pada kasus tingkat kemiskinan di Pulau Sumatera. Tingkat kemiskinan kabupaten/kota yang ada di Pulau Sumatera cenderung stagnan dari tahun ke tahun. Data BPS menunjukkan bahwa 3 dari sepuluh Provinsi termiskin di Indonesia ada di Pulau Sumatera. Laju pertumbuhan PDRB atas dasar harga konstan, tingkat pengangguran terbuka, pengeluaran perkapita, dan harapan lama sekolah diduga memiliki pengaruh atas tingginya tingkat kemiskinan di Pulau Sumatera. Pengaruh kemiripan tingkat kemiskinan antar wilayah yang berdekatan secara geografis juga dipertimbangkan dalam memodelkan tingkat kemiskinan di Pulau Sumatera. Hasil pengujian hipotesis baik secara simultan maupun parsial variabel laju pertumbuhan PDRB, tingkat pengangguran terbuka, pengeluaran perkapita, dan harapan lama sekolah signifikan mempengaruhi tingkat kemiskinan. Model tersebut memiliki tingkat akurasi 83,97 persen. Akurasi tersebut lebih tinggi dibandingkan dengan model SAR probit pendekatan RIS Simulator.
===================================================================================================================================
The probit regression model is used to model the relationship between response variables that are categorical, with predictor variables that are numeric, categorical or a combination of both. In some cases, the data generated on the response variable in probit regression can also be affected by spatial autocorrelation effects. If ignored, it will produce biased and inconsistent parameter estimates. Handling can be done by using a probit model that takes into account spatial elements, one of which is the SAR probit model. The estimation method used is the MLE method with Fisher scoring numerical iteration, because the form of the spatial probit model when using MLE will form an equation that is not closed form. Hypothesis testing on the spatial probit model uses the MLRT test for the simultaneous test and the Z test for the partial test. The spatial probit model will be applied to the case of the poverty rate in Sumatra Island. The poverty rate of districts/cities in Sumatra Island tends to stagnate from year to year. BPS data shows that three of the ten poorest provinces in Indonesia are in Sumatra Island. The growth rate of GRDP at constant prices, open unemployment rate, per capita expenditure, and expected years of schooling are thought to have an influence on the high poverty rate in Sumatra Island. The influence of similarity in poverty rates between geographically close regions is also considered in modeling poverty rates in Sumatra Island. The results of hypothesis testing both simultaneously and partially show that the variables of GRDP growth rate, open unemployment rate, per capita expenditure, and expected years of schooling significantly affect the poverty rate. The model has an accuracy rate of 83.97 percent. The accuracy is higher than the SAR probit model of RIS Simulator approach.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Regresi Probit Spasial, MLE, Fisher Scoring, MLRT, Kemiskinan; Spatial Probit Regression., MLE, Fisher scoring, MLRT, Poverty
Subjects:	H Social Sciences > HA Statistics > HA29 Theory and method of social science statistics H Social Sciences > HA Statistics > HA30.6 Spatial analysis H Social Sciences > HA Statistics > HA31.3 Regression. Correlation H Social Sciences > HA Statistics > HA31.38 Data envelopment analysis. H Social Sciences > HA Statistics > HA31.7 Estimation Q Science Q Science > QA Mathematics > QA278.2 Regression Analysis. Logistic regression
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Statistics > 49101-(S2) Master Thesis
Depositing User:	Panji Jiblathar
Date Deposited:	18 Feb 2024 14:29
Last Modified:	18 Feb 2024 14:29
URI:	http://repository.its.ac.id/id/eprint/107338

Actions (login required)

View Item