Geographically and Temporally Weighted Bivariate Log-Normal Regression (Studi Kasus : Persentase Penduduk Miskin dan Indeks Kedalaman Kemiskinan di Provinsi Jawa Timur Tahun 2018-2021)

Pratiwi, Sindi Wahyu (2023) Geographically and Temporally Weighted Bivariate Log-Normal Regression (Studi Kasus : Persentase Penduduk Miskin dan Indeks Kedalaman Kemiskinan di Provinsi Jawa Timur Tahun 2018-2021). Masters thesis, Institut Teknologi Sepuluh Nopember.

[thumbnail of 6003202002-Master_Thesis.pdf] Text
6003202002-Master_Thesis.pdf - Accepted Version
Restricted to Repository staff only until 1 July 2025.

Download (5MB) | Request a copy

Abstract

Bivariate Log-Normal Regression (BLNR) merupakan regresi dengan dua variabel respon yang berkorelasi dan berdistribusi Log-Normal. Pemodelan ini menghasilkan penaksiran parameter yang sifatnya global untuk seluruh lokasi pengamatan. Dalam perkembangannya, banyak kasus yang membutuhkan informasi dari data panel. Data panel dapat memberikan informasi yang lebih lengkap karena mencakup beberapa periode. Penggunaan model BLNR pada data panel dengan unit pengamatan berupa lokasi kurang tepat digunakan karena memungkinkan adanya heterogenitas secara spasial dan temporal. Geographically and Temporally Weighted Bivariate Log-Normal Regression (GTWBLNR) mempertimbangkan heterogenitas spasial dan temporal pada regresi bivariat dengan variabel respon berdistribusi Log-Normal. Penelitian ini bertujuan untuk mendapatkan penaksir parameter dan statistik uji untuk model GTWBLNR. Estimasi parameter menggunakan Maximum Likelihood Estimation (MLE) dengan iterasi numerik Newton Raphson. Statistik uji untuk pengujian serentak menggunakan metode Maximum Likelihood Ratio Test (MLRT). Pemodelan diterapkan pada kasus Persentase Penduduk Miskin (P0) dan Indeks Kedalaman Kemiskinan (P1) di Provinsi Jawa Timur tahun 2018 - 2021. Pemodelan menggunakan GTWBLNR pada periode 4 membentuk 11 kelompok kabupaten/kota berdasarkan kesamaan variabel prediktor yang signifikan terhadap Persentase Penduduk Miskin dan 8 kelompok kabupaten/kota berdasarkan kesamaan variabel prediktor yang signifikan terhadap Indeks Kedalaman Kemiskinan. Dimana pada setiap kabupaten/kota memiliki variabel signifikan yang berbeda-beda, begitu pula antar periode di masing-masing kabupaten/kota. Kebaikan model diukur menggunakan nilai Sum of Squared Errors (SSE) terkecil. Nilai SSE model GTWBLNR lebih kecil dibandingkan model BLNR, sehingga disimpulkan bahwa GTWBLNR lebih baik digunakan untuk memodelkan Persentase Penduduk Miskin dan Indeks Kedalaman Kemiskinan di Provinsi Jawa Timur Tahun 2018-2021.
=======================================================================================================================================
Bivariate Log-Normal Regression (BLNR) is a regression with two correlated response variables and Log-Normal distribution. This modeling in parameter estimates that are global for the entire observation locations. In its development, many cases require information from the panel data. Panel data can provide more complete information because it covers several periods. The use of the BLNR model on the data panel with the observation unit an area is not inappropriate because it allows for spatial and temporal heterogeneity. Geographically and Temporally Weighted Bivariate Log Normal Regression (GTWBLNR) considers the spatial and temporal heterogeneity in bivariate regression with Log-Normal distributed response variables. This study aims to obtain parameter estimators and test statistics for the GTWBLNR model. Parameter estimation using Maximum Likelihood Estimation (MLE) with Newton Raphson numerical iteration. Test statistics for simultaneous testing using the Maximum Likelihood Ratio Test (MLRT) method. The modeling was applied to the cases of the Head Count Index (P0) and Poverty Depth Index (P1) in East Java Province in 2018 - 2021. Modeling using the GTWBLNR in period 4 formed 11 district/city groups based on the similarity of significant predictor variables to the Head Count Index and 8 district/city groups based on the similarity of significant predictor variables to the Poverty Depth Index. Where each district/city has different significant variables, as well as between periods in each district/city. The goodness of the model is measured using the smallest Sum of Squared Errors (SSE) value. The SSE value of the GTWBLNR model is smaller than the BLNR model, so it is concluded that GTWBLNR is better used to model the Head Count Index and Poverty Depth Index in East Java Province for 2018-2021.

Item Type: Thesis (Masters)
Uncontrolled Keywords: GTWBLNR, MLE, MLRT, Poverty,GTWBLNR, MLE, MLRT, Kemiskinan.
Subjects: H Social Sciences > HA Statistics
H Social Sciences > HA Statistics > HA30.6 Spatial analysis
Q Science
Divisions: Faculty of Science and Data Analytics (SCIENTICS) > Statistics > 49101-(S2) Master Thesis
Depositing User: Sindi Wahyu Pratiwi
Date Deposited: 17 Feb 2023 11:02
Last Modified: 17 Feb 2023 11:02
URI: http://repository.its.ac.id/id/eprint/97498

Actions (login required)

View Item View Item