Geographically Weighted Panel Regression untuk pemodelan persentase penduduk miskin di Provinsi Jawa Tengah

Rahayu, Nunik Sri (2017) Geographically Weighted Panel Regression untuk pemodelan persentase penduduk miskin di Provinsi Jawa Tengah. Masters thesis, Institut Teknologi Sepuluh Nopember.

[thumbnail of 1315201716-Master-Theses.pdf]
Preview
Text
1315201716-Master-Theses.pdf - Published Version

Download (3MB) | Preview

Abstract

Analisis regresi merupakan salah satu metode statistika untuk mengetahui hubungan antara respon dan satu atau lebih variabel prediktor. Pada regresi klasik estimasi parameter yang dihasilkan berlaku global. Namun, pada kenyatannya terkadang kondisi antara lokasi satu dengan yang lainnya berbeda karena dipengaruhi oleh aspek spasial. Pada kasus keheterogenan spasial dikembangkan analisis regresi yang terboboti secara geografis yaitu Geographically Weighted Regression (GWR), dimana parameter regresi yang dihasilkan bersifat lokal. Di sisi lain, dalam suatu penelitian, tidak cukup hanya melakukan pengamatan terhadap unit amatan dalam satu waktu tertentu saja. Untuk mengakomadasi masalah tersebut, berkembanglah analisis regresi panel yang melibatkan unit cross section dan time series. Berdasarkan kelebihan yang terdapat pada kedua metode tersebut, selanjutnya berkembang metode Geographically Weighted Panel Regression (GWPR) yang menggabungkan antara model GWR dan regresi panel. Tujuan penelitian ini adalah mengkaji prosedur untuk mendapatkan model GWPR menggunakan asumsi Fixed Effect Model (FEM) dengan within estimator, dan menerapkan pada kasus persentase penduduk miskin di Provinsi Jawa Tengah pada tahun 2013-2015.
Estimasi parameter pemodelan GWPR dilakukan melalui metode Weighted Least Squares. Pengujian kesesuaian model GWPR dilakukan secara serentak dengan distribusi F, sedangkan pengujian parameter secara parsial dilakukan menggunakan distribusi t. Hasil uji serentak dari pemodelan persentase penduduk miskin di Jawa Tengah tahun 2013-2015 dengan GWPR yang menggunakan fungsi pembobot kernel Adaptive Bisquare menghasilkan goodness of fit yang lebih baik dari model regresi global. Dari Uji parsial dapat dihasilkan model yang berbeda pada setiap lokasi. Nilai R2 dari model GWPR sebesar 78,91 % dengan RMSE sebesar 0,1897, sedangkan nilai R2 pemodelan global dengan regresi panel FEM-within estimator memberikan adalah nilai R2 sebesar 57,19 % dan RMSE sebesar 0,3417. Oleh karena itu disimpulkan bahwa model GWPR lebih baik daripada model global.
===================================================================================
Regression analysis is a statistical method to define the relationship between the response and one or more predictor variables. Parameter estimation in classical regression is globally applicable. In fact, the conditions that are affected by the spatial. Due to such spatial effect, it is found that local regression such as Geographically Weighted Regression (GWR), give locally parameter estimation. In addition, for a research, it is not enough to observe the units within a certain time. Thus developed a panel regression analysis that involving cross section and time series units. Despite the fact that both methods are well developed and utilized, further, expand to Geographically Weighted Panel Regression (GWPR) method. This method combines GWR and panel regression. The aims of this research is to study about the procedure of GWPR modelling with Fixed Effect Model (FEM) using within estimator and apllied in the case of percentage of poor people in Jawa Tengah Province, 2013-2015.
Parameter estimation in GWPR is obtain by Weighted Least Squares.The goodness of fit test is follow F distribution and the partial test is follow t distribution. The percentage poor people modelling in Jawa Tengah 2013-2015 that used GWPR within estimator, have the goodness of fit better than global regression. The partial test, give a different models in each location. R2 of GWPR models was 78,91 %, and RMSE was 0,1897. While the global regression Panel FEM within estimator give the R2 for about 57,19 % and RMSE 0,30417 %. So it can be concluded that GWPR models is better than global models.

Item Type: Thesis (Masters)
Uncontrolled Keywords: GWR; Regresi Panel; GWPR; FEM; Persentase Penduduk Miskin; Panel Regression; the Percentage of Poor People
Subjects: H Social Sciences > HA Statistics
Q Science > QA Mathematics > QA278.2 Regression Analysis. Logistic regression
Divisions: Faculty of Mathematics and Science > Statistics > 49101-(S2) Master Thesis
Depositing User: - NUNIK SRI RAHAYU
Date Deposited: 28 Feb 2017 03:55
Last Modified: 05 Mar 2019 06:32
URI: http://repository.its.ac.id/id/eprint/2265

Actions (login required)

View Item View Item