Professional Documents
Culture Documents
Abstract
The modeling of spatial panel data is a method of analysis that include the dimension of
space and time. In this analysis, the set of data that is required is a combination of cross
sections and time series data, that is, either the data observed in each observation location
periodically from time to time. On modeling of panel data, there are three approaches,
namely pooled least square model, fixed and random effects model. While on modeling of
spatial panel data there are several approaches which is a combination of these three
approaches in modeling panel data with spatial autoregression model (SAR) and spatial
error model (SEM). This research aims to apply a spatial panel data model analysis to
include the dimension of space and time in a model. The data that used in this research is
GDP, local revenues, a total population and total regional expenditures of ten districts in
Jambi province during the years 2000-2008. The results from spatial panel data analysis
obtained that model regression of spatial panel data corresponding to the data is panel data
models with fixed effect model and spatial error model. From the results of such analysis
can also be seen an increase in R2 compared with panel data analysis.
Keywords : the modeling of panel data, the modeling of spatial panel data, SAR, SEM
6
Pemodelan Data Panel Spasial dengan Dimensi Ruang FSK : Indonesian Journal of Statistics
dan Waktu Vol. 17 No. 1
panel spasial ini, diharapkan akan memperoleh terhadap N individu saja. Asumsi : (1) µ
model yang lebih baik dengan mengikutsertakan diasumsikan tetap, sehingga dapat diduga, (2) εit
pengaruh data dari waktu ke waktu dan hubungan menyebar bebas stokastik indentik (bsi) Normal (0,
spasial antar lokasi pengamatan. σ2ε ), (3) E(Xit, εit) = 0, Xit saling bebas dengan εit
Tujuan dari penelitian ini adalah menerapkan untuk setiap i dan t (Baltagi 2005).
analisis model data panel spasial untuk Pendugaan parameter pada model pengaruh
mengikutsertakan dimensi ruang dan waktu ke tetap diduga dengan menggunakan penduga dalam
dalam model. (within), melalui pendekatan metode OLS. Model
pengaruh tetap ini juga dikenal sebagai Metode
ANALISIS DATA PANEL Kuadrat Terkecil Peubah Boneka (Least Square
Dummy Variable/ LSDV) (Baltagi 2005).
Data yang digunakan pada model regresi data
panel adalah gabungan antara data lintas individu Model Pengaruh Acak
dan deret waktu. Data lintas individu adalah data Pada model pengaruh acak (random effect
yang dikumpulkan dalam satu waktu terhadap model), individu yang digunakan biasanya
banyak unit amatan, sementara data deret waktu merupakan individu yang dipilih secara acak dari
merupakan data yang dikumpulkan dari waktu ke populasi yang besar. Asumsi : (1) µi menyebar bsi
waktu terhadap suatu unit amatan. Normal (0, σµ2), εit menyebar bsi Normal (0, σ2ε ) ,
Jika setiap unit lintas individu memiliki jumlah (2) E(Xit, µi) = 0 dan E(Xit, εit) = 0, artinya Xit
pengamatan deret waktu yang sama, maka disebut saling bebas dengan µi dan εit untuk setiap i dan t
data panel seimbang (balance panel data). (Baltagi 2005).
Sebaliknya, jika setiap unit lintas individu Pendugaan yang konsisten didapatkan
memiliki jumlah pengamatan deret waktu yang menggunakan metode kuadrat terkecil, akan tetapi
berbeda, maka disebut data panel tidak seimbang hal ini membuat komponen galat εit mengalami
(unbalance panel data). galat baku berbias. Oleh karena itu pendugaan
Secara umum, model regresi data panel dengan Metode Kuadrat Terkecil Terampat
dinyatakan sebagai berikut : (Generalize Least Square) lebih baik digunakan
yit = α + 𝐱′it 𝛃 + uit [1] pada model ini (Baltagi 2005).
i = 1,2, …, N ; t = 1,2, …, T
dengan i merupakan unit lintas individu atau objek Uji Chow
pengamatan dan t merupakan unit deret waktu. α Uji Chow digunakan untuk menguji
adalah suatu nilai konstanta, β adalah vektor signifikansi antara model gabungan dan model
berukuran K × 1, dengan K menyatakan pengaruh tetap. Hipotesis awal (H0) pada uji Chow
banyaknya peubah penjelas. Kemudian yit adalah adalah tidak terdapat pengaruh individu terhadap
respon lintas individu ke-i untuk periode waktu ke- model (model mengikuti model gabungan) dan
t dan xit adalah vektor berukuran K × 1 untuk hipotesis tandingannya (H1) adalah terdapat satu
pengamatan lintas individu ke-i dan periode waktu atau lebih pengaruh individu terhadap model
ke-t dan uit merupakan sisaan/galat (Baltagi 2005). (model mengikuti model pengaruh tetap). Statistik
Komponen sisaan satu arah dari model regresi uji yang digunakan adalah :
pada persamaan [1] dapat didefinisikan sebagai (RRSS−URSS)/(N−1)
F0 = URSS/(NT−N−K) [3]
berikut:
uit = μi + εit [2] dimana RRSS (Restricted Residual Sums of
Square) diperoleh dari jumlah kuadrat galat hasil
dimana µi merupakan pengaruh spesifik individu
pendugaan model gabungan dan URSS
yang tidak terobservasi dan εit merupakan sisaan
(Unrestricted Residual Sums of Square) diperoleh
lintas individu ke-i dan deret waktu ke-t (Baltagi
dari jumlah kuadrat galat hasil pendugaan model
2005).
pengaruh tetap. Keputusan tolak H0 jika F0 > FN-
1,N(T-1)-K atau jika nilai-p < α (Baltagi 2005).
Model Gabungan
Model gabungan (Pooled Least Square)
Uji Hausman
merupakan salah satu model dalam analisis data
Uji Hausman digunakan untuk menguji
panel. Asumsi dalam model ini adalah koefisien
signifikansi antara model pengaruh acak dengan
regresi (konstanta ataupun kemiringan) yang sama
model pengaruh tetap. Secara hipotesis bahwa pada
antar unit lintas individu maupun waktu. Untuk
suatu populasi, jika individu diambil secara acak
pendugaan parameter model digunakan metode
sebagai contoh maka dugaan model data panel
OLS (Sartika 2011).
adalah model pengaruh acak, namun bila individu
yang digunakan merupakan keseluruhan individu
Model Pengaruh Tetap
dari populasi tersebut maka cenderung
Pada model pengaruh tetap (fixed effect model),
menggunakan model pengaruh tetap.
individu yang digunakan (N) pada umumnya
merupakan individu agregat atau jika hanya fokus
7
Pemodelan Data Panel Spasial dengan Dimensi Ruang FSK : Indonesian Journal of Statistics
dan Waktu Vol. 17 No. 1
Hipotesis awal (H0) yang digunakan pada uji Uji Pengganda Lagrange
ini adalah model mengikuti model pengaruh acak Untuk mengetahui adanya efek interaksi spasial
dan hipotesis tandingannya (H1) adalah model pada data, dapat menggunakan uji pengganda
mengikuti model pengaruh tetap. Statistik uji yang Lagrange (Lagrange multiplier test/ LM test).
digunakan adalah: Pengujian hipotesis pengganda Lagrange adalah:
𝛘2hit = 𝐪 ̂)]−1 𝐪
̂ ′[Var(𝐪 ̂ [4] a. Model autoregresi spasial
̂ ̂ ̂
dengan 𝐪 = 𝛃random − 𝛃fixed ; H0 : δ = 0 (tidak ada ketergantungan
̂ random = vektor koefisien peubah penjelas
𝛃 autoregresi spasial)
dari model pengaruh acak
̂ fixed
𝛃 = vektor koefisien peubah penjelas H1 : δ ≠ 0 (ada ketergantungan
dari model pengaruh tetap autoregresi spasial)
Keputusan tolak H0 jika 𝛘2hit > 𝛘2(k,α) dengan k b. Model galat spasial
H0 : ρ = 0 (tidak ada ketergantungan
merupakan dimensi vektor β atau jika nilai-p < α
galat spasial)
(Baltagi 2005).
H1 : ρ ≠ 0 (ada ketergantungan
galat spasial)
Matriks Pembobot Spasial
Statistik uji untuk LM adalah :
Matriks pembobot spasial pada dasarnya [𝐞′ (𝐈𝐓 ⊗𝐖)𝐘/σ
̂ 2 ]2
merupakan matriks yang menggambarkan LMδ = [5]
J
hubungan antar wilayah dan diperoleh berdasarkan [𝐞′ (𝐈𝐓 ⊗𝐖)𝐞/σ
̂ 2 ]2
informasi jarak atau ketetanggaan. Diagonal dari LMρ = [6]
T×TW
matriks ini umumnya diisi dengan nilai nol. Karena dimana LMδ dan LMρ masing-masing secara
matriks pembobot menunjukan hubungan antara berurutan adalah statistik uji pengganda Lagrange
keseluruhan observasi, maka dimensi dari matriks untuk model autoregresi spasial dan model galat
ini adalah NxN (Dubin 2009). spasial, simbol ⊗ menyatakan perkalian
Terdapat beberapa pendekatan yang dapat Kronecker, IT menyatakan matriks identitas
dilakukan untuk menampilkan hubungan spasial berukuran T × T, σ ̂2 menyatakan kuadrat tengah
antar lokasi, diantaranya adalah konsep galat dari model data panel, W adalah matriks
persinggungan (contiguity). Terdapat tiga tipe dari pembobot spasial yang telah dinormalisasi, dan e
persinggungan, yaitu Benteng Catur (Rook menyatakan vektor sisaan dari model gabungan
Contiguity), Gajah Catur (Bishop Contiguity) dan tanpa ada satupun pengaruh spasial maupun waktu
Ratu Catur (Queen Contiguity) (Dubin 2009). atau vektor sisaan dari model data panel dengan
Setelah menentukan matriks pembobot spasial pengaruh tetap/acak dari spasial dan/atau waktu.
yang akan digunakan, selanjutnya dilakukan Terakhir, J dan TW didefinisikan sebagai :
normalisasi pada matriks yang pembobot spasial 𝐚𝟏 = (𝐈𝐓 ⊗ 𝐖)𝐗𝛃 ̂ [7]
tersebut. Pada umumnya, untuk normalisasi 𝐚𝟐 = 𝐈𝐍𝐓 − 𝐗(𝐗 𝐗)−1 𝐗′
′
[8]
matriks digunakan normalisasi baris (row- 1 2
)
J = 2 [(𝐚′𝟏 𝐚𝟐 𝐚𝟏 + TTW σ̂ ] [9]
normalize). Artinya bahwa matriks tersebut σ̂
ditransformasi sehingga jumlah dari masing- TW = tr(𝐖𝐖 + 𝐖′𝐖) [10]
masing baris matriks menjadi sama dengan satu. dengan INT adalah matriks identitas berukuran NT
Terdapat alternatif lain dalam normalisasi matriks × NT dan simbol “tr” menyatakan operasi teras
ini yaitu dengan menormalisasikan kolom pada matriks. Keputusan tolak H0 jika nilai statistik
matriks sehingga jumlah tiap-tiap kolom pada pengganda Lagrange lebih besar dari nilai χ2(q)
matriks pembobot menjadi sama dengan satu. dengan q=1 (q adalah banyaknya parameter
Selain itu, dapat juga melakukan normalisasi spasial) atau nilai-p < α (Anselin 2009; Arisanti
dengan membagi elemen-elemen dari matriks 2011; Elhorst 2010).
pembobot dengan akar ciri terbesar dari matriks
tersebut (Dubin 2009; Elhorst 2010). Model Autoregresi Spasial (SAR)
Model autoregresi spasial dinyatakan pada
ANALISIS DATA PANEL SPASIAL persamaan berikut:
yit = δ ∑N
j=1 wij yjt + 𝐱′it 𝛃 + μi + εit [11]
Model regresi linear pada data panel yang dimana δ adalah koefisien autoregresi spasial dan
terdapat interaksi diantara unit-unit spasialnya, wij adalah elemen dari matriks pembobot spasial
akan memiliki variabel spasial lag pada peubah yang telah dinormalisasi (W). Pendugaan
respon atau variabel spasial proses pada error yang parameter pada model ini menggunakan Penduga
biasanya disebut model SAR dan SEM (Elhorst Kemungkinan Maksimum (Maximum Likelihood
2010). Fokus pada model autoregresi spasial Estimator/MLE) (Elhorst 2010).
berhubungan dengan korelasi spasial pada peubah
respon, sedangkan pada model galat spasial
fokusnya terdapat pada bentuk sisaan (Anselin
2009).
8
Pemodelan Data Panel Spasial dengan Dimensi Ruang FSK : Indonesian Journal of Statistics
dan Waktu Vol. 17 No. 1
9
Pemodelan Data Panel Spasial dengan Dimensi Ruang FSK : Indonesian Journal of Statistics
dan Waktu Vol. 17 No. 1
penjelas. Sehingga yang menjadi peubah respon penjelas X1, hal tersebut tidak terlalu berpengaruh
atau Y pada penelitian ini adalah logaritma natural terhadap model.
dari PDRB, dan yang menjadi peubah penjelas atau
Tabel 3 Hasil pendugaan model pengaruh acak
X1, X2 dan X3 masing-masing adalah logaritma
dengan Y sebagai peubah respon dan X1,
natural dari PAD, jumlah penduduk dan total
X2 dan X3 sebagai
belanja daerah. Selain itu, transformasi ini juga
peubah penjelas
dilakukan untuk menghindari masalah yang
Peubah Koefisien Nilai-p
disebabkan oleh perbedaan satuan pada setiap
peubah (Sartika 2011). C -11.018 0.004
X1 -0.062 0.090
Analisis Data Panel X2 2.195 0.000
Pada tahap ini, dilakukan pendugaan model X3 0.511 0.000
awal dengan metode pemodelan data panel. R2 0.929
Selanjutnya untuk menguji kesesuaian atau Adjusted R2 0.927
kebaikan model dari ketiga metode pada teknik
pendugaan data panel digunakan uji Chow dan uji Tabel 4 Hasil pendugaan model gabungan dengan
Hausman. Y sebagai peubah respon dan X2 dan X3
sebagai peubah penjelas
Tabel 1 Hasil pendugaan model gabungan dengan Peubah Koefisien Nilai-p
Y sebagai peubah respon dan X1, X2, dan C 6.535 0.003
X3 sebagai peubah X2 0.538 0.002
penjelas X3 0.574 0.000
Peubah Koefisien Nilai-p R2 0.635
C 5.287 0.023 Adjusted R2 0.626
X1 -0.115 0.139
X2 0.625 0.001 Kesimpulan untuk mengeluarkan peubah X1
X3 0.682 0.000 juga diperkuat dari perbedaan nilai Adjusted R2
R2 0.644 pada Tabel 1 dengan Tabel 4 (untuk model
Adjusted R2 0.631 gabungan), Tabel 2 dengan Tabel 5 (untuk model
pengaruh tetap) dan pada Tabel 3 dengan Tabel 6
Sebelum penelitian dilakukan, telah ditetapkan (untuk model pengaruh acak) dimana tidak terjadi
bahwa taraf nyata (α) pada penelitian ini adalah perubahan Adjusted R2 yang terlalu besar ketika
5%. Berikut hasil pendugaan model dengan Y peubah penjelas X1 dikeluarkan dari model.
sebagai peubah respon dan X1, X2, serta X3 Sehingga untuk pemodelan seterusnya, peubah
sebagai peubah penjelasnya, dimana peubah C penjelas yang digunakan adalah X2 dan X3.
yang terdapat pada tabel hasil pendugaan model Tabel 5 Hasil pendugaan model pengaruh tetap
merupakan konstanta. dengan Y sebagai peubah respon dan X2
Tabel 2 Hasil pendugaan model pengaruh tetap dan X3 sebagai peubah penjelas
dengan Y sebagai peubah respon dan X1, Peubah Koefisien Nilai-p
X2 dan X3 sebagai peubah penjelas C -22.842 0.000
Peubah Koefisien Nilai-p X2 3.316 0.000
C -21.721 0.000 X3 0.375 0.000
X1 -0.025 0.507 R2 0.967
X2 3.205 0.000 Adjusted R2 0.963
X3 0.407 0.000 Berikutnya akan di uji kesesuaian atau
R2 0.967 kebaikan model dari ketiga metode pada teknik
Adjusted R2 0.962 pendugaan data panel dengan menggunakan uji
Chow dan uji Hausman.
Setelah dilakukan pendugaan parameter model,
terlihat pada Tabel 1, Tabel 2 dan Tabel 3 bahwa Tabel 6 Hasil pendugaan model pengaruh acak
nilai koefisien dari peubah X1 (yaitu logaritma dengan Y sebagai peubah respon dan X2
natural dari PAD) tidak nyata pada taraf α = 0.05, dan X3 sebagai peubah penjelas
dikarenakan nilai-p > α, baik pada pendugaan Peubah Koefisien Nilai-p
model gabungan, model pengaruh tetap, maupun C -11.785 0.001
model pengaruh acak. Sehingga dilakukan X2 2.281 0.000
pemodelan ulang dengan mengeluarkan peubah X3 0.445 0.000
penjelas X1 dari model. R2 0.926
Adjusted R2 0.924
Selanjutnya dilakukan pendugaan ulang dengan
Y sebagai peubah respon dan X2 serta X3 sebagai
peubah penjelasnya. Ketika mengeluarkan peubah
10
Pemodelan Data Panel Spasial dengan Dimensi Ruang FSK : Indonesian Journal of Statistics
dan Waktu Vol. 17 No. 1
K 2 0.0
F0 87.964 -0.1
F-tabel 2.002
Nilai-p 0.000 -0.2
-0.3
-3 -2 -1 0 1 2 3
Uji Hausman Normal Score
Uji Hausman digunakan untuk memilih model
Gambar 2 Plot kuantil-kuantil untuk galat model
yang sesuai antara model pengaruh tetap dengan
pengaruh tetap
model pengaruh acak. Hipotesis awal (H0) yang
digunakan pada uji ini adalah model pengaruh acak Secara visual kenormalan galat dapat dilihat
lebih sesuai digunakan dengan hipotesis dari plot peluang normal. Plot peluang normal ini
tandingannya (H1) adalah model pengaruh tetap dinamakan plot kuantil-kuantil (plot Q-Q). Jika
lebih sesuai digunakan. Tabel 8 menampilkan hasil titik-titik pada plot mendekati garis linier, maka
perhitungan uji Hausman. galat menyebar normal (Mattjik dan Sumertajaya
2002). Dari Gambar 2 dapat disimpulkan bahwa
Tabel 8 Perhitungan uji Hausman galat dari model pengaruh tetap menyebar normal,
Db 2 karena titik-titik pada Gambar 2 membentuk garis
𝛘2hit 17.200 linier.
𝛘2tabel 5.991
nilai-p 0.000 0.3
0.2
Nilai 𝛘2tabel
adalah nilai 𝛘2(k,α)atau nilai 𝛘2(2) 0.1
0.0
11
Pemodelan Data Panel Spasial dengan Dimensi Ruang FSK : Indonesian Journal of Statistics
dan Waktu Vol. 17 No. 1
Gambar 3 menunjukkan bahwa tebaran galat sehingga perlu dilanjutkan pada pendugaan
dan nilai Y duga menyebar acak atau saling bebas parameter untuk model SEM. Namun untuk lebih
dan pencaran galat mulai nilai Y duga minimum ke meyakinkan model mana yang akan digunakan,
maksimum terlihat konstan. Sehingga dapat ditarik maka perlu dilakukan uji pengganda Lagrange
kesimpulan bahwa asumsi kebebasan galat dan terlebih dahulu.
kehomogenan ragam terpenuhi.
Matriks Pembobot Spasial
Analisis Data Panel Spasial Sebelum melakukan analisis spasial pada
model Sebelum melakukan analisis spasial pada
Pada analisis data panel, diperoleh bahwa model yang didapat, akan ditentukan terlebih
model sementara yang digunakan adalah model dahulu matriks pembobot spasial dan metode
pengaruh tetap. Selanjutnya dilakukan analisis normalisasinya. Pendekatan yang digunakan untuk
eksplorasi untuk melihat apakah terdapat pengaruh menentukan matriks pembobot spasial pada
spasial pada model tersebut. penelitian ini adalah dengan konsep
persinggungan, yaitu konsep ratu catur. Pada
29.5
konsep ratu catur ini daerah unit lintas individu
yang bersinggungan dengan daerah unit lintas
29.0 individu yang sedang diamati akan diberikan nilai
1 (satu) pada matriks pembobot spasial, sementara
28.5
lainnya 0 (nol), dengan diagonal matriks pembobot
Y
28.0
spasial tersebut bernilai 0 (nol).
Selanjutnya matriks pembobot spasial yang
27.5 telah ditentukan diatas dinormalisasi terlebih
dahulu. Metode yang digunakan untuk
27.0
1 2 3 4 5 6 7 8 9 10
menormalisasikan matriks pembobot spasial
Kab/ Kota tersebut adalah metode normalisasi baris. Sehingga
elemen-elemen dalam baris matriks pembobot
Gambar 4 Diagram kotak-garis nilai Y untuk setiap
spasial yang telah dinormalisasi tersebut
Kab/Kota
merupakan pengaruh spasial pada sebuah unit
Gambar 4 merupakan diagram kotak-garis dari lintas individu yang berasal dari keseluruhan unit
nilai Y untuk setiap kabupaten/kota yang ada di lintas individu lainnya, sementara elemen-elemen
Provinsi Jambi. Pada Gambar 4 terlihat bahwa dalam kolom matriks pembobot spasial yang telah
panjang kotak untuk setiap kabupaten/ kota dinormalisasi tersebut merupakan pengaruh spasial
memiliki panjang yang relatif sama. Hal ini dari sebuah unit lintas individu terhadap seluruh
mengindikasikan bahwa tidak terdapat keragaman unit lintas individu lainnya.
spasial yang disebabkan oleh peubah Y, yang
artinya tidak perlu dilanjutkan pada pendugaan Uji Pengganda Lagrange
parameter untuk model SAR. Sebelum melakukan pendugaan terhadap
parameter model data panel spasial, terlebih dahulu
0.3 akan di uji apakah terdapat efek interaksi spasial
dengan menggunakan uji pengganda Lagrange.
0.2
Pada uji pengganda Lagrange, terdapat dua uji
0.1
yang akan dilakukan yaitu uji terhadap koefisien
SAR dan koefisien SEM. Nilai perhitungan dapat
Galat
0.0
dilihat pada Tabel 9.
-0.1 Nilai χ2(1) adalah sebesar 3.840 pada taraf nyata
5% (α=0.05). Derajat bebas pada χ2(1) bernilai 1
-0.2
(satu) menunjukan banyaknya parameter spasial
-0.3 yang diuji yaitu 1 (satu), masing-masing satu untuk
1 2 3 4 5 6 7 8 9 10
Kab/ Kota model SAR dan satu untuk model SEM.
Pada Tabel 9, terlihat bahwa nilai LM untuk
Gambar 5 Diagram kotak-garis nilai galat model
koefisien SAR lebih kecil dari χ2(1) pada taraf nyata
pengaruh tetap untuk setiap Kab/Kota
5% (α=0.05) atau nilai-p > α, maka tidak tolak H0,
Berbeda halnya pada Gambar 5 yang artinya tidak terdapat ketergantungan lag spasial
menunjukkan diagram kotak-garis dari nilai galat sehingga tidak perlu dilanjutkan pada pembentukan
model pengaruh tetap untuk setiap kabupaten/kota model SAR.
yang ada di Provinsi Jambi. Pada Gambar 5,
panjang kotak untuk setiap kabupaten/kota relatif
berbeda. Hal ini mengindikasikan bahwa terdapat
keragaman spasial yang disebabkan oleh galat,
12
Pemodelan Data Panel Spasial dengan Dimensi Ruang FSK : Indonesian Journal of Statistics
dan Waktu Vol. 17 No. 1
0.00
mengalami peningkatan, meskipun tidak terlalu
besar, dibandingkan R2 pada pendugaan model
-0.01
data panel. Artinya terdapat peningkatan
-0.02 keragaman peubah respon yang dapat dijelaskan
-0.03 oleh peubah-peubah penjelas yang terdapat
-3 -2 -1 0
Normal Score
1 2 3
didalam model.
Uji signifikansi individu menggunakan taraf
Gambar 6 Plot kuantil-kuantil untuk galat model nyata 5% (α = 0.05), nilai-p yang dihasilkan dari
data panel spasial perhitungan akan dibandingkan dengan taraf nyata.
Plot kuantil-kuantil pada Gambar 6 Apabila nilai-p < α maka peubah penjelas tersebut
menunjukkan bahwa titik-titik pada gambar berpengaruh nyata terhadap peubah respon.
berbentuk mendekati garis linier. Hal ini Berdasarkan pada Tabel 10, dalam penelitian ini
mengindikasikan bahwa galat pada model data peubah penjelas, baik X2, X3 maupun peubah
panel spasial menyebar normal. autokorelasi spasial, semuanya berpengaruh nyata
terhadap peubah respon.
13
Pemodelan Data Panel Spasial dengan Dimensi Ruang FSK : Indonesian Journal of Statistics
dan Waktu Vol. 17 No. 1
0.04
DAFTAR PUSTAKA
0.03
Anselin L. 2009. Spatial Regression. Fotheringham
0.02 AS, PA Rogerson, editor, Handbook of Spatial
0.01
Analysis. London : Sage Publications.
Galat
Saran
Pada penelitian ini masih terdapat keterbatasan
masalah yang dikaji. Diantaranya adalah penentuan
matriks pembobot spasial dengan pendekatan lain
seperti pendekatan dengan metode jarak. Dalam
normalisasi matriks pembobot spasial juga dapat
dilakukan dengan metode lain seperti normalisasi
kolom.
Pemeriksaan dan pengujian pelanggaran
asumsi, salah satu contohnya adalah asumsi
kehomogenan ragam, juga menjadi salah satu
keterbatasan yang dapat dikembangkan dalam
penelitian selanjutnya. Pada penelitian ini, hal
tersebut terjadi disebabkan oleh kurangnya pustaka
dan referensi yang memadai.
14