PEMILIHAN MODEL FIXED EFFECTS DAN RANDOM … · BAB 3 METODOLOGI PENELITIAN SpesifikasiModel Model...
Transcript of PEMILIHAN MODEL FIXED EFFECTS DAN RANDOM … · BAB 3 METODOLOGI PENELITIAN SpesifikasiModel Model...
2/8/2011
1
PEMILIHAN MODEL FIXED EFFECTS DAN RANDOM EFFECTSPADA PEMODELAN EKONOMETRIKA SPASIAL DATA PANEL
(Studi Kasus : Pemodelan Indeks Rasio Gini propinsi di pulau Jawa)
Nama : Sahar MildinoNRP : 13093121704
Pembimbing: 1. Dr.Ir. Setiawan, MS2 D S tik S Si M Si2. Dr. Sutikno, S.Si., M.Si
2/8/2011
2
BAB 1 PENDAHULUAN
Latar BelakangLatar Belakang
Tahun 1970 Jean Paelinck : model ekonometrika multiregional.
Anselin (1988) beberapa model spasial,Anselin (1988) beberapa model spasial,
model spasial lag, spasial error, campuran spasial lag denganspasial error, komponen error dengan autokorelasi spasial (modelregresi data panel dengan korelasi spasial).
Anselin (1988). metode Maximum Likelihood Estimation (MLE) modelspasial
Kelejian dan Prucha (1999) dan Conley (1999) Generalized MomentEstimation (GME)Estimation (GME)
2/8/2011
3
BAB 1 PENDAHULUAN
Elh t (2003) ti i d i t d l d t l it i lElhorst (2003) estimasi dari empat model data panel, yaitu spasialerror autocorrelation dan spasial lagged variable dependen denganmemberikan perlakuan terhadap efek spesifik spasialnya. :
fixed effects,f ff ,
random effects,
fixed coefficient, dan
random coefficient model
DLL
2/8/2011
4
BAB 1 PENDAHULUAN
D l (H i 2005)Data panel (Haio 2005)
lebih informatif,
lebih bervariasi,
jumlah degree of freedom (DOF) yang lebih besar,
dan meningkatkan efisiensi.
Data panel juga digunakan untuk hipotesa yang lebihData panel juga digunakan untuk hipotesa yang lebihrumit, termasuk efek yang tidak dapat dipakai untukdata cros‐sectionmurni
2/8/2011
5
BAB 1 PENDAHULUAN
M ji d d i i l P ti jik di b ikMenguji dependensi spasial, Penting, jika di abaikan
Menentukan fixed effects atau estimasi tidak efisien,
random effects kesimpulan tidak tepat.
Sebelumnya trial and error sifatnya tidak efisien,
Disusun suatu algoritma dan program untuk memilih fixed effectsatau random effects pada spasial data panelatau random effects. pada spasial data panel.
2/8/2011
6
BAB 1 PENDAHULUAN
Estudilo (1997) di Philipina ada empat faktor kecenderungan yangEstudilo (1997), di Philipina ada empat faktor kecenderungan yangmenyebabkan terhadap ketidakmerataan pendapatan,
Meningkatnya proporsi rumah tangga perkotaan,
perubahan distribusi umur,
meningkatnya jumlah anggota rumah tangga yang terdidik,
Ketidak merataan tingkat upah.
melihat faktor‐faktor yang mempengaruhi ketimpangan pendapatanpropinsi di pulau Jawa
metode ekonometrika spasial data panel
di lih h b d d i i l dprogram yang disusun melihat hubungan dependensi spasial danautokorelasi spasial diestimasi apakah secara fixed effects ataurandom effects.
2/8/2011
7
BAB 1 PENDAHULUAN
1.2 Rumusan Masalah
Bagaimana menuyusun algoritma dan program untuk menentukanBagaimana menuyusun algoritma dan program untuk menentukanmodel terbaik pada ekonometrika spasial data panel.
Bagaimana menerapkan program untuk mendapatkan model terbaik darirasio gini propinsi‐propinsi sepulau Jawa.
1.3 Tujuan Penelitian
Menyusun algoritma dan program untuk menentukan model terbaikpada ekonometrika spasial data panel.
Dapat menerapkan program untuk menentukan model terbaik dari rasiogini propinsi‐propinsi sepulau Jawa.
2/8/2011
8
BAB 1 PENDAHULUAN
1.4 Manfaat Penelitian
Mengembangkan wawasan mengenai Ekonometrika spasial data penel.
Program yang dihasilkan dapat diterapkan pada pemodelan denganmetode ekonometrika spasial data panel.
Dapat menganalisa model rasio gini propinsi‐propinsi sepulau Jawasecara spasial.
1 5 B t l h P liti1.5 Batasan masalah Penelitian
Program dibatasi pada pemilihan model fixed effects dan random effectspada spasial lag model dan spasial error model.
Pengujian untuk melihat apakah ada efek spasial dilakukan uji likelihoodPengujian untuk melihat apakah ada efek spasial dilakukan uji likelihoodrasio (LR‐test).
Pengujian untuk memilih apakah model tersebut fixed effects ataurandom effectsmenggunakan uji Hausman.
2/8/2011
9
BAB 2 TINJAUAN PUSTAKA
2.1 Model Regresi Spasial Data Panel
Model regresi spasial data panel secara umum
i adalah indeks pada dimensi cross sectional (unit‐unit spasial) dengan i =
1,
Nit ij jt it i it
jδ µ φ
== + + +∑y W y x β
1
Nij it itit j
φ ρ φ=
= +∑ W ε
i adalah indeks pada dimensi cross sectional (unit‐unit spasial) dengan i = 1,…,N
t adalah indeks pada dimensi waktu (periode waktu) dengan t=1,…,T,
adalah unit pengamatan pada variabel dependen unit ke‐i dan waktuk tyke‐t,
adalah matriks pembobot/penimbang spasial dengan elemen‐elemendiagonalnya sama dengan nol.
δ adalah koefisien spasial lag. φ adalah autokorelasi spasial pada error
ity
ijW
2/8/2011
10
BAB 2 TINJAUAN PUSTAKA
ρ adalah koefisien autokorelasi spasialρ adalah koefisien autokorelasi spasial.
menunjukkan vektor observasi pada variabel independen padaunit spasial ke‐i untuk periode waktu ke‐t,
adalah vektor parameter dan adalah error yang berdistribusi
itX
βitεadalah vektor parameter dan adalah error yang berdistribusi
independen dan identik untuk setiap i dan t dengan mean adalahnol dan varians
adalah efek spesifik spasial.iµ
it
2/8/2011
11
BAB 2 TINJAUAN PUSTAKA
(Elhorst, 2009).(Elhorst, 2009). Model Spasial Lag (SAR)
1
Nit ij jt it i it
jδ µ
== + + +∑y W y x β ε
δ adalah koefisien spasial lag.
Model Spasial Error (SEM)
1j
Model Spasial Error (SEM)
φ d l h k l i i l d d d l h
1;
Nit it i ij it itit it j
µ φ φ ρ φ=
= + + = +∑y x β W ε
φ adalah autokorelasi spasial pada error dan ρ adalahkoefisien autokorelasi spasial.
2/8/2011
12
BAB 2 TINJAUAN PUSTAKA
2.2 Estimasi Model Spatial Data Panel
Estimasi model pada data panel berdasarkan Elhorst (2009).
2.2.1 Model Fixed effects
Fixed effects Spatial lag model, Fungsi log‐likelihood
Penurunan parsial dari log‐likelihood terhadap μi adalah :
22
21 1 1
1ln ln(2 ) ln2 2
N T N
n it ij jt it ii t j
NTL T y yπσ δ δ µσ = = =
⎡ ⎤= − + − − − − −∑∑ ∑⎢ ⎥⎣ ⎦I W w x β
1 1
1 1, ,T N
i it ij jt itt j
i NT
µ δ= =
⎡ ⎤⎢ ⎥⎢ ⎥⎣ ⎦
= − − =∑ ∑y w y x β …
2/8/2011
13
BAB 2 TINJAUAN PUSTAKA
Substitusi ke dalam fungsi log‐likelihood denganSubstitusi ke dalam fungsi log likelihood denganmemperhatikan β, δ dan σ2
2 * * * 22
1 1 1
1ln ln(2 ) ln ( [ ] )2 2
N T N
n it ij jt iti j
NTL T yπσ δ δ βσ
= − + − − − −∑∑ ∑I W w y x
dimana
1 1 12 2 i t jσ = = =
* 1 Ty y y= ∑ * 1 T
∑Maka ML dari estimator δ dengan memaksimalkan fungsilog‐likelihood diperoleh persamaan:
1it it it
ty y y
T == − ∑
1it it it
tT == − ∑x x x
g p p
* * * *0 1 0 1ln ln ( ) ( ) ln
2T
NNTL C Tδ δ δ⎡ ⎤⎣ ⎦= − − − + −e e e e I W
2/8/2011
14
BAB 2 TINJAUAN PUSTAKA
hanya bisa diselesaikan secara numerik karena tidak ada solusi closedhanya bisa diselesaikan secara numerik, karena tidak ada solusi closedform dari nilai δ. Namun, karena fungsi log‐likelihood adalah concave diδ, solusi numeriknya adalah unique (Anselin dan Hudak 1992).
( ) ( )1* * * *
0 1 *T TTδ δ
−⎡ ⎤= − = − ⊗⎣ ⎦β b b X X X Y I W Y
2 * * * *0 1 0 1
1 ( ) ( )T
NTσ δ δ= − −e e e e
2/8/2011
15
BAB 2 TINJAUAN PUSTAKA• Fixed effects Spasial Error Modelff p
• Fungsi log‐likelihood :2ln ln(2 ) ln
2 NNTL Tπσ ρ= − + − +I W
* * * * 21 [ ] ( [ ] N T N N
β∑∑ ∑ ∑
• mengingat ρ, dengan Maksimum likelihood β dan σ2 dapat diselesaikan
22
1 1 1 1 [ ] ( [ ]
2 ij jt ij jtit iti t j j
y w y wρ ρ βσ = = = =
− − − −∑∑ ∑ ∑x x
dari first‐order kondisi maksimal, untuk mendapatkan nilai β adalah :
• Misalkan( )* *
TA ρ⎡ ⎤= − ⊗⎣ ⎦X I W X ( )* *TB ρ⎡ ⎤= − ⊗⎣ ⎦y I W y
1T T1( ) ( )T TA A A B−=β
( )2 ( )T
NTρ ρ
σ =e e
( ) ( ) ( )* * * *T TXρ ρ ρ⎡ ⎤⎣ ⎦= − ⊗ − − ⊗e y I W y I W X β
2/8/2011
16
BAB 2 TINJAUAN PUSTAKA
Fungsi likelihood dengan petimbanganFungsi likelihood dengan petimbangan
Memaksimalkan fungsi ini terhadap nilai ρ, ML estimator dari ρ
'ln ln[ ( ) ( )] ln2 N
NTL e e Tρ ρ ρ= − + −I W
Memaksimalkan fungsi ini terhadap nilai ρ, ML estimator dari ρgiven dan . Suatu prosedur iterasi dapat digunakan di mana setparameter β dan σ2 dan parameter ρ secara bergantian diestimasihinggga didapatkan nilai konvergen, fixed effects spasial dapatdiperkirakan dengan persamaan :
ρ
diperkirakan dengan persamaan :
1
1 ( ) 1,T
i it itt
y i NT
µ=
= − =∑ x β …
2/8/2011
17
BAB 2 TINJAUAN PUSTAKA
• 2.2.2 Model Random effects
• Estimasi data panel dengan fixed effectsmenununjukkan ketidakpastian model yang akan digunakan. Model random effects digunakan untuk mengatasi masalahtersebut.
• Model random effectsmengasumsikan setiap variabel mempunyai perbedaanModel random effects mengasumsikan setiap variabel mempunyai perbedaanintersep. Intersep diasumsikan sebagai variabel random atau stokastik.
• (i) Random effects Spatial Lag Model
• Log‐likelihood
2 22
1 1 1
1ln ln(2 ) ln ( [ ] )2 2
N T N
n it ij jt iti t j
NTL T yπσ δ δσ
• • •
= = =
= − + − − − −∑∑ ∑I W w y x β
1(1 )T
θ• ∑ 1(1 )T
θ• ∑
• Fungsi log‐likelihood identik dengan fungsi log‐likelihood persamaan (2.9) yaituspasial fixed effects lag model
1(1 )
it it itt
y y yT
θ•
== − − ∑
1(1 )
it it ittT
θ•
== − − ∑x x x
2 2 2 20 /( ) 1Tθ σ σ σµ≤ = + ≤
spasial fixed effects lag model.
2/8/2011
18
• Mengingat β, δ dan σ2, θ dapat diestimasi dengan memaksimalkan fungsi log‐likelihood dengan memperhatikanθθ:
dimana,2ln ln ( ) ( ) ln2 2
TNT NL θ θ θ⎡ ⎤⎣ ⎦= − +e e
1 1( ) (1 ) [ (1 ) ]T N T
θ θ δ θ∑ ∑ ∑1 1 1
1 1( ) (1 ) [ (1 ) ]it it it ij jt ij jtt j t
y y w y w yT T
θ θ δ θ= = =
= − − − − − +∑ ∑ ∑e
1
1(1 )T
it ittT
θ=
⎡ ⎤⎢ ⎥⎣ ⎦
− − − ∑x x β
• Dengan iterasi β, δ dan σ2 dan parameter diestimasi hingggadidapatkan nilai konvergen θ
2/8/2011
19
• (ii) Random effects Spatial Error Model
• Log‐likelihood2
1
1ln ln(2 ) ln ( 1) ln2 2
N
i
NTL Tπσ=
= − − + − +∑V B
12 2
1 1 1 1( ) ( ) )2 2
T T T T TT T T Tl l l l
T Tσ σ−− ⊗ − ⊗e V e e B B e
2/8/2011
20
BAB 2 TINJAUAN PUSTAKA
2.3 Likelihood Ratio (LR) Test
Pengujian Likelihood Ratio
Pengujian ini dilakukan dengan hipotesis sebagai berikut
(Elhorst, 2009).
Ef k i di id (fi d ff t )Efek individu (fixed effects)
H0 : µ1=µ2=…=µN=α
H1 : Minimal ada µ yang berbeda
α adalah mean intersepα adalah mean intersep.
Efek random (random effects)
H0 : θ=1
H : θ≠1H1 : θ≠1
• θ=1 berarti σµ=0
• Statistik uji yang digunakan adalah ‐2s, dimana s adalah selisih antaralog‐likelihoodmodel restricted dan model unrestricted. LR test menggunakan distribusi Chi Square sebagai pembanding pada statistikuji ‐2s. H0 ditolak jika ‐2s > χ2tabel.
2/8/2011
21
BAB 2 TINJAUAN PUSTAKA
2.4 Hausman Test
Pada model Panel data kita ingin mengetahui apakah modeltersebut fixed effects atau random effects. Model fixed effectsmengasumsikan independen variabel berkorelasi dengan error‐nyasedangkan random effects sebaliknyasedangkan random effects sebaliknya.
Untuk melihat apakah model mengikuti random effects atau fixedeffects digunakan Uji Hausman:effects digunakan Uji Hausman:
H0= Random effects
H1 = Fixed effects.
Statistik Uji :
Dimana b adalah koefisien random effects dan adalah koefisien fixedeffects.
2 1( ) ( )hit b bχ β β−= − −
β
• Keputusan: Tolak H0 , (k = jumlah koefisien slope) atau p‐value < α.
2/8/2011
22
BAB 2 TINJAUAN PUSTAKA
2.5 Goodness of FitfKoefisien determinasi (R2) pada regresi spasial data panel lebih sulitdilakukan karena cara yang tepat dari R2 pada regresi OLS dengandisturbance covariance ke bentuk umum model regresi dengan matrikdisturbance covariance Peneliti sering menggunakan persamaan:
2σ I2Idisturbance covariance . Peneliti sering menggunakan persamaan:
• atau (2.26)adalah mean dari variabel dependen dan adalah residual model, cara laindapat digantikan dengan jumlah kuadrat .
2σ I'
2( , ) 1( ) '( )
e eR eY Y Y Y
Ω = −− −
Ω
'2 ( ) 1
( ) '( )e eR e
Y Y Y Y= −
− −
• sedangkan perhitungan corr2 menggunakan persamaan sebagai berikut.
• . (2.27)
• adalah vektor dari nilai taksiran. Berbeda dengan R2 perhitungan corr22
2 [( ) '( )]ˆ( , ) ˆ ˆ[( ) '( )][( ) '( )]Y Y Y Ycorr Y Y
Y Y Y Y Y Y Y Y− −=
− − − −tanpa melibatkan variasi pada spasial fixed effects sehingga selisih antaranilai R2 dan corr2 menunjukkan variasi yang dapat dijelaskan oleh fixedeffects.
•
2/8/2011
23
BAB 2 TINJAUAN PUSTAKA
2.6 Matriks Pembobot/Penimbang Spasial2.6 Matriks Pembobot/Penimbang Spasial
(Spatial Weighting Matrix)
Matriks pembobot/penimbang spasial (W) diperolehberdasarkan informasi hubungan persinggunganberdasarkan informasi hubungan persinggungan(contiguity) antar region.
Menurut LeSage (1999), salah satu metode yang dapatdi k d l hdigunakan adalah:
Rook Contiguity (Persinggungan sisi) yaitu mendefinisikanWij = 1 untuk region yang bersisian (common side)d i j di h i W 0 kdengan region yang menjadi perhatian, Wij = 0 untukregion lainnya.
2/8/2011
24
BAB 2 TINJAUAN PUSTAKA
2.7 Pengujian Asumsi Regresi2.7 Pengujian Asumsi Regresi
Asumsi Kenormalan dari Residual.
metode Kolmogorov‐Smirnov (KS)
d k d k l d d lAsumsi Tidak ada Otokorelasi dari Residual
menggunakan statistik uji Durbin Watson
Asumsi Homokedastisitas
membuat plot antara residual yang dikuadratkandengan y taksiran
Asumsi tidak adaMultikolinearityAsumsi tidak adaMultikolinearity.
Variance Inflation Factor (VIF) yang tinggi, biasanya>10
2/8/2011
25
BAB 2 TINJAUAN PUSTAKA
• Graphical User Interface (GUI)
Komponen Ikon Deskripsi
Push Button Push buttons digunakan untuk melakukan suatu perintah ketika di‐klik. K dit t t k t kEdit Text Komponen edit textmerupakan suatu komponenyang memungkinkan pengguna untuk memasukkanatau mengubah teks.
Static Text Static text digunakan untuk menampilkan teks.
PopUp Menu Popup menu digunakan untuk menampilkansekumpulan pilihan ketika pengguna meng‐kliktanda panahnya.
Axes Axes digunakan untuk menampilkan grafik.
Frame Framesmerupakan kotak tertutup yang dapatdigunakan untuk mengelompokkan kontrol‐kontrolyang berhubungan. Tidak seperti kontrol lainnya, frames tidak memiliki rutin callback.P l di k k k GUI kPanel Panel digunakan untuk mengatur komponen GUI kedalam satu grup.
2/8/2011
26
BAB 3 METODOLOGI PENELITIAN
Data yang digunakan dalam penelitian ini adalah data sekunder yang dipublikasikanoleh BPS anta lain:
Data PDRB Propinsi‐propinsi di Indonesia menurut lapangan usaha tahun 2004‐2008.
Data keadaan pekerja di Indonesia per propinsi (proporsi tenaga kerja menurutData keadaan pekerja di Indonesia per propinsi (proporsi tenaga kerja menuruttingkat pendidikan, proporsi tenaga kerja sektor industri) tahun 2004‐2008
Data Sosial Kependudukan per‐propinsi (penduduk kelompok umur diatas enam
puluh tahun, indeks gini).
2/8/2011
27
BAB 3 METODOLOGI PENELITIAN
Spesifikasi ModelSpesifikasi Model
Model ekonometrika spasial data panel meliputi model SAR dan SEM.Persamaan berikut ini merupakan persamaan indeks rasio gini menggunakanmodel SAR panel dan SEM panel.
Model SAR Panel
1 2 31
54 1
60N
it ij jt it it iti
it it i it
rgini rgini pddk tkindustri tkdidik
pertpend PDRBInd
δ β β β
β β µ ε=
= + + + +
+ + +
∑W
Model SEM Panel
54 1.it it i itp pβ β µ
1 2 360it it it itrgini pddk tkindustri tkdidikβ β β= + + +
54
2.1
;it it i itN
it ij jt iti
pertpend PDRBIndβ β µ φ
φ ρ φ ε=
+ + +
= +∑W
2/8/2011
28
BAB 3 METODOLOGI PENELITIAN
Variabel yang digunakan
Rginiit : nilai ketidakmerataan pendapatan propinsi ke‐i padatahun ke‐t.
Pddkit : proporsi jumlah penduduk berusia lanjut (lebihbesar atau sama dengan usia 60 tahun/X ) propinsibesar atau sama dengan usia 60 tahun/X1) propinsi
ke‐i pada tahun ke‐t.
Tkdidikiit : proporsi jumlah anggota rumah tangga pekerjaterdidik/tingkat keahlian (X2) propinsi ke‐i padatahun ke‐t.
tkindustriit : tenaga kerja di sektor industri nilai ketidakmerataanpendapatan propinsi ke‐i pada tahun ke‐t.
t d t b h k i ti i i i i k ipertpendit : pertumbuhan ekonomi tiap propinsi propinsi ke‐ipada tahun ke‐t.
PDRBIndit : tenaga kerja di sektor industri propinsi ke‐i padatahun ke‐t.
2/8/2011
30
4 1 3 Penyusunan Menu dengan Graphical User
BAB 4 HASIL DAN PEMBAHASAN
4.1.3 Penyusunan Menu dengan Graphical UserInterface (GUI)
2/8/2011
31
BAB 4 HASIL DAN PEMBAHASAN
4.2. pemodelan indeks rasio gini propinsi di pulau Jawap g p p p
DKI Jakarta
JawaBarat
JawaTengah
D.I. Yogyakarta
JawaTimur
BantenNasional
2004 0.360 0.185 0.255 0.372 0.352 0.240 0.320
2005 0.410 0.191 0.283 0.387 0.356 0.356 0.343
2006 0.360 0.190 0.268 0.368 0.360 0.360 0.357
2007 0.320 0.324 0.253 0.326 0.340 0.370 0.376
2008 0.330 0.282 0.310 0.322 0.330 0.340 0.360
2/8/2011
32
BAB 4 HASIL DAN PEMBAHASAN
4.2.2 Model Regresi Serentak Metode OLS
Penggunaan metode Backward dengan 0.05%,
Menggunakan software MINITAB 16.0, dari 5 variabel bebas, hanya 2 variabel signifikan yaitu X1(proporsi jumlah penduduk berumur diatas 60 tahun propinsi ke‐i pada tahun ke‐t) dan X4(pertumbuhan ekonomi propinsi ke‐i pada tahun ke‐t).
Koefisien determinasi (R2) sebesar 45,4 persen.
Model regresi klasik (OLS) yang terbentuk adalah: Y = 0.011 + 0.216 X1+0.0522 X4.
Proporsi jumlah penduduk berumur diatas 60 tahun (X1) berkorelasi positif dengan Indeks rasiogini (Y). Apabila faktor yang lain tetap, maka setiap kenaikan 1satuan X1 maka menaikkan rasioGini sebesar 0 216Gini sebesar 0,216.
Pertumbuhan ekonomi propinsi ke‐i pada tahun ke‐t (X4) juga berkorelasi positif dengan indeksrasio gini (Y). Apabila faktor yang lain tetap, maka setiap kenaikan 1 satuan X1 maka menaikkanrasio Gini sebesar 0,0522..
2/8/2011
33
BAB 4 HASIL DAN PEMBAHASAN
4.2.3 Pengujian Asumsi Regresi Klasik OLS
• otokorelasi uji Durbin Watson dari model OLS adalah 2,1666 dinyatakan bahwa error salingindependen.
• Asumsi tidak ada multikolinearitas sudah terpenuhi oleh model OLS,karena seleksi variabel menggunakan metode Backward sekaligus untuk
t i d ltik li i it d i i b l i d d Uji litmengatasi adanya multikolinieritas dari variabel independennya. Uji normalitasdari residual digunakan metode Kolmogorov‐Smirnov (KS). Hasil pengolahandidapatkan nilai KS adala 0,132 dengan p‐value lebih dari 0,15, dengan demikiandapat disimpulkan bahwa residual berdistribusi normal. Kesimpulannya bahwamodel OLS ini sudah memenuhi asumsi Identik, Independen dan DistribusiNormal (IIDN).
2/8/2011
34
BAB 4 HASIL DAN PEMBAHASAN4.2.4 Interpretasi Model rasio gini dengan spatial data panel.
• Tabel 4.2 P‐value dari Uji likelihood rasio.
1. Lag model dengan Spasial Fixed effects 0.0169
2. Lag model dengan Spasial Random effects 0.0729
• Tabel Lag model dengan Spasial Fixed effects
3. Error Model dengan Spasial Fixed effects 0.0034
4. Error Model dengan Spasial Random effects 0.2550
• Tabel Lag model dengan Spasial Fixed effectsVariabel Koefisien P-ValuePduduk60+ -0.779188 0.526979tkdidik -0.048840 0.005004ki d itkindustri 1.812228 0.112862
pertmhnpdrb 0.019103 0.253251pdrbindustri 1.076381 0.128429Koef spasial lag -0.400987 0.012438R d 0 7740R-squared 0.7740Corr-squared 0.1910
2/8/2011
35
BAB 4 HASIL DAN PEMBAHASANR2 (koefisien determinasi) sebesar sebesar 77.40 % dan nilai corr2 sebesar19 10% H l i i j kk b h i i dij l k l h ti l19.10%. Hal ini menunjukkan bahwa variasi yang dijelaskan oleh spatialfixed effects adalah sebesar 58.3%. Variabel yang signifikan pada modeladalah proporsi jumlah tenaga kerja berdasarkan tingkat pendidikan (X2).Melalui pengujian interaksi spasial serta efek spasial pada modeldiperoleh hasil bahwa terdapat interaksi spasial serta efek spasial padamasing‐masing propinsi yang diteliti.
• Model panel spasial pada masing‐masing propinsi yang terdiri dari DKIJakarta Jawa Barat Jawa Tengah Jogjakarta Surabaya dan BantenJakarta, Jawa Barat, Jawa Tengah, Jogjakarta, Surabaya dan Bantendengan variabel proporsi jumlah tenaga kerja berdasarkan tingkatpendidikan (X2) hasilnya adalah sebagai berikut.
31
0.4009N
it ij jt it ii
rgini rgini tkdidikβ µ=
= − + +∑W
2/8/2011
36
BAB 4 HASIL DAN PEMBAHASAN
Penjelasan masing‐masing variabel yang mempengaruhi model adalahj g g y g p gsebagai berikut:
Koefisien spasial lag menunjukkan besarnya interaksi pada indeksrasio gini propinsi sepulau Jawa. Besarnya interaksi rasio gini antarpropinsi sepulau Jawa adalah sebesar 0 4009 sehingga indeks rasiopropinsi sepulau Jawa adalah sebesar ‐0.4009 sehingga indeks rasiogini untuk masing‐masing propinsi akan dipengaruhi oleh besarnyaindeks rasio gini propinsi yang menjadi tetangga.
Proporsi jumlah tenaga kerja berdasarkan tingkat pendidikan (X2)2Proporsi jumlah tenaga kerja berdasarkan tingkat pendidikan (X2)mempunyai elastisitas sebesar ‐0.049 yang berarti kenaikanproporsi jumlah tenaga kerja berdasarkan tingkat pendidikan (X2)sebesar 1% akan berdampak pada penurunan indeks rasio ginisebesar 1% akan berdampak pada penurunan indeks rasio ginisebesar 0.4009 % dengan asumsi variabel lainnya tetap.
2/8/2011
37
BAB 4 HASIL DAN PEMBAHASAN
• Pemodelan rasio gini dengan error Model dan Spasial Fixed effects.g g p ffTabel . ErrorModel dengan Spasial Fixed effects
Variabel Koefisien P-Value
Pduduk60+ -1.625555 0.126164tkdidik -0.036924 0.001802tkindustri 1.588493 0.045995pertmhnpdrb 0.021002 0.101620pdrbindustri 1 219467 0 128429pdrbindustri 1.219467 0.128429Tetha -0.626978 0.000011R-squared 0.7111Corr-squared 0.222
2/8/2011
38
BAB 4 HASIL DAN PEMBAHASAN
• Model rasio gini yang terbentuk dengan menggunakan error modelg y g g ggdengan spatial fixed effectsmemiliki nilai R2 (koefisien determinasi) sebesar sebesar 71.11 % dan nilai corr2 sebesar 22.2%. Hal inimenunjukkan bahwa variasi yang dijelaskan oleh spatial fixed effects adalah sebesar 48 91% Variabel yang signifikan pada model adalahadalah sebesar 48.91%. Variabel yang signifikan pada model adalahproporsi jumlah tenaga kerja berdasarkan tingkat pendidikan (X2) danproporsi jumlah tenaga kerja sektor industri (X3). Melalui pengujianinteraksi spasial serta efek spasial pada model diperoleh hasil bahwat d t i t k i i l t f k i l d i i i iterdapat interaksi spasial serta efek spasial pada masing‐masing propinsiyang diteliti.
•
2/8/2011
39
BAB 4 HASIL DAN PEMBAHASAN
M d l l i l d i i i i t di i d i DKI• Model panel spasial pada masing‐masing propinsi yang terdiri dari DKIJakarta, Jawa Barat, Jawa Tengah, Jogjakarta, Surabaya dan Bantendengan variabel independennya adalah proporsi jumlah tenaga kerjaberdasarkan tingkat pendidikan (X2) dan Proporsi jumlah tenaga kerjasektor industri (X3) modelnya adalah sebagai berikut.
1 37 1 59 0 62N
rgini tkdidik tkindustri φ= − + − ∑ W1
1.37 1.59 0.62it it it ij jti
rgini tkdidik tkindustri φ=
= − + − ∑ W
2/8/2011
40
BAB 4 HASIL DAN PEMBAHASAN
Penjelasan masing‐masing variabel yang mempengaruhi model adalah sebagaib kberikut:
Koefisien spasial error menunjukkan besarnya interaksi pada indeks rasio ginipropinsi sepulau Jawa. Besarnya interaksi rasio gini antar propinsi sepulauJawa adalah sebesar ‐0.4009 sehingga indeks rasio gini untuk masing‐masingpropinsi akan dipengaruhi oleh besarnya indeks rasio gini propinsi yangmenjadi tetangga.
Proporsi jumlah tenaga kerja berdasarkan tingkat pendidikan (X2)
Proporsi jumlah tenaga kerja berdasarkan tingkat pendidikan (X2) mempunyai2elastisitas sebesar ‐0.049 yang berarti kenaikan proporsi jumlah tenaga kerjaberdasarkan tingkat pendidikan (X2) sebesar 1% akan berdampak padapenurunan indeks rasio gini sebesar 0.4009 % dengan asumsi variabel lainnyatetap.
Proporsi jumlah tenaga kerja sektor industri (X3)
Proporsi jumlah tenaga kerja sektor industri (X3) mempunyai elastisitassebesar 1.59 yang berarti kenaikan proporsi jumlah tenaga kerja sektorindustri (X3) sebesar 1% akan berdampak pada kenaikan indeks rasio gini( 3) p p gsebesar 1.59 % dengan asumsi variabel lainnya tetap.
•
2/8/2011
41
BAB 5 KESIMPULAN DAN SARAN
Kesimpulan
• Dengan menggunakan software Matlab 2.10b, dan memanfaatkanfasilitas software tersebut yaitu Graphical User Interface (GUI) sehinggadapat membuat suatu menu sederhana untuk pemilihan model fixedeffects dan random effects pada spasial lag model maupun error modeleffects dan random effects, pada spasial lag model maupun error model.Menu ini dapat digunakan untuk mempermudah penelitian‐penelitianspasial ekonometrika menggunakan data panel sehingga menghindarimetode trial and error.
• Hasil uji likelihood rasio dari data indeks rasio gini beserta variable‐variabel independennya menunjukan fixed effects, baik secara lag modelmaupun error model adalah terbaik. Terbukti dengan nilai probabilityfixed effects < 0.05.
•
2/8/2011
42
• Uji Hausman tidak perlu dilakukan karena secara Random effectsil i b bilit d i ji LR t t tid k i ifiknilai probability dari uji LR‐test tidak signifikan.
• Dengan menggunakan OLS, tanpa memperhitungkan pengaruhspasial nilai (R2) yang dihasilkan sebesar 45,4 persen. Sedangkandengan lag model dan fixed effects sebesar 77.40 persen. Hal inig g f ff pmenunjukkan bahwa indeks rasio gini propinsi‐propinsi dipulauJawa sangat dipengaruhi oleh variabel‐variabel di propinsitetangganya.
• Secara spasial lag model dan fixed effects variabel yang• Secara spasial lag model dan fixed effects, variabel yang mempengaruhi indeks rasio gini adalah proporsi jumlah tenaga kerjaberdasarkan tingkat pendidikan (X2 ). Sedangkan secara spasial error model dan fixed effects variabel yang mempengaruhi indeks rasiogini adalah proporsi jumlah tenaga kerja berdasarkan tingkatpendidikan (X2 ) dan proporsi jumlah tenaga kerja sektor industri(X3).
2/8/2011
43
BAB 5 KESIMPULAN DAN SARAN
SaranSaran
Agar dapat mengembangkan penelitian ini, yaitu bagaimanamenentukan model spasial data panel SAR maupun SEM menurutestimasi secara fixed coefficient, dan random coefficient model,Elhorst (2003).
Perlu ditambahkan uji yang lain sehingga dapat sebagai pembandingLR‐test. Begitu juga dengan Hausman‐test sebagai uji untukmenentukan efek spasial yang tepat antara fixed effects ataupumenentukan efek spasial yang tepat antara fixed effects ataupurandom effects yang terbaik.
Agar menggunakan variabel‐variabel independen lain yangberpengaruh siginifikan terhadap indeks rasio gini propinsi sepulauJawa.
••
2/8/2011
44
DAFTAR PUSTAKA
Anselin, L. (1988), “Spatial Econometrics: Methods and Models”, KluwerAcademic Publishers, Dordrecht.
‐‐‐‐‐‐‐‐‐‐‐‐‐‐. (2001), “Rao’s score tests in spatial econometrics”, Journal ofStatistical Planning and Inference 97, 113‐139.
Anselin, L. , A.K. Bera, R. Florax dan M.J. Yoon (1996), “Simple diagnostic testsfor spatial dependence”, Regional Science and Urban Economics 26, 77‐104.
Anselin, L., and S. Hudak. 1992. Spatial econometrics in practice: A review of softwarep poptions. Regional science and Urban Economics 22:509‐36.
Baltagi, B.H. (2005), “Econometrics Analysis of Panel Data” 3rd edition, John Wiley &Sons Ltd., Chichester, England.
Bell, K.P. dan N.R. Bockstael(2000), “Applying the generalized‐moments estimationBell, K.P. dan N.R. Bockstael(2000), Applying the generalized moments estimationapproach to spatial problems involving microlevel data”, Review of Economicsand Statistics 82, 72‐82.
Case, A.C. (1991), “Spatial patterns in household demand”, Econometrica 59, 953‐965965.
2/8/2011
45
DAFTAR PUSTAKA
Case, A.C., J. Hines, Jr. dan H. Rosen (1993), “Budget spillovers and fiscal policyindependence: Evidence from the states”, Journal of Public Economics 52, 285‐307.
Conley, T.G. (1999), “GMM estimation with cross sectional dependence”, Journalof Econometrics 92, 1‐45.
Driscoll, J. dan A. Kraay (1998), “Consistent covariance matrix estimation withti ll d d t l d t ” R i f E i d St ti ti 80 549spatially dependent panel data”, Review of Economics and Statistics 80, 549‐
560.
Elhorst, J.P. (2003), “Specification and Estimation of Spatial Panel Data Models”,International Regional Science review 26, 244‐268.
‐‐‐‐‐‐‐‐‐‐‐‐‐‐(2009) Spatial Panel Data Models In Fischer MM Getis A (Eds ) Handbook of(2009), Spatial Panel Data Models. In Fischer MM, Getis A (Eds.) Handbook ofApplied Spatial Analysis, Ch. C.2. Berlin Heidelberg New York: Springer.
Estudilo J.P. “Income Inequality In The Philippines 1961‐1991” Journal Of TheDeveloping Economics XXXV‐I (March 1997)
Griffith DA (1988) “Advanced spatial statistics” Kluwer. Dordrechtp
Hsio C (2005) “Why Panel data” University of Southern California, IEPR working paper 05.33
LeSage, J.P. (1999), “The Theory and Practice of Spatial Econometrics”,http://www.econ.utoledo.edu, download pada tanggal 26 September 2010.
• Pace RK, Barry R (1997) “Quick computation of spatial autoregressive estimators.”Geographical Analysis”.