abstract - digilib.its.ac.iddigilib.its.ac.id/public/its-master-18992-paper-3360560.pdfanalisis data...
TRANSCRIPT
1
PEMODELAN REGRESI SPASIAL
DENGAN PENDEKATAN RESIDUAL BOOTSTRAP
(STUDI KASUS : PEMODELAN FERTILITAS DI PROVINSI LAMPUNG)
Ari Rusmasari
1, Sutikno
2, Setiawan
3
1 Mahasiswa Pasca Sarjana, Jurusan Statistika, Institut Teknologi Sepuluh Nopember Surabaya
2,3 Jurusan Statistika, Institut Teknologi Sepuluh Nopember Surabaya
2sutikno@ statistika.its.ac.id,
Abstract
Estimation and testing parameters on the size of a small sample data is one of the problems that
often occurs in modeling of spatial data. One of statistical techniques that could be used to
overcome this problem is the bootstrap resampling method. In this research, the spatial bootstrap
test is mainly used for identification model through Moran’s I test and Lagrange Multiplier test.
Generally, there are two regression models for explaining the spatial dependency of data,
namely spatial autoregressive model (SAR) and spatial error model (SEM). The residual
Bootstrap approach is applied to both spatial models. Results show that the SAR model suitable
for modeling fertility in Lampung Province. Economic growth, percentage of women who are
not family planning acceptors, mean of age at first marriage, percentage of women working in
agriculture, and the percentage of women working in the industrial sector have a significant
effect on the percentage of women with high fertility in Lampung Province. In addition,
algorithms, programs, and Graphical User Interface (GUI) have been developed to determine
bootstrap Moran’s I and bootstrap LM hypothesis testing also SAR and SEM modeling with
residual bootstrap approach.
Keywords : Fertility, Spatial Bootstrap Test, SAR, SEM, Residual Bootstrap
Abstrak
Pembahasan ilmu kewilayahan berkaitan dengan analisis statistik dari suatu sampel
data cross section dalam perkembangannya muncul berbagai permasalahan. Salah satu
permasalahan adalah pendugaan dan pengujian parameter pada ukuran data sampel kecil.
Pendekatan untuk mengatasi masalah tersebut adalah metode resampling bootstrap yang
merupakan pendekatan nonparametrik. Dalam penelitian ini, untuk identifikasi awal model
digunakan metode spatial bootstrap test yang terdiri atas uji Moran’s I dan uji Lagrange
Multiplier (LM) dengan bootstrap. Untuk pemodelannya digunakan metode Spatial
Autoregressive Model (SAR) dan Spatial Error Model (SEM) dengan pendekatan residual
bootstrap. Hasil penelitian menyimpulkan bahwa model SAR sesuai untuk memodelkan
fertilitas di Provinsi Lampung. Pertumbuhan ekonomi, persentase wanita tidak KB, rata-rata
umur perkawinan pertama, persentase wanita bekerja di sektor pertanian, dan persentase wanita
bekerja di sektor industri berpengaruh signifikan terhadap persentase wanita dengan fertilitas
tinggi di Provinsi Lampung. Di samping itu dalam penelitian ini telah disusun algoritma dan
program, serta GUI pengujian bootstrap Moran’s I dan bootstrap LM, serta pemodelan SAR dan
SEM dengan pendekatan residual bootstrap.
Kata kunci : Fertilitas, Spatial Bootstrap Test, SAR, SEM, Residual Bootstrap
1. Pendahuluan
Dalam dua dekade terakhir telah berkembang metode statistika yang berkaitan
dengan ilmu kewilayahan, yaitu analisis data spasial. Dalam banyak kasus, pengamatan di
suatu lokasi bergantung pada pengamatan di lokasi lain yang berdekatan (neighbouring).
Seiring dengan perkembangan pemodelan spasial muncul berbagai permasalahan,
salah satu diantaranya adalah ukuran sampel yang kecil. Ketika sampel yang digunakan cukup
kecil, maka keakuratan sifat estimator dengan menggunakan metode MLE maupun OLS
menjadi kurang sesuai. Salah satu metode yang seringkali digunakan untuk menangani
permasalahan tersebut yaitu metode resampling, salah satunya adalah metode Bootstrap. Pada
estimasi parameter, apabila error pada sampel kecil tersebut tidak berdistribusi normal, metode
Bootstrap ini dapat menjadi suatu solusi dalam memecahkan permasalahan tersebut [8].
Pada tahap identifikasi model dikembangkan suatu metode spatial bootstrap test
berdasarkan OLS residual [7]. Metode ini merupakan suatu metode pendekatan alternatif yang
efektif ketika asumsi kenormalan tidak terpenuhi. Monchuk, Hayes, Miranowski, dan Lambert
menggunakan metode resampling Bootstrap pada Spatial Error Model untuk kasus
pertumbuhan pendapatan di Amerika Serikat [9].
Tingkat fertilitas merupakan salah satu faktor demografi yang paling menentukan di
dalam penurunan tingkat pertumbuhan penduduk di Indonesia. Berdasarkan RPJM 2004-
2009, salah satu sasarannya yaitu tingkat fertilitas total di Indonesia menjadi 2,2 per
wanita. Hal ini sebagai salah satu langkah revitalisasi dengan adanya kekhawatiran baby
booming yang kedua [2]. Pada tahun 2009, rata-rata anak lahir hidup di Provinsi Lampung
sebesar 2,4. Angka ini juga belum memenuhi target pemerintah dalam mengurangi
pertumbuhan penduduk.
Penelitian ini diharapkan mampu untuk mengidentifikasi kondisi wanita dengan
tingkat fertilitas tinggi di Provinsi Lampung dengan berbagai karakteristik yang berpengaruh.
Selain itu, juga ingin diidentifikasi apakah ada hubungan dependensi spasial antar wilayah
berkaitan dengan tingkat fertilitas wanita yang relatif tinggi tersebut. Provinsi Lampung yang
terdiri dari 14 kabupaten/kota tidak memungkinkan untuk dilakukan suatu pemodelan regresi
spasial mengingat keterbatasan dengan jumlah sampel yang sedikit.
2. Metode
2.1 Model Regresi Spasial
Bentuk umum general spatial model yang dikembangkan oleh Anselin (1988) adalah
sebagai berikut :
)σ,N(~
λ
,ρ
2I0ε
εuWu
uXβyWy
2
1
(1)
dengan y merupakan vektor variabel respon dengan ukuran n x 1, adalah koefisien dari
variabel respon spasial lag, λ adalah koefisien dalam spasial error, dan u merupakan vektor
error. Sementara itu, W1 dan W2 merupakan matrik penimbang dengan ukuran n x n dimana
3
W1 = W2 = W. Parameter regresi dilambangkan dengan β yang merupakan vektor berukuran
(p+1) x 1. Matriks X merupakan matriks dari variabel prediktor yang berukuran n x (p+1).
Berdasarkan persamaan 1. di atas dapat diturunkan model dalam bentuk lebih spesifik, yaitu :
(1) jika 0ρ dan 0λ maka bentuk menjadi εXβy yang merupakan bentuk model
regresi OLS, (2) jika 0ρ dan 0λ maka εXβyWy 1 ρ yang merupakan model
spatial autoregressive (SAR), (3) jika 0ρ dan 0λ maka uXβy dimana
εuWu 2 λ yang merupakan bentuk model spatial error (SEM), (4) jika 0ρ dan 0λ ,
maka membentuk uXβWyy ρ dimana εWuu λ yang biasa disebut Spatial
Autoregressive Moving Average (SARMA) [1].
2.2 Matriks Penimbang Spasial
Dalam penelitian ini, akan digunakan metode Queen Contiguity (persinggungan sisi
dan sudut) dimana nilai penimbang wij akan bernilai 1 untuk wilayah yang bersisian dan
bernilai 0 untuk wilayah yang lain [5]. Sebagai ilustrasi, Gambar 2.1 menyajikan contoh lima
region yang menunjukan kedekatan dan persinggungan antar lokasi.
Gambar 1. Ilustrasi contiguity (Persinggungan).
Berdasarkan Gambar 1. matriks penimbang yang terbentuk dengan menggunakan
metode Queen Contiguity diperoleh susunan matriks berukuran 5×5 dimana baris dan kolom
menyatakan region yang ada pada peta. Karena matriks penimbang spasial merupakan matriks
simetris, dan dengan kaidah bahwa diagonal utama selalu nol, seringkali dilakukan
transformasi untuk mendapatkan jumlah baris sama dengan satu
2.3 Bootstrap Spatial
2.3.1 Moran’s I
Lin, Long, dan Wu Mei menerapkan Bootstrap Moran’s I untuk pengujian dependensi
spasial [7], algoritmanya sebagai berikut.
a. Resampling Bootstrap pada residualnya yaitu ε̂ sehingga diperoleh *
1ε̂ ,*
2ε̂ ,..., *
Bε̂ , dengan
B merupakan banyaknya replikasi Bootstrap.
b. Pada masing-masing sampel bootstrap dihitung nilai Moran’s I sehingga diperoleh
*
b
*
b
*
b
*
b
ε'ε
εW'ε
ˆˆ
ˆˆI
MO
*
b
dimana b=1,2,...,B (2)
c. Menghitung standar error (MOI *
)
(4)
(3) (5)
(2)
(1)
01100
10100
11010
00101
00010
Q
02
1
2
100
2
10
2
100
3
1
3
10
3
10
002
10
2
100010
queenW
2/1
1
2
1
II
)I(MOMO
MO
Bse
B
b
**
b*
,
B
b
*
b
*
B 1MOMO
I1
I (3)
d. Menghitung penduga selang untuk *
MOI . Pendekatan selang kepercayaan menggunakan
persentil. Setelah diperoleh *
bMOI di setiap replikasi B, kemudian diurutkan sehingga
*
B
**
MO2MO1MOI...II . Maka batas bawah dan batas atas selang kepercayaan adalah
]I,I[]I,I[ )2/1.()2/.( MOMOMOMO
****
BBuplow (4)
e. Dengan menggunakan
iMOI diperoleh dari resampling Bootstrap, maka Bootstrap p-value
(right tail test) dari uji statistik Moran’s I adalah
B
}IIbanyaknya{)IP( 0MOMO
MO
b
*
(5)
dimana 0MOI merupakan nilai uji statistik Moran’s I dengan menggunakan set data asli.
Dengan0MOMO0 II: H , Bootstrap p-value lebih besar dari tingkat signifikansi, maka
terima Ho. Karena range dari uji statistik Moran’s I bisa positif dan negatif, maka
penghitungan p-value dapat menggunakan uji sisi kiri (left tail) atau sisi kanan (right tail).
2.3.2 Uji Lagrange Multiplier
1. Algoritma bootstrap LM lag
a. Lakukan Bootstrap resampling pada residualnya yaitu mengambil n sampel dengan
pengembalian dari ε̂ sehingga diperoleh *
1ε̂ , *
2ε̂ ,..., *
Bε̂ .
b. Hitung nilai *
by , dimana *
b
*
b εβXy ˆˆ , sehingga diperoleh *
B
*
2
*
1 y,...,y,y dimana
b=1,2,...,B. B merupakan banyaknya replikasi Bootstrap.
c. Menghitung nilai LM lag pada masing-masing sampel Bootstrap dengan menggunakan
*
bε̂ ,*
by , dan matriks penimbang spasial yang tetap.
*
b
2
2*
b
bNJ
)σ̂(
ˆ
lag LM
*
b
*
b Wy'ε
B1,2,...,b
)σ̂T()ˆ()'ˆ()σ̂N(
1J
)trace(TN
ˆˆ)σ̂(
,ˆˆ
2*
b2*
b
*
b
2*
b
X'X)X(X'IM
βWXMβWX
WW'WW
ε'ε
εβXy
1
*
b
*
b
*
b
*
b
(6)
5
2. Algoritma bootstrap LM Error
a. Melakukan Bootstrap resampling pada residualnya.
b. Menghitung nilai LM error pada masing-masing sampel Bootstrap dengan
menggunakan *
bε̂ , b=1,2,...,B dan matriks penimbang spasial yang tetap.
T
2
2*
b
b
)σ̂(
ˆˆ
error LM
**
b
*
b εW'ε
(7)
Dengan hipotesis00 LMLM: H kemudian menentukan bootstrap p-value untuk nilai LM
lag dan LM errornya.
2.3.3 Model Bootstrap Regresi Spasial
Penelitian tentang pemodelan spasial bootstrap juga dilakukan oleh Monchuk, Hayes,
Miranowski, dan Lambert [9]. Namun, hanya diterapkan pada Spatial Error Model (SEM).
Algoritmanya adalah sebagai berikut.
a. Dengan menggunakan regresi Spatial Error Model, estimasi parameter β dan λ dengan metode maksimum likelihood dari data awalnya.
b. Hitung residualnya
βXWIyWIε ˆ]ˆ[]ˆ[ˆ
(8)
c. Melakukan Bootstrap resampling pada residualnya sebanyak B replikasi yaitu
mengambil n sampel dengan pengembalian dari ε̂ sehingga diperoleh *
1ε̂ , *
2ε̂ ,..., *
Bε̂ .
d. Hitung nilai *
by , dimana b = 1,2,...,B sehingga diperoleh *
B
*
2
*
1 y,...,y,y
*
b
*
b εWIβXy ˆ]ˆ[ˆ 1
(9)
e. Dengan menggunakan vektor *
by dan fixed X, estimasi dengan menggunakan metode
maksimum likelihood untuk masing-masing sampel bootstrapnya sehingga didapatkan
estimator *
bβ̂
dan *
bλ̂ dimana b=1,2,...,B. B merupakan jumlah replikasi pada
resampling data.
B
1b
B
1b
*
b
**
b
* λ̂B
1λ̂,β̂
B
1β̂
,
*
bβ̂ merupakan estimasi setiap parameter β̂ pada masing-masing replikasi Bootstrap.
*β̂ merupakan rata-rata dari *
bβ̂ . Untuk*
b̂ adalah estimasi parameter ̂ pada masing-
masing replikasi Bootstrap, sedangkan *̂ = rata-rata dari *
b̂ .
f. Menentukan standar error dari β̂ dan ̂ dan penduga interval untuk β̂ dan λ̂
menggunakan pendekatan persentil.
Algoritma Spatial Autoregressive Model (SAR) sebagai berikut :
a. Dengan menggunakan regresi Spatial Autoregressive Model, estimasi parameter β̂
dan ρ̂ dengan menggunakan metode maksimum likelihood.
b. Menentukan residualnya.
βXWyyε ˆρ̂ˆ (10)
c. Melakukan resampling residual sebanyak B replikasi, diperoleh *
bε̂ .
d. Mendapatkan nilai y* pada masing-masing replikasi
sehingga diperoleh
*
B
*
2
*
1 y,...,y,y.
*
b
*
b εWIβXWIy ˆ]ρ̂[ˆ]ρ̂[ 11 (11)
e. Dengan menggunakan vektor y
* dan X, estimasi replikasi untuk mendapatkan estimator
*ˆbβ
dan
*
bρ̂ . Kemudian menghitung bootstrap estimator dari *
β̂ dan
*ρ̂ .
f. Menentukan bias, standar error, selang kepercayaan, dan p-value.
Dalam penelitian ini, akan dicobakan untuk beberapa nilai replikasi B (50,100, 200, 500, 1000,
dan 10000) sampai mendapatkan suatu nilai dengan bias dan standar error yang terkecil.
2.4 Fertilitas
Fertilitas atau kelahiran menurut konsep BPS berkaitan dengan jumlah anak kandung
lahir hidup. Anak kandung lahir hidup adalah anak kandung yang pada waktu dilahirkan
menunjukkan tanda-tanda kehidupan, walaupun mungkin hanya beberapa saat saja, seperti
jantung berdenyut, bernafas, dan menangis. Menurut Iswarati (2010), faktor-faktor yang
mempengaruhi tinggi rendahnya fertilitas terdiri atas faktor demografi dan nondemografi.
Faktor demografi diantaranya adalah umur, status perkawinan, umur kawin pertama.
Sedangkan faktor nondemografi antara lain keadaan ekonomi penduduk, tingkat pendidikan,
dan urbanisasi [3].
2.5 Variabel Penelitian
Data dalam penelitian adalah data sekunder yang berasal dari Survei Sosial Ekonomi
Nasional (Susenas) di Provinsi Lampung Tahun 2010. Selain itu, juga digunakan peta Provinsi
Lampung yang merupakan hasil dari Pemetaan SP2010.Variabel respon yang digunakan dalam
penelitian ini adalah persentase wanita berumur 10 tahun ke atas dengan status pernah kawin
dengan anak kandung lahir hidup > 2. Sedangkan variabel prediktor (Xi) yang digunakan
adalah pertumbuhan ekonomi (X1), persentase wanita tidak KB (X2), rata-rata umur
perkawinan pertama (X3), persentase wanita bekerja di sektor pertanian (X4), dan persentase
wanita bekerja di sektor industri (X5). Software statistik yang digunakan yaitu Minitab dan
Matlab.
7
3. Hasil dan Pembahasan
3.1 Penyusunan Program
Program aplikasi yang telah disusun meliputi matlab code untuk pengujian Bootstrap
Moran’s I, Bootstrap Lagrange Multiplier, dan estimasi parameter pada pemodelan bootstrap
Spatial Autoregressive Model (SAR) maupun bootstrap Spatial Error Model (SEM). Program
yang dibuat dengan menambahkan beberapa syntax pada function spasial ekonometrika yang
telah dibuat sebelumnya oleh LeSage (1999). Syntax yang ditambahkan yaitu resampling
bootstrap, penghitungan standar error, selang kepercayaan, dan uji hipotesis hasil dari
resampling bootstrap baik pada uji spasial dependensi maupun pada estimasi parameter.
3.2 Penyusunan GUI
GUI bertujuan untuk mempermudah pengguna dalam menggunakan program yang
telah dibuat sebelumnya, yaitu program untuk mendapatkan statistik uji maupun pemodelan
regresi spasial. Bentuk tampilan GUI yang akan digunakan dalam menjalankan program dapat
dilihat pada Gambar 4.1.
Gambar 2. Aplikasi Graphic User Interface (GUI).
3.3 Deskripsi Fertilitas di Provinsi Lampung
Pada Gambar 2. menjelaskan persebaran wanita dengan fertilitas tinggi di Provinsi
Lampung 2010. Persentase wanita dengan Anak Lahir Hidup (ALH) lebih dari 2 yang nilainya
relatif rendah adalah Kabupaten Lampung Tengah, sedangkan untuk nilai persentase wanita
dengan fertilitas yang relatif tinggi adalah Kabupaten Tanggamus dan Kabupaten Way Kanan.
Gambar 3. Persebaran persentase wanita dengan ALH > 2 di Provinsi Lampung, 2010.
3.4 Pemodelan Dengan Regresi Spasial
Pengujian Spasial Dependensi
Hasil identifikasi awal adanya dependensi antar wilayah melalui perhitungan error
menunjukkan adanya spasial dependensi, namun dengan tingkat signifikansi yang relatif tinggi
(p-value=0,333) ( Tabel 1). Dari hasil pengujian Lagrange Multiplier menunjukkan bahwa
terdapat dependensi dalam lag, sehingga perlu dilakukan pemodelan Spatial Autoregressive
(SAR).
Tabel 1. Nilai Statistik Uji dan Nilai p-value pada Identifikasi Model Regresi
Spasial dengan Set Data Awal
Statistik Uji Nilai p-value
Moran’s I 0,020 0,333
LM Lag 2,837 0,092
LM Error 0,011 0,917
Pemodelan Spatial Autoregressive (SAR)
Estimasi parameter model SAR fertilitas tinggi di Provinsi Lampung disajikan pada
Tabel 2. berikut.
Tabel 2. Nilai Koefisien Regresi, Standar Error, Nilai Statistik Uji-t,
Nilai p-value Pengujian Parameter dan Nilai R2 Model SAR
Variabel Koefisien Std. Error t-stat p-value R2
rho 0,3680 0,1897 1,9403 0,0935 0,9242
Konstanta 74,5248 11,2145 6,6454 0,0003
X1 -2,0513 0,6699 -3,0618 0,0183
X2 0,4807 0,0884 5,4391 0,0010
X3 -1,7433 0,3915 -4,4530 0,0030
X4
X5
-0,1618
-0,8865
0,0363
0,1769
-4,4623
-5,0110
0,0029
0,0015
Dengan menggunakan α = 0,10, maka seluruh variabel prediktor berpengaruh secara
signifikan pada persentase wanita dengan tingkat fertilitas tinggi di Provinsi Lampung.
9
Besarnya koefisien determinasi (R2) pada model ini adalah 92,42 %. Hal ini berarti bahwa
model yang dibentuk dapat menjelaskan 92,42 % keragaman dari variabel persentase wanita
dengan fertilitas tinggi.
3.5 Model Regresi Spasial dengan Pendekatan Residual Bootstrap (Bootstrap Spatial
Model)
Pengujian Spasial Dependensi dengan Pendekatan Residual Bootstrap
Tabel 3. menunjukkan nilai bootstrap p-value dari beberapa replikasi yang berbeda.
Hipotesis yang diberikan adalah 0MOMO0 II: H (Bootstrap Moran’s I adalah sama dengan
nilai Moran’s I dengan set data awal). Dengan menggunakan nilai α = 0,10, maka
kesimpulannya adalah terima Ho. Artinya bahwa nilai bootstrap Moran’s I sama dengan nilai
Moran’s I awal, sehingga tidak terdapat dependensi spasial dalam error pada model fertilitas
tinggi di Provinsi Lampung dengan telah memperhatikan pemenuhan asumsi distribusi normal
untuk pengujian tersebut.
Tabel 3. Nilai p-value Uji Bootstrap Moran’s I, Bootstrap LM Lag, dan
Bootstrap LM Error
Jumlah Replikasi
Bootstrap p-value
Bootstrap
Moran’s I
Bootstrap LM
Lag
Bootstrap LM
Error
50
100
0,420
0,400
0,920
0,950
0,900
0,950
200 0,445 0,990 0,920
500 0,406 0,972 0,900
1.000 0,443 0,971 0,916
10.000 0,428 0,972 0,922
Dengan uji hipotesis yang sama dan nilai α = 0,10, hasil pengolahan untuk bootstrap
p-value pada uji bootstrap LM lag dan LM error pada beberapa replikasi memperlihatkan
bahwa nilai p-value lebih besar 0,10. Kesimpulannya adalah nilai bootstrap LM lag maupun
LM error adalah sama dengan uji LM pada set data awal. Sehingga, dari hasil identifikasi
tersebut dapat diketahui bahwa model yang sesuai adalah model Spatial Autoregressive (SAR).
Karena jumlah sampel yang relatif kecil, maka pemodelannya pun didekati dengan metode
resampling residual Bootstrap.
Pemodelan SAR dengan Pendekatan Residual Bootstrap Hasil dari pengolahan data menggunakan program Matlab dapat dilihat pada Tabel 4.
Dengan menggunakan resampling residual bootstrap ini, output yang dihasilkan setiap
program dijalankan akan berbeda. Pendekatan yang dilakukan untuk mendapatkan model yang
terbaik adalah dengan menggunakan nilai bias dan standar error yang terkecil (Sahinler dan
Topuz, 2007).
Dengan membandingkan nilai koefisien bootstrap SAR 𝛃 ∗ dan ρ ∗ dengan nilai
koefisien model SAR, 𝛃 dan ρ pada beberapa replikasi, dapat diambil kesimpulan bahwa pada
jumlah replikasi sebesar 100 memiliki bias yang kecil dan tingkat signifikansi yang konsisten
dengan model awalnya. Pada tabel 4. dapat dilihat bahwa pada replikasi sebesar 100 diperoleh
hasil bahwa seluruh variabel prediktor memberikan pengaruh signifikan pada model dengan α
= 0,10. Model ini menghasilkan koefisien determinasi (R2) sebesar 96,17 persen.
Tabel 4. Nilai Koefisien Regresi, Bias, Standar Error, Nilai z,
Nilai p-value Pengujian Parameter pada Model Bootstrap SAR
B
(Replikasi) Variabel Koefisien Bias
Std.
Error Nilai z p-value
50
Rho 0,3303 -0,0247 0,1748 1,8896 0,0588
Konstanta 75,1682 0,0001 10,7572 6,9877 <0,0001
X1 -1,9458 0,0951 0,6275 -3,1008 0,0019
X2 0,5053 0,0233 0,0871 5,8025 <0,0001
X3 -1,7244 0,0200 0,3876 -4,4484 <0,0001
X4 -0,1708 -0,0089 0,0289 -5,9086 <0,0001
X5 -0,8849 0,0087 0,1751 -5,0528 <0,0001
100
Rho 0,3132 -0,0508 0,1865 1,6786 0,0932
Konstanta 78,1329 3,4083 10,7946 7,2381 <0,0001
X1 -1,9619 0,0862 0,6054 -3,2408 0,0012
X2 0,5014 0,0203 0,0872 5,7489 <0,0001
X3 -1,8178 -0,0741 0,3871 -4,6964 <0,0001
X4 -0,1645 -0,0027 0,0351 -4,6898 <0,0001
X5 -0,9304 -0,0417 0,1651 5,6360 <0,0001
200
Rho 0,3043 -0,0587 0,1936 1,5722 0,1159
Konstanta 77,5521 2,7806 11,0585 7,0128 <0,0001
X1 -2,0414 0,0059 0,5855 -3,4867 0,0005
X2 0,4797 -0,0015 0,0805 5,9569 <0,0001
X3 -1,7273 0,0164 0,3649 -4,7340 <0,0001
X4 -0,1621 -0,0003 0,0327 -4,9639 <0,0001
X5 -0,8887 0,0005 0,1626 -5,4647 <0,0001
500
Rho 0,2752 -0,0856 0,2097 1,3122 0,1894
Konstanta 78,8075 3,9371 11,8183 6,6682 <0,0001
X1 -1,9450 0,1007 0,6439 -3,0209 0,0025
X2 0,4838 0,0024 0,0876 5,5238 <0,0001
X3 -1,7413 0,0026 0,3892 -4,4744 <0,0001
X4 -0,1622 -0,0003 0,0357 -4,5431 <0,0001
X5 -0,9228 -0,0325 0,1600 -5,7671 <0,0001
1.000
Rho 0,2719 -0,0920 0,1965 1,3840 0,1663
Konstanta 78,7211 3,9970 10,9991 7,1570 <0,0001
X1 -1,9217 0,1264 0,6385 -3,0095 0,0026
X2 0,4908 0,0097 0,0841 5,8347 <0,0001
X3 -1,7379 0,0058 0,3941 -4,4101 <0,0001
X4 -0,1639 -0,0020 0,0356 -4,6104 <0,0001
X5 -0,9326 -0,0439 0,1711 -5,4493 <0,0001
10.000
Rho 0,2889 -0,0791 0,2026 1,4255 0,1540
Konstanta 77,8120 3,2876 11,4653 6,7867 <0,0001
X1 -1,9578 0,0935 0,6495 -3,0142 0,0026
X2 0,4863 0,0056 0,0833 5,8396 <0,0001
X3 -1,7258 0,0175 0,3893 -4,4331 <0,0001
X4 -0,1627 -0,0008 0,0348 -4,6704 <0,0001
X5 -0,9169 -0,0304 0,1717 -5,3399 <0,0001
11
Persamaan model bootstrap SAR yang dihasilkan adalah
54321
,1
X0,9304X0,1645X1,8178X0,5014X1,961978,13293132,0ˆ
n
jii
iij ywy
Gambar 4. Histogram Bootstrap SAR dengan jumlah replikasi 100.
Nilai rho (koefisien spasial lag) memberikan gambaran bahwa terdapat suatu
dependensi antar wilayah untuk variabel persentase wanita dengan fertilitas tinggi di Provinsi
Lampung. Adanya suatu dependensi memiliki arti bahwa angka fertilitas tinggi dalam hal ini
persentase wanita dengan fertilitas di atas 2 anak di suatu wilayah memiliki keterkaitan dengan
angka fertilitas tinggi di wilayah yang lain. Hal ini dikarenakan adanya kemiripan kebiasaan,
gaya hidup, ataupun budaya antar kabupaten/kota yang berdekatan. Gambar 3.
memperlihatkan bahwa estimasi parameter pada model Bootstrap SAR diasumsikan
berdistribusi normal (limiting normal distribution) untuk seluruh koefisien model.
4. Kesimpulan
Pada pemodelan fertilitas tinggi di Provinsi Lampung dengan menggunakan Bootstrap
Regresi Spasial, model yang sesuai adalah model bootstrap Spatial Autoregressive (SAR).
Dengan memperhatikan nilai bias dan standar errornya, digunakan model dari hasil 100 kali
replikasi. Dari hasil pemodelan bootstrap Spatial Autoregressive (SAR), variabel prediktor
yang berpengaruh terhadap fertilitas di Provinsi Lampung adalah pertumbuhan ekonomi,
persentase wanita yang tidak KB, rata-rata umur perkawinan pertama, persentase wanita
bekerja di sektor pertanian dan persentase wanita bekerja di sektor industri.
𝛽 0∗
𝛽 1∗
𝛽 2∗
𝛽 3∗
𝛽 4∗
𝛽 5∗
𝜌 ∗
Daftar Pustaka
[1] Anselin, L., 1988, Spatial Econometrics: Methods and Models, Kluwer, Dordrecht.
[2] Iski, 2008, “Dulu Dua Anak Cukup, Kini Dua Anak Lebih Baik”. 29 October 2008.
MIX-Marketing Communications Magazine.
[3] Iswarati, 2010, “Fertilitas di Indonesia (Analisis Lanjut SDKI 2007)”.
[4] Kogan, L., 2010, “Small-Sample Inference and Bootstrap”. MIT, Sloan, Fall 2010.
[5] LeSage J., 1999, The Theory and Practice of Spatial Econometrics, University of
Toledo.
[6] Lesmana, C., 2010, Faktor-Faktor yang Mempengaruhi Tingkat Fertilitas pada Wanita
Pernah Kawin Berusia Subur di Kecamatan Tempeh Kabupaten Lumajang. Skripsi,
Universitas Negeri Malang
[7] Lin, K.-P., Z. Long, dan Wu Mei, 2007, ”Bootstrap Test Statistics for Spatial
Econometric Models”, Journal of Econometrics.
[8] Lynch, S.M., 2003, “Alternative Estimation Strategies”, Soc504,
PrincetonUniversity.
[9] Monchuk, D.C., D.J. Hayes, J.A. Miranowski, dan D.M. Lambert, 2010, “Inference
Based on Alternative Bootstrapping Methods in Spatial Models with an Application to
County Income Growth in the United States”. Working Paper 10-WP 507, May 2010,
Center for Agricultural and Rural Development, Iowa State University.
[10] Sahinler, S. & Topuz, D., 2007, “Bootstrap and Jackknife Resampling Algorithms for
Estimation of Regressions Parameters”, Journal of Applied Quantitative Methods,
Vol.2, No.2, Summer 2007.