Pemodelan Regresi Probit Spasial Dengan Pendugaan Mcmc (Markov Chain Monte Carlo) Gibbs Sampler
| Main Author: | Iftitakh, LedyWilda |
|---|---|
| Format: | Thesis NonPeerReviewed Book |
| Bahasa: | eng |
| Terbitan: |
, 2014
|
| Subjects: | |
| Online Access: |
http://repository.ub.ac.id/153907/1/SKRIPSI.pdf http://repository.ub.ac.id/153907/ |
Daftar Isi:
- Regresi spasial merupakan pembentukan model regresi linier dengan menggunakan data kewilayahan. Pada regresi spasial, pengamatan di suatu wilayah bergantung pada pengamatan yang berada di wilayah lain yang berdekatan, sehingga terdapat efek spasial (autokorelasi spasial) spasial dan heterogenitas spasial. Adanya autokorelasi spasial sehingga pendugaan menggunakan OLS (Ordinary Least Square) tidak dapat digunakan, maka digunakan metode Bayes yaitu metode Marcov Chain Monte Carlo (MCMC) dengan algoritma Gibbs Sampler. Dalam model regresi juga dijumpai kasus dengan peubah dependennya bersifat kualitatif, maka dalam penyelesaiannya dapat menggunakan model probit. Penelitian ini bertujuan untuk mengetahui ketergantungan spasial dan memodelkan regresi probit spasial dengan model SAR dan SEM menggunakan pendugaan MCMC Gibbs Sampler pada data spasial. Dari kelima data yang digunakan terdapat ketergantungan spasial positif atau pola yang mengelompok dan memiliki kesamaan karakteristik sisaan pada lokasi yang berdekatan. Model spasial probit yang terbentuk untuk data Kemiskinan, data Indeks Pembangunan Manusia (IPM) dan data Angka Kematian Bayi (AKB) adalah Spasial Autoregressive Model (SAR) Probit. Sedangkan pada data Balita Gizi Buruk dan data Tingkat Pengangguran Terbuka (TPT) model yang terbentuk adalah Spasial Error Model (SEM) Probit.