SpaceSpace p -time Models MA5182 Topik p dalam Statistika I: Statistika Spasial p 22 November 2012 Utriweni Mukhaiyar
Analisis Statistik D Data Analysis A l i Non-parametric A l i Analysis
Compound Poisson
Postulate General Class of Models
Stochastic St h ti Processes
Time Series Analysis
Multivariate Analysis
+
Spatiall Analysis =
Space-Time S Ti Analysis
ACF, PACF, PACF diff
Identify y Model Resampling
Parameter Estimation
Hidden Markov
Stationarity
Box&Jenkins Iteration
Maximum Likelihood Least Squares
Diagnostic Checking No
Yes
Forecasting
V i Variogram
Ki i Krigging
Estimation & Interpolation
Modelling
Adopted from Time Series Analysis
Weight matrix, STACF, STPACF, diff
Box&Jenkins Procedure/Iteration
Kovariansi dan Korelasi pada deretderetwaktu T 0,1,2,... SSuatu proses stokastik k k Z (t ), t T dengan d Fungsi g Mean: (t ) E Z (t ) Fungsi Autokovariansi: t1 , t 2 Cov Z t1 , Z t 2 E Z t1 t1 Z t 2 t 2
Fungsi Autokorelasi: A
t1 , t 2 Corr C Z t1 , Z t 2
untuk
t1 , t 2 0,1,2,...
CovZ t1 , Z t 2
Var Z t1 Var Z t 2 1 2
t1 , t 2 t1 , t1 t 2 , t 2 1 2
Kovariansi dan Korelasi pada deretderetwaktu Kovariansi
Korelasi
1
t1 , t1 Var Z t1
2
t1 , t 2 t 2 , t1
t1 , t1 1 t1 , t 2 t 2 , t1
3
t1 , t 2 t1 , t1 t 2 , t 2
t1 , t 2 1
Mean dan Kovariansi pada Analisis Spasial Untuk suatu proses stokastikZ ( s ), s L dengan L R, R 2 , R 3 Fungsi Mean: ( s) E Z ( s)
Kovariansi spasial: Cov Z s , Z s h E Z s Z s h E Z s Z s h 2 C h
Var Z s Cov Z s , Z s C 0
Korelasi spasial: h
Cov Z s , Z s h
Var Z s Var Z s h
C h C 0
C h C 0 C 0
Kestasioneran K Kestasioneran i
Deret-waktu D k Z(t) F Z (t1 ), Z (t2 ),..., Z (tn )
Kuat
F Z (t1 k ), Z (t2 k ),..., Z (tn k )
L Lemah h
Intrinsik
Spasial/Geostatistik S i l/G i ik Z(s) F Z ( s1 ), Z ( s2 ), ),...,, Z ( sn ) F Z ( s1 h), Z ( s2 h),..., Z ( sn h)
untuk sebarang n dan k.
untuk sebarang n dan h.
1 F 1. Fungsii mean konstan k t untuk t k semua waktu 2. t , t k 0 ,k untuk semua t a k.. dan
1 E Z ( s) 1.
-
2. Cov Z s , Z s h C h 1. E Z s h Z s 0 1 2. Var Z s h Z s h 2
Var Z s h Z s Var Z s h Var Z s 2Cov Z s h Z s 2 h C 0 C 0 2C h
h C 0 C h
Semivariogram g lag-h
Aplikasi Pemodelan Space Time
Transportasi (Garrido; T (G d 2000, 2000 Kamarianakis K k and d Prastacos; 2005) K i i l i (Liu Kriminologi (Li and dB Brown; 1998) Sosial (Hernandez-Murillo and Owyang; 2004) P Perminyakan i k (Ruchjana; (R hj 2002) Geologi dan Ekologi (Kyriakidis and Journel; 1999) Pertambangan Kedokteran Genetika Pertanian …
Analisis Space Time time 0
1 sN s0
s1 s2
sj
sN-1
…
sN
s0
s1 s2
sj
sN-1
i1 i-1
i sN
s0
s1 s2
sj
sN-1
… sN s0
s1 s2
T
sN-1
sj
“Observasi di suatu lokasi pada satu waktu di dipengaruhi hi oleh l h observasi-observasi b i b i di masa lampau di lokasi tersebut dan juga di lokasi sekitarn a ” sekitarnya.”
Model SpaceSpace-Time STARMA (p,q) :
p
s
q mss
Z(t ) sk W( k )Z(t s ) e(t ) sk W( k )e(t s ) s 1 k 0
STAR (p1) :
2
s 1
s 1
q
q
s 1
s 1
Z(t) e(t) s0e(t s) s1We(t s) )
,..., p
p
Syarat kestasioneran wi(1k )Z1(t ( s ) wi(2k )Z2((t s ) Zi (t ) ei (t ) GSTAR(11) (k) ... w Z (t s ) s 1 k 0 (Nurani, dkk ) iN N p
s
(k) sk
p
s
Zi (t ( ) (skk ) wi(1k )Z1((t s ) wi(2k )Z2(t ( s ) ... wiN( k )ZN ((t s ) STARMAG ( p , ,..., , q m , m 1
2
p
1
s 1 k 0
2
,..., m p
)
q
ms
2006
Model M d l GSTAR(1;1) GSTAR(1 1) untuk galat berkorelasi waktu ((Borovkova, et al.))
2008
Model GSTAR(1;1) untuk galat berkorelasi spasial (Nurhayati)
2002
Di Giacinto
(skk ) wi(1k )e1(t s ) wi(2k )e2(t s ) ... wiN( k )eN (t s ) ei (t ) s 1 k 0
1980
1
p
Z(t) s0 Z(t s) s1WZ(t s) e(t)
STMA (q1) : G STAR (p G-STAR , :
Pfeifer & Deutsch
s 1 k 0
Kestasioneran Model GSTAR dengan IMAk (Mukhaiyar)
2010 2012
Model VAR(1)
Jika banyaknya lokasi adalah N maka vektor observasi z(t) = (z1(t) z2(t) ... zN(t))t yang mengikuti model VAR(1) akan memiliki bentuk: Z ( t ) Z ( t 1) e ( t )
dengan e(t) adalah d d l h vektor kt galat l t acak. k Dengan D menggunakan operator backshift, B j Z(t ) Z(t j ) maka, I B Z(t ) e(t )
Kestasioneran Model VAR(1) Wei (1990, (1990 2006) menuliskan bahwa syarat kestasioneran untuk model VAR(1) adalah jika akar-akar dari B dari |I - B| = g satuan. 0 berada di luar lingkaran Hal ini ekivalen dengan mengatakan bahwa syarat kestasioneran model VAR(1) adalah nilai eigen dari berada di dalam li k lingkaran satuan.
Operator Lag Spasial
Untuk mempermudah dalam mendeteksi lag spasial, diperlukan pendefinisian dari operator lag spasial orde orde-ll (L((l)) ) berikut:
L Z i (t ) Z i (t ) (0)
N
L Z i (t ) wij Z j (t ) (l )
j 1
(l )
(l )
dimana wij merupakan kumpulan bobotbobot yang merupakan elemen dari matriks berukuran yang memenuhi, N
w j 1
ij
(l )
1
Matriks Bobot dan Orde Spasial 0 w W ( wij ) 21 w 11
Sistem radius
w12 w1N 0 w2 N w11 0
1. Matriks Bobot Biner Memiliki nilai 0 dan 1 di elemen selain diagonal utama.
2. Matriks Bobot Uniform 1 , j adalah tetangga i pada orde ke - l (l ) wij ni ( l ) 0 , lainnya 3. Matriks Bobot non-uniform ct. t matriks t ik bobot b b t euclidean lid wij
(l )
1 1 d ij l 0
, j adalah tetangga i pada orde ke - l , lainnya
Lag Spasial - grid
Tetangga Terdekat pada Lag Spasial 1 sampai 5 untuk Lokasi s0 .
Angka-angka g g pada p grid g menunjukkan j orde spasial p titik tersebut yang ditentukan oleh jaraknya terhadap s0. Angka yang semakin kecil menunjukkan posisi yang semakin dekat terhadap s0.
5 4 3 4 5
4 3 4 5 2 1 2 4 1 s0 1 3 2 1 2 4 4 3 4 5
Model STARMA
Misalkan Z(t) merupakan vektor variabel acak dari suatu proses STARMA di berbagai lokasi pada suatu waktu t. Model STARMA(( p ,..., , q m ,...,m ) dinyatakan y dalam: 1
p
1
q
s mr q (k ) (l ) Z(t ) s 0 Z(t s ) sk W Z(t s ) r 0e(t r ) rl W e(t r ) e(t ) s 1 k 1 l 1 r 1 p
dengan Z(t) merupakan vektor pengamatan (N1) dari N lokasi pada waktu t atau (Zi(t) ), W adalah matriks ik bbobot b (N (NN) N) pada d lag l spasial i l l,l t menyatakan waktu pengamatan ,1,2,...,T dan e(t) adalah vektor galat berdistribusi normal. normal
Model STARMA(1;1, STARMA(1;1 1;1) Z(t ) 10 Z(t 1) 11 WZ(t 1) 10 e(t 1) 11 We(t 1) e(t )
Model STAR(1;1)
Model STAR(1;1) yang merupakan kasus khusus dari model STARMA(1;1, 1;1), yaitu tidak melibatkan unsur ggalat di lokasi sekitarnya y (yang (y g terdekat)) ppada waktu sebelumnya, dapat direalisasikan sebagai berikut: s
Z(t ) 10 Z(t 1) 11 WZ (t 1) e(t ) k 1
Model STAR(1;1) ini juga dapat dinyatakan dalam bentuk model VAR (1) yaitu: Z(t ) 10 I 11 W Z(t 1) e(t ) Z (t ) ΦZ (t 1) e(t )
Identifikasi Model Space Time (Pfeifer and Deustch, 1980)
Model space time diidentifikasi melalui fungsi space time autokorelasi (STACF) dan fungsi space time parsial autokorelasi (STPACF). Matriks kovariansi antara lokasi dan waktu :
Γs EZt Zt s '
ˆΓ( s ) Z(t )Z(t s ))' T s t 1 T s
' 1 tr W ( l ) W ( k ) Γ( s ) N
Rata-rata kovariansi space time pd lag-s :
lk ( s )
F Fungsi autokorelasi k l space time (STACF) :
lk ( s)
lk ( s) ll (0) kk (0)1/ 2
… Fungsi parsial autokorelasi space time (STPACF), (STPACF)
:
lk
solusi persamaan Yule Walker : 00 1 00 0 01 0 0 0 00 1 01 1 0 1 1 0 0 0 1 1 1 11 1 10 11 1 10 10 0 1 0 0 1 0 0 0 1 1 1 1 00 2 10 2 1 0 0 2 00 p 10 p p 1 p 2 0 p
10 11 1 p 1 20 21 2 p 2 p 0 p1 0 p
Pola Teoritis STACF dan STPACF
Contoh STACF plots
Spatial Time Autocorrelation Function (ST-ACF)- lag spatial 1
Spatial Time Autocorrelation Function (ST-ACF)- lag spatial 3
0.8
0.8
0.8
0.8
0.6
0.6
0.6
0.6
0.4 0.2 0 -0.2 -0.4
0.4 0.2 0 -0.2 -0.4
S patial T im e A utoc orrrelation
1
S patial T im e A utoc orreelation
1
0.4 0.2 0 -0.2 -0.4
0.4
0.2 0 -0.2 -0.4
-0.6
-0.6
-0.6
-0.6
-0.8
-0.8
-0.8
-0.8
-1
0
2
4
6
8
10 12 Lag time
14
16
18
-1
20
0
2
4
6
8
10 12 Lag time
14
16
18
-1
20
-1
0
2
4
6
8
10 12 Lag time
14
16
18
20
Spatial Time Partial Autocorrelation Function (ST-PACF)- lag spatial 1
Spatial Time Partial Autocorrelation Function (ST-PACF)- lag spatial 2
0.8
0.8
0.8
0.8
0.6
0.6
0.6
0.6
0.2 0 -0.2 -0.4 -0.6
0.4 0.2 0 -0.2 -0.4 -0.6
0.4 0.2 0 -0.2 -0.4 -0.6
-0.8
-0.8
-0.8
-1
-1
-1
2
4
6
8
10 12 Lag time
14
16
18
20
0
2
4
6
8
10 12 Lag time
14
16
18
20
Spatial Tim m e Partial Autocorrelation
1
Spatial Tim m e Partial Autocorrelation
1
Spatial Tim m e Partial Autocorrelation
1
0.4
2
4
6
8
10 12 Lag time
14
16
18
20
Spatial Time Partial Autocorrelation Function (ST-PACF)- lag spatial 3
1
0
0
STPACF plots
Spatial Time Partial Autocorrelation Function (ST-PACF)- lag spatial 0
Spatial Tim m e Partial Autocorrelation
Spatial Time Autocorrelation Function (ST-ACF)- lag spatial 2
1
S patial T im e A utoc orreelation
S patial T im e A utoc orrrelation
Spatial Time Autocorrelation Function (ST-ACF)- lag spatial 0 1
0.4 0.2 0 -0.2 -0.4 -0.6 -0.8
0
2
4
6
8
10 12 Lag time
14
16
18
20
-1
0
2
4
6
8
10 12 Lag time
Model yang mungkin: GSTAR(1;1), ... ???
14
16
18
20
Model GSTAR Model GSTAR Orde waktu = p Orde waktu = p
GSTAR p; 1, 2 ,..., p
Generalized G li d space time autoregressive
Orde spasial = λ1, λ2,…, λp Pengamatan di lokasi i saat t Orde waktu = 1 Orde waktu = 1
GSTAR (1,1) Orde spasial =1 Generalized space time autoregressive
Nilai Zi (t) tergantung nilai satu periode sebelumnya yang j y g terjadi di i dan di lokasi yang langsung terkait dengan i
Model GSTAR(1;1)
Model GSTAR(1;1) untuk setiap lokasi i = 1, 1 2, 2 ..., N dan waktu t dinyatakan oleh: Zi (t ) Zi (t 1) (i ) 10
(i ) 11
N
w Z (t 1) e (t ) j 1
ij
j
i
dan dalam notasi matriks dinyatakan sebagai:
Z(t ) Φ 0 Φ1 W Z(t 1) e(t )
dengan
Z 1 (t ) Z 2 (t ) Z(t ) Z (t ) N
e1 (t ) e2 (t ) e(t ) e (t ) N
0 w21 W w N1
w12 0 wN 2
w1N w2 N 0
dengan
N
(1) (N ) Φ diag , , w 1 dan 1 1 ij
j 1
Proses Z(t) diasumsikan terpusat, yaitu E[Z(t)]=0 E[Z(t)] 0 untuk semua t. t Perhatikan bahwa model STAR(1;1) merupakan k kkasus khusus kh dari d model d l GSTAR(1;1) dengan Φ 0 0 I dan Φ1 1I .
GSTAR orde 1 GSTAR orde Bentuk umum N
Z i (t ) 10 Z i (t 1) 11 wij Z j (t 1) ei (t ) (i )
(i )
j 1
observasi pada waktu t, b i d kt t untuk setiap lokasi‐i
N t i Notasi matriks, dalam bentuk VAR(1) t ik d l b t k VAR(1)
Z(t ) Φ 0 Φ1 W Z(t 1) e(t )
Bentuk VAR (1) kestasioneran model GSTAR(11)
Struktur model liner
Y Xβ ε
P k i K d Penaksir Kuadrat Terkecil βˆ T
kekonsistenan
Kestasioneran GSTAR orde 1
Jika solusi rs memenuhi persamaan, persamaan rs I Φ 0 Φ 1 W 0 terletak di dalam lingkaran satuan ( maka GSTAR(1;1) stasioner. (Wei, 1990, 2006)
rs 1
) ),
Syarat cukup kestasioneran GSTAR(1;1) GSTAR(1;1), jika (i ) (i ) 10( i ) 11( i ) 1
dan
(Ruchjana 2002) (Ruchjana,
10 11 1
Kuadrat Terkecil GSTAR(1 GSTAR(1;1 ;1))
for time t = 1,2,…,T 1 2 T and spatial i = 1,2,…,N 12 N Yi X i i εi
Y1 dan YN
V1 (0) Z1 (1) Z1 (0) V1 (1) Z1 (2) Z1 (1) Z1 (T ) Z1 (T 1) V1 (T 1) Z N (1) 0 0 0 0 Z N (2) 0 0 Z N (T ) N
with Vi (t ) wij Z j (t ) j 1
X1dan d
e1 (1) e1 (2) 01 11 e1 (T ) 02 11 XN Z N (0) Z N (0) 0 N eN (1) Z N (1) Z N (1) 1N eN (2) ( ) Z N (T 1) Z N (T 1) e T N 0 0 0
0 0 0
ε1 dan ε N
Kuadrat Terkecil GSTAR(11) Y Xβ βε Penaksir :
ˆ ( , ,..., , ) ' memenuhi, memenuhi 01 11 0N 1N
X ' X ˆ X 'Y Akibatnya,
ˆ X ' X 1 X ' Y dimana,
X'X
harus non singulir.
Latihan N 3 N=3 Misalkan dipandang produksi perkebunan teh di 3 bulan berturut berturut-turut turut di 3 lokasi sbb:
Produksi (ribu ton) Tahun 1992 Kebun 1 Kebun 2 Kebun 3 J Januari i 275 317 302 Februari 178 252 176 Maret 255 312 260
Misalkan proses mengikuti model GSTAR(1;1). Lakukan penaksiran parameter model dengan metode LS. Gunakan matriks bobot seragam. Catatan: pusatkan data terlebih dahulu.
GSTAR Orde 2 GSTAR Orde 2 Pengamatan di lokasi i saat t Pengamatan di lokasi i saat t Orde waktu = 2
Nilai Zi (t) tergantung nilai dalam dua periode sebelumnya yang terjadi di i dan di lokasi yang langsung terkait dengan i
Model GSTAR(2; 1 , 2 ) Orde spasial untuk lag waktu 2 : λ2 Orde spasial untuk lag waktu 1 : λ1
Generalized space time autoregressive
Lag spasial ((λ1, λ2)
1
2
…
1
GSTAR(2;1,1)
GSTAR(2;1,2)
…
2
GSTAR(2;2,1)
GSTAR(2;2,2)
…
d0
d0 d0
1 2
l
Model GSTAR orde 2 observasi pada waktu t, untuk setiap lokasilokasi-i
GSTAR(2;1,1) N
N
Z i (t ) 10 Z i (t 1) 11 wijj Z j (t 1) 20 Z i (t 2) 21 wijj Z j (t 2) ei (t ) i
i
1
i
i
j 1
1
j 1
GSTAR(2;1,2) N
N
N
Z i (t ) 10 Z i (t 1) 11 wij Z j (t 1) 20 Z i (t 2) 21 wij Z j (t 2) 22 wij Z j (t 2) ei (t ) i
i
1
i
i
j 1
1
i
j 1
2
j 1
GSTAR(2;2,1) N
N
N
Z i (t ) 10 Z i (t 1) 11 wij Z j (t 1) 12 wij Z j (t 1) 20 Z i (t 2) 21 wij Z j (t 2) ei (t ) i
i
1
i
j 1
2
i
i
j 1
1
j 1
GSTAR(2 2 2) GSTAR(2;2,2) N
N
N
N
Z i (t ) 10 Z i (t 1) 11 wij Z j (t 1) 12 wij Z j (t 1) 20 Zi (t 2) 21 wij Z j (t 2) 22 wij Z j (t 2) ei (t ) i
i
j 1
1
i
j 1
2
i
i
j 1
1
i
j 1
2
Model GSTAR orde 2 notasi matriks, dalam bentuk VAR(1)
GSTAR(211)
Z (t ) 10 11W I Z (t 1)
GSTAR(2 ( 12)
Z (t ) 10 11W I Z (t 1)
GSTAR(221)
20 21W Z (t 1) e (t ) 0 Z (t 2) 0
20 21W 22W (2) Z (t 1) e (t ) Z ( t 2) 0 0
Z (t ) 10 11W 12W (2) Z ( t 1) I
GSTAR(222)
Z (t ) 10 11W 12W (2) Z ( t 1) I
20 21W Z (t 1) e (t ) Z ( t 2) 0 0
20 21W 22W (2) Z (t 1) e (t ) Z ( t 2) 0 0
Model GSTAR orde 2 struktur model linier Y Xβ ε Y1 ' X1 0 Y ' 2 0 X2 Y ' 0 N 0 Z1 1 Z1 2 Z1 2 Z1 3 Z1 T Z1 T 1 0 Z N 2 Z N 3 0 Z N T 0
N
w
j 1 N
w
1 ij
j 1
N
w j 1
2 ij
Z1 0
Z j 2
Z1 1
0 0
N
w j 1 N
2 ij
w j 1
0 0
N
w j 1
Z j 0
0
0
0
Z j 1
0
0
0
0
0
2 ij
Z j T 1 Z1 T 2
Z j 1
1 ij
2 ij
0 1 ' ε1 ' 0 2 ' ε 2 ' X N ' ε ' N N
Z j T 2
0
0 0
Z N 1
Z N 2
N
w j 1 N
1 ij
w j 1
1 ij
Z j 1
Z N 0
Z j 1
Z N 1
0
0
0
Z N T 1
N
w j 1
1 ij
Z j 1 Z N T 2
1 10 1 e 2 0 11 1 1 e1 3 20 e1 T 0 1 22 N N 10 1 w Z 1 ij j e 2 j 1 N N N eN 3 1 wij Z j 1 11 j 1 N 20 eN T N 1 wij Z j 1 N j 1 22 0
Kuadrat Terkecil GSTAR(1 GSTAR(1;1 ;1)) Y( NT 1) X ( NT 2 N ) ( 2 N 1) ε ( NT 1) X1 0 X 0
0 X2 0
0 0 X N
X i' M i Z(0) Z(1) Z(T 1) 0 0 M i wi1 wi ,i 1
dapat ditulis, ditulis
X ' M I Z(0) Z(1) Z(T 1) dengan
1 0 0 0 wi ,i 1 wiN M1 0 M 0
M N
0 M2 0
0 0
Y( NT 1) X ( NT 2 N ) ( 2 N 1) ε ( NT 1) Penaksir
:
ˆT (ˆ01 , ˆ11 ,...,ˆ0 N , ˆ1N )' memenuhi, X' Xˆ X' Y T
Akibatnya,
dimana,
X' X ˆT X' ε X' X
harus non singulir. T X X M I Z(t 1)Z(t 1)' M ' t 1 '
T X ε M vec Z(t 1)e(t )' t 1 '
Kuadrat Terkecil GSTAR(2;λ1, λ2)
Y X ε
ˆ ˆ1 ,...,ˆ1 ,ˆ1 ,...,ˆ1 ,...,ˆ N ,...,ˆ N ,ˆ N ,...,ˆ N ' Penaksir β : T 10 11 20 22 10 11 20 22 memenuhi, Akibatnya,
X' XˆT X' Y
X' X ˆT X' ε
dimana, X' X harus non singulir. p ˆ T
Kekonvergenan Penaksir Parameter ? ˆ T
Menyelidiki sifat limit dari
ˆ
T
dapat dilihat dari perilaku: T
T
Z(t 1)Z(t 1)' t 1
dan
Z( t 1) e( t )' t 1
Referensi
Borovkova, S.A., Lopuhaä, H.P., & Nurani, B., Consistency and Asymptotic Normality of Least Squares Estimators in Generalized Space-Time Models, Statistica Neerlandica, 62, pp. 482-508, 2008. Box, G.E.P., Jenkins, G.M. & Reinsel, G., Time Series Analysis, Forecasting and Control 3rd ed., Control, ed Prentice Hall, Hall New Jersey, Jersey 1994. 1994 Mukhaiyar, U. Kestasioneran Model Generalized STAR Melalui Metode Invers Matriks Autokovariansi, PhD Dissertation, Mathematics, Institut Teknologi Bandung, 2012. Mukhaiyar, U. Kekonsistenan Lemah Penaksir Kuadrat Terkecil Model SpaceTime GSTAR(1;1) Melalui Proses Beda Martingale: Studi Kasus pada Produksi Bulanan Perkebunan Teh di Wilayah Jawa Barat, Magister Thesis, Institut Teknologi Bandung, 2007. Pfeifer, P.E., & Deutsch, S.J., A Three-Stage Iterative Approach for Space-Time Modeling, Technometrics, 22(1), pp. 35-47, 1980. Ruchjana, j B.N. Suatu Model Generalisasi Space-Time p Autoregresi g dan penerapannya pada Produksi Minyak Bumi. , PhD Dissertation, Mathematics, Institut Teknologi Bandung, 2002. Wei, W.W.S., Time Series Analysis: Univariate and Multivariate Methods 2nd. Ed Pearson Addison Wesley, Ed., Wesley Boston, Boston 2006. 2006