PENAKSIRAN PARAMETER PADA MODEL REGRESI SPATIAL PANEL DATA SATU ARAH
RIFKI KOSASIH 0305010548
UNIVERSITAS INDONESIA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM DEPARTEMEN MATEMATIKA DEPOK 2009
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
PENAKSIRAN PARAMETER PADA MODEL REGRESI SPATIAL PANEL DATA SATU ARAH
Skripsi diajukan sebagai salah satu syarat untuk memperoleh gelar Sarjana Sains
Oleh: RIFKI KOSASIH 0305010548
DEPOK 2009
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
SKRIPSI
: PENAKSIRAN PARAMETER PADA MODEL REGRESI SPATIAL PANEL DATA SATU ARAH
NAMA
: RIFKI KOSASIH
NPM
: 0305010548
SKRIPSI INI TELAH DIPERIKSA DAN DISETUJUI DEPOK, 29 JUNI 2009
DRA. SITI NURROHMAH, M. SI PEMBIMBING I
Dr. DIAN LESTARI, DEA PEMBIMBING II
Tanggal lulus Ujian Sidang Sarjana: Penguji I
:
Penguji II
:
Penguji III
:
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
KATA PENGANTAR
Puji dan syukur kehadirat Allah SWT atas segala anugrah dan karuniaNya yang terus diberikan kepada penulis sehingga penulis dapat menyelesaikan tugas akhir ini sebagai salah satu syarat untuk memperoleh gelar Sarjana Sains dari Fakultas Matematika dan Ilmu Pengetahuan Alam. Salawat dan salam kepada teladan seluruh umat manusia, Nabi Muhammad SAW, serta para pengikutnya yang istiqomah hingga akhir zaman. Penulis menyadari bahwa masih terdapat kekurangan dalam tugas akhir ini. Penulis mengharapkan saran dan kritik yang membangun dari para pembaca untuk menyempurnakan tugas akhir ini. Penulis mohon maaf atas segala kesalahan dan kekurangan dalam penulisan tugas akhir ini dan penulis berharap semoga tugas akhir ini bermanfaat.
Penulis 2009
i Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
ABSTRAK
Regresi data panel merupakan suatu regresi yang menggabungkan dua jenis data, yaitu data cross section dan data longitudinal. Berdasarkan komponen errornya regresi data panel dibedakan menjadi dua yaitu komponen error satu arah dan dua arah. Pada regresi data panel dibutuhkan beberapa asumsi tentang error yaitu error mempunyai mean nol dan mempunyai variansi konstan (homoskedastis) serta error antar observasi saling bebas. Dalam analisis regresi data panel, pada saat melakukan pengambilan observasi di suatu lokasi sering ditemui bahwa nilai observasi pada suatu lokasi bergantung pada nilai observasi di lokasi disekitarnya atau dengan kata lain ada korelasi spasial antar observasi. Inilah yang disebut dengan spatial dependent. Jika pengaruh spasial ini ada dan tidak dilibatkan dalam model maka asumsi error antar observasi saling bebas tidak terpenuhi. Sehingga model yang diperoleh menjadi kurang baik. Untuk itu dibutuhkan suatu model yang melibatkan pengaruh spasial dalam analisis regresi data panel yang dinamakan spatial panel data model. Dalam tugas akhir ini akan dibahas bagaimana cara menaksir parameter pada model regresi spasial panel satu arah dengan menggunakan metode maksimum likelihood. Kata kunci : regresi data panel, spatial dependent, spatial panel data model, metode maksimum likelihood ix+95 hlm.; lamp.; tab. Bibliografi : 11 (1982 – 2006) iii Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
DAFTAR ISI
Halaman KATA PENGANTAR .............................................................................
i
ABSTRAK .............................................................................................
iii
DAFTAR ISI ..........................................................................................
iv
DAFTAR GAMBAR ...............................................................................
vii
DAFTAR TABEL ...................................................................................
viii
DAFTAR LAMPIRAN ............................................................................
ix
BAB I.
PENDAHULUAN .................................................................
1
1.1 Latar Belakang .............................................................
1
1.2 Perumusan Masalah ....................................................
3
1.3 Tujuan Penulisan ..........................................................
4
1.4 Pembatasan Masalah ...................................................
4
1.5 Sistematika Penulisan ..................................................
4
LANDASAN TEORI .............................................................
6
2.1 Variabel random .......................................................
6
2.2 Metode Maksimum Likelihood...................................
7
2.3 Metode Transformasi Variabel..................................
8
2.4 Kronecker Product ...................................................
9
BAB II.
iv Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
BAB III.
2.5
Diagonalisasi ...........................................................
11
2.6
Regresi Data Panel ………………………..................
12
2.7
Koefisien Determinasi …………………………………
14
2.8
Uji Durbin Watson……………………………………...
15
2.9
Model Spatial Dependen ………………....................
16
2.10 Matriks Bobot Spatial ……………………..................
17
ANALISIS REGRESI SPATIAL PANEL SATU ARAH.........
20
3.1
Model Regresi Spatial Panel Satu Arah .....................
20
3.2
Model Regresi Spatial Lag Panel Satu Arah..............
21
3.2.1 Fungsi Likelihood Model Regresi Spatial Lag
22
Panel Satu Arah……....................................... 3.2.2 Taksiran Parameter Model Regresi Spatial
25
Panel Satu Arah......................................... 3.3
Model Regresi Spatial Panel Error Satu
38
Arah.............. 3.3.1 Fungsi Likelihood Model Regresi Spatial Error
41
Panel Satu Arah.................................................. 3.2.2 Taksiran Parameter Model Regresi Spatial
44
Panel Satu Arah.................................................
BAB IV.
APLIKASI MODEL SPATIAL PANEL..........................
v Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
57
4.1 Scatter Plot Data .....................................................
58
4.2 Penaksiran Parameter Model Regresi Panel Satu
59
Arah……………………………………………………… 4.3 Gray-Scale Map Penjualan Rokok ...............................
60
4.4 Penaksiran Parameter Model Regresi Spasial Panel
61
Satu Arah……………………………………………….. 4.4.1 Model Regresi Spatial Lag Panel Satu Arah….
61
4.4.2 Model Regresi Spasial Error Panel Satu Arah…
62
4.5 Periksa Asumsi ...........................................................
63
4.5.1 Asumsi Mean Sama Dengan Nol……….............
63
4.5.2 Variansi Error Konstan (Homoskedastisitas)......
64
4.5.3 Error berdistribusi normal...................................
65
4.5.4 Error Saling Bebas…………………………………
66
4.6 Kesimpulan …………...................................................
67
PENUTUP ...........................................................................
68
5.1 Kesimpulan ...................................................................
68
5.2 Saran ............................................................................
69
DAFTAR PUSTAKA ..............................................................................
70
LAMPIRAN ............................................................................................
72
BAB V
vi Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
DAFTAR GAMBAR
Gambar
Halaman
1.
Scatter plot antara log harga rokok dan log penjualan rokok……..
58
2.
Scatter plot antara log rata-rata harga rokok dari negara bagian
58
yang bertetanggaan dan log penjualan rokok………..................... 3.
Scatter plot antara pendapatan perkapita dan penjualan rokok....
59
4.
Gray-scale map dari variabel Perjualan Rokok..............................
60
5.
Scatter plot antara nilai prediksi Y terhadap residual spasial lag…
64
6.
Scatter plot antara nilai prediksi Y terhadap residual spasial error.
64
vii Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
DAFTAR TABEL
Tabel
Halaman
1.
Descriptive Statistics Regresi Spatial Lag Panel Satu Arah……
63
2.
Descriptive Statistics Regresi Spatial Error Panel Satu Arah……
63
3.
Uji Normal pada Model Regresi Spatial Lag Panel Satu Arah.....
65
4.
Uji Normal pada Model Regresi Spatial Error Panel Satu Arah......
66
viii Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
DAFTAR LAMPIRAN
Lampiran 1.
Halaman
Pembuktian memaksimumkan L ekivalen dengan
72
memaksimumkan ln L …………………………………………… 2.
N K N N pembuktian it yit wij y jt k xitk wij x jtk i wij j j 1 k 1 j 1 j 1
80
3.
Pembuktian IT ( I N WN )Y * X * * .......................................
81
4.
Pembuktian taksiran untuk ˆ pada model regresi spatial lag panel
82
data satu arah dan model regresi spatial error panel data satu arah adalah unbiased............................................................................... 5.
Data……………………………………………………………................
85
6.
Output Model……...........................................................................
91
7.
Pembentukan matriks pada model regresi spatial lag panel data
93
satu arah.......................................................................................... 8.
Iterasi Newton-Raphson ......................................................
ix Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
94
BAB I PENDAHULUAN
1.1 LATAR BELAKANG
Dalam ilmu statistik jenis data dibagi menjadi dua yaitu data cross section dan data longitudinal. Data cross section merupakan data banyak individu yang dikumpulkan dalam satu waktu. Data cross section ini biasanya digunakan pada model regresi linear. Untuk memperoleh model regresi linear yang baik dibutuhkan beberapa asumsi tentang error yaitu error berdistribusi normal dengan mean nol dan mempunyai variansi konstan ( homoskedastis ) serta error antar observasi saling bebas. Sedangkan data longitudinal adalah data yang dikumpulkan dari waktu ke waktu terhadap satu individu. Sama halnya dengan model regresi pada data cross section, pada model regresi data longitudinal juga diperlukan asumsi tentang error yaitu error mempunyai mean nol dan mempunyai variansi konstan (homoskedastis). Ada kalanya seorang peneliti dalam analisisnya menggunakan data yang merupakan gabungan dari data longitudinal dan data cross section. Untuk mengatasi hal tersebut maka akan digunakan regresi data panel. Regresi data panel merupakan suatu regresi yang menggabungkan dua jenis data, yaitu data cross section dan data longitudinal. Jenis data panel dibagi menjadi dua yaitu data panel lengkap dan data panel tidak
1 Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
2
lengkap. Data panel lengkap adalah data dimana setiap individu terobservasi pada kurun waktu yang sama. Sedangkan data panel tidak lengkap adalah data dimana setiap individu yang terobservasi berada pada kurun waktu yang berbeda-beda. Berdasarkan komponen errornya model regresi data panel dibagi menjadi dua yaitu komponen error satu arah dan komponen error dua arah. Selanjutnya berdasarkan asumsi yang digunakan pada model regresi komponen error dibagi menjadi dua yaitu fixed effect dan random effect. Pada fixed effect diasumsikan bahwa komponen errornya merupakan parameter tetap. Sedangkan pada random effect diasumsikan bahwa komponen errornya merupakan variabel random. Karena data panel merupakan gabungan dari data cross section dan data longitudinal maka pada regresi data panel tersebut dibutuhkan juga beberapa asumsi tentang error yaitu error mempunyai mean nol dan mempunyai variansi konstan ( homoskedastis ) serta error antar observasi saling bebas. Dalam analisis regresi data panel, pada saat melakukan pengambilan observasi di suatu lokasi sering ditemui bahwa nilai observasi pada suatu lokasi bergantung pada nilai observasi di lokasi disekitarnya atau dengan kata lain ada korelasi spasial antar observasi. Inilah yang disebut dengan spasial dependen. Model spasial dependen dibagi menjadi dua, yaitu model yang memperhatikan dependensi variabel dependen antar lokasi disebut model
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
3
spasial lag dan model yang memperhatikan dependensi error antar lokasi disebut dengan model spasial error. Jika pengaruh spasial ini ada dan tidak dilibatkan dalam model maka asumsi error antar observasi saling bebas tidak terpenuhi. Sehingga model yang di peroleh menjadi kurang baik. Untuk itu dibutuhkan suatu model yang melibatkan pengaruh spasial dalam analisis data panel yang dinamakan spatial panel data model. Karena regresi data panel yang melibatkan pengaruh spasial dependen ini merupakan gabungan dari data cross section dan longitudinal maka model akan mempunyai observasi yang lebih banyak dibandingkan dengan data cross section atau longitudinal saja. Karena observasinya lebih banyak maka panel data ini akan lebih banyak memberikan informasi dan akan meningkatkan ketelitian hasil estimasi. Akan tetapi karena observasinya lebih banyak maka persamaan modelnya akan menjadi lebih kompleks. Oleh karena itu diperlukan teknik tersendiri dalam menaksir parameter dari model yang menggunakan data panel yang melibatkan pengaruh spasial dependen baik itu spasial lag maupun spasial error. Untuk itu pada tugas akhir ini akan dibahas penaksiran parameter pada regresi data panel yang melibatkan pengaruh spasial dependen baik itu spasial lag maupun spasial error dengan komponen error satu arah.
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
4
1.2 PERUMUSAN MASALAH
Bagaimana cara mengestimasi parameter pada model data panel yang melibatkan pengaruh spatial dependent baik spasial lag maupun spasial error dengan komponen error satu arah.
1.3 TUJUAN
Tujuan dari penulisan tugas akhir ini adalah membahas penaksiran parameter pada model regresi data panel yang melibatkan pengaruh spasial dependen baik itu spasial lag maupun spasial error dengan komponen error satu arah.
1.4 PEMBATASAN MASALAH
Pada tugas akhir ini model yang akan dibahas adalah model data panel dengan efek tetap yang melibatkan pengaruh spatial dependen baik itu spasial lag maupun spasial error dengan komponen error satu arah. Metode penaksiran yang digunakan adalah metode maksimum likelihood.
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
5
1.5 SISTEMATIKA PENULISAN
Sistematika penulisan tugas akhir ini, dibagi menjadi lima bab, yaitu : Bab I membahas mengenai latar belakang, perumusan masalah, tujuan penulisan, pembatasan masalah dan sistematika penulisan. Bab II membahas teori-teori dasar yang akan digunakan dalam analisis model regresi spatial panel data satu arah. Diantaranya adalah teori mengenai peubah acak, metode transformasi variabel, metode maksimum likelihood, kronecker product, data panel dan spasial dependen. Bab III membahas analisis model regresi spasial panel data satu arah yaitu model regresi spasial lag panel satu arah dan model regresi spasial error panel satu arah, metode penaksiran parameter dan penjelasan tentang spatial weight matrices. Bab IV membahas aplikasi dari model regresi spasial panel data satu arah. Bab V berisi kesimpulan dan saran.
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
BAB II LANDASAN TEORI
Pada bab ini akan dijelaskan teori-teori dasar yang akan digunakan dalam analisis mode regresi spatial panel data, diantaranya adalah teori mengenai peubah acak, metode transformasi variabel, kronecker product, data panel, spatial dependen.
2.1 VARIABEL RANDOM
Misalkan terdapat suatu percobaan random pelemparan sebuah koin dengan kemungkinan hasil yaitu gambar atau angka. Maka ruang sampel dari percobaan ini adalah C = {c; c adalah gambar atau c adalah angka}. Misalkan X adalah suatu fungsi sedemikian sehingga X(c) = 0 jika c adalah gambar dan X(c) = 1 jika c adalah angka, maka X merupakan sebuah fungsi yang memetakan elemen-elemen himpunan ruang sampel C ke himpunan bilangan real A = {0,1}. Dalam hal ini fungsi X disebut variabel random dengan ruang sampel C . Definisi 1 Misalkan terdapat suatu percobaan random dengan ruang sampel C. Jika terdapat suatu fungsi X yang memetakan setiap elemen c di C ke satu dan hanya satu bilangan riil x yaitu X(c) = x. Maka X disebut dengan variabel
6 Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
7
random. Domain dari X adalah C dan range dari X adalah himpunan bilangan A = { x | x = X(c), c C }. Definisi 2 Misalkan variabel random X dengan ruang sampel A yang merupakan himpunan bilangan real. Jika fungsi f memenuhi sifat sifat berikut: 1.
f ( x) 0 x A
2.
3.
Jika A A maka berlaku P ( A ) Pr(X A) = f ( x)dx
A
f ( x ) dx 1
A
Maka X disebut variabel random Kontinu dan f(x) disebut probability density function (p.d.f) dari X.
2.2 METODE MAKSIMUM LIKELIHOOD
Metode maksimum likelihood digunakan untuk melakukan penaksiran titik dari suatu parameter dalam suatu fungsi probabilitas. Definisi 3 Misalkan X1,…,Xn adalah sample acak dari sebuah distribusi dengan p.d.f. f ( x; ), dengan Ω adalah ruang parameter. Fungsi likelihood didefinisikan sebagai p.d.f bersama dari X1,…,Xn : L ; x1 , x2 ,..., xn f ; x1 , x2 ,..., xn L ; x1 , x2 ,..., xn f x1 , f x2 , ... f xn , ,
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
8
Metode maksimum likelihood untuk mencari taksiran parameter diperoleh dengan memaksimum fungsi likelihood dimana taksiran disebut
. Selanjutnya disebut taksiran maksimum likelihood dari . Selain memaksimumkan fungsi likelihood, untuk menaksir parameter dapat diperoleh dengan memaksimumkan fungsi log-likelihood yaitu ln L( ) atau biasa disebut . Hal tersebut dapat dibuktikan pada lampiran 1 dalam tugas akhir ini. Nilai yang memaksimumkan fungsi log-likelihood diperoleh dengan mencari solusi persamaan berikut ini :
0
2.3 METODE TRANSFORMASI VARIABEL
Metode transformasi variabel digunakan untuk menentukan distribusi dari suatu peubah acak yang merupakan fungsi satu-satu dari peubah acak lainnya yang distribusinya diketahui. Definisi 4 Misalkan X1,…,Xn adalah peubah acak kontinu dengan p.d.f bersama h X 1 , X 2 ,..., X n . A adalah ruang berdimensi n dari peubah acak X.
Jika y1 u1 x1 , x2 ,..., xn , y2 u2 x1 , x2 ,..., xn ,..., yn un x1 , x2 ,..., xn didefinisikan sebagai suatu fungsi satu – satu yang memetakan x1 , x2 ,..., xn dari ruang A
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
9
ke y1 , y2 ,..., yn pada ruang B dan x1 w1 ( y1 , y2 ,..., yn ) , x2 w2 ( y1 , y2 ,..., yn ),..., xn wn ( y1 , y2 ,..., yn ) merupakan fungsi inversnya, Dan jacobian transformasi dari ruang A berdimensi n ke suatu ruang B berdimensi n didefinisikan sebagai berikut : x1 y 1 x2 y 1 J det xn y1
xn yn xn yn xn yn
maka p.d.f bersama dari peubah acak
Y1 u1 x1 , x2 ,..., xn , Y2 u2 x1 , x2 ,..., xn ,..., Yn un x1 , x2 ,..., xn
adalah : g y1 , y2 ,..., yn h w1 ( y1 , y2 ,..., yn ),..., wn ( y1 , y2 ,..., yn ) J
=0
, y1 , y2 ,..., yn B , lainnya
2.4 KRONECKER PRODUCT
Misalkan A adalah matriks berukuran N×N dan B adalah matriks berukuran T×T. maka matriks A B berukuran NT×NT.
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
10
Contoh : Misalkan A adalah matriks berukuran 2×2 dan B adalah matriks berukuran 2×2 yaitu : a11 A a21
a12 a22
b11 b12 B b21 b22
b11 b12 b11 b12 a11 a12 b21 b22 b21 b22 Maka: A B b b b b a21 11 12 a22 11 12 b21 b22 b21 b22 a11b11 a11b21 a21b11 a b 21 21
a11b12
a12b11
a11b22
a12b21
a21b12
a22b11
a21b22
a22b21
a12b12 a12b22 a22b12 a22b22
Sifat-Sifat Kronecker product 1. A B C A B A C 2.
A B C A C B C
3.
kA B A kB k A B
4.
A B C A B C
dimana A, B and C adalah matriks dan k adalah scalar. Definisi 5 Misalkan A dan B adalah suatu matriks bujur sangkar yang berukuran n×n dan q×q. Jika λ1, ..., λn adalah nilai eigen dari A dan µ1, ..., µq adalah nilai eigen dari B maka nilai eigen dari A B adalah :
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
11
i j ,
i 1,..., n ,
j 1,..., q
Selanjutnya jika ingin mencari trace dan determinant dari A B adalah : tr A B trAtrB q
det A B det A det B
n
2.5 DIAGONALISASI
Definisi 6 Suatu matriks bujur sangkar A yang mempunyai nilai eigen
1 , 2 ,..., n ,dikatakan dapat didiagonalkan jika ada suatu matriks P sedemikian sehingga P 1 AP adalah suatu matriks diagonal (D). Jadi
D = P 1 AP
Jika terdapat suatu matriks bujur sangkar A yang mempunyai nilai eigen 1 , 2 ,..., n , maka determinan dari matriks A merupakan perkalian dari nilai-nilai eigennya. Bukti : A = PDP 1 Maka :
det A det PDP 1
det P det D det P 1
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
12
det P det D
1 det P
det D
i i
Misalkan I N adalah matriks identitas berukuran N N dan A suatu matriks bujur sangkar berukuran N N dan mempunyai nilai eigen
1 , 2 ,..., n . Maka nilai eigen dari matriks I N A adalah 1 Bukti : Karena A suatu matriks bujur sangkar berukuran N N dan mempunyai nilai eigen 1 , 2 ,..., n maka : Ax x x Ax x x
I N A x 1 x Sehingga dari atas didapat bahwa nilai eigen dari matriks I N A adalah1
2.6 REGRESI DATA PANEL
Regresi data panel merupakan suatu regresi yang menggunakan dua jenis data, yaitu data cross section dan data longitudinal. Dimana data cross section merupakan data banyak individu yang dikumpulkan dalam satu waktu. Sedangkan data longitudinal adalah data yang dikumpulkan dari
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
13
waktu ke waktu terhadap satu individu. Jadi data panel merupakan data beberapa individu yang dikumpulkan dari waktu ke waktu. a) Jenis Data Panel dibagi menjadi dua : •
Data panel lengkap : Data dimana setiap individu terobservasi pada kurun waktu yang sama.
•
Data panel tidak lengkap : Data dimana setiap individu yang terobservasi berada pada kurun waktu yang berbeda-beda. Model Regresi Data Panel
yit xit uit
i = 1, … , N t = 1, … , T
yit
= Variabel dependen untuk individu ke-i waktu ke-t
xit
= Variabel independen untuk individu ke-i waktu ke-t
it
= Error individu ke-i waktu ke-t
b) Jenis Model Regresi Data Panel Berdasarkan Komponen Error •
Model Regresi Komponen Error Satu Arah uit i + it
i = 1, … , N ; t = 1, …, T
Model Regresi Komponen Error Dua Arah uit i t it
i = 1, … , N ; t = 1, …, T
i merupakan pengaruh individu ke-i yang tidak terobservasi
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
14
t merupakan pengaruh waktu ke-t yang tidak terobsevasi it merupakan pengaruh yang benar-benar tidak diketahui c) Berdasarkan Asumsi yang digunakan pada Model Regresi Panel. Model regresi panel dibagi dua : •
Fixed Effect Model : dimana i diasumsikan merupakan parameter tetap.
•
Random Effect Model
dimana : i ~N 0, 2
it ~N 0, 2
Pada regresi data panel tersebut dibutuhkan beberapa asumsi tentang error yaitu error berdistribusi normal dengan mean nol dan mempunyai variansi konstan ( homoskedastis ) serta error antar observasi saling bebas.
2.7 KOEFISIEN DETERMINASI (R2)
Koefisien determinasi (R2) merupakan proporsi variasi dari peubah terikat yang dapat dijelaskan oleh peubah bebas melalui model regresi linier. Nilai koefisien determinasi berada di antara nol dan satu, 0 R2 1. Angka tersebut dapat mengukur seberapa dekat garis regresi yang terestimasi dengan data sesungguhnya. Semakin besar nilai R2, maka semakin baik model regresi linier yang terbentuk. Secara statistik, interpretasi dari koefisien determinasi (R2) adalah sekitar (R2 x 100%) variasi dari sampel pada peubah terikat dapat dijelaskan
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
15
oleh peubah-peubah bebas untuk memprediksi peubah terikat dalam model regresi garis linier.
2.8 UJI DURBIN-WATSON
Uji Durbin-Watson digunakan untuk mendeteksi apakah terdapat korelasi antar-residual.
Hipotesis:
H0: Tidak ada korelasi antar-residual H1: Terdapat korelasi antar-residual n
(ˆ ˆ t
Statistik uji DW:
d t 2
t 1
)2
n 2 t
ˆ t 1
dengan n adalah jumlah pengamatan dan (ˆt ˆt 1 ) menyatakan selisih antara residual yang berurutan. Dengan menjabarkan persamaan di atas, maka diperoleh n
n 2 t
ˆ
d t n 2
ˆt2 t 1
n 2 t 1
ˆ
t n2
ˆt2 t 1
n
2 ˆt ˆt 1
t 2 n
2 ˆt ˆt 1 2
ˆt2
t 2 n
.
ˆt2
t 1
t 1
n
Jika antar-residual tidak berkorelasi maka
ˆ ˆ
t t 1
0 , sehingga nilai
t 2
statistik uji d 2 . Jika antar-residual sangat berkorelasi positif maka n
n
ˆt ˆt 1 ˆt2 , sehingga nilai statistik uji d 0 . Jika antar-residual
t 2
t 2
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
16
n
sangat berkorelasi negatif maka
n
ˆ2 t 1 t , sehingga nilai
ˆ ˆ t
t 2
t 2
statistik uji d 4 .
2.9 MODEL SPASIAL DEPENDEN
Misalkan diamati variabel Z pada suatu lokasi, data spasial dependen adalah data dimana observasi pada lokasi i ,dinotasikan dengan Zi, dipengaruhi oleh observasi pada lokasi j , dinotasikan dengan Zj, dimana lokasi j merupakan suatu lokasi yang terletak disekitar lokasi i. dengan i ≠ j. Dengan perkataan lain, Zi = f ( Zj )
i = 1,...,n
Terdapat dua jenis spasial dependen yaitu spasial lag dan spasial error. A. Spasial lag Spasial lag ini muncul saat nilai observasi variabel dependen pada suatu lokasi berkorelasi dengan nilai observasi variabel dependen di lokasi sekitarnya atau dengan perkataan lain terdapat korelasi spasial antar variabel dependen. Pada model ini terdapat fungsi dari variabel dependen pada lokasi j yang digunakan sebagai variabel bebas untuk memprediksi nilai dari variabel dependen pada lokasi i.
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
17
Anselin (1988) memberikan definisi model umum regresi spatial lag : N
K
yi wij y j k xik i j 1
k 1
i ~ N (0, 2 ) B. Spasial Error Spasial error ini muncul saat nilai error pada suatu lokasi berkorelasi dengan nilai error di lokasi sekitarnya atau dengan perkataan lain terdapat korelasi spasial antar error. Pada model spasial error, bentuk error pada suatu lokasi i merupakan fungsi dari error pada lokasi j. ( j merupakan suatu lokasi yang terletak disekitar lokasi i ). Anselin (1988) memberikan definisi model umum regresi spatial error : K
N
yi xik k ui , k 1
ui wij u j i j 1
i ~ N (0, 2 )
2.10 MATRIKS BOBOT SPASIAL
Spatial weight matrices WN adalah matrices berukuran N N yang menyatakan hubungan antara observasi spasial dependen. wij adalah elemen
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
18
dari matriks WN pada baris ke-i dan kolom ke-j dengan wij > 0 untuk j = 1, 2, …, N. dimana j merupakan lokasi di sekitar observasi i. Selanjutnya akan dijelaskan jenis – jenis Spatial weight matrices 1. Contiguity weight 1.1. Rook Contiguity Didefinisikan : wij = 1 jika lokasi i dan j mempunyai common edge wij = 0 jika lainnya
1.2. Bishop Contiguity Didefinisikan : wij = 1 jika lokasi i dan j mempunyai common vertecs wij = 0 jika lainnya
1.3. Queen Contiguity Didefinisikan : wij = 1 jika lokasi i dan j mempunyai common edge atau
common vertecs wij = 0 jika lainnya
2. Distance weight Bobot dari matriks dapat dipandang sebagai fungsi jarak. Logikanya, jika suatu lokasi berdekatan maka karakteristik dari lokasi tersebut cenderung similar dan semakin jauh jaraknya maka
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
19
karakteristik dari lokasi tersebut akan semakin bervariasi. Hal inilah yang menjadi dasar pemikiran dari bobot matriks sebagai fungsi jarak. Semakin dekat lokasi observasi maka bobot yang diberikan semakin besar. Berikut akan dibahas beberapa matriks berdasarkan jarak : Invers jarak ( Inverse distance ) Didefinisikan :
wij
1 jika dij D dij
wij 0 jika dij D
Dimana : dij adalah jarak dari lokasi i dengan lokasi j biasanya
dinyatakan dalam jarak antar centroid di R2 D adalah suatu limit jarak yang ditentukan. Tidak ada teori yang menjelaskan pemilihan matriks bobot spasial yang akan digunakan dalam model spasial dependen. Namun para peneliti biasanya menggunakan queen contiguity.
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
BAB III ANALISIS REGRESI SPATIAL PANEL SATU ARAH
3.1 MODEL REGRESI SPATIAL PANEL SATU ARAH
Regresi data panel merupakan suatu regresi yang menggunakan dua jenis data, yaitu data cross section dan data longitudinal. Dimana data cross section merupakan data banyak individu yang dikumpulkan dalam satu waktu. Sedangkan data longitudinal adalah data yang dikumpulkan dari waktu ke waktu terhadap satu individu. Pada regresi data panel tersebut dibutuhkan beberapa asumsi tentang error yaitu error mempunyai mean nol dan mempunyai variansi konstan (homoskedastis) serta error antar observasi saling bebas. Dalam analisis regresi data panel, pada saat melakukan pengambilan observasi di suatu lokasi sering ditemui bahwa nilai observasi pada suatu lokasi bergantung pada nilai observasi di lokasi disekitarnya atau dengan kata lain ada korelasi spasial antar observasi. Inilah yang disebut dengan spatial dependen. Model spasial dependen dibagi menjadi dua, yaitu model yang memperhatikan dependensi variabel dependen antar lokasi disebut model spasial lag dan model yang memperhatikan dependensi error antar lokasi disebut dengan model spasial error.Untuk itu dibutuhkan suatu model yang melibatkan aspek lokasi dalam analisis regresi data panel.
20 Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
21
Pada bab ini akan dibahas regresi data panel yang lengkap yang melibatkan pengaruh spasial dependen baik itu spasial lag ataupun spasial error dengan menggunakan effect tetap (fixed effect). Pada model regresi spatial panel lengkap satu arah ini diasumsikan bahwa matriks bobot spasial WN konstan setiap waktu.
3.2 MODEL REGRESI SPASIAL LAG PANEL SATU ARAH
Pada model regresi spasial lag panel satu arah ini diasumsikan bahwa spatial specific effect (komponen error satu arah ) adalah fixed (tetap). Model umum spasial panel lag individual pada lokasi i dinyatakan pada N
K
persamaan berikut : yit wij y jt k xitk i it j 1
(3.1)
k 1
Yang dijabarkan sebagai berikut ini : y11 w11 y11 w12 y 21 ... w1 N y N 1 x111 1 x112 2 ... x11K K 1 11 y 21 w21 y11 w22 y 21 ... w2 N y N 1 x 211 1 x212 2 ... x21 K K 2 21 y N 1 w N 1 y11 w N 2 y 21 ... w NN y N 1 x N 11 1 x N 12 2 ... x N 1 K K N N 1 y12 w11 y12 w12 y 22 ... w1 N y N 2 x121 1 x122 2 ... x12 K K 1 12 y 22 w21 y12 w22 y 22 ... w2 N y N 2 x221 1 x 222 2 ... x 22 K K 2 22 y N 2 w N 1 y12 w N 2 y 22 ... wNN y N 2 x N 21 1 x N 22 2 ... x N 2 K K N N 2 y1T w11 y1T w12 y 2 T ... w1 N y NT x1T 1 1 x1T 2 2 ...x1TK K 1 1T y 2 T w21 y1T w22 y 2T ... w2 N y NT x 2 T 1 1 x 2T 2 2 ... x 2TK K 2 2 T y NT w N 1 y1T w N 2 y 2T ... w NN y NT x NT 1 1 x NT 2 2 ...x NTK K N NT
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
22
Atau dinyatakan dalam notasi matrix : Y WNT Y X T I N
(3.2)
Dimana : Y
= vektor variabel dependen berukuran NT 1
X
= matriks variabel independen berukuran NT k
= vektor error berukuran NT 1 yang independen dan berdistribusi identik dengan mean nol dan matrik kovariansi
2 I NT . β
= vektor parameter yang berukuran k 1
= koeffisien spasial lag
= Spatial specific effect berukuran N × 1
WN
= matriks bobot spasial berukuran N N diketahui.
T
= vektor berukuran T × 1 yang setiap entrinya berisi 1. Jika koeffisien spasial lag = 0 maka model umum fixed effect
spatial panel lag modelnya menjadi model data panel yaitu : Yit =i X it it
i = 1,…, N t = 1,…, T
3.2.1 Fungsi Likelihood Model Regresi Spasial Lag Panel Satu Arah
Penaksiran parameter pada model regresi spatial lag panel satu arah dilakukan dengan menggunakan metode maksimum likelihood. Metode ini
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
23
digunakan untuk mendapatkan statistik yang memaksimumkan fungsi likelihood. Selanjutnya akan dibahas fungsi likelihood dari model regresi spatial panel lag satu arah. Fungsi likelihood dari variabel dependen Y adalah 2 N T N K yit wij y jt k xitk i | IT (I N WN ) | i 1 t 1 j 1 k 1 2 L(, , , , y11..., yNT ) exp NT 2 2 2 2 (2 ) (3.3)
Bukti : Pada model spasial lag diasumsikan
~ N (0, 2 I NT ) . Sehingga berdasarkan
asumsi ini it ~ N (0, 2 ) dimana adalah it error pada lokasi i dan waktu ke t . P.d.f. dari it : it 2 f ( it ) exp 2 1 2 2 2 (2 ) 1
it
i = 1 ,…, N t = 1 ,…, T P.d.f. bersama dari n peubah acak 11 , 21..., NT adalah : f (11 , 21..., NT ) f (11 ) f ( 21 )... f ( NT )
it 2 it 2 it 2 1 1 1 exp 2 exp 2 ... exp 2 1 1 1 2 2 2 2 2 2 (2 ) 2 (2 ) 2 2 (2 )
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
24
N T 2 it 1 = exp i 1 t 1 2 NT 2 2 2 (2 )
1 ' exp 2 NT 2 2 2 (2 ) P.d.f. bersama dari variabel dependen Y diperoleh dengan metode transformasi variabel yang memetakan ruang berdimensi NT ke sebuah ruang Y berdimensi NT. Y WNT Y X T I N
Y WNT Y X T I N I NT Y WNT Y X T I N ( IT I N )Y ( IT WN )Y X T I N ( IT I N )Y ( IT WN )Y X T I N ( IT ( I N WN ))Y X T I N Atau bisa ditulis dalan persamaan : N
K
it yit wij y jt k xitk i j 1
k 1
Jacobian dari transformasi ini adalah
= IT ( I N WN ) yang Y
menyatakan determinan dari matriks IT ( I N WN ) yang berukuran N T .
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
25
Sehingga diperoleh p.d.f bersama dari peubah acak y11 , y21..., yNT adalah : f ( y11 , y21 ,..., y NT ) f (11 ) f ( 21 )... f ( NT ) J N T 2 it 1 = exp i 1 t 1 2 NT 2 2 2 (2 )
IT ( I N W N )
N T 2 I (I W ) it T N N exp i 1 t 1 2 = NT 2 (2 2 ) 2 N K N T ( y w y k xitk i ) 2 it ij jt I ( I N WN ) i 1 t 1 j 1 k 1 = T exp NT 2 2 (2 2 ) 2
Fungsi likelihood dari variabel dependen Y adalah :
L ( , , , 2 , y11..., y NT ) f ( y11 , y21 ,... y NT ) N K N T ( y w y k xitk i )2 it ij jt | I (I N WN ) | i 1 t 1 j 1 k 1 L(, , , 2 , y11..., yNT ) T exp NT 2 2 (2 2 ) 2
3.2.2 Taksiran Parameter Model Regresi Spasial Lag Panel Satu Arah
Taksiran parameter untuk model regresi spasial lag panel satu arah diperoleh dengan cara memaksimumkan fungsi likelihood yang ekuivalen dengan memaksimumkan logaritma dari fungsi likelihood pada persamaan
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
26
diatas. Logaritma dari fungsi likelihood dari variabel dependen Y dapat ditulis sebagai berikut : LnL LnL( , , 2 , y11..., y NT ) N K N T ( y w y k xitk i )2 it ij jt I ( I N WN ) i 1 t 1 j 1 k 1 Ln T exp NT 2 2 (2 2 ) 2
N
NT Ln(2 2 ) Ln IT ( I N WN ) 2
T
N
K
( yit wij y jt k xitk i )2 i 1 t 1
j 1
k 1
2
2
Berdasarkan definisi 5 maka :
IT ( I N WN ) IT
N
T
( I N WN ) ( I N WN )
T
Sehingga : N
LnL
NT Ln(2 2 ) TLn ( I N WN ) 2
T
N
K
( yit wij y jt k xitk i )2 i 1 t 1
j 1
k 1
2
2
(3.4) Taksiran untuk , 2 , , diperoleh dengan cara memaksimumkan fungsi log likelihood pada persamaan diatas secara simultan yaitu :
LnL 0
LnL 0
LnL 0 2
LnL 0
Taksiran untuk adalah :
i
N K 1 T ( y w y k xitk ) it ij jt T t 1 j 1 k 1
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
(3.5)
27
Bukti : Nilai exstrem untuk µ diperoleh dengan :
LnL 0 N T N K ( y w y k xitk i )2 it ij jt NT j 1 k 1 Ln(2 2 ) TLn ( I N WN ) i 1 t 1 2 2 2 LnL i i
N K N T 2 ( y w y it ij jt k xitk i ) j 1 k 1 i 1 t 1 2 2 NT Ln(2 2 ) TLn ( I W ) LnL 2 N N i i i i
Perhatikan fungsi log likelihood diatas. Hanya suku terakhir yang merupakan fungsi parameter µ, sehingga suku-suku sebelumnya dianggap sebagai konstanta. Nilai maksimum log likelihood pada persamaan diatas dapat dicapai ketika suku terakhir dari fungsi likelihood tersebut bernilai minimum sehingga : T
LnL 2 i 2 2
N
t 1
j 1
T
N
(y
it
t 1
T it
t 1
k 1
K
wij y jt k xitk i ) 0 j 1
T
y
K
( yit wij y jt k xitk i ) 0
N
k 1
T
K
T
wij y jt xitk k i 0 t 1 j 1
t 1 k 1
t 1
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
28
T
T
T
y i
t 1
N
T
K
it wij y jt xitk k
t 1
t 1 j 1
T
T
t 1 k 1
N
T
K
T i yit wij y jt xitk k t 1
t 1 j 1
t 1 k 1
i
T N T K 1 T yit wij y jt xitk k T t 1 t 1 j 1 t 1 k 1
ˆ i
N K 1 T ( y w y xitk k ) it ij jt T t 1 j 1 k 1
Taksiran untuk 2 adalah :
ˆ
2
Y
*
ˆ( IT WN )Y * X *ˆ ' Y * ˆ( IT WN )Y * X *ˆ NT
(3.6)
Bukti : Nilai exstrem untuk 2 diperoleh dengan : LnL 0 2 N T N K ( y w y k xitk i )2 it ij jt NT j 1 k 1 Ln(2 2 ) TLn (I N WN ) i 1 t 1 2 2 2 LnL 2 2 N
NT 2 2
N
K
( yit wij y jt k xitk i )2
N
NT 2 2
T
i 1 t 1
j 1
k 1
2 2
2( ) T
N
K
2 it wij y jt k xitk i )
( y i 1 t 1
=0
j 1
k 1
2( 2 )2
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
29
N
T
N
K
( yit wij y jt k xitk i ) 2 ˆ 2
i 1 t 1
j 1
k 1
NT
untuk memudahkan mencari penaksir ˆ 2 akan disubstitusikan ˆ i yang sudah didapatkan kedalam persamaan diatas sehingga : N
T
N
K
N K 1 T ( y w y k xitk )) 2 it ij jt T t 1 j 1 k 1 NT
( yit wij y jt k xitk ˆ 2
i 1 t 1
j 1
k 1
2
N K 1 T 1 T N 1 T y y w y w y x x it T it ij jt T ij jt k itk T itk i 1 t 1 t 1 j 1 t 1 j 1 t 1 k 1 2 ˆ NT N
T
1 T x xitk xitk T t 1
1 T Misalkan : y yit yit T t 1
* itk
* it
N K * * * yit wij y jt k xitk i 1 t 1 j 1 k 1 ˆ 2 NT N
T
N
T
2
* 2
it
ˆ 2
i 1 t 1
NT N
Atau dalam bentuk matriks dapat ditulis
T
2
= ' *
*
it
i 1 t 1
' *
ˆ
2
*
NT
Dimana :
* Y * WNT Y * X *
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
*
.
30
* Y * ( IT WN )Y * X * Y * QY
X * QX
( IT WN )Y * Q ( IT WN )Y
Dengan :
1 Q I NT T T ' I N T Sehingga :
ˆ
2
Y
*
( IT WN )Y * X * ' Y * ( IT WN )Y * X *
NT
Taksiran untuk β adalah :
ˆ
1
1
X ' X X 'Y X ' X X ' (I *
*
*
*
*
*
*
T
WN )Y *
Dimana : Y * QY
X * QX
( IT WN )Y * Q ( IT WN )Y
Dengan :
1 Q I NT T T ' I N T Sehingga : 1 1 ˆ X ' Q ' QX X ' Q ' QY X ' Q ' QX X ' Q ' Q ( I T WN )Y
Bukti : Nilai exstrem untuk β diperoleh dengan:
LnL 0
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
(3.7)
31
N T N K ( y w y k xitk i ) 2 it ij jt NT j 1 k 1 Ln (2 2 ) TLn ( I N W N ) i 1 t 1 2 2 2 LnL
(3.8) Setelah itu untuk memudahkan mencari penaksir maka akan disubstitusikan ˆ i yang sudah didapatkan kedalam fungsi log likelihood pada persamaan 3.4 sehingga : N T
N K N K 1T 2 ( y w y x ( y w y it ij jt k itk it ij jt k xitk )) T t1 NT i1 t1 j1 k1 j1 k1 LnL Ln(22) TLn (IN WN) 2 2 2 2
K 1 T 1 T N 1 T N y y wy wy it it ij jt ij jt k xitk xitk T T NT i 1 t 1 t 1 j 1 t 1 j 1 k1 T t1 LnL Ln(22)TLn (IN WN) 2 2 2 N T
2
1 T N 1T K 1 T yit yit wij yjt yjt k xitk xitk T t1 j1 T t1 k1 T t1 NT i1 t1 LnL Ln(22) TLn (IN WN) 2 2 2 N T
Misalkan :
yit* yit
1 T yit T t 1
* xitk xitk
1 T xitk T t 1
Maka : 2
N K * * * y w y k xitk it ij jt NT i 1 t 1 j 1 k 1 2 LnL Ln(2 ) TLn ( I N WN ) 2 2 2 N
T
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
32
N
T
*
LnL
NT Ln(2 2 ) TLn ( I N WN ) 2
i 1 t 1
2 2 N
Atau dalam bentuk matriks dapat ditulis
2
it
T
* 2
= ' it
*
*
.
i 1 t 1
Sehingga :
* ' * NT 2 LnL Ln(2 ) TLn ( I N WN ) 2 2 2 Dimana :
* Y * WNT Y * X * * Y * ( IT WN )Y * X * Y * QY
X * QX
( IT WN )Y * Q ( IT WN )Y
Dengan : 1 Q I NT T T ' I N T
Sehingga fungsi log likelihoodnya bisa ditulis :
Y * ( IT WN )Y * X * ' Y * ( IT WN )Y * X * NT 2 LnL Ln(2 ) TLn (I N WN ) 2 2 2
(3.9) Jadi dari peramaan 3.8 dapat ditulis kembali menjadi :
NT Y * (IT WN )Y * X * ' Y * ( IT WN )Y * X* Ln(2 2 ) TLn ( I N WN ) 2 2 2 LnL
Perhatikan fungsi log likelihood diatas. Hanya suku terakhir yang merupakan fungsi parameter , sehingga suku-suku sebelumnya dianggap
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
33
sebagai konstanta. Nilai maksimum log likelihood pada persamaan diatas dapat dicapai ketika suku terakhir dari fungsi likelihood tersebut bernilai minimum Sehingga :
Y * ( IT WN )Y * X * ' Y * ( IT WN )Y * X * 2 2 LnL
(3.10) Misalkan suku terakhir dari fungsi log likelihoodnya adalah :
S ( ) Y * ( IT WN )Y * X * ' Y * ( IT WN )Y * X *
Maka :
S ( ) Y * ( IT WN )Y * ' Y * ( IT WN )Y * ' X * ' Y * ( I T WN )Y *
Y * ( IT WN )Y * ' X * ' X * ' X *
Karena ' X * ' Y * ( IT WN )Y * ' = Y * ( IT WN )Y * ' X * berukuran 1 1 maka :
' X * ' Y * ( IT WN )Y * = Y * ( IT WN )Y * ' X * mempunyai nilai skalar yang sama Sehingga :
S ( ) Y * ( IT WN )Y * ' Y * ( IT WN )Y * 2 ' X * ' Y * ( IT WN )Y * ' X * ' X *
Jadi dari peramaan 3.10 dapat ditulis kembali menjadi :
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
34
Y * ( IT WN )Y * ' Y * ( IT WN )Y * 2 ' X * ' Y * ( IT WN )Y * ' X * ' X * 2 2 LnL
Nilai exstrem untuk β diperoleh dengan:
LnL 0
2 X * ' Y * ( IT WN )Y * 2 X * ' X * 2 2
X ' X *
*
X * ' Y * ( IT WN )Y *
X ' X
*
X * ' Y * ( IT WN )Y *
*
1
0
ˆ
X ' X X ' Y
ˆ
X ' X X 'Y X ' X X ' (I
*
*
*
*
*
1
*
*
( IT WN )Y *
*
*
*
1
*
WN )Y *
T
1 1 ˆ X ' Q ' QX X ' Q ' QY X ' Q ' QX X ' Q ' Q ( IT WN )Y
Persamaan diatas dapat ditulis :
ˆ ols lag
(3.11)
Dimana : 1
ols
X ' X X 'Y
lag
X ' X X '( I
*
*
*
*
1
*
*
1
X ' Q ' QX X ' Q ' QY 1
*
T
WN )Y * X ' Q ' QX X ' Q ' Q ( IT WN )Y
ols merupakan parameter yang diperoleh dengan metode OLS dari model Y * X * eols
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
35
lag merupakan parameter yang diperoleh dengan metode OLS dari model ( IT WN )Y * X * elag
Taksiran untuk
untuk menaksir parameter yang memaksimumkan fungsi log likelihood tersebut tidak diperoleh dengan memiminimumkan suku terakhir dari persamaan (3.9). Hal ini disebabkan oleh adanya suku Ln ( I N WN ) yang merupakan fungsi dari parameter . Menurut Ord pada tahun 1975, solusi dari masalah ini adalah dengan menguraikan I N WN (1 i ) , dimana i
i merupakan nilai eigen dari WN (Anselin 2006). Menurut Pace dan barry metode lain yang digunakan untuk menghitung Ln ( I N WN ) adalah dengan menggunakan direct sparse matrix algorithms seperti dekomposisi LU (Anselin 2006). Untuk menaksir parameter langkah pertama substitusikan :
ˆ
2
Y
*
( IT WN )Y * X * ' Y * ( IT WN )Y * X *
NT
Ke dalam persamaan log likelihood (3.9) dibawah ini :
Y * (IT WN )Y * X * ' Y * (IT WN )Y * X * NT 2 LnL Ln(2 ) TLn (I N WN ) 2 2 2
Sehingga :
Y * ( IT WN )Y * X * ' Y * (IT WN )Y * X * NT NT 2 LnL Ln(2 ) Ln TLn ( I N WN ) 2 2 Y * (IT WN )Y * X * ' Y * (IT WN )Y * X * 2 NT
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
36
* * * * * * NT NT Y (IT WN )Y X ' Y (IT WN )Y X NT LnL Ln(2) Ln TLn (IN WN ) 2 2 NT 2
Karena ˆ ols lag (3.11) maka :
Y * (IT WN )Y * X * ols lag ' Y * (IT WN )Y * X * ols lag NT NT LnL Ln(2 ) Ln 2 2 NT
… TLn ( I N WN ) LnL
NT 2
Y * (IT WN )Y * X *ols X *lag ' Y * (IT WN )Y * X *ols X *lag NT NT Ln(2 ) Ln 2 2 NT
… TLn ( I N WN )
NT 2
Y * X *ols ( IT WN )Y * X *lag ' Y * X *ols (IT WN )Y * X *lag NT NT LnL Ln(2 ) Ln 2 2 NT
… TLn ( I N WN )
NT 2
LnL
eols elag ' eols elag TLn (I W ) NT NT NT Ln(2 ) Ln N N 2 2 NT 2
LnL
NT NT NT NT Ln(2 ) LnNT Ln eols elag ' eols elag TLn (I N WN ) 2 2 2 2
LnL C
NT Ln eols elag ' eols elag TLn ( I N WN ) 2
LnL C
NT Ln eols ' eols 2 elag ' eols 2 elag ' elag TLn ( I N WN ) 2
LnL C
NT Ln eols ' eols 2 elag ' eols 2elag ' elag TLn 1 i 2 i
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
37
Nilai exstrem untuk diperoleh dengan : LnL 0 NT C Ln eols ' eols 2 elag ' eols 2elag ' elag TLn 1 i 2 LnL i
Karena nilai log likelihood yang didapatkan merupakan fungsi polinomial terhadap maka solusi untuk menjadi tidak unik. sehingga diperlukan suatu iterasi numerik untuk mendapatkan panaksir untuk yang memaksimumkan fungsi log likelihood tersebut. Pada iterasi ini fungsi objektif LnL diaproksimasi dengan second order taylor series disekitar initial value 1 . Secara umum metode ini melakukan aproksimasi dengan taylor order kedua untuk log likelihood disekitar nilai parameter permulaan, yaitu :
LnL LnL 1
LnL 2 LnL 1 1 2
1
1
2
2
Untuk memperoleh kondisi optimum, fungsi tersebut diturunkan terhadap parameter dengan operasi sebagai berikut : LnL LnL 2 LnL 1 0 2 1 1
LnL LnL 2 LnL 2 1 0 2 1 1
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
38
2 LnL LnL 2 1 2 1 1
2
2
1
2 LnL LnL 1 2 1
2 LnL LnL 1 2 1
1
1
1
Bila persamaan diatas , 2 menggantikan 1 maka akan diperoleh
3 dan seterusnya. Sehingga persamaan umumnya dapat ditulis sebagai
berikut :
n 1
n
LnL n
2 LnL 2 n
1
Persamaan inilah yang disebut dengan Newton-Raphson Iteration. Jika iterasi sudah konvergen yaitu n1 n , atau n1 n maka dari
persamaan diatas dapat disimpulkan
LnL 0 dimana memenuhi syarat n
kondisi turunan pertama.
3.3 MODEL REGRESI SPATIAL ERROR PANEL SATU ARAH
Pada model regresi spatial error panel satu arah ini diasumsikan bahwa spatial specific effect adalah fixed (tetap). Model spasial error panel individual pada lokasi i dinyatakan pada persamaan berikut :
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
39
K
yit xitk k i it ,
(3.12)
k 1
N
it wij jt it j 1
Yang dijabarkan sebagai berikut : y11 x111 1 x112 2 ... x11 K K 1 11 y21 x211 1 x212 2 ... x21 K K 2 21 y N 1 x N 11 1 x N 12 2 ... x N 1K K N N 1 y12 x121 1 x122 2 ... x12 K K 1 12 y22 x221 1 x222 2 ...x22 K K 2 22 y N 2 xN 21 1 xN 22 2 ...x N 2 K K N N 2
y1T x1T 1 1 x1T 2 2 ...x1TK K 1 1T y2T x2T 1 1 x2T 2 2 ... x2TK K 2 2T y NT xNT 1 1 xNT 2 2 ... xNTK K N NT
11 w1111 w12 21 ... w1 N N 1 11 21 w 2111 w 22 21 ... w 2 N N 1 21
N 1 w N 111 w N 2 21 ... w NN N 1 N 1 12 w1112 w12 22 ... w1 N N 2 12 22 w 2112 w 22 22 ... w 2 N N 2 22
N 2 w N 112 w N 2 22 ... w N N N 2 N 2
1T w111T w12 2 T ... w1 N NT 1T 2 T w 211T w 22 2 T ... w 2 N NT 2 T
NT w N 11T w N 2 2 T ... w NN NT NT
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
40
Atau dinyatakan dalam notasi matrix :
Y X T I N
(3.13)
WNT Dimana : Y = vektor variabel dependen berukuran NT 1 X = vektor variabel independen berukuran NT k
= vektor error berukuran NT 1 = vektor error berukuran NT 1 yang independen dan berdistribusi identik dengan mean nol dan matrik kovariansi 2 I NT . β = vektor parameter yang berukuran k 1
= koeffisien spasial error = Spatial specific effect W = matriks bobot spasial berukuran N N diketahui.
T = vektor berukuran T × T yang setiap entrinya berisi 1.
Jika koeffisien spasial lag = 0 maka model umum fixed effect spatial panel error modelnya menjadi model data panel yaitu : Yit =i X it it
i = 1,…, N t = 1,…, T
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
41
3.3.1 Fungsi Likelihood Model Regresi Spatial Error Panel Satu Arah
Penaksiran parameter pada spatial error panel model ini adalah dengan menggunakan metode maksimum likelihood. Metode ini digunakan untuk mencari statistik yang memaksimumkan fungsi likelihood. Selanjutnya akan dibahas fungsi likelihood dari model regresi spatial error panel data. Fungsi likelihood dari variabel dependen Y adalah :
L(, , , 2 , y11..., yNT )
IT (I N WN ) 2
(2 )
NT 2
...
IT I N WN Y X T I N ' IT I N WN Y X T I N exp 2 2 (3.14)
Bukti : Pada model spasial error diasumsikan error
~ N (0,
2
I NT ) . Sehingga
berdasarkan asumsi ini it ~ N (0, 2 ) dimana adalah it error pada lokasi i dan waktu ke t . P.d.f. dari it : f ( it )
it 2 exp 2 1 2 2 2 (2 ) 1
it
i = 1 ,…, N t = 1 ,…, T P.d.f. bersama dari n peubah acak 11 , 21..., NT adalah :
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
42
f (11 , 21..., NT ) f (11 ) f ( 21 )... f ( NT )
it 2 it 2 it 2 1 1 1 exp 2 exp 2 ... exp 2 1 1 1 2 2 2 2 2 2 2 2 2 (2 ) (2 ) (2 ) N T 2 it 1 = exp i 1 t 1 2 NT 2 2 2 (2 )
1 ' exp 2 NT 2 2 2 (2 ) P.d.f. bersama dari variabel dependen Y diperoleh dengan metode transformasi variabel yang memetakan ruang berdimensi NT ke sebuah ruang Y berdimensi NT
Y X
WNT I NT IT WN
I NT IT WN IT I N IT WN IT I N IT WN
IT I N WN 1
IT I N WN Lalu substitusi ke persamaan sehingga
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
43
1
Y X T I N IT I N WN
IT I N WN Y X T I N Atau dapat ditulis menjadi : N N it yit wij yjt k xitk wij xjtk i wij j (lampiran 1) j 1 k 1 j 1 j 1 N
K
Jacobian dari transformasi ini adalah IT ( I N WN ) yang menyatakan determinan dari matriks IT ( I N WN ) yang berukuran N T . Sehingga diperoleh p.d.f bersama dari peubah acak y11 , y21..., yNT adalah : N T it 2 1 = exp i 1 t 1 2 I T ( I N W N ) NT 2 2 2 (2 )
IT ( I N WN ) ' = exp 2 NT 2 2 2 (2 ) Fungsi likelihood dari variabel dependen Y adalah L( , , , 2 , y11..., y NT ) f ( y11 , y21 ,... y NT )
L(, , , 2 , y11..., yNT )
IT (I N WN ) 2
(2 )
NT 2
...
IT I N WN Y X T I N ' IT I N WN Y X T I N exp 2 2
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
44
3.3.2 Taksiran Parameter Model Regresi Spatial Error Panel Satu Arah
Taksiran parameter untuk model regresi spasial error panel didapatkan dengan cara memaksimumkan fungsi likelihood yang ekuivalen dengan memaksimumkan logaritma dari fungsi likelihood pada persamaan diatas. Logritma dari fungsi likelihood dari variabel dependen Y dapat ditulis sebagai berikut : LnL LnL( , , , 2 , y11..., yNT ) I (I N WN ) LnL(, , , 2 , y11..., yNT ) Ln T ... NT 2 2 (2 )
IT I N WN Y X T I N ' IT I N WN Y X T I N ...exp 2 2
2
N K N N y w y x w x it ij jt k itk ij jtk i wij j i1 t1 j1 k 1 j1 j1 NT Ln 2 2 Ln IT (IN WN ) 2 2 2 N T
Berdasarkan definisi 5 maka :
IT ( I N WN ) IT
N
I N WN
T
I N WN
T
Sehingga : 2
N K N N yit wij y jt k xitk wij xjtk i wij j i 1 t 1 j1 k 1 j 1 j 1 NT LnL Ln 2 2 TLn IN WN 2 2 2 N
T
(3.15)
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
45
Taksiran untuk , 2 , , diperoleh dengan cara memaksimumkan fungsi log likelihood pada persamaan diatas secara simultan yaitu :
LnL 0
LnL 0
LnL 0 2
LnL 0
Taksiran untuk adalah : K 1 T ˆ i yit xitk ˆk T t 1 k 1
(3.16)
Bukti : Nilai ekstrem untuk µ diperoleh dengan:
LnL 0 i 2 N T N K N N yit wij yjt k xitk wij xjtk i wij j i1 t 1 j1 k1 j1 j1 NT 2 Ln 2 TLn IN WN 2 2 2 LnL i i
Perhatikan fungsi log likelihood diatas. Hanya suku terakhir yang merupakan fungsi parameter µ, sehingga suku-suku sebelumnya dianggap sebagai konstanta. Nilai maksimum log likelihood pada persamaan diatas dapat dicapai ketika suku terakhir dari fungsi likelihood tersebut bernilai minimum Sehingga :
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
46
2 N T N K N N yit wij y jt k xitk wij x jtk i wij j j 1 k 1 j 1 j 1 i 1 t 1 2 2 LnL i i
N K N N N 2 T y w y x w x w (1 wij ) 0 it ij jt k itk ij jtk i ij j 2 2 t 1 j 1 k 1 j 1 j 1 j 1
N
2(1 wij ) j 1 2
2
N K N N y w y x w x wij j 0 it ij jt k itk ij jtk i t 1 j 1 k 1 j 1 j 1 T
N
2(1 wij )
Karena
2
j 1 2
0 maka :
N K N N y w y x w x wij j 0 it ij jt k itk ij jtk i t 1 j 1 k 1 j 1 j 1 T
K N T y w y x w x i wij j 0 it ij jt k itk ij jtk t 1 j k 1 j 1 j t 1 T
K N y w y x wij x jtk T i wij j 0 it ij jt k itk t 1 j k 1 j 1 j T
K N y w y x w x T i wij j it ij jt k itk ij jtk t 1 j k 1 j 1 j T
T
I
T
I N WN Y X T I T I N WN T I N
t 1
T
IT I N WN Y X T IT I N WN T I N t 1
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
47
T
Y X T
T
IN
t 1
T
y
xit T i
it
t 1
T
T i yit xit t 1
ˆ i
K 1 T y xitk ˆk it T t 1 k 1
Taksiran untuk 2 adalah :
IT I N WN Y * X * ' IT I N WN Y * X * ˆ NT 2
(3.17) Bukti : Nilai exstrem untuk 2 diperoleh dengan : LnL 0 2 2 N T N K N N yit wij yjt k xitk wij xjtk i wij j NT i1 t 1 j1 k1 j1 j1 2 Ln 2 TLn IN WN 2 2 2 LnL 2 2
N K yit wij y jt k i 1 t 1 j 1 k 1 NT 2 2 N
T
N xitk wij x jtk j 1 2 2 2( )
N i wij j j 1
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
2
0
48
K N y w y x wij x jtk i wij j it ij jt k itk i 1 t 1 j k 1 j 1 j NT 2 2 2 2 2( ) N
T
K N ˆ y w y x wij x jtk ˆi wij ˆ j it ij jt k itk i 1 t 1 j k 1 j 1 j ˆ 2 NT N
T
2
2
Setelah itu untuk memudahkan mencari penaksir ˆ 2 akan disubstitusikan ˆ i pada persamaan (3.16) ke dalam persamaan diatas sehingga : 2
K N K T K 1 T ˆ w 1 y x ˆ ˆ y w y x w x y x it ij jt k itk ij jtk it itk k ij jt itk k T t1 i1 t1 j k 1 j1 k 1 j k1 T t1 ˆ2 NT N T
2
K 1T 1 T K 1 T 1 T yit yit ˆ wij yjt yjt ˆk xitk xitk ˆ wij ˆk xitk xitk T t1 T t1 k1 T t 1 T t 1 i1 t 1 j j k1 ˆ 2 NT N T
Misalkan : yit* yit
1 T yit T t 1
* xitk xitk
K K * * * ˆ * ˆ ˆ ˆ y w y x w it ij jt itk k ij xitk k i 1 t 1 j k 1 j k 1 ˆ 2 NT N
T
K * * * ˆ y w y ˆk xitk ˆ wij x*jtk it ij jt i 1 t 1 j k 1 j ˆ 2 NT N
T
N
T
*
1 T xitk T t 1
2
2
2
it
ˆ 2
i 1 t 1
NT
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
49
N
Atau dalam bentuk matriks dapat ditulis
T
*
2
it
= * ' * .
i 1 t 1
' *
ˆ
2
*
NT
Dimana :
* Y * WNT Y * X * WNT X * * I NT Y * ( IT WN )Y * I NT X * ( IT WN ) X * * ( IT I N )Y * ( IT WN )Y * ( IT I N ) X * ( IT WN ) X * * IT I N WN Y * IT I N WN X * * IT I N WN Y * X * Y * QY
X * QX
( IT WN )Y * Q ( IT WN )Y
Dengan : 1 Q I NT T T ' I N T
Sehingga :
IT I N WN Y * X * ' IT I N WN Y * X * ˆ NT 2
Taksiran untuk β adalah :
1
ˆ X * IT WN X * ' X * IT WN X *
X
*
IT WN X * ' Y * I T WN Y *
Dimana
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
(3.18)
50
Y * QY
X * QX
Q I NT
(IT WN )Y* =Q(IT WN )Y
1 iT iT ' I N T
Bukti : Nilai exstrem untuk β diperoleh dengan :
LnL 0 2 N T wij j yit wij y jt xit wij x jt i NT j i 1 t 1 j j 2 Ln 2 TLn I N WN 2 2 2 LnL
(3.19)
Setelah itu untuk memudahkan mencari penaksir maka akan disubstitusikan ˆ i yang sudah didapat kedalam fungsi log likelihood pada persamaan (3.15) sehingga :
LnL
NT Ln 2 2 TLn IN WN ... 2
N K N 1 T 1T ˆ y w y x w x y x w yjt xjt ˆ it ij jt k itk ij jtk it it j ij T T i1 t1 j 1 k 1 j 1 t 1 t 1 ... 22 N T
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
2
51
LnL
NT Ln 22 TLn IN WN ... 2
2
1T 1 T K 1T 1 T yit yit wij yjt yjt k xitk xitk wij xjtk xjtk T t1 j T t1 k1 T t1 j T t1 i1 t1 ... 22 N T
1 T x xitk xitk T t 1
1 T Misalkan : y yit yit T t 1
* itk
* it
2
K * * y w y k xitk* wij x jtk* it ij jt i 1 t 1 j k 1 j NT LnL Ln 2 2 TLn I N WN 2 2 2 N
T
N
T
*
LnL
NT Ln 2 2 TLn I N WN 2
2
it
i 1 t 1
2 2 N
Atau dalam bentuk matriks dapat ditulis
T
*
it
2
= * ' * .
i 1 t 1
* ' * NT 2 LnL Ln 2 TLn I N WN 2 2 2
Dimana :
* Y * WNT Y * X * WNT X *
* IT I N Y * IT WN Y * IT I N X * IT WN X *
* IT I N WN Y * X * Y * QY Q I NT
X * QX
(IT WN )Y* =Q(IT WN )Y
1 iT iT ' I N T
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
52
Sehingga fungsi log likelihoodnya dapat ditulis menjadi :
IT IN WN Y* X* ' IT IN WN Y* X* NT 2 LnL Ln 2 TLn IN WN 2 2 2 (3.20)
Jadi dari persamaan (3.19) dapat ditulis kembali menjadi :
LnL
IT I N WN Y * X * ' IT I N WN Y * X * NT Ln 2 2 TLn I N WN 2 2 2
Nilai exstrem untuk β diperoleh dengan :
LnL 0 Perhatikan fungsi log likelihood diatas. Hanya suku terakhir yang merupakan fungsi parameter β, sehingga suku-suku sebelumnya dianggap sebagai konstanta. Nilai maksimum log likelihood pada persamaan diatas dapat dicapai ketika suku terakhir dari fungsi likelihood tersebut bernilai minimum Sehingga :
Y* I W Y* X * I W X * ' Y* I W Y* X * I W X * T N T N T N T N 2 2
Misalkan :
X ** X * IT WN X *
Y ** Y * IT WN Y *
Maka :
Y ** X ** ' Y ** X ** 2 2
0
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
0
53
Y ** ' Y ** X ** ' Y ** Y ** ' X ** X ** ' X ** 2 2
Karena
X 'Y ' Y ' X dan **
X 'Y **
**
**
**
**
0
berukuran 1 1 maka :
Y ** ' X ** mempunyai nilai skalar yang sama Sehingga :
Y ** ' Y ** 2 ' X ** ' Y ** ' X ** ' X ** 2 2 0
2 X ** ' Y ** 2 X ** ' X ** 2
2
X 'Y X ' X **
**
X 'Y
**
**
**
**
0
0
X ** ' X **
ˆ X ** ' X **
1
X 'Y **
**
Sehingga :
1
ˆ X * IT WN X * ' X * IT WN X *
X
*
IT WN X * ' Y * I T WN Y *
Taksiran untuk
Untuk menaksir parameter tidak diperoleh dengan memiminimumkan suku terakhir dari persamaan (3.20). Hal ini disebabkan oleh adanya suku Ln ( I N WN ) yang merupakan fungsi dari parameter . Menurut Ord pada
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
54
tahun 1975, solusi dari masalah ini adalah dengan menguraikan
I N WN (1 i ) , dimana i merupakan nilai eigen dari WN (Anselin i
2006). Menurut Pace dan barry metode lain yang digunakan untuk menghitung Ln ( I N WN ) adalah dengan menggunakan direct sparse matrix algorithms seperti dekomposisi LU (Anselin 2006). Perhatikan fungsi log likelihood dari persamaan (3.19) ini : LnL( , , , 2 , y11..., y NT )
NT Ln 2 2 TLn I N WN … 2
IT I N WN Y * X * ' IT I N WN Y * X * … 2 2
Untuk memudahkan perhitungan substitusikan ˆ 2 kedalam fungsi log likelihood sehingga :
* * * * NT NT IT IN WN Y X ' IT IN WN Y X LnL(,, , , y11..., yNT ) Ln 2 Ln ... 2 2 NT 2
IT I N WN Y * X * ' IT I N WN Y * X * … TLn I N WN * * IT I N WN Y X ' IT I N WN Y * X * 2 NT
LnL( , , , 2 , y11..., y NT )
NT NT * ' * Ln 2 Ln TLn I N WN 2 2 NT
IT I N WN Y * X * ' I T I N WN Y * X * * * IT I N WN Y X ' IT I N WN Y * X * 2 NT
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
55
LnL( , , , 2 , y11..., y NT )
NT NT * ' * NT Ln 2 Ln TLn I N WN 2 2 NT 2
NT * ' * LnL( , , , , y11..., y NT ) C Ln TLn I N WN 2 NT 2
LnL( , , , 2 , y11..., y NT ) C
NT * ' * Ln TLn 1 i 2 NT i 2
N N * * * * yit wij y jt xit wij xjt j 1 j 1 NT i1 t1 LnL(, , , 2 , y11..., yNT ) C Ln TLn1 i 2 NT i N
T
Karena nilai log likelihood yang didapatkan merupakan fungsi polinomial terhadap maka solusi untuk menjadi tidak unik. Sehingga diperlukan suatu iterasi numerik untuk mendapatkan penaksir dari yang memaksimalkan fungsi log likelihood tersebut. Cara menaksir parameter sama dengan cara menaksir pada model regresi spatial lag panel satu arah. Pada iterasi ini fungsi objektif LnL diaproksimasi dengan second order taylor series disekitar initial value 1 . Secara umum metode ini melakukan aproksimasi dengan taylor order kedua untuk log likelihood disekitar nilai parameter permulaan, yaitu :
LnL LnL 1
LnL
1
1
2 LnL 2
1
1
2
2
Untuk memperoleh kondisi optimum, fungsi tersebut diturunkan terhadap parameter dengan operasi sebagai berikut :
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
56
LnL LnL LnL LnL 2 LnL 2
2
2
1
1
0 1
1
0 2
1
LnL
1
2 LnL 2
2
2 LnL 2
1
1
1
LnL
LnL
1
1
2 LnL 2 1
2 LnL 2 1
1
1
1
1
Bila persamaan diatas , 2 menggantikan 1 maka akan diperoleh
3 dan seterusnya. Sehingga persamaan umumnya dapat ditulis sebagai berikut :
n 1
n
LnL
n
2 LnL 2
n
1
Persamaan inilah yang disebut dengan Newton-Raphson Iteration. Jika iterasi sudah konvergen yaitu n1 n , atau n1 n maka dari
persamaan diatas dapat disimpulkan
LnL
0 dimana memenuhi syarat n
kondisi turunan pertama.
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
BAB IV APLIKASI MODEL SPATIAL PANEL
Pada bab ini akan dibahas tentang contoh dari penaksiran parameter model regresi spatial panel satu arah. Penaksiran parameter model regresi spatial panel satu arah ini akan dilakukan dengan menggunakan bantuan software SPSS 13, Eviews 3 dan Matlab 7. Data yang digunakan adalah data penjualan rokok di 46 negara bagian Amerika selama 6 tahun. Variabel yang digunakan adalah :
Variabel respon : LogCit = konsumsi rokok oleh perokok yang berusia 14 tahun atau lebih di negara bagian ke-i pada waktu ke-t. (dalam skala logaritma)
Variabel independent :
LogPit = harga rokok (dalam skala logaritma) LogYit = pendapatan perkapita (dalam skala logaritma) LogPnit =rata-rata harga rokok dari negara bagian yang bertetanggaan (dalam skala logaritma) Tujuan : Ingin melihat bagaimana variabel-variabel independen mempengaruhi variabel dependen.
57 Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
58
4.1 SCATTER PLOT DATA
Scatter plot data ini merupakan suatu plot yang digunakan untuk melihat hubungan antar variabel. Scatter plot data tersebut adalah sebagai berikut :
5.500000
logc
5.000000
4.500000
4.000000
-0.400000
-0.300000
-0.200000
-0.100000
0.000000
0.100000
0.200000
0.300000
logp
Gambar 1.Scatter plot antara log harga rokok dan log penjualan rokok
Dari gambar 1 terlihat bahwa ada hubungan linear antara log harga rokok dan log penjualan rokok.
5.500000
logc
5.000000
4.500000
4.000000
-0.400000
-0.300000
-0.200000
-0.100000
0.000000
0.100000
logpn
Gambar 2. Scatter plot antara log rata-rata harga rokok dari negara bagian yang bertetanggaan dan log penjualan rokok
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
59
Dari gambar 2 terlihat bahwa ada hubungan linear antara log rata-rata harga rokok dari negara bagian yang bertetanggaan dan log penjualan rokok
5.500000
logc
5.000000
4.500000
4.000000
4.000000
4.200000
4.400000
4.600000
4.800000
5.000000
logy
Gambar 3. Scatter plot antara log pendapatan perkapita dan log penjualan rokok
Dari gambar 3 terlihat bahwa ada hubungan linear antara log pendapatan perkapita dan log penjualan rokok.
4.2 PENAKSIRAN PARAMETER MODEL REGRESI PANEL SATU ARAH
Model regresi panel satu arah dengan efek tetap adalah : y it i +xit it Dimana i merupakan pengaruh individu ke-i yang tidak terobservasi Dalam contoh kasus ini i yang dimaksud adalah adanya aturan larangan merokok pada suatu wilayah yang menyebabkan menurunnya penjualan rokok pada suatu wilayah.
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
60
Berdasarkan hasil yang terdapat pada lampiran 6 yang didapatkan dari program eviews, maka model regresi panel sebagai berikut: log Cˆit 1.605485-1.041989logPit 0.146363logPN it +0.703143logYit
Akan tetapi dari hasil tersebut terlihat bahwa nilai R-squared sangat kecil yaitu 0.386135, hal ini menunjukkan bahwa taksiran model yang didapat kurang baik. Selanjutnya karena melakukan pengambilan observasi di lokasi – lokasi yang berdekatan maka muncul dugaan bahwa nilai observasi pada suatu lokasi bergantung pada nilai observasi di lokasi disekitarnya atau dengan kata lain ada korelasi spatial antar observasi. Oleh karena itu akan dibuat gray-scale map dari variabel Perjualan Rokok.
4.3 GRAY-SCALE MAP DARI VARIABEL PENJUALAN ROKOK
Gray-scale map digunakan untuk melihat distribusi spatial dari sebuah variabel.
Gambar 4. Gray-scale map dari variabel Perjualan Rokok
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
61
Dari gambar 4 terlihat bahwa terdapat pola spasial dari variabel Perjualan Rokok. Daerah yang berdekatan cenderung memiliki nilai yang similar yang digambarkan dengan pola warna yang sama. Selanjutnya akan dibuat model regresi panel satu arah yang melibatkan pengaruh spatial baik itu spatial lag atau spatial error.
4.4 PENAKSIRAN PARAMETER MODEL REGRESI SPASIAL PANEL
4.4.1 Model Regresi Spasial Lag Panel Satu Arah.
Model regresi spatial lag panel satu arah dengan efek tetap adalah : N
yit wij yjt xit i it j 1
Berdasarkan hasil yang terdapat pada lampiran 6 yang didapatkan dari program Matlab 7, maka taksiran model regresi spasial lag panel dengan komponen error satu arah ( i ) sebagai berikut: N
log Cˆit 0.198966log wijCjt -0.608632logPit 0.233016logPNit +0.294657logYit j 1
Dari lampiran 6 didapatkan bahwa nilai R-squared didapatkan sudah sangat besar yaitu 0.9729, sehingga taksiran model regresi
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
62
spatial lag panel dengan komponen error satu arah ( i ) sudah bagus.
4.4.2 Model Regresi Spasial Error Panel Satu Arah
Model regresi spatial error panel satu arah dengan efek tetap adalah : yit xit i it N
it wijit it j 1
Berdasarkan hasil yang terdapat pada lampiran 6 yang didapatkan dari program Matlab 7, maka taksiran model regresi spasial error panel satu arah ( i ) dengan efek tetap sebagai berikut N
log Cit -0.618106logPit 0.129409logPNit +0.335804logY ij itjt 0.299957log w j 1
Dari lampiran 6 didapatkan bahwa nilai R-squared sudah sangat besar yaitu 0.9742, sehingga taksiran model regresi spasial error panel satu arah ( i ) dengan efek tetap sudah bagus. Selanjutnya akan dilakukan uji asumsi pada model regresi spasial panel lag satu arah dan spasial panel error satu arah
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
63
4.5 PERIKSA ASUMSI
Dalam model regresi spasial panel diasumsikan bahwa error berdistribusi normal dengan meannya nol dan variansinya konstan serta error saling bebas.
4.5.1 Asumsi Mean Sama Dengan Nol
akan diperiksa apakah E(it) = 0. Hal tersebut dapat dilihat pada tabel di bawah ini: a) Regresi spasial lag panel satu arah Tabel 1. Descriptive Statistics N residlag
276 276
Valid N (listwise)
Minimum -.112300
Maximum .157440
Mean -.00000002
Std. Deviation .035322948
Pada tabel di atas terlihat bahwa mean residual-nya mendekati nol, yang dengan kata lain menunjukkan bahwa E(i) = 0. b) Regresi spasial error panel satu arah Tabel 2. Descriptive Statistics
N residerror
276
Valid N (listwise)
276
Minimum -.113460
Maximum .135540
Mean -.00000003
Std. Deviation .039121948
Pada tabel di atas terlihat bahwa mean residual-nya mendekati nol, yang dengan kata lain menunjukkan bahwa E(i) = 0.
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
64
4.5.2 Variansi Error Konstan (Homoskedastisitas)
a) Regresi spasial lag panel satu arah 0.200000
residlag
0.100000
0.000000
-0.100000
4.000000
4.500000
5.000000
5.500000
logc
Gambar 5. Scatter plot antara nilai prediksi Y terhadap residual spasial lag
Berdasarkan gambar 5 terlihat bahwa nilai prediksi dari variabel dependen Y terhadap residual tidak membentuk pola tertentu, maka asumsi variansi konstan (homoskedastisitas) dianggap terpenuhi. Regresi spasial error panel satu arah 0.150000
0.100000
residerror
0.050000
0.000000
-0.050000
-0.100000
-0.150000
4.000000
4.500000
5.000000
5.500000
logc
Gambar 6. scatter plot antara nilai prediksi dari variabel dependen Y terhadap residual spasial error
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
65
Berdasarkan gambar 5 terlihat bahwa antara nilai prediksi dari variabel dependen Y terhadap residual tidak membentuk pola tertentu, maka asumsi variansi konstan (homoskedastisitas) dianggap terpenuhi.
4.5.3 Error Berdistribusi Normal a) Regresi spatial lag panel satu arah Asumsi ini akan di uji dengan Shapiro-Wilk. Tabel 3. Tests of Normality
Kolmogorov-Smirnov(a) Statistic df Sig. .031 276 .200(*) * This is a lower bound of the true significance. residlag
Shapiro-Wilk Statistic .989
df 276
Sig. .029
a Lilliefors Significance Correction
Berdasarkan uji Shapiro-Wilk di atas, dengan Hipotesis : H0 : residual berdistribusi Normal H1 : residual tidak berdistribusi Normal 2
T / 2 (T t 1) Statistik uji: W T ˆ( t ) ) . at (ˆ (ˆt ˆ ) t 1 1
t 1
Aturan keputusan: H0 ditolak jika ˆ Dengan tingkat signifikasi 5 % didapatkan bahwa residual tidak berdisribusi normal.
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
66
b) Regresi spatial error panel satu arah Tabel 4. Tests of Normality
Kolmogorov-Smirnov(a)
Shapiro-Wilk
Statistic df Sig. residerror .035 276 .200(*) * This is a lower bound of the true significance.
Statistic .996
df 276
Sig. .720
a Lilliefors Significance Correction
Berdasarkan uji Shapiro-Wilk di atas, dengan Hipotesis : H0 : residual berdistribusi Normal H1 : residual tidak berdistribusi Normal Dengan tingkat signifikasi 5 % didapatkan bahwa residual berdisribusi normal.
4.5.4 Error Saling Bebas
Akan diuji apakah terdapat korelasi antar-residual dengan menggunakan uji Durbin-Watson. Pengujiannya adalah sebagai berikut: Hipotesis: H0 : Tidak ada korelasi antar-residual, H1 : Terdapat korelasi antar-residual. Tingkat signifikansi: = 0,05. T
Statistik uji: d t 2
(ˆt ˆt 1 )2 T
.
ˆt2 t 1
Aturan keputusan: H0 ditolak jika nilai statistik uji d 2 .
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
67
Karena nilai stastistik uji Durbin-Watson dari model regresi spatial lag panel data satu arah dan spatial error panel data satu arah adalah d = 1.8047 dan d = 1.8004 mendekati nilai 2, maka diputuskan untuk menolak H0. Jadi, dapat disimpulkan bahwa pada tingkat signifikansi lima persen residual tidak saling berkorelasi atau dengan kata lain tidak terjadi otokorelasi.
4.6 KESIMPULAN
Berikut adalah kesimpulan yang diperoleh dari hasil penelitian yaitu : 1. Pada model regresi spasial lag panel data satu arah diperoleh bahwa asumsi kenormalan tidak terpenuhi sehingga taksiran model yang didapat kurang baik. 2. Pada model regresi spasial error panel satu arah semua asumsi terpenuhi sehingga taksiran model yang diperoleh dapat menggambarkan keadaan penjualan rokok di 46 negara Amerika selama 6 tahun.
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
BAB V KESIMPULAN DAN SARAN
5.1 KESIMPULAN
Model spasial dependen merupakan model yang memperhatikan dependensi spasial antara suatu lokasi dengan lokasi lainnya. Model spasial dependen dibagi menjadi dua, yaitu spasial lag dan spasial error. Model spasial lag ini muncul saat nilai observasi variabel dependen pada suatu lokasi berkorelasi dengan nilai observasi variabel dependen di lokasi sekitarnya. Sedangkan model spasial error muncul saat nilai error pada suatu lokasi berkorelasi dengan nilai error di lokasi sekitarnya. Dalam analisis regresi data panel, jika pengaruh spasial ini ada dan tidak dilibatkan dalam model maka asumsi error antar observasi saling bebas tidak terpenuhi, sehingga model yang di peroleh menjadi kurang baik. Untuk itu dibutuhkan suatu model yang melibatkan pengaruh spatial baik itu spatial lag atau spatial error dalam analisis data panel. Model yang melibatkan pengaruh spasial ini dinamakan spatial panel data model. Dengan memperhatikan pengaruh spasial dependen ini diharapkan model yang didapat menjadi lebih baik dalam mempresentasikan data. Penaksiran parameter menggunakan metode maksimum likelihood.
68 Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
69
5.2 SARAN
Saran yang perlu diperhatikan adalah 1. model yang akan dibahas hanyalah model data panel dengan efek tetap (fixed effect) yang melibatkan pengaruh spatial dependen baik itu spasial lag maupun spasial error dengan komponen error satu arah. Untuk pembahasan lebih lanjut perlu juga diperhatikan model data panel dengan efek acak (random effect) yang melibatkan pengaruh spatial dependen baik itu spatial lag atau spatial error. 2. Dalam tugas akhir ini pengaruh spatial yang dibahas hanyalah spatial lag (variabel dependen antar lokasi saling berkorelasi) dan spatial error (error antar lokasi saling berkorelasi). Untuk pembahasan lebih lanjut perlu juga diperhatikan adanya korelasi antar variabel bebas antar lokasi. 3. Diperlukan pembahasan tentang pengujian autokorelasi model spasial dependen, yaitu dengan Morans I.
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
DAFTAR PUSTAKA
Andra, Novi. 2007. Model Regresi Linear pada Data Spatial Dependen, Skripsi. Universitas Indonesia, Depok Anselin, Luc. Le Gallo J., Jayet H. 2006. Spatial Panel Econometrics. In: Matyas L, SevestreP. (eds) The Econometrics of Panel Data, Fundamentals and Recent Developments in Theoryand Practice, 3rd edn. Kluwer, Dordrecht, pp 901-969 Anton, Howard. 2000. Dasar-Dasar Aljabar Linear. 7th edition. Interaksara, Batam Centre Baltagi, Badi H. 2005. Econometric Analysis of Panel Data. 3rd ed. John Wiley & Sons Ltd, Chichester. Elhorst , J P. 2003. Specification and Estimation of Spatial Panel Data Models. International Regional Science Review 26(3):244-268 Hogg, Robert V. & Allen T. Craig. 1995. Introduction to Mathematical Statistics.Prentice-Hall International, New jersey Mendenhall, W. & T. Sinsisch. 1990. A Second Course in Statistics: Regression Analysis, 5th edition. Prentice Hall International, New York Montgomery, D.C. & E.A. Peck. 1992. Introduction to Linear Regression Analysis, 2nd edition. John Wiley & Sons, Inc., New York
70 Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
71
Nachrowi, D.N. & H. Usman. 2006. Pedoman Populer dan Praktis Ekonometrika untuk Analisis Ekonomi dan Keuangan. Lembaga Penerbit Universitas Indonesia, Jakarta. Rencher, Alvin C. 2002. Method of Multivariate Analysis, 2nd edition. John Wiley & Sons, Inc., New York. Shearle, S Hayley. 1982. Matrix Algebra Useful for Statistics. John Wiley & Sons, Inc., New York. http://www.rug.nl/staff/j.p.elhorst/index, 8 April 2009, pk. 19.30. http://www.regroningen.nl/elhorst/software.html, 8 April 2009, pk. 19.45. http://www.spatial-econometrics.com/, 8 April 2009, pk. 20.00.
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
Lampiran 1
Akan dibuktikan :
memaksimumkan L memaksimumkan ln L Dimana = 1 , 2 ,... p Bukti :
Oleh karena
L 1
memaksimumkan L maka :
0
L 2
0
L p
2 L 2i
0
i = 1, 2, …, p
0,
2
2 L 2 L 2 L D 0, i = 1, 2, …, p.j = 1, 2, …, p. i j 2i 2 j i j
akan ditunjukkan bahwa juga memaksimumkan ln L yaitu :
ln L 1 ln L 1
0
1 L 1 0 L 1 L
72 Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
73
ln L 1
ln L 2 ln L 2
0
0
ln L 2
1 L 1 0 L 2 L
0
ln L p ln L p
0
ln L p
2 ln L 2i
0,
1 L 1 0 L p L 0
i = 1, 2, …, p
2 L ln L 1 L 2 i i i i L i
1 L 1 L i L i L i i
2 1 L 1 L i L i L 2i
2 1 1 L 0 i L L 2i
2 1 L 1 0 0 2 L i L
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
74
2 L 2i
0 2
2 ln L 2 ln L 2 ln L D 0, i = 1, 2, …, p.j = 1, 2, …, p. 2i 2 j i j
i j L ln L ln L i 2i i i i L 2
L L 2 L L 2 i i i
L2
L ln L ln L j 2 j j j j L 2
L L 2 L L 2 j j j L2
L 2 ln L ln L j i j i j i j
L L 2 L L i j i j L2
2 ln L 2 ln L 2 ln L D 2i 2 j i j
2
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
75
2
2 L L 2 L 2 L L L L L L L L L 2 2 j j i j i i i j i j L2 L2 L2
2 2 2 L L 1 L L 2 4 L i L i2 2j j
2 L i2
2 2 L L 2 L L L 2 j i j
2 2 2 L L 2 L L L 1 L 2 L 4 L 2 i j i j L i j i j
L2 2 L 2 L 2 L 4 i j L i2 2j
2
2 2 L 2 L L L 2 L L L 2 L 2 L L4 i j i j i2 j i 2j
2 2 2 2 1 L L L 2 i j L i2 2j 2 2 2 L 1 L 2 2 L 2 L 0 0 0 0 3 2 2 L i j i j 2 2 2 2 1 L L L 1 = 2 0 0 2 2 2 L i j L i j 2
2 ln L 2 ln L 2 ln L D 0, 2i 2 j i j
Dengan perkataan lain terbukti bahwa juga memaksimumkan ln L .
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
76
Akan dibuktikan :
Oleh karena
ln L 1 ln L 2
memaksimumkan ln L maka :
0
0
ln L p
0
2 ln L 2i
i = 1, 2, …, p
0,
2
2 ln L 2 ln L 2 ln L D 0, i = 1, 2, …, p.j = 1, 2, …, p. 2i 2 j i j
i j akan ditunjukkan bahwa memaksimumkan L yaitu :
L 1
0
L 1
L
L 1
L L 1 L L L 1 L 1
ln L 1
L 0 0
0
L p
0
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
77
L
p
ln L
L
p
L p
2 L 2i
L L 1 L L L p L p L 0 0
0
i = 1, 2, …, p
0,
L i L ln L L 2 i i i i 2
L ln L 2 ln L L i i i2
2 2 ln L 1 L 2 L L i i2
2 ln L 1 2 2 0 L L i2 L
D
2 ln L i2
2 L 2i
L 0 0
0
2 L 2 L 2 L 0, i j 2i 2 j 2 L 2i 2 L 2 j
i = 1, 2, …, p.j = 1, 2, …, p. i j
2 2 ln L 1 L 2 L L i i2 2 2 ln L 1 L 2 L L j j2
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
78
2 L i j
L L 2 2 ln L L i j i j
2 L 2 L 2 L D i j 2i 2 j 2 2 1 L 2 2 ln L 1 L 2 ln L L L 2 2 ln L 2 2 L L L L i i2 L j j2 i j i j
2
2 ln L 2 ln L 1 L L 4 2 L L i j i2 j2 2
2
L 2 ln L L 2 ln L 2 L L 2 i2 i j j 2
2 2 ln L 1 L L 4 2 L L i j i j
2
L L 2 2 ln L 2 L i j i j L4 2 ln L 2 ln L 2 ln L 2 i j L i2 2j 2
2
2
L2 L 2 ln L L 2 ln L 2 j L i 2j i2
2
L L 2 2 ln L L i j i j
2 ln L 2 ln L 2 ln L 2 L i j j2 i2 2
2 2 2 ln L 2 ln L 2 ln L 2 = 0 0 2 0 0 L j2 i2 i j
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
79
2 ln L 2 ln L 2 ln L 2 2 L L 0 0 2 2 j i i j 2
2
2 L 2 L 2 L D 0, 2i 2 j i j
Dengan perkataan lain terbukti bahwa juga memaksimumkan L . Terbukti bahwa memaksimumkan L memaksimumkan ln L
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
80
LAMPIRAN 2
Akan dibuktikan bahwa error pada model regresi spatial error satu arah N K N N y w y x w x wij j adalah : it it ij jt k itk ij jtk i j 1 k 1 j 1 j 1
Bukti : Model regresi spatial error satu arah adalah : K
N
yit xitk k i it ,
dimana
k 1
it wij jt it j 1
K
it yit xitk k i
N
Maka it it wij jt
k 1
dimana
j 1
K
jt y jt x jtk k j k 1
Jadi K
N
K it yit xitk k i wij y jt x jtk k j k 1 j 1 k 1
N K N N it yit wij y jt k xitk wij x jtk i wij j j 1 k 1 j 1 j 1
(terbukti)
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
81
LAMPIRAN 3
Akan ditunjukkan bahwa IT ( I N WN )Y * X * * N
K
yit wij y jt k xitk i it j 1
k 1
Substitusikan i N
N K 1 T ( y w y k xitk ) ke dalam persamaan diatas. it ij jt T t 1 j 1 k 1
K
yit wij y jt k xitk j 1
yit
k 1
N K 1 T ( y w y k xitk ) it it ij jt T t 1 j 1 k 1
N 1 T 1 T K 1 T yit wij y jt y jt k xitk xitk it T t 1 T t 1 k 1 T t 1 j 1
Misalkan :
yit* yit N
1 T yit T t 1
* xitk xitk
1 T xitk T t 1
K
* yit* wij y *jt k xitk it j 1
k 1
Atau dinyatakan dalam bentuk matriks : Y * WNT Y * X * * Y * WNT Y * X * * I NT Y * IT WN Y * X * *
IT I N Y * IT WN Y * X * * IT ( I N WN )Y * X * *
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
82
LAMPIRAN 4
1.
Akan dibuktikan bahwa taksiran untuk ˆ pada model regresi spatial lag panel data satu arah adalah unbiased yaitu :
E ˆ Bukti : E ˆ E X * ' X *
1
E ˆ E X * ' X *
1
E ˆ E X * ' X *
1
1
X 'Y X ' X X ' ( I *
*
X ' Y *
X ' I
*
*
*
T
*
*
T
WN )Y *
( I T WN )Y *
( I N WN )Y *
pada lampiran 3 diketahui bahwa IT ( I N WN )Y * X * * Maka : 1 E ˆ E X * ' X * X * ' X * *
1 1 E ˆ E X * ' X * X * ' X * X * ' X * X * ' *
1 1 E ˆ E X * ' X * X * ' X * E X * ' X * X * ' *
E ˆ E X * ' X *
1
X ' E *
*
Karena E * = 0 maka :
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
83
E ˆ E Sehingga :
E ˆ (terbukti) Akan dibuktikan bahwa taksiran dari pada model regresi spatial error
2.
panel data satu arah adalah taksiran yang unbiased yaitu :
E ˆ . Bukti : 1 * E ˆ E X * IT WN X * ' X * IT WN X * X * IT WN X * ' Y * IT W N Y
1 E ˆ E X * IT WN X * ' X * IT WN X * X * IT WN X * ' IT I N WN Y *
Karena :
* IT I N WN Y * X *
I
T
I N WN X * * IT I N WN Y *
X I *
T
WN X * * IT I N WN Y *
Maka : 1 E ˆ E X* IT WN X* ' X* IT WN X* X* IT WN X* ' X* IT WN X* *
1 E ˆ E X* IT WN X* ' X* IT WN X* X* IT WN X* ' X* IT WN X*
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
84
E X * IT WN X * ' X * IT WN X *
1
X I 1
*
X I
E ˆ E X * IT WN X * ' X * IT WN X *
*
Karena E * E 0 maka :
E ˆ E Sehingga :
E ˆ
( terbukti )
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
T
T
WN X * ' *
WN X * ' E *
85
LAMPIRAN 5 DATA
id _1 _2 _3 _4 _5 _6 _7 _8 _9 _10 _11 _12 _13 _14 _15 _16 _17 _18 _19 _20 _21 _22 _23 _24 _25 _26 _27 _28 _29 _30 _31 _32 _33 _34 _35 _36 _37 _38 _39 _40 _41 _42 _43 _44
year
logc 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
4.481872 4.750136 4.644391 4.822698 4.964242 5.104733 5.412984 4.862135 4.65396 4.596129 4.887337 4.900076 4.693181 4.60617 4.961445 4.764735 4.909709 4.801559 4.85203 4.899331 4.733563 4.488636 4.922168 4.754452 4.695925 5.245444 5.575949 4.869072 4.60417 4.827513 4.574711 4.865995 4.727388 4.763028 4.962145 4.561218 4.609162 4.693181 4.685828 4.16356 4.858261 4.810557 4.620059 4.785824
logp 0.022728 -0.106 -0.11886 0.017094 -0.106 -0.08388 -0.26495 -0.08388 -0.04406 -0.08388 0.022728 -0.15511 0.0422 -0.07146 -0.28005 -0.06838 -0.08388 -0.11886 0.008584 -0.08388 -0.06224 -0.0262 -0.17545 -0.07146 -0.04707 -0.05919 -0.15176 -0.00866 -0.03212 -0.00866 -0.07455 -0.1221 -0.1092 0.044951 -0.08076 -0.16523 -0.06224 -0.06531 0.002869 -0.07455 -0.0262 -0.25008 0.064 -0.106
logpn
logy
-0.08388 -0.07455 -0.17545 -0.106 -0.08076 -0.11886 -0.25008 -0.04406 -0.16523 -0.07455 -0.28005 -0.28005 -0.17545 -0.17545 -0.25008 -0.11886 -0.15176 -0.26495 -0.15176 -0.15511 -0.07455 -0.11886 -0.28005 -0.08388 -0.17545 -0.106 -0.08388 -0.08388 -0.1092 -0.106 -0.07146 -0.28005 -0.17545 -0.1221 -0.106 -0.04406 -0.07455 -0.28005 -0.11886 -0.106 -0.15176 -0.28005 -0.08388 -0.28005
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
4.147724 4.358906 4.120516 4.663844 4.718354 4.476998 4.68057 4.40947 4.286604 4.297846 4.634086 4.446947 4.429141 4.438434 4.235759 4.239137 4.318704 4.502615 4.582358 4.49791 4.41481 4.010242 4.463019 4.328858 4.388386 4.649986 4.539662 4.721426 4.247546 4.6344 4.246219 4.484066 4.293643 4.468 4.482228 4.177609 4.258406 4.253625 4.359403 4.303398 4.453614 4.385757 4.571063 4.147666
86
_45 _46 _1 _2 _3 _4 _5 _6 _7 _8 _9 _10 _11 _12 _13 _14 _15 _16 _17 _18 _19 _20 _21 _22 _23 _24 _25 _26 _27 _28 _29 _30 _31 _32 _33 _34 _35 _36 _37 _38 _39 _40 _41 _42 _43 _44 _45
0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
4.713127 4.916325 4.50092 4.734443 4.633758 4.819475 4.974663 5.167639 5.357529 4.797442 4.687671 4.611152 4.870607 4.889597 4.681205 4.630838 4.985659 4.752728 4.906755 4.806477 4.865224 4.893352 4.721174 4.51086 4.92144 4.765587 4.685828 5.291293 5.515443 4.797442 4.465908 4.807294 4.57368 4.858261 4.688592 4.74232 4.768988 4.646312 4.629863 4.675629 4.712229 4.183576 4.902307 4.819475 4.607168 4.719391 4.714025
-0.03509 -0.06838 -0.00273 -0.01648 -0.17202 -0.00273 -0.13081 -0.13081 -0.29956 0.118086 -0.07055 -0.14017 -0.04173 -0.21163 -0.01926 -0.11846 -0.30694 -0.09722 -0.09422 -0.17851 -0.04743 -0.14017 -0.11235 -0.05316 -0.20492 -0.11846 -0.1093 -0.09722 -0.20492 0.050476 0.032174 0.050476 -0.12771 -0.15279 0.005435 -0.00546 0.045281 -0.23548 -0.12462 -0.11235 -0.06472 -0.09722 -0.07055 -0.25991 0.024227 -0.13392 -0.08825
-0.06224 -0.08388 -0.11235 -0.09722 -0.20492 -0.09722 -0.04743 -0.17851 -0.25991 -0.07055 -0.23548 -0.11846 -0.30694 -0.30694 -0.20492 -0.20492 -0.25991 -0.17202 -0.20492 -0.29956 -0.20492 -0.21163 -0.12771 -0.17202 -0.30694 -0.14017 -0.20492 -0.14017 -0.09422 -0.13081 -0.09722 -0.13081 -0.12462 -0.30694 -0.20492 -0.17851 -0.13081 -0.07055 -0.12771 -0.30694 -0.17202 -0.14017 -0.20492 -0.30694 -0.14017 -0.30694 -0.11235
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
4.43651 4.430257 4.170958 4.396768 4.131955 4.670913 4.724623 4.495051 4.667751 4.446386 4.309331 4.33955 4.638831 4.466431 4.457207 4.456673 4.255834 4.226016 4.344239 4.524176 4.593345 4.50001 4.427122 4.03208 4.445534 4.331003 4.438601 4.665417 4.555977 4.725613 4.246368 4.63749 4.28783 4.497588 4.298866 4.485218 4.488511 4.207759 4.264203 4.270539 4.379536 4.300724 4.456137 4.411605 4.566106 4.163195 4.43944
87
_46 _1 _2 _3 _4 _5 _6 _7 _8 _9 _10 _11 _12 _13 _14 _15 _16 _17 _18 _19 _20 _21 _22 _23 _24 _25 _26 _27 _28 _29 _30 _31 _32 _33 _34 _35 _36 _37 _38 _39 _40 _41 _42 _43 _44 _45
1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
4.910447 4.497585 4.74667 4.608166 4.812184 4.787492 5.043425 5.300315 4.817051 4.699571 4.628887 4.826712 4.902307 4.68675 4.736198 5.048573 4.752728 4.855929 4.816241 4.822698 4.856707 4.647271 4.536891 4.798267 4.71133 4.683057 5.244389 5.582368 4.793308 4.49981 4.779123 4.541165 4.800737 4.685828 4.675629 4.819475 4.640537 4.529368 4.603168 4.667206 4.18205 4.808927 4.822698 4.571613 4.740575 4.667206
-0.11846 0.020409 -0.0448 -0.05564 0 0.084 0.005141 -0.30852 0.114341 -0.12327 -0.13796 0.064861 -0.23742 -0.02876 -0.12619 -0.31556 -0.12327 -0.02083 -0.17411 0.020409 -0.14092 0.007702 -0.06936 -0.0749 -0.13206 -0.13501 0.002574 -0.21161 0.055152 0.022931 0.047808 -0.03943 -0.05837 -0.01036 -0.01036 0.012804 -0.17718 -0.00776 0.027956 0.04041 -0.11457 -0.02876 -0.29804 -0.00258 -0.14092 -0.00776
-0.14017 -0.12327 -0.11457 -0.12327 -0.0448 0.012804 -0.17411 -0.29804 -0.12327 -0.17718 -0.13206 -0.31556 -0.31556 -0.13501 -0.13501 -0.29804 -0.06936 -0.21161 -0.30852 -0.21161 -0.23742 -0.03943 -0.12327 -0.31556 -0.13796 -0.12912 -0.13796 -0.02876 -0.01036 -0.11457 -0.02876 -0.13206 -0.31556 -0.12619 -0.17411 0.020409 -0.12327 -0.13501 -0.31556 -0.12327 -0.13796 -0.21161 -0.31556 -0.13796 -0.31556 -0.02876
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
4.425417 4.201394 4.434069 4.163137 4.682699 4.74948 4.500714 4.684966 4.485991 4.333002 4.367124 4.638966 4.444754 4.464044 4.476573 4.283475 4.245938 4.381987 4.558425 4.618287 4.477634 4.452895 4.057368 4.46996 4.377896 4.441994 4.725768 4.546766 4.754656 4.27378 4.665029 4.260247 4.495427 4.334227 4.500661 4.503772 4.238224 4.286015 4.288179 4.407896 4.33971 4.471111 4.438445 4.547985 4.227319 4.455256
88
_46 _1 _2 _3 _4 _5 _6 _7 _8 _9 _10 _11 _12 _13 _14 _15 _16 _17 _18 _19 _20 _21 _22 _23 _24 _25 _26 _27 _28 _29 _30 _31 _32 _33 _34 _35 _36 _37 _38 _39 _40 _41 _42 _43 _44 _45
2 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
4.884316 4.558079 4.696837 4.645352 4.795791 4.767289 5.082025 5.361292 4.812184 4.751001 4.68675 4.833102 4.93663 4.685828 4.632785 5.096813 4.785824 4.891852 4.841822 4.799091 4.837075 4.757033 4.657763 4.8489 4.750136 4.687671 5.249652 5.627621 4.829113 4.528289 4.81462 4.590057 4.825109 4.748404 4.666265 4.813809 4.744932 4.571613 4.666265 4.69043 4.215086 4.823502 4.85515 4.574711 4.714025 4.657763
-0.12912 0.052897 -0.05064 -0.04288 -0.01995 0.11641 0.019561 -0.21699 0.078332 -0.12335 -0.18678 0.021979 -0.22934 -0.05064 -0.04031 -0.29678 -0.03008 -0.04288 -0.16908 0.01227 -0.03263 -0.00993 -0.07696 -0.0958 -0.15456 -0.15456 0.082888 -0.172 0.029199 0.029199 0.029199 -0.04031 -0.06109 -0.01744 0.098672 -0.00743 -0.16616 -0.05064 0.026798 0.036368 -0.10125 -0.025 -0.29346 -0.00495 0.026798 -0.00743
-0.13796 -0.12335 -0.10125 -0.0958 -0.05064 -0.00743 -0.16908 -0.29346 -0.12335 -0.16616 -0.16325 -0.29678 -0.29678 -0.15456 -0.15456 -0.29346 -0.07696 -0.172 -0.29346 -0.172 -0.22934 -0.05064 -0.04288 -0.29678 -0.18678 -0.16325 -0.18678 -0.04288 0.019561 -0.10125 -0.025 -0.15456 -0.29678 -0.0958 -0.16908 0.01227 -0.12335 -0.16325 -0.29678 -0.04288 -0.18678 -0.172 -0.29678 -0.18678 -0.29678 -0.05064
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
4.434038 4.230815 4.473317 4.203538 4.691304 4.75733 4.523036 4.732632 4.513101 4.3662 4.383778 4.669484 4.47903 4.461233 4.519479 4.307393 4.263222 4.394471 4.584779 4.641369 4.51769 4.466222 4.0992 4.494184 4.377309 4.470677 4.731904 4.562523 4.781466 4.313828 4.68686 4.359485 4.514648 4.347717 4.51525 4.503731 4.258615 4.332614 4.324229 4.41569 4.367373 4.506316 4.477048 4.54916 4.260377 4.482578
89
_46 _1 _2 _3 _4 _5 _6 _7 _8 _9 _10 _11 _12 _13 _14 _15 _16 _17 _18 _19 _20 _21 _22 _23 _24 _25 _26 _27 _28 _29 _30 _31 _32 _33 _34 _35 _36 _37 _38 _39 _40 _41 _42 _43 _44 _45 _46
3 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
4.880527 4.61611 4.828314 4.643429 4.816241 4.707727 5.051777 5.396351 4.836282 4.762174 4.837075 4.841033 5.005288 4.695011 4.70953 5.189618 4.830711 4.916325 4.891852 4.769837 4.878246 4.572647 4.719391 4.867534 4.805659 4.653008 5.291293 5.691035 4.85515 4.598146 4.786658 4.642466 4.823502 4.801559 4.691348 4.90082 4.776599 4.634729 4.714025 4.687671 4.266896 4.927254 4.919981 4.483003 4.766438 4.689511 4.941642
-0.16325 0.011891 -0.09531 0.053563 -0.04652 0.204794 0.067077 -0.2154 0.112987 -0.02177 -0.2154 0.002389 -0.25166 0.002389 -0.07448 -0.3119 -0.04402 -0.0072 -0.19775 0.095745 -0.04402 0.078201 -0.11123 -0.10324 -0.04152 -0.01689 -0.02913 -0.1466 0.007151 -0.01689 0.021303 -0.0719 -0.08484 -0.04903 0.067077 -0.0048 -0.2036 -0.06677 -0.0048 0.115121 -0.11659 -0.04402 -0.33504 0.097917 -0.01203 -0.03654 -0.19484
-0.18678 -0.11123 -0.11659 -0.11123 -0.09531 -0.0048 -0.19775 -0.33504 -0.02177 -0.2036 -0.19484 -0.3119 -0.3119 -0.10324 -0.10324 -0.33504 -0.11123 -0.1466 -0.33504 -0.1466 -0.25166 -0.0719 -0.04402 -0.3119 -0.2154 -0.19484 -0.2154 -0.04402 0.021303 -0.11659 -0.04402 -0.06677 -0.3119 -0.10324 -0.19775 0.095745 -0.02177 -0.19484 -0.33504 -0.04903 -0.2154 -0.1466 -0.3119 -0.2154 -0.33504 0.002389 -0.2154
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
4.463367 4.285007 4.510036 4.256817 4.711933 4.774018 4.565075 4.777102 4.555696 4.418207 4.460124 4.692365 4.513129 4.533981 4.591981 4.350156 4.29824 4.429704 4.613025 4.666142 4.563176 4.498529 4.161058 4.522437 4.479527 4.540754 4.740624 4.589323 4.803016 4.364563 4.700908 4.503046 4.54308 4.373499 4.543278 4.537502 4.30228 4.437856 4.384053 4.447514 4.413172 4.504265 4.520524 4.579067 4.312318 4.513566 4.554962
90
_1 _2 _3 _4 _5 _6 _7 _8 _9 _10 _11 _12 _13 _14 _15 _16 _17 _18 _19 _20 _21 _22 _23 _24 _25 _26 _27 _28 _29 _30 _31 _32 _33 _34 _35 _36 _37 _38 _39 _40 _41 _42 _43 _44 _45 _46
5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
4.633758 4.854371 4.682131 4.823502 4.694096 5.041488 5.344246 4.887337 4.785824 4.80238 4.823502 5.049856 4.70592 4.74667 5.307773 4.841822 4.927254 4.922168 4.797442 4.895598 4.670958 4.744932 4.883559 4.786658 4.669084 5.305789 5.631212 4.789157 4.594109 4.776599 4.688592 4.79165 4.821088 4.706824 4.955827 4.832306 4.639572 4.697749 4.70411 4.286341 4.989071 4.963544 4.51086 4.758749 4.695925 4.950177
-0.05319 -0.1374 0.015643 -0.10686 0.130712 -0.00905 -0.25228 0.065383 -0.04609 -0.20142 -0.07967 -0.29977 -0.05795 -0.12201 -0.37224 -0.10686 -0.07967 -0.22936 0.035402 -0.09937 0.026668 -0.17425 -0.16358 -0.08211 -0.0748 -0.09689 -0.18503 0.096538 -0.06034 0.031045 -0.11947 -0.05557 -0.09441 0.011198 -0.08947 -0.28169 -0.11441 -0.08456 0.04406 -0.19593 -0.10937 -0.38871 0.033226 -0.10686 -0.04139 -0.25518
-0.17425 -0.19593 -0.17425 -0.1374 -0.08947 -0.22936 -0.38871 -0.05319 -0.28169 -0.25518 -0.37224 -0.37224 -0.16358 -0.16358 -0.38871 -0.17425 -0.18503 -0.38871 -0.18503 -0.29977 -0.11947 -0.10686 -0.37224 -0.25518 -0.25518 -0.20142 -0.10937 -0.00905 -0.19593 -0.10937 -0.11441 -0.37224 -0.16358 -0.22936 0.035402 -0.04609 -0.25518 -0.38871 -0.10686 -0.25518 -0.18503 -0.37224 -0.20142 -0.38871 -0.07967 -0.20142
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
4.33463 4.554347 4.341281 4.744489 4.818668 4.604736 4.784283 4.615017 4.471864 4.541431 4.755172 4.602288 4.689256 4.681191 4.41033 4.341293 4.467839 4.658829 4.69585 4.617707 4.621879 4.227299 4.585058 4.568872 4.659764 4.774066 4.640593 4.83608 4.396978 4.719539 4.846211 4.591793 4.454551 4.586794 4.552546 4.359757 4.633356 4.43715 4.508234 4.438372 4.541903 4.570991 4.639138 4.345616 4.566022 4.619767
91
LAMPIRAN 6 OUTPUT MODEL
1. MODEL REGRESI PANEL SATU ARAH Dependent Variable: LOGC? Method: Pooled Least Squares Date: 06/07/09 Time: 01:36 Sample: 1 276 Included observations: 276 Total panel observations 276 Variable
Coefficient
Std. Error
t-Statistic
Prob.
LOGP? LOGPN? LOGY? Fixed Effects _A--C
-1.041989 0.146363 0.703143
0.121016 0.124377 0.066013
-8.610354 1.176771 10.65159
0.0000 0.2403 0.0000
1.605485
R-squared Adjusted R-squared S.E. of regression Log likelihood Durbin-Watson stat
0.386135 0.379364 0.178776 223.5546 0.469263
Mean dependent var S.D. dependent var Sum squared resid F-statistic Prob(F-statistic)
4.798510 0.226930 8.693389 85.54694 0.000000
2. MODEL REGRESI SPATIAL LAG PANEL DATA SATU ARAH Dependent Variable = logcit R-squared
=
Rbar-squared sigma^2
0.9729 =
0.9670
=
0.0014
Durbin-Watson =
1.8047
Nobs,Nvar,TNvar
=
log-likelihood
=
# of iterations
=
min and max rho total time in secs = time for lndet
=
276,
3,
50
514.76733 12 = -1.0000, 1.0000 0.0630 0.0470
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
92
No lndet approximation used *************************************************************** Variable
Coefficient Asymptot t-stat
z-probability
logp
-0.608632
-12.653520
logpn
0.233016
3.559311
0.000372
logy
0.294657
7.708424
0.000000
W*dep.var.
0.198966
2.952892
0.003148
0.000000
3. MODEL REGRESI SPATIAL ERROR PANEL DATA SATU ARAH Dependent Variable = logcit R-squared
=
Rbar-squared sigma^2
0.9742 =
=
0.9687 0.0013
Durbin-Watson =
1.8004
log-likelihood =
519.38811
Nobs,Nvar,TNvar = # iterations
=
276,
3,
49
13
min and max rho = -0.9900, 0.9900 total time in secs =
0.1090
time for optimiz =
0.0310
time for lndet
=
0.0620
No lndet approximation used *************************************************************** Variable
Coefficient Asymptot t-stat
z-probability
Logp
-0.618106
-13.173758
0.000000
logpn
0.129409
2.020164
0.043366
logy
0.335804
7.491020
0.000000
spat.aut.
0.299957
4.467190
0.000008
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
93
LAMPIRAN 7
MODEL REGRESI SPASIAL LAG PANEL SATU ARAH Y WNT Y X T I N
Dapat ditulis : y11 y w11 21 w21 y N1 w y12 N1 y22 yN 2 y1T y2T yNT x1 1 1 x 2 11 x N 11 x1 2 1 x 2 21 x N 21 x1 T 1 x2T 1 x N T 1
w12 w1N w22
w2 N
0
w21
w22
w2N
0
0
w11
w12
w21
w22
wN 1 wN 2
x N 22
x 1T 2
x 2T 2
xNT 2
xNT 2
w12 w1N
0
x 2 12
x 22 2
w11
wN1 wN 2 wNN
x1 2 2
0
wN 2 wNN
x1 1 2
x N 12
0
x1 1 k x 2 1 k x N 1k x1 2 k x 22 k 1 2 xN 2k k x 1T k x 2T k x N T k
1 1 1 0 0 0 1
0 1
0 0
0
1
0
0
y11 y 21 y N1 y12 y22 +… yN 2 y1T w1N y2T w2 N yNT wNN
0 1 0 2 0 1 N
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
11 21 N1 12 22 N2 1T 2T NT
94
LAMPIRAN 8 ITERASI NEWTON-RAPHSON Misalkan diketahui : L ; x1 , x2 ,..., xn f x1 , f x2 , ... f xn , ,
Taksiran parameter diperoleh dengan cara memaksimumkan fungsi likelihood yang ekuivalen dengan memaksimumkan logaritma dari fungsi likelihood. Nilai yang memaksimumkan fungsi log-likelihood diperoleh dengan mencari solusi persamaan berikut ini :
Ln 0 Kadang kala untuk mendapatkan taksiran tidak langsung didapatkan. Untuk mengatasi hal ini diperlukan suatu iterasi numerik yaitu iterasi newton-raphson. Pada iterasi ini fungsi objektif LnL diaproksimasi dengan second order taylor series disekitar initial value 1 . Secara umum metode ini melakukan aproksimasi dengan taylor order kedua untuk log likelihood disekitar nilai parameter permulaan, yaitu :
LnL LnL 1
LnL 2 LnL 1 1 2
1
1
2
2
Untuk memperoleh kondisi optimum, fungsi tersebut diturunkan terhadap parameter dengan operasi sebagai berikut :
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009
95
LnL LnL 2 LnL 1 0 2 1 1
LnL LnL 2 LnL 2 1 0 2 1 1
2 LnL LnL 2 1 2 1 1
2
2
1
2 LnL LnL 1 2 1
2 LnL LnL 1 1 2 1
1
1
Bila persamaan diatas , 2 menggantikan 1 maka akan diperoleh
3 dan seterusnya. Sehingga persamaan umumnya dapat ditulis sebagai
berikut :
n 1
n
2 LnL LnL n 2 n
1
Persamaan inilah yang disebut dengan Newton-Raphson Iteration. Jika iterasi sudah konvergen yaitu n1 n , atau n 1 n maka dari
persamaan diatas dapat disimpulkan
LnL 0 dimana memenuhi syarat n
kondisi turunan pertama.
Penaksiran parameter..., Rifki Kosasih, FMIPA UI, 2009