PEMODELAN REGRESI PROBIT SPASIAL DENGAN PENDUGAAN MCMC (MARKOV CHAIN MONTE CARLO) GIBBS SAMPLER
Abstract: Regresi spasial
merupakan pembentukan model regresi dengan menggunakan data kewilayahan. Pada
regresi spasial, pengamatan di suatu wilayah bergantung pada pengamatan yang
berada di wilayah lain yang berdekatan, sehingga terdapat autokorelasi spasial
dan heterogenitas spasial. Akibat adanya autokorelasi spasial sehingga
pendugaan menggunakan OLS (Ordinary Least Square) tidak dapat digunakan,
sebagai alternatif digunakan metode BayesianMarkov Chain Monte Carlo (MCMC)
dengan algoritma Gibbs Sampler.Dalam model regresi juga dijumpai kasus dengan
peubah dependennya yang bersifat kualitatif, maka penyelesaiannya dapat
menggunakan model probit.Penelitian ini bertujuan untuk menerapkan regresi
probit spasial dengan model SAR dan SEM menggunakan pendugaan MCMC Gibbs
Sampler pada data Kemiskinan, Indeks Pembangunan Manusia, Angka Kematian Bayi,
Balita Gizi Buruk, dan Tingkat Pengangguran Terbuka.Model spasial probit yang
terbentuk pada salah satu dataKemiskinan adalah Spasial Autoregressive Model
(SAR) Probit.Informasi yang diperoleh pada salah satu model regresi probit
spasial dari data Kemiskinan yaitu setiap peningkatan angka melek huruf (X1) di
Kota Malang sebesar 1%, maka peluang Kota Malang termasuk kategori kota tidak
miskin menurun sebesar 15.3% dan apabila pengeluaran perkapita penduduk
(X2) di Kota Malang meningkat 1 juta
rupiah, maka peluang Kota Malang termasuk kategori kota tidak miskin naik
sekitar 2.218%.
Penulis: Ledy Wilda Iftitakh
Kode Jurnal: jpmatematikadd141177
