2.3. Spatial Autoregresive Model SAR
Pada persamaan 2.6 jika nilai ρ ≠ 0 dan λ = 0 maka model regresi spasial akan
menjadi model regresi spasial Mixed Regressive-Autoregressive atau Spatial Autoregressive Model
SAR atau disebut juga Spatial lag Model SLM Anselin, 1988 dengan bentuk persamaannya yaitu
βX Wy
y
2.12
Model persamaan 2.12 mengasumsikan bahwa proses autoregressive hanya pada variabel dependen. Pada persamaan tersebut, respon variabel y dimodelkan
sebagai kombinasi linier dari daerah sekitarnya atau daerah yang berimpitan dengan y, tanpa adanya eksplanatori variabel yang lain. Bentuk penaksir dari metode SAR
adalah
Y W
I X
X X
β
ˆ
1
T
T
2.13
2.4. Spatial Error Model SEM
Pada persamaan 2.6 jika nilai
λ ≠ 0 atau ρ = 0 maka model regresi spasial akan
menjadi model Spatial Error Model SEM dengan bentuk persamaannya yaitu
u Wy
βX Wy
y
2.14
λW
2
u menunjukkan spasial terstruktur
λW
2
pada spatially dependent error ε.
Model SEM adalah model regresi linier yang pada peubah galatnya terdapat korelasi spasial. Bentuk parameter penduga dari model SEM adalah
Wy y
Wy X
WX X
WX X
β
T
T 1
ˆ 2.15
2.5. Signifikansi Parameter Regresi Spasial
Anselin 2003 menyatakan bahwa salah satu prinsip dasar penduga Maksimum Likelihood adalah asymptotic normality, artinya semakin besar ukuran n maka kurva
akan semakin mendekati kurva sebaran normal. Pengujian signifikansi parameter regresi
β dan autoregresif ρ dan λ secara parsial yaitu didasarkan pada nilai ragam galat
σ
2
, sehingga statistik uji signifikansi parameter yang dipergunakan yaitu
Dimana merupakan asymptotic standard error. Melalui uji
parsial masing-masing parameter dengan hipotesis
: :
1
H H
Dimana merupakan parameter regresi spasial yaitu
β, λ, dan ρ, apabila Z
hitung
≥ Z
α2
atau ρ = value α2, maka keputusan tolak H
, artinya koefisien regresi
layak digunakan pada model.
2.6. Efek Spasial