Estimasi Parameter Model Mixed GWR

jika persamaan 2.11 diturunkan terhadap dan hasilnya disamakan dengan nol maka diperoleh hasil pada persamaan rumus 2.12. 2.12 Sehingga estimator parameter model GWR adalah: 2.13 Misalkan adalah elemen baris ke-i dari matriks , maka nilai prediksi untuk pada dapat diperoleh dengna cara berikut: Sehingga untuk seluruh pengamatan dapat dituliskan: dengan 2.14 Lalu dengan mensubtusikan elemen dari ke dalam model Mixed GWR sehingga persamaan 2.14 menjadi: Dengan menggunakan metode OLS maka dapat diperoleh estimasi untuk koefisien global adalah: Jika persamaan diturunkan terhadap dan hasilnya disamadengankan dengan nol maka didapatkan estimator parameter model regresi global yaitu: 2.15 Dengan mensubtitusikan kedalam persamaan 2.15 maka bisa diperoleh estimasi untuk koefisien lokal pada titik pengamatan yaitu: 2.16 Sifat ketidakbiasan estimator dan yaitu merupakan estimator tak bias untuk estimator dan Estimasi parameter diperoleh dengan memperhatikan sifat kelokalan dari model Mixed GWR. Estimasi parameter dapat dituliskan: 2 = dengan SSE merupakan , atau bentuk lainnya adalah .

2.5.2 Pengujian Hipotesis Model Mixed GWR

Prinsip dari pengujian hipotesis dari model Mixed GWR menurut Leung, et al. 2000 adalah dengan membandingkan antara model Mixed GWR dengan model regresi global. Pengujian hipotesis yang dilakukan meliputi uji kesesuaian model goodness of fits model Mixed GWR dan regresi global, pengujian serentak untuk parameter variabel global dan lokal serta pengujian parsial pada setiap model Mixed GWR. 1. Uji Kesesuaian Model goodness of fit Uji hipotesis yang pertama kali dilakukan adalah dengan membandingkan model Mixed GWR dengan model regresi global. Pengujian ini dilakukan dengan hipotesis yaitu: untuk setiap j = 1,2,...,k dan i = 1,2,...,n tidak ada perbedaan yang signifikan antara model regresi global dengan Mixed GWR minimal ada satu untuk setiap j = 1,2,...,k dan i = 1,2,...,n ada perbedaan yang signifikan antara model regresi global dengan Mixed GWR Statistik uji: dengan merupakan , merupakan hasil dari , dengan S adalah hasil dari dan nilai diperoleh dari serta diperoleh dari , , .

Dokumen yang terkait

PEMODELAN DATA KEMISKINAN DI PROVINSI SUMATERA BARAT MENGGUNAKAN METODE GEOGRAPHICALLY WEIGHTED REGRESSION - Diponegoro University | Institutional Repository (UNDIP-IR)

0 0 6

PEMODELAN DATA KEMISKINAN DI PROVINSI SUMATERA BARAT MENGGUNAKAN METODE GEOGRAPHICALLY WEIGHTED REGRESSION - Diponegoro University | Institutional Repository (UNDIP-IR)

0 0 5

UJI HIPOTESIS MODEL MIXED GEOGRAPHICALLY WEIGHTED REGRESSION DENGAN METODE BOOTSTRAP - Diponegoro University | Institutional Repository (UNDIP-IR) D03 Hasbi Yasin

0 0 10

PEMILIHAN VARIABEL PADA MODEL GEOGRAPHICALLY WEIGHTED REGRESSION - Diponegoro University | Institutional Repository (UNDIP-IR)

0 0 10

PEMODELAN PENDAPATAN ASLI DAERAH (PAD) DI KABUPATEN DAN KOTA DI JAWA TENGAH MENGGUNAKAN GEOGRAPHICALLY WEIGHTED RIDGE REGRESSION - Diponegoro University | Institutional Repository (UNDIP-IR)

0 0 18

GEOGRAPHICALLY WEIGHTED REGRESSION PRINCIPAL COMPONENT ANALYSIS (GWRPCA) PADA PEMODELAN PENDAPATAN ASLI DAERAH DI JAWA TENGAH - Diponegoro University | Institutional Repository (UNDIP-IR)

3 12 21

PENENTUAN MODEL KEMISKINAN DI JAWA TENGAH DENGAN MULTIVARIATE GEOGRAPHICALLY WEIGHTED REGRESSION (MGWR) - Diponegoro University | Institutional Repository (UNDIP-IR)

1 1 17

PEMODELAN FIXED EFFECT GEOGRAPHICALLY WEIGHTED PANEL REGRESSION UNTUK INDEKS PEMBANGUNAN MANUSIA DI JAWA TENGAH - Diponegoro University | Institutional Repository (UNDIP-IR) Siti Maulina M.

5 15 20

Pemodelan dan Pemetaan Prevalensi Kusta di KabupatenKota Jawa Timur dengan Pendekatan Mixed Geographically Weighted Regression

0 0 6

PEMODELAN ANGKA PARTISIPASI SEKOLAH JENJANG MENENGAH ATAS DI JAWA TIMUR DENGAN PENDEKATAN MIXED GEOGRAPHICALLY WEIGHTED REGRESSION Repository - UNAIR REPOSITORY

1 1 12