PEMODELAN PRODUK DOMESTIK REGIONAL BRUTO (1)
PEMODELAN PRODUK DOMESTIK REGIONAL BRUTO BERDASARKAN
LAPANGAN UASAHA PERTANIAN DAN PERDAGANGAN DENGAN
MENGGUNAKAN PEDEKATAN SPATIAL REGRESSION
Ulfatun Khasanah
Mahasiswa Statistika, Universitas Negeri Semarang, Semarang, Indonesia
(E-mail: ulfatundum@gmail.com)
ABSTRAK
Selama sepuluh tahun terakhir, banyak perubahan yang terjadi pada tatanan global dan
lokal yang sangat berpengaruh terhadap perekonomian nasional. Krisis finansial global yang
terjadi pada tahun 2008, penerapan perdagangan bebas antara China-ASEAN (CAFTA),
perubahan sistem pencatatan perdagangan internasional dan meluasnya jasa layanan pasar modal
merupakan contoh perubahan yang perlu diadaptasi dalam mekanisme pencatatan statistik
nasional. Perubahan tahun dasar PDB dilakukan secara bersamaan dengan penghitungan Produk
Domestik Regional Bruto (PDRB) Provinsi untuk menjaga konsistensi hasil penghitungan.
Produk Domestik Regional Bruto (PDRB) pada tingkat regional (provinsi) menggambarkan
kemampuan suatu wilayah untuk menciptakan output (nilai tambah) pada suatu waktu tertentu.
Untuk menyusun PDRB digunakan 2 pendekatan, yaitu produksi dan penggunaan. Keduanya
menyajikan komposisi data nilai tambah dirinci menurut sumber kegiatan ekonomi (lapangan
usaha) dan menurut komponen penggunaannya. PDRB dari sisi lapangan usaha merupakan
penjumlahan seluruh komponen nilai tambah bruto yang mampu diciptakan oleh lapangan usaha
atas berbagai aktivitas produksinya. Sedangkan dari sisi penggunaan menjelaskan tentang
penggunaan dari nilai tambah tersebut. PDRB yang disajikan secara berkala dapat
menggambarkan perkembangan ekonomi suatu daerah dan juga dapat digunakan sebagai bahan
acuan dalam mengevaluasi dan merencanakan pembangunan regional. Variabel penelitain yang
digunakan pada penelitian ini adalah PDRB atas dasar harga konstan (Y), Lapangan Usaha
Pertanian ( ), dan Lapangan Usaha Perdagangan ( . Penelitian ini menggunakan metode
pendekatan SLX, merupakan model regresi linier local yang menghasilkan dugaan parameter
model regresi yang bersifat local.
Kata Kunci : PDRB Bali, Lapangan Usaha, Regresi Spasial, SLX
PENDAHULUAN
Selama sepuluh tahun terakhir, banyak perubahan yang terjadi pada tatanan global dan
lokal yang sangat berpengaruh terhadap perekonomian nasional. Krisis finansial global yang
terjadi pada tahun 2008, penerapan perdagangan bebas antara China-ASEAN (CAFTA),
perubahan sistem pencatatan perdagangan internasional dan meluasnya jasa layanan pasar modal
merupakan contoh perubahan yang perlu diadaptasi dalam mekanisme pencatatan statistik
nasional.
Salah satu bentuk adaptasi pencatatan statistik nasional adalah melakukan perubahan tahun
dasar PDB Indonesia dari tahun 2000 ke 2010. Perubahan tahun dasar PDB dilakukan seiring
dengan mengadopsi rekomendasi Perserikatan Bangsa-Bangsa (PBB) yang tertuang dalam 2008
System of National Accounts (SNA 2008) melalui penyusunan kerangka Supply and Use Tables
(SUT). Perubahan tahun dasar PDB dilakukan secara bersamaan dengan penghitungan Produk
Domestik Regional Bruto (PDRB) Provinsi untuk menjaga konsistensi hasil penghitungan.
Produk Domestik Regional Bruto (PDRB) pada tingkat regional (provinsi)
menggambarkan kemampuan suatu wilayah untuk menciptakan output (nilai tambah) pada suatu
waktu tertentu. Untuk menyusun PDRB digunakan 2 pendekatan, yaitu produksi dan
penggunaan. Keduanya menyajikan komposisi data nilai tambah dirinci menurut sumber
kegiatan ekonomi (lapangan usaha) dan menurut komponen penggunaannya. PDRB dari sisi
lapangan usaha merupakan penjumlahan seluruh komponen nilai tambah bruto yang mampu
diciptakan oleh lapangan usaha atas berbagai aktivitas produksinya. Sedangkan dari sisi
penggunaan menjelaskan tentang penggunaan dari nilai tambah tersebut.
Penyajian PDRB menurut lapangan usaha dirinci menurut total nilai tambah dari seluruh
lapangan usaha yang mencakup kategori Pertanian, Kehutanan, dan Perikanan; Pertambangan
dan Penggalian; Industri Pengolahan; Pengadaan Listrik dan Gas; Pengadaan Air, Pengelolaan
Sampah, Limbah dan Daur Ulang; Konstruksi; Perdagangan Besar dan Eceran, Reparasi Mobil
dan Sepeda Motor; Transportasi dan Pergudangan; Penyediaan Akomodasi dan Makan Minum;
Informasi dan Komunikasi; Jasa Keuangan dan Asuransi; Real Estat; Jasa Perusahaan;
Administrasi Pemerintahan, Pertahanan dan Jaminan Sosial Wajib; Jasa Pendidikan; Jasa
Kesehatan dan Kegiatan Sosial; dan Jasa lainnya.
Pertanian, Peternakan, Kehutanan Dan Perikanan, kategori ini mencakup segala
pengusahaan yang didapatkan dari alam dan merupakan benda-benda atau barang-barang
biologis (hidup) yang hasilnya dapat digunakan untuk memenuhi kebutuhan hidup sendiri atau
untuk dijual kepada pihak lain. Pengusahaan ini termasuk kegiatan yang tujuan utamanya untuk
memenuhi kebutuhan sendiri (subsisten) seperti pada kegiatan usaha tanaman pangan. Golongan
pokok ini mencakup pertanian tanaman pangan, tanaman hortikultura, tanaman perkebunan,
peternakan, serta jasa Pertanian dan perburuan hewan yang di tujukan untuk dijual. Kegiatan
jasa pertanian dan perburuan meliputi kegiatan jasa pertanian, perburuan dan penangkapan satwa
liar, serta penangkaran satwa liar. Kegiatan jasa pertanian adalah kegiatan yang dilakukan baik
oleh perorangan maupun badan usaha atas dasar balas jasa atau kontrak yang khusus yang
diberikan untuk menunjang kegiatan pertanian (tanaman pangan, tanaman hortikultura, tanaman
perkebunan, dan peternakan). Dicakup juga dalam kegiatan jasa pertanian adalah penyewaan alat
pertanian/hewan bersama operatornya dan risiko kegiatan jasa tersebut ditanggung oleh yang
memberikan jasa.
Perdagangan Besar Dan Eceran, Kategori ini meliputi kegiatan ekonomi/lapangan usaha di
bidang perdagangan besar dan eceran (yaitu penjualan tanpa perubahan teknis) dari berbagai
jenis barang, dan memberikan imbalan jasa yang mengiringi penjualan barang-barang tersebut.
Baik penjualan secara grosir (perdagangan besar) maupun eceran merupakan tahap akhir dalam
pendistribusian barang dagangan. Kategori ini juga mencakup reparasi mobil dan sepeda motor.
Penjualan tanpa perubahan teknis juga mengikutkan kegiatan yang terkait dengan
perdagangan, seperti penyortiran, pemisahan kualitas dan penyusunan barang, pencampuran,
pembotolan, pengepakan, pembongkaran dari ukuran besar dan pengepakan ulang menjadi
ukuran yang lebih kecil, penggudangan, baik dengan pendingin maupun tidak, pembersihan dan
pengeringan hasil pertanian, pemotongan lembaran kayu atau logam.
Pedagang besar seringkali secara fisik mengumpulkan, menyortir, dan memisahkan kualitas
barang dalam ukuran besar, membongkar dari ukuran besar dan mengepak ulang menjadi ukuran
yang lebih kecil. Sedangkan pedagang eceran melakukan penjualan kembali barang-barang
(tanpa perubahan teknis), baik barang baru maupun bekas, utamanya kepada masyarakat umum
untuk konsumsi atau penggunaan perorangan maupun rumah tangga, melalui toko, departement
store, kios, mail-order houses, penjual dari pintu ke pintu, pedagang keliling, koperasi konsumsi,
rumah pelelangan, dan lain-lain. Pada umumnya pedagang pengecer memperoleh hak atas
barang-barang yang dijualnya, tetapi beberapa pedagang pengecer bertindak sebagai agen, dan
menjual atas dasar konsinyasi atau komisi.
Di Indonesia Sendiri masalah pertumbuhan ekonomi sangatlah klasik, dari satu daerah
dengan daerah lain sngatlah berbeda jauh jika dibandingkan dengan daerah-daerah yang
berdekatan di pusat ekonomi yaitu DKI Jakarta. Perbedaanya sangatlah signifikan antara daerah
ibu kota negara Indonesia dengan daerah-daerah disekitarnya. Hal ini menjadi masaah yang
sangat serius bagi pemerintah. Hal ini disebabkan karena tidak lain pembangunan infrastruktur
yang tidak merata di setiap daerah, sehingga pasokan-pasokan bahan pokok dan kebutuhan serta
sarana prasarana untuk menunjang pembangunan ekonomi di daerah daerah kurang, sehingga
pertumbuhan ekonomi di setiap daerah tidak merata.
Secara tidak langsung PDRB atas dasar harga konstan berperan sangat penting untuk
memantau pertumbuhan ekonomi dimasyarakat, PDRB juga bisa dijadian tolak ukur untuk
mengukur seberapa berkembangnya perekonomian disauatu daerah.
Hasil pengukuran PDRB beserta variabel-variabel yang mempengruhinya diberbagai
provinsi khususnya Jawa Bali biasanya dalam bentuk tabel. Penyajian dalam bentuk tabel sangat
berguna apabila unsur yang dipetakan mempunyai variabel yang kompleks, penyajian data dalam
bentuk tabel memiliki kelebihan, karena data yang disajikan dengan nominal angka sehingga
tidak akan terjadi kesalahan pembacaan. Namun penyajian data dalam bentuk tabel memiliki
kelemahan yaitu apabila digunakan sebagai perbadingan, pembaca kurang cepat menangkap
tingkat perbandingan karena nilai disajikan dengan angka.
Metode oprasional yang ada sekarang ini sebagaian besar belum menggunakan pendekatan
spasial. Pendekatan spasial atau pendekatan keruangan adalah pendekatan yang mengkaji
rangkaian persamaan dari perbedaan fenomena geosfer dalam ruang. Di dalam pendekatan
keruangan ini perlu diperhatikan adalah persebaran penggunaan ruang dan penyediaan ruang
yang akan dimanfaatkan. Data-data yang membutuhkan pendekatan diantaranya perencanaan
wilayah, ekonometrika, iklim dan kajian lingkungan, penyebaran penyakit. Belum banyaknya
penggunaan pendekatan spasial sebagai perangkat analisis obyek, sehingga belum dapat
memberikan gambaran pola penyebaran.
Untuk mengatasi masalah tersebut digunakan suatu metode pendekatan spasial yang
memungkinkan pengukuran PDRB beserta faktor-faktor yang mempengaruhinya ditampilkan
dalam bentuk visualisasi untuk memberikan informasi yang mudah dipahami di analisis
khususnya dalam hal membandingkan. Visualisasi dalam bentuk peta diharapkan dapat
memberikan gambaran kecendrungan spasial yang lebih baik untuk analisis dalam melihat pola
spasial dari IPM beserta variabel-variabel yang mempengaruhinya. Metode spasial merupakan
metode untuk mendapatkan informasi pengamatan yang dipengaruhi efek ruang atau lokasi. Efek
spasial sering terjadi antara satu wilayah dengan wilayah yang lain. Pada data spasial,
pengamatan yang di suatu lokasi seringkali bergantung pada pengamatan lokasi yang berdekatan.
Dalam metode spasial terdapat regresi spasial. Regresi spasial adalah merupakan hasil
pengembangan dari regresi linier klasik. Pengembangan ini didasarkan adanya pengaruh tempat
atau spasial pada data analisis.
Dalam hal ini PDRB tidak hanya dipengaruhi variabel-variabel bebas namun terdapat efek
spasial didalamnya. Pemodelan regresi spasial dapat digunakan untuk menghasilkan penduga
yang lebih baik dibandingkan regresi klasik/regresi sederhana.
Sehingga peneliti ingin meneliti dengan melibatkan efek spasial didalamnya dikarenakan
jika terdapat efek spasial didalamnya tidak digunakan efek spasial tersebut maka hasil penelitian
dianggap bias. Penelitian ini mengambil 2 parameter yang mempengaruhi PDRB yaitu Lapangan
Usaha Pertanian, dan Lapangan Usaha Perdagangan dengan memperhitungan faktor lokasi
(spasial).
METODE PENELITIAN
Sumber Data dan Variabel Penelitian
Data yang digunakan dalam penelitian ini adalah data sekunder yang diperoleh dari wesite
Badan Pusat Statistika Provinsi Bali, yaitu data PDRB atas dasar harga konstan, Pendapatan Asli
Daerah, Kepadatan Penduduk, Belanja Daerah yang diperoleh dari publikasi BPS Provinsi Bali
dalam angka 2014
Variabel-variabel yang digunakan dalam penelitian ini diantaranya PDRB atas dasar harga
konstan (Y), Lapangan Usaha Pertanian ( ), dan Lapangan Usaha Perdagangan ( .
Dengan Langkah-langkah penelitan sebagai berikut:
1. Melakukan eksplorasi data peta tematik untuk mengetahui pola penyebaran dan
dependensi masing-masing variabel untuk mengetahui pola hubungan varibel X dan
Y.
2. Melakukan pemodelan regresi dengan metode Ordinary Least Square (OLS).
3. Identifikasi tentang keberadaan efek spasial dalam SLX adalah dengan menggunakan
uji kebebasan residual.
4. Melakukan pemodelan SLX dengan tahapan sebagai berikut.
a. Setelah matriks W terbentuk dengan elemen-elemennya (Wij) bernilai 1 dan 0,
dilakukan koding pembobotan untuk mendapatkan matriks W.
b. Melakukan estimasi parameter, pengujian signifikansi parameter dan uji asumsi
regresi dari SLX yang terbentuk.
c. Menginterpretasikan dan menyimpulkan hasil yang diperoleh.
HASIL PENELITIAN
1. Matriks Spasial
Matriks pembobot spasial yang sesuai dalam penelitian ini adalah matriks pembobot Queen
Contiguity. Matriks pembobot ini mensyaratkan adanya pengelompokan wilayah yang memiliki
persinggungan antara sisi dan sudut dari wilayah tersebut dimana
=1 dan
untuk
wilayah lainnya.
Pemodelan Spasial Lag X
Model SLX yang terbentuk adalah sebagai berikut
Keterangan
Model SLX dapat diinterpretasikan bahwa pengaruh Lapangan Usaha Pertanian terhadap
PDRB sebesar 1.546e-02 .Artinya apa bila faktor lain dianggap konstan, jika nilai Lapangan
Usaha Pertanian bernilai 1 satuan maka nilai PDRB akan bertambah sebesar 1.546e-02 , begitu
juga untuk variabel yang selanjutnya.
Pengujian Residual Asumsi Model SLX
Model SLX yang terbentuk perlu dilakukan pengujian asumsi, untuk mengetahui
kelayakan dan keabsahan dari modelnya diantaranya uji normalitas, uji autokorelasi residualnya
1. Normalitas
Berdsarkan output pengujian normalitas pada model SLX dengan bantuan program
R dengan uji Kolmogorov Smirnov didapat p-value sebesar 0.003849, maka data untuk
PDRB dengan menggunakan metode SLX tidak normal.
2. Autokorelasi Spasial
Berdsarkan output program R untuk nilai autokorelasi berdsarkan test moran I
didapat p-value sebesar 0.04027 maka artinya terdapat autokorelasi spasial di dalam
model SLX tersebut.
3. Heteroseksdastisitas
Berdasarkan output program R dengan menggunakan test Breusch-Pagen test di dapat pvalue sebesar 0.6876 maka tidak terdapat heterosekesdastisitas spasial didalam model SLX
tersebut.
Pemodelan OLS
Model OLS yang terbentuk adalah sebagai berikut
Keterangan
Model OLS dapat diinterpretasikan bahwa pengaruh Lapangan Usaha Pertanian terhadap
PDRB sebesar
. Artinya apa bila faktor lain dianggap konstan, jika nilai PAD
bernilai 1 satuan maka nilai PDRB akan bertambah sebesar
, begitu juga untuk
variabel yang selanjutnya.
Pengujian Residual Asumsi Model OLS
Model OLS yang terbentuk perlu dilakukan pengujian asumsi, untuk mengetahui
kelayakan dan keabsahan dari modelnya diantaranya uji normalitas, uji autokorelasi residualnya
1. Normalitas
Berdsarkan output pengujian normalitas pada model OLS dengan bantuan program
R dengan uji Kolmogorov Smirnov didapat p-value sebesar 0.991, maka data untuk
PDRB dengan menggunakan metode OLS normal.
2. Autokorelasi
Berdsarkan output program R untuk nilai autokorelasi berdsarkan uji durbin
Watson didapat nilai DW sebesar 3.3104. didapat table DW sebesar 1.763 < DW < 2.1282
maka terjadi autokorelasi.
3. Heteroseksdastisitas
Berdasarkan output program R dengan menggunakan test Breusch-Pagen test di
dapat p-value sebesar 0.2203 maka terdapat heterosekesdastisitas didalam model OLS
tersebut.
4. Multikolinieritas
Bersarkan output R didapat nilai VIF sebesar x1= 1.148349 x2=1.148349 niali
tersebut dibawah 10 maka tidak terjadi multikolinieritas.
Penentuan Model Terbaik
Model SLX
standard error: 239600
R-squared: 0.9981
Model OLS
Residual standard error: 1620000
R-squared: 0.4813
Berdsarkan table diatas nilai R-square model SLX lebih besar jadi model SLX lebih baik dari
model OLS
KESIMPULAN
Berdasarkan hasil Analisa data pembahasan diambil kesimpulan seabagi berikut:
1. Model SLX yang terbentuk adalah sebagai berikut
2. Model SLX dapat diinterpretasikan bahwa pengaruh Lapangan Usaha Pertanian terhadap
PDRB sebesar 1.546e-02 .Artinya apa bila faktor lain dianggap konstan, jika nilai
Lapangan Usaha Pertanian bernilai 1 satuan maka nilai PDRB akan bertambah sebesar
1.546e-02 , begitu juga untuk variabel yang selanjutnya.
3. Model OLS yang terbentuk adalah sebagai berikut
4. Model OLS dapat diinterpretasikan bahwa pengaruh Lapangan Usaha Pertanian terhadap
PDRB sebesar
. Artinya apa bila faktor lain dianggap konstan, jika nilai
PAD bernilai 1 satuan maka nilai PDRB akan bertambah sebesar
, begitu
juga untuk variabel yang selanjutnya.
5. Berdsarkan table diatas nilai R-square model SLX lebih besar jadi model SLX lebih baik
dari model OLS.
DAFTAR PUSTAKA
Malau B C R. 2012., PDRB (Produk Domestik Regional Bruto).
https://andre239.wordpress.com/2012/03/09/pdrb-produk-domestik-regional-bruto/. Diakses
pada tanggal 29 Oktober 2016
Pengertian Kepadatan Penduduk, Dampak, Penyebab dan Cara Mengtasi.
http://www.pengertianpakar.com/2015/08/pengertian-kepadatan-penduduk-dampak-penyebabdan-cara-mengatasi.html. Diakses pada tanggal 1 November 2016.
Produk Domestik Bruto Regional Daerah Istimewa Yogyakarta, Katalog BPS Tahun 2015.
LAMPIRAN
>mydata1 mydata1
Y
X1
X2
1 2171045 14978 1756174
2 4923684 1068271 1878127
3 3994534 1034548 1031950
4 7909296 592329 410347
5 6898985 4135351 611519
6 2286111 13906 1756174
7 5225998 1089358 1878127
8 4189866 1071419 1031950
9 8378317 620699 410347
> mydata2 mydata2
c1 c2 c3 c4 c5 c6 c7 c8 c9
1 0.00 0.50 0.00 0.00 0.00 0.00 0.00 0.50 0.00
2 0.33 0.00 0.33 0.00 0.00 0.00 0.00 0.33 0.00
3 0.00 0.25 0.00 0.25 0.00 0.25 0.00 0.25 0.00
4 0.00 0.00 0.25 0.00 0.25 0.25 0.00 0.00 0.25
5 0.00 0.00 0.00 0.33 0.00 0.33 0.33 0.00 0.00
6 0.00 0.00 0.00 0.25 0.25 0.00 0.25 0.25 0.00
7 0.00 0.00 0.00 0.00 0.33 0.33 0.00 0.33 0.00
8 0.20 0.20 0.20 0.00 0.00 0.20 0.20 0.00 0.00
9 0.00 0.00 0.00 1.00 0.00 0.00 0.00 0.00 0.00
> library(spdep)
> ww w moran.test(mydata1$Y, w)
Moran I test under randomisation
data: mydata1$Y
weights: w
Moran I statistic standard deviate = 1.7476, p-value = 0.04027
alternative hypothesis: greater
sample estimates:
Moran I statistic
Expectation
0.26687494
-0.12500000
Variance
0.05028183
> modelSLX summary(modelSLX)
Call:
lm(formula = y ~ x - 1, weights = weights)
Residuals:
1
2
3
4
5
6
7
8
9
87915 -131522 -255770 -115563 15325 -39685 116198 182575 140528
Coefficients:
Estimate Std. Error t value Pr(>|t|)
x(Intercept)
5.039e+08 3.984e+07 12.647 0.001066 **
xX1
-1.382e+00 1.837e-01 -7.526 0.004863 **
xX2
-4.821e+00 3.092e-01 -15.591 0.000573 ***
xlag.(Intercept) -4.926e+08 3.972e+07 -12.401 0.001130 **
xlag.X1
1.546e-02 2.136e-01 0.072 0.946859
xlag.X2
-4.896e-01 3.551e-01 -1.379 0.261826
--Sig if. odes:
*** .
** .
* . 5 . .
Residual standard error: 239600 on 3 degrees of freedom
Multiple R-squared: 0.9994, Adjusted R-squared: 0.9981
F-statistic: 799 on 6 and 3 DF, p-value: 6.837e-05
> modelols summary(modelols)
Call:
lm(formula = Y ~ X1 + X2, data = mydata1)
Residuals:
Min
1Q Median
3Q
Max
-1526147 -1229669 -493498 1367430 1863859
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 7.906e+06 1.542e+06 5.127 0.00216 **
X1
2.555e-01 4.999e-01 0.511 0.62749
X2
-2.567e+00 9.721e-01 -2.641 0.03848 *
--Sig if. odes:
*** .
** .
* . 5 . .
Residual standard error: 1620000 on 6 degrees of freedom
Multiple R-squared: 0.611,
Adjusted R-squared: 0.4813
F-statistic: 4.712 on 2 and 6 DF, p-value: 0.05886
> summary(modelSLX)
Call:
lm(formula = y ~ x - 1, weights = weights)
Residuals:
1
2
3
4
5
6
7
8
9
87915 -131522 -255770 -115563 15325 -39685 116198 182575 140528
Coefficients:
Estimate Std. Error t value Pr(>|t|)
x(Intercept)
5.039e+08 3.984e+07 12.647 0.001066 **
xX1
-1.382e+00 1.837e-01 -7.526 0.004863 **
xX2
-4.821e+00 3.092e-01 -15.591 0.000573 ***
xlag.(Intercept) -4.926e+08 3.972e+07 -12.401 0.001130 **
xlag.X1
1.546e-02 2.136e-01 0.072 0.946859
xlag.X2
-4.896e-01 3.551e-01 -1.379 0.261826
--Sig if. odes:
*** .
** .
* . 5 . .
Residual standard error: 239600 on 3 degrees of freedom
Multiple R-squared: 0.9994, Adjusted R-squared: 0.9981
F-statistic: 799 on 6 and 3 DF, p-value: 6.837e-05
> res ks.test(res,"pnorm")
One-sample Kolmogorov-Smirnov test
data: res
D = 0.5556, p-value = 0.003849
alternative hypothesis: two-sided
> moran.test(res, w)
Moran I test under randomisation
data: res
weights: w
Moran I statistic standard deviate = 0.3505, p-value = 0.363
alternative hypothesis: greater
sample estimates:
Moran I statistic
Expectation
Variance
-0.04764731
-0.12500000
0.04870551
> res1 ks.test(res1,"pnorm")
One-sample Kolmogorov-Smirnov test
data: res1
D = 0.5556, p-value = 0.003849
alternative hypothesis: two-sided
> summary(modelSLX)
Call:
lm(formula = y ~ x - 1, weights = weights)
Residuals:
1
2
3
4
5
6
7
8
9
87915 -131522 -255770 -115563 15325 -39685 116198 182575 140528
Coefficients:
Estimate Std. Error t value Pr(>|t|)
x(Intercept)
5.039e+08 3.984e+07 12.647 0.001066 **
xX1
-1.382e+00 1.837e-01 -7.526 0.004863 **
xX2
-4.821e+00 3.092e-01 -15.591 0.000573 ***
xlag.(Intercept) -4.926e+08 3.972e+07 -12.401 0.001130 **
xlag.X1
1.546e-02 2.136e-01 0.072 0.946859
xlag.X2
-4.896e-01 3.551e-01 -1.379 0.261826
--Sig if. odes:
*** .
** .
* . 5 . .
Residual standard error: 239600 on 3 degrees of freedom
Multiple R-squared: 0.9994, Adjusted R-squared: 0.9981
F-statistic: 799 on 6 and 3 DF, p-value: 6.837e-05
> res ks.test(res,"pnorm")
One-sample Kolmogorov-Smirnov test
data: res
D = 0.5556, p-value = 0.003849
alternative hypothesis: two-sided
> moran.test(res, w)
Moran I test under randomisation
data: res
weights: w
Moran I statistic standard deviate = 0.3505, p-value = 0.363
alternative hypothesis: greater
sample estimates:
Moran I statistic
Expectation
Variance
-0.04764731
-0.12500000
0.04870551
> bptest(modelSLX)
studentized Breusch-Pagan test
data: modelSLX
BP = 3.0805, df = 5, p-value = 0.6876
> modelols summary(modelols)
Call:
lm(formula = Y ~ X1 + X2, data = mydata1)
Residuals:
Min
1Q Median
3Q
Max
-1526147 -1229669 -493498 1367430 1863859
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 7.906e+06 1.542e+06 5.127 0.00216 **
X1
2.555e-01 4.999e-01 0.511 0.62749
X2
-2.567e+00 9.721e-01 -2.641 0.03848 *
---
Sig if. odes:
*** .
** .
* . 5 . .
Residual standard error: 1620000 on 6 degrees of freedom
Multiple R-squared: 0.611,
Adjusted R-squared: 0.4813
F-statistic: 4.712 on 2 and 6 DF, p-value: 0.05886
vif(modelols)
X1
X2
1.148349 1.148349
> modelols library(lmtest)
Loading required package: zoo
Atta hi g pa kage: zoo
The following objects are masked fro
pa kage: ase :
as.Date, as.Date.numeric
Warning messages:
: pa kage l test
: pa kage zoo
as uilt u der ‘ ersio
as uilt u der ‘ ersio
. .
. .
> dwtest(modelols)
Durbin-Watson test
data: modelols
DW = 3.3104, p-value = 0.991
alternative hypothesis: true autocorrelation is greater than 0
> bptest(modelols)
studentized Breusch-Pagan test
data: modelols
BP = 3.0255, df = 2, p-value = 0.2203
LAPANGAN UASAHA PERTANIAN DAN PERDAGANGAN DENGAN
MENGGUNAKAN PEDEKATAN SPATIAL REGRESSION
Ulfatun Khasanah
Mahasiswa Statistika, Universitas Negeri Semarang, Semarang, Indonesia
(E-mail: ulfatundum@gmail.com)
ABSTRAK
Selama sepuluh tahun terakhir, banyak perubahan yang terjadi pada tatanan global dan
lokal yang sangat berpengaruh terhadap perekonomian nasional. Krisis finansial global yang
terjadi pada tahun 2008, penerapan perdagangan bebas antara China-ASEAN (CAFTA),
perubahan sistem pencatatan perdagangan internasional dan meluasnya jasa layanan pasar modal
merupakan contoh perubahan yang perlu diadaptasi dalam mekanisme pencatatan statistik
nasional. Perubahan tahun dasar PDB dilakukan secara bersamaan dengan penghitungan Produk
Domestik Regional Bruto (PDRB) Provinsi untuk menjaga konsistensi hasil penghitungan.
Produk Domestik Regional Bruto (PDRB) pada tingkat regional (provinsi) menggambarkan
kemampuan suatu wilayah untuk menciptakan output (nilai tambah) pada suatu waktu tertentu.
Untuk menyusun PDRB digunakan 2 pendekatan, yaitu produksi dan penggunaan. Keduanya
menyajikan komposisi data nilai tambah dirinci menurut sumber kegiatan ekonomi (lapangan
usaha) dan menurut komponen penggunaannya. PDRB dari sisi lapangan usaha merupakan
penjumlahan seluruh komponen nilai tambah bruto yang mampu diciptakan oleh lapangan usaha
atas berbagai aktivitas produksinya. Sedangkan dari sisi penggunaan menjelaskan tentang
penggunaan dari nilai tambah tersebut. PDRB yang disajikan secara berkala dapat
menggambarkan perkembangan ekonomi suatu daerah dan juga dapat digunakan sebagai bahan
acuan dalam mengevaluasi dan merencanakan pembangunan regional. Variabel penelitain yang
digunakan pada penelitian ini adalah PDRB atas dasar harga konstan (Y), Lapangan Usaha
Pertanian ( ), dan Lapangan Usaha Perdagangan ( . Penelitian ini menggunakan metode
pendekatan SLX, merupakan model regresi linier local yang menghasilkan dugaan parameter
model regresi yang bersifat local.
Kata Kunci : PDRB Bali, Lapangan Usaha, Regresi Spasial, SLX
PENDAHULUAN
Selama sepuluh tahun terakhir, banyak perubahan yang terjadi pada tatanan global dan
lokal yang sangat berpengaruh terhadap perekonomian nasional. Krisis finansial global yang
terjadi pada tahun 2008, penerapan perdagangan bebas antara China-ASEAN (CAFTA),
perubahan sistem pencatatan perdagangan internasional dan meluasnya jasa layanan pasar modal
merupakan contoh perubahan yang perlu diadaptasi dalam mekanisme pencatatan statistik
nasional.
Salah satu bentuk adaptasi pencatatan statistik nasional adalah melakukan perubahan tahun
dasar PDB Indonesia dari tahun 2000 ke 2010. Perubahan tahun dasar PDB dilakukan seiring
dengan mengadopsi rekomendasi Perserikatan Bangsa-Bangsa (PBB) yang tertuang dalam 2008
System of National Accounts (SNA 2008) melalui penyusunan kerangka Supply and Use Tables
(SUT). Perubahan tahun dasar PDB dilakukan secara bersamaan dengan penghitungan Produk
Domestik Regional Bruto (PDRB) Provinsi untuk menjaga konsistensi hasil penghitungan.
Produk Domestik Regional Bruto (PDRB) pada tingkat regional (provinsi)
menggambarkan kemampuan suatu wilayah untuk menciptakan output (nilai tambah) pada suatu
waktu tertentu. Untuk menyusun PDRB digunakan 2 pendekatan, yaitu produksi dan
penggunaan. Keduanya menyajikan komposisi data nilai tambah dirinci menurut sumber
kegiatan ekonomi (lapangan usaha) dan menurut komponen penggunaannya. PDRB dari sisi
lapangan usaha merupakan penjumlahan seluruh komponen nilai tambah bruto yang mampu
diciptakan oleh lapangan usaha atas berbagai aktivitas produksinya. Sedangkan dari sisi
penggunaan menjelaskan tentang penggunaan dari nilai tambah tersebut.
Penyajian PDRB menurut lapangan usaha dirinci menurut total nilai tambah dari seluruh
lapangan usaha yang mencakup kategori Pertanian, Kehutanan, dan Perikanan; Pertambangan
dan Penggalian; Industri Pengolahan; Pengadaan Listrik dan Gas; Pengadaan Air, Pengelolaan
Sampah, Limbah dan Daur Ulang; Konstruksi; Perdagangan Besar dan Eceran, Reparasi Mobil
dan Sepeda Motor; Transportasi dan Pergudangan; Penyediaan Akomodasi dan Makan Minum;
Informasi dan Komunikasi; Jasa Keuangan dan Asuransi; Real Estat; Jasa Perusahaan;
Administrasi Pemerintahan, Pertahanan dan Jaminan Sosial Wajib; Jasa Pendidikan; Jasa
Kesehatan dan Kegiatan Sosial; dan Jasa lainnya.
Pertanian, Peternakan, Kehutanan Dan Perikanan, kategori ini mencakup segala
pengusahaan yang didapatkan dari alam dan merupakan benda-benda atau barang-barang
biologis (hidup) yang hasilnya dapat digunakan untuk memenuhi kebutuhan hidup sendiri atau
untuk dijual kepada pihak lain. Pengusahaan ini termasuk kegiatan yang tujuan utamanya untuk
memenuhi kebutuhan sendiri (subsisten) seperti pada kegiatan usaha tanaman pangan. Golongan
pokok ini mencakup pertanian tanaman pangan, tanaman hortikultura, tanaman perkebunan,
peternakan, serta jasa Pertanian dan perburuan hewan yang di tujukan untuk dijual. Kegiatan
jasa pertanian dan perburuan meliputi kegiatan jasa pertanian, perburuan dan penangkapan satwa
liar, serta penangkaran satwa liar. Kegiatan jasa pertanian adalah kegiatan yang dilakukan baik
oleh perorangan maupun badan usaha atas dasar balas jasa atau kontrak yang khusus yang
diberikan untuk menunjang kegiatan pertanian (tanaman pangan, tanaman hortikultura, tanaman
perkebunan, dan peternakan). Dicakup juga dalam kegiatan jasa pertanian adalah penyewaan alat
pertanian/hewan bersama operatornya dan risiko kegiatan jasa tersebut ditanggung oleh yang
memberikan jasa.
Perdagangan Besar Dan Eceran, Kategori ini meliputi kegiatan ekonomi/lapangan usaha di
bidang perdagangan besar dan eceran (yaitu penjualan tanpa perubahan teknis) dari berbagai
jenis barang, dan memberikan imbalan jasa yang mengiringi penjualan barang-barang tersebut.
Baik penjualan secara grosir (perdagangan besar) maupun eceran merupakan tahap akhir dalam
pendistribusian barang dagangan. Kategori ini juga mencakup reparasi mobil dan sepeda motor.
Penjualan tanpa perubahan teknis juga mengikutkan kegiatan yang terkait dengan
perdagangan, seperti penyortiran, pemisahan kualitas dan penyusunan barang, pencampuran,
pembotolan, pengepakan, pembongkaran dari ukuran besar dan pengepakan ulang menjadi
ukuran yang lebih kecil, penggudangan, baik dengan pendingin maupun tidak, pembersihan dan
pengeringan hasil pertanian, pemotongan lembaran kayu atau logam.
Pedagang besar seringkali secara fisik mengumpulkan, menyortir, dan memisahkan kualitas
barang dalam ukuran besar, membongkar dari ukuran besar dan mengepak ulang menjadi ukuran
yang lebih kecil. Sedangkan pedagang eceran melakukan penjualan kembali barang-barang
(tanpa perubahan teknis), baik barang baru maupun bekas, utamanya kepada masyarakat umum
untuk konsumsi atau penggunaan perorangan maupun rumah tangga, melalui toko, departement
store, kios, mail-order houses, penjual dari pintu ke pintu, pedagang keliling, koperasi konsumsi,
rumah pelelangan, dan lain-lain. Pada umumnya pedagang pengecer memperoleh hak atas
barang-barang yang dijualnya, tetapi beberapa pedagang pengecer bertindak sebagai agen, dan
menjual atas dasar konsinyasi atau komisi.
Di Indonesia Sendiri masalah pertumbuhan ekonomi sangatlah klasik, dari satu daerah
dengan daerah lain sngatlah berbeda jauh jika dibandingkan dengan daerah-daerah yang
berdekatan di pusat ekonomi yaitu DKI Jakarta. Perbedaanya sangatlah signifikan antara daerah
ibu kota negara Indonesia dengan daerah-daerah disekitarnya. Hal ini menjadi masaah yang
sangat serius bagi pemerintah. Hal ini disebabkan karena tidak lain pembangunan infrastruktur
yang tidak merata di setiap daerah, sehingga pasokan-pasokan bahan pokok dan kebutuhan serta
sarana prasarana untuk menunjang pembangunan ekonomi di daerah daerah kurang, sehingga
pertumbuhan ekonomi di setiap daerah tidak merata.
Secara tidak langsung PDRB atas dasar harga konstan berperan sangat penting untuk
memantau pertumbuhan ekonomi dimasyarakat, PDRB juga bisa dijadian tolak ukur untuk
mengukur seberapa berkembangnya perekonomian disauatu daerah.
Hasil pengukuran PDRB beserta variabel-variabel yang mempengruhinya diberbagai
provinsi khususnya Jawa Bali biasanya dalam bentuk tabel. Penyajian dalam bentuk tabel sangat
berguna apabila unsur yang dipetakan mempunyai variabel yang kompleks, penyajian data dalam
bentuk tabel memiliki kelebihan, karena data yang disajikan dengan nominal angka sehingga
tidak akan terjadi kesalahan pembacaan. Namun penyajian data dalam bentuk tabel memiliki
kelemahan yaitu apabila digunakan sebagai perbadingan, pembaca kurang cepat menangkap
tingkat perbandingan karena nilai disajikan dengan angka.
Metode oprasional yang ada sekarang ini sebagaian besar belum menggunakan pendekatan
spasial. Pendekatan spasial atau pendekatan keruangan adalah pendekatan yang mengkaji
rangkaian persamaan dari perbedaan fenomena geosfer dalam ruang. Di dalam pendekatan
keruangan ini perlu diperhatikan adalah persebaran penggunaan ruang dan penyediaan ruang
yang akan dimanfaatkan. Data-data yang membutuhkan pendekatan diantaranya perencanaan
wilayah, ekonometrika, iklim dan kajian lingkungan, penyebaran penyakit. Belum banyaknya
penggunaan pendekatan spasial sebagai perangkat analisis obyek, sehingga belum dapat
memberikan gambaran pola penyebaran.
Untuk mengatasi masalah tersebut digunakan suatu metode pendekatan spasial yang
memungkinkan pengukuran PDRB beserta faktor-faktor yang mempengaruhinya ditampilkan
dalam bentuk visualisasi untuk memberikan informasi yang mudah dipahami di analisis
khususnya dalam hal membandingkan. Visualisasi dalam bentuk peta diharapkan dapat
memberikan gambaran kecendrungan spasial yang lebih baik untuk analisis dalam melihat pola
spasial dari IPM beserta variabel-variabel yang mempengaruhinya. Metode spasial merupakan
metode untuk mendapatkan informasi pengamatan yang dipengaruhi efek ruang atau lokasi. Efek
spasial sering terjadi antara satu wilayah dengan wilayah yang lain. Pada data spasial,
pengamatan yang di suatu lokasi seringkali bergantung pada pengamatan lokasi yang berdekatan.
Dalam metode spasial terdapat regresi spasial. Regresi spasial adalah merupakan hasil
pengembangan dari regresi linier klasik. Pengembangan ini didasarkan adanya pengaruh tempat
atau spasial pada data analisis.
Dalam hal ini PDRB tidak hanya dipengaruhi variabel-variabel bebas namun terdapat efek
spasial didalamnya. Pemodelan regresi spasial dapat digunakan untuk menghasilkan penduga
yang lebih baik dibandingkan regresi klasik/regresi sederhana.
Sehingga peneliti ingin meneliti dengan melibatkan efek spasial didalamnya dikarenakan
jika terdapat efek spasial didalamnya tidak digunakan efek spasial tersebut maka hasil penelitian
dianggap bias. Penelitian ini mengambil 2 parameter yang mempengaruhi PDRB yaitu Lapangan
Usaha Pertanian, dan Lapangan Usaha Perdagangan dengan memperhitungan faktor lokasi
(spasial).
METODE PENELITIAN
Sumber Data dan Variabel Penelitian
Data yang digunakan dalam penelitian ini adalah data sekunder yang diperoleh dari wesite
Badan Pusat Statistika Provinsi Bali, yaitu data PDRB atas dasar harga konstan, Pendapatan Asli
Daerah, Kepadatan Penduduk, Belanja Daerah yang diperoleh dari publikasi BPS Provinsi Bali
dalam angka 2014
Variabel-variabel yang digunakan dalam penelitian ini diantaranya PDRB atas dasar harga
konstan (Y), Lapangan Usaha Pertanian ( ), dan Lapangan Usaha Perdagangan ( .
Dengan Langkah-langkah penelitan sebagai berikut:
1. Melakukan eksplorasi data peta tematik untuk mengetahui pola penyebaran dan
dependensi masing-masing variabel untuk mengetahui pola hubungan varibel X dan
Y.
2. Melakukan pemodelan regresi dengan metode Ordinary Least Square (OLS).
3. Identifikasi tentang keberadaan efek spasial dalam SLX adalah dengan menggunakan
uji kebebasan residual.
4. Melakukan pemodelan SLX dengan tahapan sebagai berikut.
a. Setelah matriks W terbentuk dengan elemen-elemennya (Wij) bernilai 1 dan 0,
dilakukan koding pembobotan untuk mendapatkan matriks W.
b. Melakukan estimasi parameter, pengujian signifikansi parameter dan uji asumsi
regresi dari SLX yang terbentuk.
c. Menginterpretasikan dan menyimpulkan hasil yang diperoleh.
HASIL PENELITIAN
1. Matriks Spasial
Matriks pembobot spasial yang sesuai dalam penelitian ini adalah matriks pembobot Queen
Contiguity. Matriks pembobot ini mensyaratkan adanya pengelompokan wilayah yang memiliki
persinggungan antara sisi dan sudut dari wilayah tersebut dimana
=1 dan
untuk
wilayah lainnya.
Pemodelan Spasial Lag X
Model SLX yang terbentuk adalah sebagai berikut
Keterangan
Model SLX dapat diinterpretasikan bahwa pengaruh Lapangan Usaha Pertanian terhadap
PDRB sebesar 1.546e-02 .Artinya apa bila faktor lain dianggap konstan, jika nilai Lapangan
Usaha Pertanian bernilai 1 satuan maka nilai PDRB akan bertambah sebesar 1.546e-02 , begitu
juga untuk variabel yang selanjutnya.
Pengujian Residual Asumsi Model SLX
Model SLX yang terbentuk perlu dilakukan pengujian asumsi, untuk mengetahui
kelayakan dan keabsahan dari modelnya diantaranya uji normalitas, uji autokorelasi residualnya
1. Normalitas
Berdsarkan output pengujian normalitas pada model SLX dengan bantuan program
R dengan uji Kolmogorov Smirnov didapat p-value sebesar 0.003849, maka data untuk
PDRB dengan menggunakan metode SLX tidak normal.
2. Autokorelasi Spasial
Berdsarkan output program R untuk nilai autokorelasi berdsarkan test moran I
didapat p-value sebesar 0.04027 maka artinya terdapat autokorelasi spasial di dalam
model SLX tersebut.
3. Heteroseksdastisitas
Berdasarkan output program R dengan menggunakan test Breusch-Pagen test di dapat pvalue sebesar 0.6876 maka tidak terdapat heterosekesdastisitas spasial didalam model SLX
tersebut.
Pemodelan OLS
Model OLS yang terbentuk adalah sebagai berikut
Keterangan
Model OLS dapat diinterpretasikan bahwa pengaruh Lapangan Usaha Pertanian terhadap
PDRB sebesar
. Artinya apa bila faktor lain dianggap konstan, jika nilai PAD
bernilai 1 satuan maka nilai PDRB akan bertambah sebesar
, begitu juga untuk
variabel yang selanjutnya.
Pengujian Residual Asumsi Model OLS
Model OLS yang terbentuk perlu dilakukan pengujian asumsi, untuk mengetahui
kelayakan dan keabsahan dari modelnya diantaranya uji normalitas, uji autokorelasi residualnya
1. Normalitas
Berdsarkan output pengujian normalitas pada model OLS dengan bantuan program
R dengan uji Kolmogorov Smirnov didapat p-value sebesar 0.991, maka data untuk
PDRB dengan menggunakan metode OLS normal.
2. Autokorelasi
Berdsarkan output program R untuk nilai autokorelasi berdsarkan uji durbin
Watson didapat nilai DW sebesar 3.3104. didapat table DW sebesar 1.763 < DW < 2.1282
maka terjadi autokorelasi.
3. Heteroseksdastisitas
Berdasarkan output program R dengan menggunakan test Breusch-Pagen test di
dapat p-value sebesar 0.2203 maka terdapat heterosekesdastisitas didalam model OLS
tersebut.
4. Multikolinieritas
Bersarkan output R didapat nilai VIF sebesar x1= 1.148349 x2=1.148349 niali
tersebut dibawah 10 maka tidak terjadi multikolinieritas.
Penentuan Model Terbaik
Model SLX
standard error: 239600
R-squared: 0.9981
Model OLS
Residual standard error: 1620000
R-squared: 0.4813
Berdsarkan table diatas nilai R-square model SLX lebih besar jadi model SLX lebih baik dari
model OLS
KESIMPULAN
Berdasarkan hasil Analisa data pembahasan diambil kesimpulan seabagi berikut:
1. Model SLX yang terbentuk adalah sebagai berikut
2. Model SLX dapat diinterpretasikan bahwa pengaruh Lapangan Usaha Pertanian terhadap
PDRB sebesar 1.546e-02 .Artinya apa bila faktor lain dianggap konstan, jika nilai
Lapangan Usaha Pertanian bernilai 1 satuan maka nilai PDRB akan bertambah sebesar
1.546e-02 , begitu juga untuk variabel yang selanjutnya.
3. Model OLS yang terbentuk adalah sebagai berikut
4. Model OLS dapat diinterpretasikan bahwa pengaruh Lapangan Usaha Pertanian terhadap
PDRB sebesar
. Artinya apa bila faktor lain dianggap konstan, jika nilai
PAD bernilai 1 satuan maka nilai PDRB akan bertambah sebesar
, begitu
juga untuk variabel yang selanjutnya.
5. Berdsarkan table diatas nilai R-square model SLX lebih besar jadi model SLX lebih baik
dari model OLS.
DAFTAR PUSTAKA
Malau B C R. 2012., PDRB (Produk Domestik Regional Bruto).
https://andre239.wordpress.com/2012/03/09/pdrb-produk-domestik-regional-bruto/. Diakses
pada tanggal 29 Oktober 2016
Pengertian Kepadatan Penduduk, Dampak, Penyebab dan Cara Mengtasi.
http://www.pengertianpakar.com/2015/08/pengertian-kepadatan-penduduk-dampak-penyebabdan-cara-mengatasi.html. Diakses pada tanggal 1 November 2016.
Produk Domestik Bruto Regional Daerah Istimewa Yogyakarta, Katalog BPS Tahun 2015.
LAMPIRAN
>mydata1 mydata1
Y
X1
X2
1 2171045 14978 1756174
2 4923684 1068271 1878127
3 3994534 1034548 1031950
4 7909296 592329 410347
5 6898985 4135351 611519
6 2286111 13906 1756174
7 5225998 1089358 1878127
8 4189866 1071419 1031950
9 8378317 620699 410347
> mydata2 mydata2
c1 c2 c3 c4 c5 c6 c7 c8 c9
1 0.00 0.50 0.00 0.00 0.00 0.00 0.00 0.50 0.00
2 0.33 0.00 0.33 0.00 0.00 0.00 0.00 0.33 0.00
3 0.00 0.25 0.00 0.25 0.00 0.25 0.00 0.25 0.00
4 0.00 0.00 0.25 0.00 0.25 0.25 0.00 0.00 0.25
5 0.00 0.00 0.00 0.33 0.00 0.33 0.33 0.00 0.00
6 0.00 0.00 0.00 0.25 0.25 0.00 0.25 0.25 0.00
7 0.00 0.00 0.00 0.00 0.33 0.33 0.00 0.33 0.00
8 0.20 0.20 0.20 0.00 0.00 0.20 0.20 0.00 0.00
9 0.00 0.00 0.00 1.00 0.00 0.00 0.00 0.00 0.00
> library(spdep)
> ww w moran.test(mydata1$Y, w)
Moran I test under randomisation
data: mydata1$Y
weights: w
Moran I statistic standard deviate = 1.7476, p-value = 0.04027
alternative hypothesis: greater
sample estimates:
Moran I statistic
Expectation
0.26687494
-0.12500000
Variance
0.05028183
> modelSLX summary(modelSLX)
Call:
lm(formula = y ~ x - 1, weights = weights)
Residuals:
1
2
3
4
5
6
7
8
9
87915 -131522 -255770 -115563 15325 -39685 116198 182575 140528
Coefficients:
Estimate Std. Error t value Pr(>|t|)
x(Intercept)
5.039e+08 3.984e+07 12.647 0.001066 **
xX1
-1.382e+00 1.837e-01 -7.526 0.004863 **
xX2
-4.821e+00 3.092e-01 -15.591 0.000573 ***
xlag.(Intercept) -4.926e+08 3.972e+07 -12.401 0.001130 **
xlag.X1
1.546e-02 2.136e-01 0.072 0.946859
xlag.X2
-4.896e-01 3.551e-01 -1.379 0.261826
--Sig if. odes:
*** .
** .
* . 5 . .
Residual standard error: 239600 on 3 degrees of freedom
Multiple R-squared: 0.9994, Adjusted R-squared: 0.9981
F-statistic: 799 on 6 and 3 DF, p-value: 6.837e-05
> modelols summary(modelols)
Call:
lm(formula = Y ~ X1 + X2, data = mydata1)
Residuals:
Min
1Q Median
3Q
Max
-1526147 -1229669 -493498 1367430 1863859
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 7.906e+06 1.542e+06 5.127 0.00216 **
X1
2.555e-01 4.999e-01 0.511 0.62749
X2
-2.567e+00 9.721e-01 -2.641 0.03848 *
--Sig if. odes:
*** .
** .
* . 5 . .
Residual standard error: 1620000 on 6 degrees of freedom
Multiple R-squared: 0.611,
Adjusted R-squared: 0.4813
F-statistic: 4.712 on 2 and 6 DF, p-value: 0.05886
> summary(modelSLX)
Call:
lm(formula = y ~ x - 1, weights = weights)
Residuals:
1
2
3
4
5
6
7
8
9
87915 -131522 -255770 -115563 15325 -39685 116198 182575 140528
Coefficients:
Estimate Std. Error t value Pr(>|t|)
x(Intercept)
5.039e+08 3.984e+07 12.647 0.001066 **
xX1
-1.382e+00 1.837e-01 -7.526 0.004863 **
xX2
-4.821e+00 3.092e-01 -15.591 0.000573 ***
xlag.(Intercept) -4.926e+08 3.972e+07 -12.401 0.001130 **
xlag.X1
1.546e-02 2.136e-01 0.072 0.946859
xlag.X2
-4.896e-01 3.551e-01 -1.379 0.261826
--Sig if. odes:
*** .
** .
* . 5 . .
Residual standard error: 239600 on 3 degrees of freedom
Multiple R-squared: 0.9994, Adjusted R-squared: 0.9981
F-statistic: 799 on 6 and 3 DF, p-value: 6.837e-05
> res ks.test(res,"pnorm")
One-sample Kolmogorov-Smirnov test
data: res
D = 0.5556, p-value = 0.003849
alternative hypothesis: two-sided
> moran.test(res, w)
Moran I test under randomisation
data: res
weights: w
Moran I statistic standard deviate = 0.3505, p-value = 0.363
alternative hypothesis: greater
sample estimates:
Moran I statistic
Expectation
Variance
-0.04764731
-0.12500000
0.04870551
> res1 ks.test(res1,"pnorm")
One-sample Kolmogorov-Smirnov test
data: res1
D = 0.5556, p-value = 0.003849
alternative hypothesis: two-sided
> summary(modelSLX)
Call:
lm(formula = y ~ x - 1, weights = weights)
Residuals:
1
2
3
4
5
6
7
8
9
87915 -131522 -255770 -115563 15325 -39685 116198 182575 140528
Coefficients:
Estimate Std. Error t value Pr(>|t|)
x(Intercept)
5.039e+08 3.984e+07 12.647 0.001066 **
xX1
-1.382e+00 1.837e-01 -7.526 0.004863 **
xX2
-4.821e+00 3.092e-01 -15.591 0.000573 ***
xlag.(Intercept) -4.926e+08 3.972e+07 -12.401 0.001130 **
xlag.X1
1.546e-02 2.136e-01 0.072 0.946859
xlag.X2
-4.896e-01 3.551e-01 -1.379 0.261826
--Sig if. odes:
*** .
** .
* . 5 . .
Residual standard error: 239600 on 3 degrees of freedom
Multiple R-squared: 0.9994, Adjusted R-squared: 0.9981
F-statistic: 799 on 6 and 3 DF, p-value: 6.837e-05
> res ks.test(res,"pnorm")
One-sample Kolmogorov-Smirnov test
data: res
D = 0.5556, p-value = 0.003849
alternative hypothesis: two-sided
> moran.test(res, w)
Moran I test under randomisation
data: res
weights: w
Moran I statistic standard deviate = 0.3505, p-value = 0.363
alternative hypothesis: greater
sample estimates:
Moran I statistic
Expectation
Variance
-0.04764731
-0.12500000
0.04870551
> bptest(modelSLX)
studentized Breusch-Pagan test
data: modelSLX
BP = 3.0805, df = 5, p-value = 0.6876
> modelols summary(modelols)
Call:
lm(formula = Y ~ X1 + X2, data = mydata1)
Residuals:
Min
1Q Median
3Q
Max
-1526147 -1229669 -493498 1367430 1863859
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 7.906e+06 1.542e+06 5.127 0.00216 **
X1
2.555e-01 4.999e-01 0.511 0.62749
X2
-2.567e+00 9.721e-01 -2.641 0.03848 *
---
Sig if. odes:
*** .
** .
* . 5 . .
Residual standard error: 1620000 on 6 degrees of freedom
Multiple R-squared: 0.611,
Adjusted R-squared: 0.4813
F-statistic: 4.712 on 2 and 6 DF, p-value: 0.05886
vif(modelols)
X1
X2
1.148349 1.148349
> modelols library(lmtest)
Loading required package: zoo
Atta hi g pa kage: zoo
The following objects are masked fro
pa kage: ase :
as.Date, as.Date.numeric
Warning messages:
: pa kage l test
: pa kage zoo
as uilt u der ‘ ersio
as uilt u der ‘ ersio
. .
. .
> dwtest(modelols)
Durbin-Watson test
data: modelols
DW = 3.3104, p-value = 0.991
alternative hypothesis: true autocorrelation is greater than 0
> bptest(modelols)
studentized Breusch-Pagan test
data: modelols
BP = 3.0255, df = 2, p-value = 0.2203