Iftitakh, LedyWilda (2014) Pemodelan Regresi Probit Spasial Dengan Pendugaan Mcmc (Markov Chain Monte Carlo) Gibbs Sampler. Sarjana thesis, Universitas Brawijaya.
Abstract
Regresi spasial merupakan pembentukan model regresi linier dengan menggunakan data kewilayahan. Pada regresi spasial, pengamatan di suatu wilayah bergantung pada pengamatan yang berada di wilayah lain yang berdekatan, sehingga terdapat efek spasial (autokorelasi spasial) spasial dan heterogenitas spasial. Adanya autokorelasi spasial sehingga pendugaan menggunakan OLS (Ordinary Least Square) tidak dapat digunakan, maka digunakan metode Bayes yaitu metode Marcov Chain Monte Carlo (MCMC) dengan algoritma Gibbs Sampler. Dalam model regresi juga dijumpai kasus dengan peubah dependennya bersifat kualitatif, maka dalam penyelesaiannya dapat menggunakan model probit. Penelitian ini bertujuan untuk mengetahui ketergantungan spasial dan memodelkan regresi probit spasial dengan model SAR dan SEM menggunakan pendugaan MCMC Gibbs Sampler pada data spasial. Dari kelima data yang digunakan terdapat ketergantungan spasial positif atau pola yang mengelompok dan memiliki kesamaan karakteristik sisaan pada lokasi yang berdekatan. Model spasial probit yang terbentuk untuk data Kemiskinan, data Indeks Pembangunan Manusia (IPM) dan data Angka Kematian Bayi (AKB) adalah Spasial Autoregressive Model (SAR) Probit. Sedangkan pada data Balita Gizi Buruk dan data Tingkat Pengangguran Terbuka (TPT) model yang terbentuk adalah Spasial Error Model (SEM) Probit.
English Abstract
Spatial regression is a linear regression model building by using data territorial. In spatial regression, observations in a region depends on the observations that are in other neighboring regions, so there are spatial effects (spatial autocorrelation) of spatial and spatial heterogeneity. The existence of spatial autocorrelation that estimation using OLS (Ordinary Least Square) can not be used, then use Bayes method is a method Marcov Chain Monte Carlo (MCMC) Gibbs sampler algorithm. In the regression model also found a case with the dependent variable is qualitative, then the solution can use the probit model. This study aims to determine the spatial dependence and spatial probit regression model with SAR and SEM models using the Gibbs sampler MCMC estimation in spatial data. Of the five data used are positive spatial dependence or clumped pattern and have the same characteristics of a remnant at a nearby location. Spatial probit models are formed for data Poverty data Human Development Index (HDI) and the data Infant Mortality Rate (IMR) is a Spatial Autoregressive Model (SAR) Probit. While on the data Toddler Malnutrition and Unemployment Rate Data (TPT) is Spatial models created Error Model(SEM)Probit.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/MIPA/2014/279/051405158 |
| Subjects: | 500 Natural sciences and mathematics > 510 Mathematics |
| Divisions: | Fakultas Matematika dan Ilmu Pengetahuan Alam > Matematika |
| Depositing User: | Budi Wahyono Wahyono |
| Date Deposited: | 01 Sep 2014 14:32 |
| Last Modified: | 21 Oct 2021 04:43 |
| URI: | http://repository.ub.ac.id/id/eprint/153907 |
Preview |
Text
SKRIPSI.pdf Download (4MB) | Preview |
Actions (login required)
 |
View Item |