Ekonometrika spasial adalah cabang ilmu ekonometri yang khusus mempelajari fenomena

ekonomi yang memiliki dimensi spasial atau ruang. Ini mengakui bahwa lokasi atau jarak
antara unit-unit observasi dapat memengaruhi perilaku atau hasil ekonomi yang diamati.

Dalam ekonometrika spasial, asumsi kebebasan (antar galat) yang diperlukan dalam regresi
klasik seringkali tidak terpenuhi karena adanya ketergantungan spasial dan heterogenitas
spasial. Oleh karena itu, ekonometrika spasial memanfaatkan perkembangan statistika
spasial untuk melibatkan informasi lokasi dalam pemodelan.

Konsep-konsep penting dalam ekonometrika spasial meliputi:

 Ketergantungan spasial (spatial dependence): Fenomena di mana nilai suatu

variabel di suatu lokasi dipengaruhi oleh nilai variabel yang sama di lokasi lain
(tetangga). Misalnya, harga rumah di suatu area bisa dipengaruhi oleh harga rumah
di area sekitarnya.

 Heterogenitas spasial (spatial heterogeneity): Fenomena di mana karakteristik suatu

variabel bervariasi secara sistematis di ruang. Ini bisa disebabkan oleh perbedaan
struktur, preferensi, atau faktor-faktor lain yang memengaruhi perilaku ekonomi.

 Matriks bobot spasial (spatial weight matrix): Matriks yang merepresentasikan

hubungan antara unit-unit observasi berdasarkan kriteria tertentu, seperti kedekatan
geografis (berbatasan langsung atau jarak). Matriks ini menjadi dasar dalam
memodelkan ketergantungan spasial.

Model ekonometrika spasial umumnya terbagi menjadi beberapa jenis, di antaranya:

 Spatial Autoregressive (SAR) atau Spatial Lag Model: Model ini digunakan ketika
variabel dependen di suatu lokasi dipengaruhi oleh variabel dependen di lokasi
tetangga.

 Spatial Error Model (SEM): Model ini digunakan ketika terdapat ketergantungan
spasial pada error term (galat) dari model regresi, yang menunjukkan adanya faktor-
faktor tak terjelaskan yang juga berasal dari lokasi tetangga.

Ekonometrika spasial banyak digunakan dalam berbagai bidang seperti perencanaan

wilayah, lingkungan, kebijakan publik, dan epidemiologi, karena memungkinkan pemahaman
yang lebih baik tentang pola spasial dan interaksi antar lokasi dalam fenomena ekonomi.

Baik, mari kita jelaskan perbedaan antara statistik spasial dan ekonometrika spasial.
Keduanya saling berkaitan erat, namun memiliki fokus dan tujuan yang sedikit berbeda.

Statistik Spasial
Statistik spasial adalah cabang statistika yang berfokus pada analisis data yang memiliki
komponen geografis atau spasial. Tujuannya adalah untuk memahami pola, distribusi, dan
hubungan dalam data di mana lokasi atau jarak antar observasi memainkan peran penting.

Beberapa hal yang dilakukan dalam statistik spasial meliputi:

 Deskripsi Pola Spasial: Mengidentifikasi apakah data memiliki pola acak, tersebar,
atau mengelompok (clustered). Contohnya, apakah kasus penyakit tertentu
cenderung mengelompok di area tertentu?

 Pengukuran Ketergantungan Spasial (Spatial Autocorrelation): Mengukur sejauh

mana nilai suatu variabel di satu lokasi dipengaruhi oleh nilai variabel yang sama di
lokasi tetangga. Ini sering diukur dengan indeks seperti Moran's I atau Geary's C.

 Analisis Geostatistik: Memodelkan variabel kontinu yang bervariasi secara spasial,

seperti konsentrasi polutan atau ketinggian permukaan tanah. Teknik seperti kriging
digunakan untuk mengestimasi nilai di lokasi yang tidak diamati.

 Deteksi Hotspot/Coldspot: Mengidentifikasi area dengan konsentrasi nilai yang

sangat tinggi atau sangat rendah.

 Visualisasi Spasial: Membuat peta tematik, peta kerapatan (density maps), atau
visualisasi lain untuk menampilkan pola spasial.

Singkatnya, statistik spasial lebih bersifat eksploratif dan deskriptif untuk memahami
karakteristik spasial dari data itu sendiri.

Ekonometrika Spasial

Ekonometrika spasial adalah aplikasi prinsip dan metode ekonometri untuk menganalisis
data ekonomi yang memiliki dimensi spasial. Ini merupakan sub-bidang dari ekonometrika
yang secara eksplisit memasukkan ketergantungan spasial dan heterogenitas spasial ke
dalam model ekonometrik.

Fokus utama ekonometrika spasial adalah:

 Pemodelan Hubungan Kausalitas: Sama seperti ekonometrika pada umumnya,

tujuannya adalah untuk mengidentifikasi dan mengukur hubungan sebab-akibat
antar variabel ekonomi, tetapi dengan mempertimbangkan pengaruh lokasi.

 Mengatasi Masalah Ketergantungan dan Heterogenitas Spasial: Ekonometrika

spasial mengembangkan model-model khusus (seperti Spatial Lag Model, Spatial
Error Model, Spatial Durbin Model) untuk mengatasi pelanggaran asumsi klasik
(independensi antar observasi) yang muncul karena adanya ketergantungan spasial.
Jika tidak diatasi, hal ini dapat menyebabkan estimasi yang bias dan tidak efisien.

 Mengestimasi Efek Spillover: Salah satu keunggulan utama adalah kemampuannya

untuk mengukur efek tidak langsung (spillover effects) di mana perubahan di satu
 lokasi dapat memengaruhi lokasi lain. Misalnya, bagaimana peningkatan investasi di
satu kota memengaruhi pertumbuhan ekonomi di kota-kota sekitarnya.

 Pengujian Hipotesis Ekonomi dengan Konteks Spasial: Menguji teori-teori ekonomi

yang mungkin memiliki implikasi spasial.

Singkatnya, ekonometrika spasial lebih bersifat inferensial dan prediktif, menggunakan

model statistik yang canggih untuk menganalisis hubungan ekonomi yang kompleks di ruang.

Perbedaan Utama:

Fitur Statistik Spasial Ekonometrika Spasial

Eksplorasi, deskripsi pola, dan Pemodelan hubungan kausalitas,

Tujuan
pengukuran karakteristik estimasi parameter, dan prediksi
Utama
spasial data. dalam konteks ekonomi spasial.

Memahami "mengapa" pola spasial

Memahami "apa" dan "di terjadi dan "bagaimana" variabel
Fokus
mana" pola spasial terjadi. ekonomi saling memengaruhi di
ruang.

Uji autokorelasi spasial

Model regresi spasial (SAR, SEM,
(Moran's I), geostatistik
Metode SDM), model panel spasial, uji
(kriging), analisis hotspot,
spesifikasi model.
visualisasi.

Statistik, geografi, ilmu Ekonometri, ekonomi regional,

Disiplin Ilmu
lingkungan. perencanaan wilayah.

"Bagaimana harga rumah di suatu

Pertanyaan "Apakah ada pengelompokan lingkungan dipengaruhi oleh
Khas harga rumah di area ini?" kualitas sekolah di lingkungan
tetangga?"

Meskipun berbeda, keduanya seringkali digunakan secara berurutan. Seseorang mungkin

memulai dengan statistik spasial untuk mengidentifikasi adanya pola dan ketergantungan
spasial dalam data (eksplorasi), kemudian beralih ke ekonometrika spasial untuk
memodelkan hubungan ekonomi yang mendasari pola-pola tersebut (inferensi).
Penggunaan simulasi dalam statistik spasial menggunakan Stata biasanya melibatkan
beberapa langkah:

1. Membuat data spasial sintetis: Anda akan membuat dataset dengan variabel acak
yang memiliki struktur spasial tertentu.

2. Menentukan matriks bobot spasial: Anda perlu mendefinisikan bagaimana unit

spasial saling berinteraksi (misalnya, berdasarkan kedekatan).

3. Membuat ketergantungan spasial: Menggunakan matriks bobot dan variabel acak,

Anda dapat memperkenalkan autokorelasi spasial ke dalam variabel.

4. Menjalankan model spasial: Menerapkan model ekonometrika spasial pada data

simulasi.

5. Menganalisis hasil: Membandingkan parameter yang diestimasi dengan parameter

yang sebenarnya Anda gunakan dalam simulasi.

Berikut adalah contoh penggunaan simulasi dalam statistik spasial di Stata, dengan variabel
x1, x2, dan x3 serta suatu variabel dependen y. Kita akan mensimulasikan data yang memiliki
autokorelasi spasial dan kemudian mencoba mengestimasi model Spatial Autoregressive
(SAR).

Stata

* Bersihkan memori dan atur seed untuk reproduktifitas

clear all

set seed 12345

* --- Langkah 1: Membuat Data Spasial Sintetis ---

* Asumsikan kita memiliki 50 unit spasial (misalnya, kabupaten/kota)

local N = 50

* Buat ID unit spasial

gen id = _n in 1/`N'

* Buat variabel independen acak x1, x2, x3

gen x1 = rnormal(10, 2)

gen x2 = rnormal(5, 1)
gen x3 = rnormal(20, 3)

* --- Langkah 2: Membuat Matriks Bobot Spasial (W) ---

* Untuk simulasi, kita akan membuat matriks bobot spasial yang sederhana.

* Misalnya, matriks bobot k-nearest neighbors (k-NN) atau invers jarak.

* Di sini, kita akan simulasikan berdasarkan tetangga terdekat secara hipotetis.

* Dalam aplikasi nyata, Anda akan memiliki data koordinat atau poligon untuk membangun
W.

* Karena kita tidak memiliki koordinat nyata di sini, kita akan membuat W secara manual

* atau menggunakan pendekatan yang disederhanakan untuk demonstrasi.

* Untuk tujuan simulasi, mari kita asumsikan struktur W yang sangat sederhana.

* Misalnya, unit 'i' adalah tetangga dari 'i-1' dan 'i+1'.

* Ini bukan cara realistis membuat W, tapi cukup untuk menunjukkan konsep simulasi
autokorelasi.

* Alternatif yang lebih baik untuk simulasi adalah menggenerate koordinat terlebih dahulu:

gen lat = uniform() * 100

gen lon = uniform() * 100

* Simpan data sementara

tempfile spatial_data

save `spatial_data', replace

* Sekarang kita bisa membuat matriks bobot spasial menggunakan koordinat.

* Stata memiliki command `spmat` untuk ini.

* Pertama, kita perlu declare data sebagai data spasial.

spset id

spset using `spatial_data'

* Buat matriks bobot k-nearest neighbor (misal k=5)

spmat knn W, id(id) k(5) coords(lon lat) gecon(inverse)

* --- Langkah 3: Membuat Ketergantungan Spasial pada Variabel Dependen (y) ---

* Kita akan mensimulasikan model SAR: y = rho * W*y + beta1*x1 + beta2*x2 + beta3*x3 +
epsilon

* Di mana:

* rho (koefisien autokorelasi spasial) = 0.5 (kita atur)

* beta1 = 1.5

* beta2 = -0.8

* beta3 = 0.3

* epsilon = error term acak

local rho_true = 0.5

local beta1_true = 1.5

local beta2_true = -0.8

local beta3_true = 0.3

* Buat error term acak

gen epsilon = rnormal(0, 1)

* Sekarang, untuk mendapatkan y dengan ketergantungan spasial, kita perlu menyelesaikan

persamaan:

* y - rho * W*y = beta1*x1 + beta2*x2 + beta3*x3 + epsilon

* (I - rho*W)y = X*beta + epsilon

* y = (I - rho*W)^(-1) * (X*beta + epsilon)

* Di Stata, kita bisa menggunakan `spgenerate` untuk mensimulasikan variabel dependen
dengan lag spasial.

* Namun, `spgenerate` lebih cocok untuk error spasial.

* Untuk SAR, kita bisa menggunakan pendekatan iteratif atau langsung memanipulasi
matriks.

* Cara yang lebih sederhana untuk simulasi SAR di Stata adalah dengan menggunakan
`spmat sum` untuk mendapatkan invers (I - rho*W)^(-1) dan kemudian mengalikannya.

* Namun, ini agak kompleks. Cara yang lebih praktis untuk simulasi adalah dengan
membiarkan Stata mengestimasi koefisiennya nanti.

* Mari kita simulasikan `y_star` yang tidak memiliki autokorelasi spasial (bagian non-spasial
dari y)

gen y_star = `beta1_true'*x1 + `beta2_true'*x2 + `beta3_true'*x3 + epsilon

* Sekarang, untuk memperkenalkan autokorelasi spasial (rho * W*y), kita perlu

menggunakan `spmat`

* atau secara manual mensimulasikannya.

* Stata's `spmat` tidak secara langsung mensimulasikan `y` dari SAR model.

* Namun, kita bisa secara kasar mensimulasikan `y` dengan menambahkan lag spasial dari
`y_star`

* meskipun ini bukan SAR yang sesungguhnya.

* Mari kita simulasikan y secara langsung menggunakan pendekatan yang lebih sederhana
yang mirip dengan SAR

* asumsikan y adalah rata-rata y_star tetangga ditambah efek independen.

* Ini bukan simulasi SAR yang ketat, tetapi menunjukkan adanya efek spasial.

* Cara yang lebih "benar" untuk mensimulasikan SAR model adalah dengan pendekatan
iteratif:

* y_t = beta*X + rho*W*y_{t-1} + error

* Atau, jika kita bisa menghitung (I - rho*W)^(-1)

* Stata `spmat` punya fungsi `spmat manipulate` untuk matriks.

* Untuk simulasi yang lebih akurat, kita bisa memanfaatkan fungsi internal `spxtregress` atau
`spregress`

* yang memungkinkan simulasi data spasial.

* Contoh yang lebih sederhana dan umum untuk simulasi efek spasial untuk demonstrasi:

* Kita akan mensimulasikan y = beta1*x1 + beta2*x2 + beta3*x3 + rho * (W * y_base) +

epsilon

* Di mana y_base adalah variabel lain yang punya struktur spasial.

* Atau, kita bisa mensimulasikan error term dengan autokorelasi spasial.

* Mari kita simulasikan `y` sebagai hasil dari model SAR:

* y = rho * W*y + X*beta + epsilon

* y - rho*W*y = X*beta + epsilon

* (I - rho*W)y = X*beta + epsilon

* Kita akan generate variabel `y_latent` yang merupakan `X*beta + epsilon`

gen y_latent = `beta1_true'*x1 + `beta2_true'*x2 + `beta3_true'*x3 + epsilon

* Sekarang, kita perlu menghitung `y` dari `y_latent` dengan mempertimbangkan `rho` dan
`W`.

* Ini adalah bagian yang paling rumit dalam simulasi model SAR secara manual di Stata.

* Stata memiliki perintah tersembunyi atau fungsi yang lebih dalam untuk ini,

* tetapi untuk tujuan demo, kita dapat menggunakan pendekatan yang mensimulasikan efek
spasial.

* Mari kita mensimulasikan `y` dengan efek lag spasial dari variabel `y_latent`:

* Ini bukan simulasi SAR yang sesungguhnya, tetapi memberikan `y` dengan ketergantungan
spasial.
* spgenerate y_spatial_lag = W*y_latent, gen(W_y_latent)

* gen y = y_latent + `rho_true' * W_y_latent

* Atau, cara paling sederhana untuk mensimulasikan data dengan autokorelasi spasial:

* Buat error term acak

gen e = rnormal(0, 1)

* Buat variabel y_base = beta1*x1 + beta2*x2 + beta3*x3 + e

gen y_base = `beta1_true'*x1 + `beta2_true'*x2 + `beta3_true'*x3 + e

* Sekarang, kita akan menambahkan efek autokorelasi spasial pada y.

* Ini bisa melalui error term atau melalui variabel dependen itu sendiri.

* Kita akan mensimulasikan Spatial Error Model (SEM) sebagai contoh yang lebih mudah
disimulasikan secara langsung.

* SEM: y = beta1*x1 + beta2*x2 + beta3*x3 + u

* u = lambda * W*u + epsilon (error dengan autokorelasi spasial)

* Simulasikan error term `u` dengan autokorelasi spasial

* Kita perlu menghitung (I - lambda*W)^(-1) * epsilon. Ini memerlukan manipulasi matriks.

* **Cara paling praktis untuk simulasi di Stata (SAR):**

* Asumsikan kita punya variabel 'y_star' yang tanpa autokorelasi.

* Kemudian, kita akan "menambahkan" autokorelasi kepadanya secara artifisial.

* Ini sering dilakukan dengan mensimulasikan 'u' term error dengan autokorelasi, lalu
menambahkannya ke bagian deterministik.

* **Mari kita fokus pada simulasi data untuk model SAR:**

* y = beta*X + rho*W*y + epsilon

* Untuk mensimulasikan ini secara langsung tanpa iterasi, kita perlu membalik matriks (I -
rho*W).

* Ini bisa dilakukan di Mata (bahasa matriks di Stata).

```stata

mata:

N = `N' // Ambil N dari Stata

rho_true = `rho_true' // Ambil rho_true dari Stata

// Asumsikan kita punya matriks bobot W yang sudah dinormalisasi baris

// Untuk simulasi, kita bisa membuat matriks W sederhana (misal random nearest
neighbors)

W = J(N, N, 0)

for (i=1; i<=N; i++) {

num_neighbors = ceil(runiform() * 5) + 1 // 2 to 6 neighbors

neighbors = floor(runiform(num_neighbors) * N) + 1

for (j=1; j<=num_neighbors; j++) {

if (neighbors[j] != i) { // Pastikan bukan tetangga diri sendiri

W[i, neighbors[j]] = 1

// Normalisasi baris W

for (i=1; i<=N; i++) {

rowsum = sum(W[i, .])

if (rowsum > 0) W[i, .] = W[i, .] / rowsum

}
 // Ambil variabel x1, x2, x3 dari Stata

st_view(x, ., "x1 x2 x3")

// Ambil epsilon dari Stata

st_view(epsilon, ., "epsilon")

// Hitung (I - rho*W)

I_minus_rho_W = I(N) - rho_true * W

// Hitung inversnya: (I - rho*W)^(-1)

inv_I_minus_rho_W = luinv(I_minus_rho_W)

// Hitung X*beta (bagian deterministik)

beta = (`beta1_true' \ `beta2_true' \ `beta3_true') // Vektor kolom beta

X_beta = x * beta

// Hitung y = (I - rho*W)^(-1) * (X*beta + epsilon)

y_simulated = inv_I_minus_rho_W * (X_beta + epsilon)

// Masukkan kembali y_simulated ke Stata

st_store(., "y", y_simulated)

end

 --- Langkah 4: Menjalankan Model Ekonometrika Spasial (SAR) ---

 Pastikan matriks bobot spasial W sudah dideklarasikan.

 Jika belum, Anda harus menjalankan spmat knn W, id(id) k(5) coords(lon lat)
gecon(inverse)

 atau membuat W secara manual seperti di Mata jika Anda tidak memiliki koordinat.

 Untuk estimasi model SAR, kita gunakan perintah spregress dengan opsi lag.
spregress y x1 x2 x3, lag userweights(W)

 --- Langkah 5: Menganalisis Hasil ---

 Bandingkan koefisien rho yang diestimasi (/rho di output) dan koefisien x1, x2, x3

 dengan nilai rho_true, beta1_true, beta2_true, beta3_true yang kita set di awal
simulasi.

 Nilai Sebenarnya:

display "True rho: rho_true'" display "True beta1: beta1_true'"

display "True beta2: beta2_true'" display "True beta3: beta3_true'"

 Ulangi proses simulasi ini berkali-kali (misalnya, dalam loop forvalues) dan
kumpulkan hasilnya.

 Anda kemudian dapat menghitung rata-rata estimasi, standar deviasi, dan bias untuk
melihat seberapa baik

 estimator spregress bekerja dalam kondisi yang disimulasikan.

Penjelasan Tambahan:

 Pentingnya Matriks Bobot Spasial (W): Dalam contoh di atas, pembuatan matriks W
di Mata agak disederhanakan karena tidak ada koordinat geografis yang nyata. Dalam
aplikasi nyata, Anda akan menggunakan data koordinat (latitude dan longitude) atau
topologi poligon untuk membangun W yang realistis (misalnya, spmat contiguity,
spmat inverse, spmat knn). Kualitas W sangat memengaruhi hasil model spasial.

 Kompleksitas Simulasi SAR: Mensimulasikan data yang benar-benar mengikuti

model SAR (y=rhoWy+Xbeta+epsilon) secara langsung (non-iteratif) memerlukan
manipulasi matriks yang melibatkan invers (I−rhoW)−1, yang paling mudah dilakukan
di Mata atau perangkat lunak komputasi matriks lainnya.

 Tujuan Simulasi: Tujuan utama dari simulasi semacam ini adalah untuk:

o Memahami bagaimana estimator bekerja di bawah kondisi data tertentu.

o Menguji robustnes (ketahanan) estimator terhadap pelanggaran asumsi.

o Mengevaluasi kekuatan statistik (power) dari uji hipotesis.

o Mendapatkan pemahaman intuitif tentang bagaimana ketergantungan spasial

memengaruhi data dan estimasi.

Contoh di atas adalah kerangka dasar. Untuk simulasi yang lebih mendalam, Anda akan
mengulang proses ini ratusan atau ribuan kali dalam loop untuk mendapatkan distribusi
sampling dari estimasi koefisien.
Analisis data statistik spasial adalah cabang statistik yang fokus pada data yang memiliki
komponen geografis atau lokasi. Ini membantu kita memahami pola, hubungan, dan tren
dalam data yang terkait dengan ruang.

Berikut adalah beberapa pertanyaan umum yang dapat dijawab oleh analisis data statistik
spasial, data yang diperlukan, dan contoh perintah Stata:

Pertanyaan yang Bisa Dijawab:

1. Apakah ada pengelompokan (clustering) spasial?

o Apakah kejadian tertentu (misalnya, kasus penyakit, lokasi kejahatan)

terkumpul di area tertentu atau tersebar secara acak?

o Apakah ada "hotspot" atau "coldspot" yang signifikan secara statistik?

2. Seberapa kuat hubungan spasial (spatial autocorrelation)?

o Apakah nilai suatu variabel di suatu lokasi mirip dengan nilai variabel yang
sama di lokasi terdekat (autokorelasi spasial positif)? Atau justru berlawanan
(autokorelasi spasial negatif)?

o Bagaimana nilai suatu variabel dipengaruhi oleh nilai variabel yang sama di
tetangga terdekatnya?

3. Bagaimana suatu fenomena menyebar atau berinteraksi secara spasial?

o Bagaimana penyebaran penyakit menular dari satu wilayah ke wilayah lain?

o Bagaimana keputusan ekonomi di suatu daerah memengaruhi daerah

tetangga?

4. Memodelkan hubungan dengan mempertimbangkan efek spasial:

o Bagaimana faktor-faktor tertentu memengaruhi variabel dependen, dengan

mempertimbangkan bahwa lokasi-lokasi yang berdekatan mungkin tidak
independen satu sama lain? (Misalnya, regresi spasial).

o Bagaimana kita dapat memprediksi nilai suatu variabel di lokasi yang tidak
diamati berdasarkan data dari lokasi sekitarnya (interpolasi spasial, misalnya
Kriging)?

Data yang Diperlukan:

Untuk melakukan analisis data statistik spasial, Anda biasanya memerlukan dua jenis data
utama:

1. Data Geospasial (Spatial Data):

 o Koordinat Lokasi: Latitude dan Longitude (lintang dan bujur) untuk setiap
observasi. Ini adalah yang paling fundamental.

o Polygon/Batas Wilayah: Jika analisis Anda melibatkan unit area (misalnya,

kelurahan, kecamatan, provinsi), Anda memerlukan file bentuk (shapefile)
atau data koordinat yang mendefinisikan batas-batas area tersebut.

o Jaringan (Network Data): Jika analisis Anda melibatkan rute atau konektivitas
(misalnya, jalan, sungai), Anda mungkin memerlukan data jaringan.

o Matriks Bobot Spasial (Spatial Weights Matrix - W): Ini adalah matriks yang
menguantifikasi hubungan kedekatan atau konektivitas antara unit-unit
spasial. Matriks ini dapat dibuat berdasarkan:

 Kedekatan Geografis: Lokasi yang berbagi batas (contiguous), atau

lokasi dalam jarak tertentu.

 Jarak: Jarak Euclidian, jarak perjalanan, dll.

 Kedekatan Sosial/Ekonomi: Misalnya, berbagi karakteristik demografi

atau ekonomi.

2. Data Atribut (Attribute Data):

o Ini adalah data non-spasial yang terkait dengan setiap lokasi atau unit spasial.
Contohnya:

 Jumlah penduduk, tingkat pendapatan, data kesehatan, data

kejahatan, dll.

 Variabel dependen (Y) dan variabel independen (X) untuk analisis

regresi.

Contoh Command Stata:

Stata memiliki paket sp (Spatial Panel) dan berbagai perintah lain untuk analisis spasial. Anda
mungkin perlu menginstal beberapa paket eksternal (SSC).

Berikut adalah beberapa contoh dasar:

1. Memuat Data dan Mendefinisikan Lokasi:

Asumsikan Anda memiliki data dalam format .dta dengan variabel latitude dan longitude,
serta id untuk setiap observasi.

Stata

// Mengatur direktori kerja

cd "C:\data_spasial"
// Memuat data

use data_lokasi.dta, clear

// Mendeklarasikan variabel koordinat

// Ini penting agar Stata mengenali data Anda sebagai spasial

spset id_lokasi, coords(longitude latitude) replace

2. Membuat Matriks Bobot Spasial (Spatial Weights Matrix):

Ini adalah langkah krusial. Ada berbagai cara untuk membuat matriks W.

 Matriks Kedekatan Ratu (Queen Contiguity): Dua wilayah berdekatan jika mereka
berbagi batas atau sudut.

Stata

spmatrix create queen W_queen using "batas_wilayah.shp"

// Anda mungkin perlu file shapefile untuk ini, atau data yang mendefinisikan poligon.

// Atau jika data Anda adalah titik dan Anda ingin contiguity berdasarkan polygon yang
mengandung titik tersebut

// spmatrix create contiguity W_poly, ///

// id(id_lokasi) ///

// polygon(polygon_id) ///

// map("path/to/your/[Link]")

 Matriks Jarak Terbalik (Inverse Distance Weight): Bobot berkurang seiring dengan
peningkatan jarak.

Stata

spmatrix create idistance W_idist, power(1) ///

id(id_lokasi) coordinates(longitude latitude)

// power(1) berarti 1/jarak, power(2) berarti 1/jarak^2

 Matriks K-Nearest Neighbors (KNN): Hanya mempertimbangkan K tetangga terdekat.

Stata

spmatrix create knn W_knn, k(5) ///

 id(id_lokasi) coordinates(longitude latitude)

// k(5) berarti 5 tetangga terdekat

3. Menguji Autokorelasi Spasial (Moran's I):

Untuk menguji apakah ada autokorelasi spasial dalam variabel tertentu.

Stata

spautoc var_minat, wmat(W_queen) moran

// Menguji Moran's I untuk variabel 'var_minat' menggunakan matriks bobot 'W_queen'

4. Regresi Spasial:

Model regresi yang memperhitungkan ketergantungan spasial.

 Spatial Lag Model (SAR): Variabel dependen di suatu lokasi dipengaruhi oleh variabel
dependen di lokasi tetangga.

Stata

spregress var_dependen var_independen1 var_independen2, ///

wmat(W_queen) lag

 Spatial Error Model (SEM): Error term di suatu lokasi berkorelasi secara spasial
dengan error term di lokasi tetangga.

Stata

spregress var_dependen var_independen1 var_independen2, ///

wmat(W_queen) error

 Geographically Weighted Regression (GWR): Memungkinkan koefisien regresi

bervariasi di setiap lokasi. (Stata tidak memiliki perintah GWR bawaan secara
langsung, biasanya ini dilakukan di software GIS seperti ArcGIS atau dengan paket
R/Python). Namun, beberapa paket Stata eksternal mungkin ada.

*5. Hotspot Analysis (Getis-Ord Gi):**

Untuk mengidentifikasi klaster nilai tinggi (hotspot) atau nilai rendah (coldspot). Stata tidak
memiliki perintah bawaan untuk Getis-Ord Gi* secara langsung seperti di ArcGIS, tetapi
Anda bisa mengimplementasikannya secara manual atau mencari paket SSC yang relevan.
Biasanya ini melibatkan pembentukan variabel bobot dan kemudian agregasi.

Catatan Penting:
  Instalasi Paket: Banyak perintah Stata untuk analisis spasial tidak bawaan dan perlu
diinstal dari SSC (Stata Statistical Software Components). Gunakan ssc install
namapaket. Contoh: ssc install sp

 Format Data: Pastikan data koordinat Anda dalam format yang benar (misalnya,
desimal derajat).

 Proyeksi: Konsisten dalam sistem proyeksi koordinat Anda.

 Interpretasi: Hasil dari analisis spasial membutuhkan interpretasi yang hati-hati,

karena keberadaan autokorelasi spasial dapat memengaruhi inferensi statistik
tradisional.

Analisis spasial adalah bidang yang kompleks dan kuat. Memahami pertanyaan penelitian,
sifat data, dan asumsi model adalah kunci untuk melakukan analisis yang bermakna.