Abstract
Salah satu analisis statistika yang menghubungkan variabel respon dengan variabel bebas yaitu metode regresi. Hasil keluaran (output) dari metode ini adalah estimasi dari parameter yang menghubungkan variabel bebas dan variabel respon. Masalah utama dari metode ini adalah jika metode ini diterapkan pada data spatial. Untuk mengatasi permasalahan pada data spatial maka metode statistik yang akan digunakan adalah Geographically Weighted Regression (GWR), yaitu model yang menggunakan faktor geografis sebagai variabel bebas yang dapat mempengaruhi variabel respon. Estimasi pada model GWR dengan pendekatan MLE menghasilkan estimator yang sama dengan pendekatan Weighted Least Square (WLS) yang sudah umum digunakan. Namun pendekatan ini tidak dapat digunakan secara langsung untuk menaksir estimator varians.
Downloads
References
Charlton, M., Fotheringham, S., dan Brunsdon, C. (2006), “Geographically Weighted Regression”, Document ESRC National Centre for Research Methods, NCRM Methods Review Papers.
Chasco, C., Garcia, I., dan Vicens, J. (2007), “Modeling spatial variations in household disposable income with Geographically Weighted Regression”, Munich Personal RePEc Archive Paper No. 1682.
Cressie, N.A.C. (1991), Statistics For Spatial Data, John Wiley & Sons, Inc. United States of America.
Draper, N.R. dan Smith, H. (1992), Analisis Regresi Terapan, Edisi Kedua, PT Gramedia Pustaka Utama, Jakarta.
Fotheringham, A.S., Brundson, C., dan Charlton, M. (2002) “Geographically Weighted Regression: the analysis of spatially varying relationships”, John Wiley & Sons Ltd, England.
Leung, Y. (2000), “Statistical Tests for Spatial Non-Stationarity Based on the Geographically Weighted Regression Model”, Journal, The Chinese University of Hong Kong, Hong Kong.
Mittal, V., Kamakura, W.A., dan Govind, R. (2004), “Geographic Patterns in Customer Service and Satisfaction: An Empirical Investigation”, Journal of Marketing, Vol. 68, Hal. 48-62.
Zhang, L. dan Gove, J.H. (2005), “Spatial Assessment of Model Errors from Four Regression Techniques”, Forest Science,Vol. 51, No. 4, hal. 334-346.
Zhuang, D. (2006), “Spatial Dependence and Neighborhood Effects in Mortgage Lending: A Geographically Weighted Regression Approach”, Paper,University of Southern California, Los Angeles.