Dampak Spillover Pekerja Migran Indonesia (PMI) Asal Jawa Tengah Terhadap Pertumbuhan Ekonomi Propinsi Jawa Tengah

Spillover tenaga kerja Propinsi Jawa Tengah tahun 2019 cukup tinggi 60.432 pekerja setelah Propinsi Jawa Timur, yaitu 68.740 pekerja. Spillover tenaga kerja Propinsi Jawa Tengah diduga karena jumlah penduduk yang banyak di Propinsi Jawa Tengah. Faktor pendorong Pekerja Migran Indonesia (PMI) berniat bekerja keluar negeri adalah untuk memperoleh pendapatan yang layak sehingga selisih pendapatan dan biaya hidupnya dapat dikirim keluarganya di Indonesia. Tujuan penelitian ini adalah menganalisis dampak spillover Pekerja Migran Indonesia (PMI) terhadap pertumbuhan ekonomi Propinsi Jawa Tengah. Metode penelitian ini menggunakan matriks bobot spasial dengan pendekatan Euclidean Distance untuk menghitung Spatial Autoregressive Model (SAR), Spatial Error Model (SAR), dan Spatial Durbin Model (SDM). Simpulan Hasil penelitian ini adalah sebagai berikut : Spillover tenaga kerja Propinsi Jawa Tengah yang diwujudkan dalam bentuk pekerja Migran Indonesia asal Jawa Tengah kebanyakan berasal dari Kabupaten Cilacap, Kabupaten Kendal, Kabupaten Brebes, Kabupaten Banyumas, Kabupaten Pati, Kabupaten Grobogan, Kabupaten Kebumen, Kabupaten Wonosobo, dan Kabupaten Batang dengan tingkat pendidikan Sekolah Menengah Pertama (SMP) dengan jenis kelamin wanita kebanyakan bekerja pada negara Negara Hongkong, Negara Taiwan, Negara Malaysia, Negara Singapura, Negara Korea Selatan, Negara Brunai Darussalam, dan Negara Saudi Arabia.

Download Full-text

Perbandingan Spatial Autoregressive Model dan Spatial Error Model dalam Pemodelan Indeks Pembangunan Manusia di Provinsi Jawa Timur

Jurnal Statistika dan Aplikasinya ◽

10.21009/jsa.05104 ◽

2021 ◽

Vol 5 (1) ◽

pp. 41-50

Author(s):

Desie Rahmawati ◽

Hardian Bimanto

Keyword(s):

Lagrange Multiplier ◽

Autoregressive Model ◽

Error Model ◽

Spatial Error Model ◽

Spatial Autoregressive Model ◽

Spatial Error ◽

Spatial Autoregressive

Indeks Pembangunan Manusia (IPM) merupakan indikator untuk mengukur keberhasilan upaya pembangunan kualitas hidup manusia yang telah dicapai. Pertumbuhan IPM di suatu wilayah dapat dipengaruhi oleh faktor geografis yaitu besarnya angka IPM di suatu wilayah dapat memengaruhi angka IPM pada wilayah yang berdekatan sehingga faktor geografis diduga dapat memengaruhi dan memberikan efek dependensi spasial pada nilai IPM di Provinsi Jawa Timur. Penelitian ini bertujuan untuk melakukan pemodelan pada faktor yang berpengaruh terhadap Indeks Pembangunan Manusia di Provinsi Jawa Timur. Unit pengamatan pada penelitian ini adalah 38 kabupaten/kota di Provinsi Jawa Timur. Data yang digunakan adalah data sekunder dari Badan Pusat Statistik Jawa Timur tahun 2017. Metode analisis yang digunakan dalam penelitian ini adalah metode Spatial Autoregressive Model (SAR) dan Spatial Error Model (SEM). Hasil penelitian menunjukkan bahwa berdasarkan nilai uji Lagrange Multiplier (lag) dan Lagrange Multiplier (error) terdapat dependensi lag dan error. Variabel prediktor yang secara signifikan berpengaruh terhadap nilai IPM pada model SAR dan SEM antara lain Angka Harapan Hidup, Rata-rata Lama Sekolah, Angka Harapan Lama Sekolah dan Kemampuan daya beli masyarakat. Berdasarkan hasil penelitian didapatkan model SEM dengan nilai R2 terbesar dan nilai AIC terkecil sehingga model SEM lebih baik digunakan untuk menganalisis nilai IPM di Provinsi Jawa Timur dibandingkan model SAR dan model regresi OLS.

Download Full-text

Pemodelan dengan Spatial Autoregressive (SAR) pada Angka Putus Sekolah Bagi Anak Usia Wajib Belajar di Provinsi Sulawesi Selatan

VARIANSI: Journal of Statistics and Its application on Teaching and Research ◽

10.35580/variansiunm9358 ◽

2020 ◽

Vol 3 (1) ◽

pp. 44

Author(s):

Rika Nasir ◽

Suwardi Annas ◽

Muhammad Nusrang

Keyword(s):

Autoregressive Model ◽

Moving Average ◽

Error Model ◽

Spatial Error Model ◽

Spatial Autoregressive Model ◽

Spatial Error ◽

Spatial Autoregressive ◽

Spatial Moving Average

Abstract. Regresi spasial merupakan pengembangan dari regresi klasik. Pengembangan ini berdasarkan adanya pengaruh tempat atau spasial dari data yang dianalisis. Beberapa model regresi spasial adalah Spatial Autoregressive (SAR), Spatial Error Model (SEM) dan Spatial Moving Average (SARMA). Penelitian ini menggunakan analisis model SAR terhadap angka putus sekolah di Sulawesi Selatan. Data yang digunakan merupakan data sekunder dari Badan Pusat Statistik Provinsi Sulawesi Selatan tahun 2018. Penelitian ini dilakukan untuk mengetahui model Spatial Autoregressive (SAR) pada data banyaknya angka putus sekolah yang terjadi di Provinsi Sulawesi Selatan, serta mengenalisis faktor-faktor yang memberikan pengaruh signifikan terhadap pertumbuhan angka putus sekolah. Hasil penelitian ini memperoleh model yaitu ; sehingga faktor-faktor yang berpengaruh secara signifikan terhadap angka putus sekolah di Sulawesi Selatan adalah pengeluaran per kapita, rasio murid terhadap sekolah dan jumlah penduduk miskin.Keywords: Regresi Spasial, Spatial Autoregressive Model (SAR), Angka Putus Sekolah

Download Full-text

Analisis Faktor-Faktor yang Mempengaruhi Penyebaran Penyakit Demam Berdarah Dengue (Dbd) di Provinsi Jawa Tengah dengan Metode Spatial Autoregressive Model dan Spatial Durbin Model

Indonesian Journal of Applied Statistics ◽

10.13057/ijas.v1i1.24026 ◽

2018 ◽

Vol 1 (1) ◽

pp. 1

Author(s):

Arkadina Prismatika Noviandini Taryono ◽

Dwi Ispriyanti ◽

Alan Prahutama

Keyword(s):

Autoregressive Model ◽

Spatial Regression ◽

Hemorrhagic Fever ◽

Spatial Autoregressive Model ◽

Spatial Durbin Model ◽

Spatial Error ◽

Independent Variables ◽

Central Java ◽

Spatial Autoregressive ◽

Years Of Schooling

Dengue Hemorrhagic Fever is one of the major public health problems in Indonesia. From year to year, DHF causes Extraordinary Event in most parts of Indonesia, especially Central Java. Central Java consists of 35 districts or cities where each region is close to each other. Spatial regression is an analysis that suspects the influence of independent variables on the dependent variables with the influences of the region inside. In spatial regression modeling, there are spatial autoregressive model (SAR), spatial error model (SEM) and spatial autoregressive moving average (SARMA). Spatial durbin model is the development of SAR where the dependent and independent variable have spatial influence. In this research dependent variable used is number of DHF sufferers. The independent variables observed are population density, number of hospitals, residents and health centers, and mean years of schooling. From the multiple regression model test, the variables that significantly affect the spread of DHF disease are the population and mean years of schooling. Moran’s I test results stated that there are spatial dependencies between dependent and independent variables. The best model produced is the SAR model because it has the smallest AIC value of 49.61

Download Full-text

Model Regresi Spasial dan Aplikasinya pada Kasus Tingkat Kemiskinan Kabupaten Soppeng

Indonesian Journal of Fundamental Sciences ◽

10.26858/ijfs.v4i2.7638 ◽

2018 ◽

Vol 4 (2) ◽

pp. 102

Author(s):

Anggi Ananda Putri ◽

Wahidah Sanusi ◽

Sukarna Sukarna

Keyword(s):

Social Issues ◽

Well Being ◽

Error Model ◽

Poor Household ◽

Spatial Dependency ◽

Spatial Error Model ◽

Spatial Error ◽

Sar Model ◽

Spatial Autoregressive ◽

Independent Variable

Poverty is one of the major problem that frequently faced by human. Begin from poverty, consequently emerged several social issues, such as homeless, beggar, defendant, and prostitution. On this research were conducted modeling poverty degree in Soppeng with using number of poor household as the dependent variable. Modeling were done by using area approach which is a Spatial Autoregressive (SAR) model and Spatial Error Model (SEM). As for the independent variable used on this research is the number of health services, school facility, population density, social well being disable, and the distance on village and centre of Soppeng. Regarding to the analysis of Spatial Autoregressive (SAR) and Spatial Error Model (SEM) shows that there is a spatial dependency lag and error on number of poor household variable. As for the independent variable which have the significancy account for 5% on Spatial Autoregressive (SAR) and Spatial Error Model (SEM) are every variables with a number R2= 90,9% on SAR and R2= 90,1% on SEM.

Download Full-text

Empleo en el sector terciario. Una estimación espacial para los municipios de la región centro de México, 1999-2009

región y sociedad ◽

10.22198/rys.2017.68.a208 ◽

2016 ◽

Vol 29 (68) ◽

Author(s):

Leobardo De Jesús Almonte ◽

Yolanda Carbajal Suárez

Keyword(s):

Spatial Autocorrelation ◽

Central Region ◽

Spatial Econometrics ◽

Error Model ◽

Moran’S I ◽

Spatial Error Model ◽

Tertiary Sector ◽

Spatial Error ◽

Moran's I ◽

Spatial Autoregressive

Resumen: el objetivo es identificar un patrón de aglomeración en la división espacial del empleo en el sector servicios entre los municipios de la región centro de México. Con el método de la econometría espacial, se estimó un modelo de error espacial para el sector terciario. Según los resultados, la elasticidad ingreso del empleo es baja, el peso de las unidades económicas es importante y hay poca sensibilidad al incremento en las remuneraciones. A pesar de que el análisis exploratorio, a partir de Índice de Moran, sugiere efectos de autocorrelación espacial del empleo en la región de estudio, esto no se puede confirmar con suficiente robustez a partir de los resultados de la estimación de un modelo de error espacial. Aunque esta técnica no es novedosa, en México hay pocos trabajos aplicados al empleo en el sector terciario. El parámetro autorregresivo espacial del término de error l aporta evidencia de que existe una asociación espacial local del empleo, más que una global. Se concluye que en el sector terciario, la vecindad espacial entre los municipios de mayor dinamismo ha generado más crecimiento y aglomeración, que en el resto de ellos.Palabras clave: división espacial del empleo; sector terciario de México; autocorrelación espacial (I de Moran); análisis económico espacial; modelo de error espacial; región centro de México.Employment in the tertiary sector. A spatial estimation for municipalities in Mexico’s central region, 1999-2009Abstract: the aim is to identify an agglomeration pattern in the services sector’s spatial division of employment among municipalities in Mexico’s central region. By using the method of spatial econometrics, a spatial error model was estimated for the tertiary sector. According to results, the income elasticity of employment is low, the weight of economic unities is significant and there is little sensitivity to an increase in wages. Although the exploratory analysis, based on Moran’s I, suggests effects of spatial autocorrelation of employment in the region studied, this cannot be confirmed with enough certainty from the results of the estimation of a spatial error model. Despite this estimation technique is not new, in Mexico there are few studies dealing with employment in the tertiary sector. The spatial autoregressive parameter of the error term provides evidence that there is a local rather than global spatial association of employment. It therefore follows that in the tertiary sector spatial vicinity among the most dynamic municipalities has generated more growth and agglomeration than in the rest of them.Key words: spatial division of labor; Mexico’s tertiary sector; spatial autocorrelation (Moran’s I); spatial economic analysis; spatial error model; Mexico’s central region.

Download Full-text

MEMODELKAN ANGKA GIZI BURUK DI PROVINSI BALI DENGAN PENDEKATAN REGRESI SPASIAL

E-Jurnal Matematika ◽

10.24843/mtk.2021.v10.i02.p328 ◽

2021 ◽

Vol 10 (2) ◽

pp. 103

Author(s):

ANAK AGUNG ISTRI AYU PRATAMI ◽

I KOMANG GDE SUKARSA ◽

NI LUH PUTU SUCIPTAWATI ◽

I PUTU EKA NILA KENCANA

Keyword(s):

Birth Weight ◽

Exclusive Breastfeeding ◽

Spatial Regression ◽

Geographic Location ◽

Regression Method ◽

Spatial Error Model ◽

Spatial Autoregressive Model ◽

Spatial Error ◽

Regression Methods ◽

Spatial Autoregressive

Nutritional problems in toddler are still a serious problem in various districts/cities in Indonesia. The case of malnutrition in Bali Province vary in many regions and hypothesized to be influenced by geographic location, which is often known as spatial heterogeneity. To overcome this problem, a spatial regression method is used on this research. This study aims to model the factors that are hypothesized affect malnourished toddlers in Bali Province using spatial regression methods, i.e. spatial autoregressive model (SAR) and spatial error model (SEM). Both models have 5 predictors variable, i.e. the percentage of toddlers aged between 6 - 59 months who received vitamin A, the percentage of babies with low birth weight (LBW), the percentage of households with clean and healthy living behavior (PHBS), the percentage of children under five receiving exclusive breastfeeding, and the percentage of toddler health services, which are obtained from Bali Provincial Health Office. The results showed SEM method produced smaller AIC value and higher , with and AIC values ??of 96.24% and 60.84, respectively.

Download Full-text

Model Spatial Autoregressive (SAR) pada Tingkat Kemiskinan ( Studi Kasus : Provinsi Riau )

Jurnal Sains Matematika dan Statistika ◽

10.24014/jsms.v6i2.10530 ◽

2020 ◽

Vol 6 (2) ◽

pp. 61

Author(s):

Rahmadeni Rahmadeni

Keyword(s):

Error Model ◽

P Value ◽

Spatial Error Model ◽

Spatial Error ◽

Sar Model ◽

Spatial Autoregressive

Kemiskinan suatu daerah dipengaruhi oleh kemiskinan di daerah sekitarnya.Hal ini berdasarkan hukum geografi yang dikemukakan Tobler. Maka tujuan dari penelitian ini adalah Menentukan keterkaitan antara tingkat kemiskinan di suatu kabupaten dengan kabupaten lain yang berdekatan di Provinsi Riau dengan menggunakan model SAR. Model ini menunjukkan keterkaitan antara suatu daerah dengan daerahlain yang berdekatan dan juga menggambarkan seberapa besar pengaruh suatu variabel yang menjadi faktor penyebab meningkatnya kemiskinan terhadap angka kemiskinan tersebut.Berdasarkan Indeks Moran’s diketahui Kabupaten yang yang berdekatan mempunyai nilai kemisikinan, IPM, tingkat pendidikan dan panjang jalan yang mirip dan cenderung berkelompok. model spatial faktor tingkat kemiskinan di Provinsi Riau lebih baik menggunakan model spatial error Model (SEM) dan Berdasarkan model SEM didapatkan peubah IPM, Pendidikan, PDRB dan pengangguran signifikan secara statistik sebab p-value < 0.05, artinya faktor tersebut memberikan pengaruh yang kuat terhadap tingkat kemiskinan.

Download Full-text

Variable Selection for the Spatial Autoregressive Model with Autoregressive Disturbances

Mathematics ◽

10.3390/math9121448 ◽

2021 ◽

Vol 9 (12) ◽

pp. 1448

Author(s):

Xuan Liu ◽

Jianbao Chen

Keyword(s):

Variable Selection ◽

Autoregressive Model ◽

Rapid Development ◽

Heterogeneous Data ◽

Spatial Effect ◽

Spatial Effects ◽

Spatial Autoregressive Model ◽

Monte Carlo Studies ◽

Spatial Autoregressive ◽

Theoretical Results

Along with the rapid development of the geographic information system, high-dimensional spatial heterogeneous data has emerged bringing theoretical and computational challenges to statistical modeling and analysis. As a result, effective dimensionality reduction and spatial effect recognition has become very important. This paper focuses on variable selection in the spatial autoregressive model with autoregressive disturbances (SARAR) which contains a more comprehensive spatial effect. The variable selection procedure is presented by using the so-called penalized quasi-likelihood approach. Under suitable regular conditions, we obtain the rate of convergence and the asymptotic normality of the estimators. The theoretical results ensure that the proposed method can effectively identify spatial effects of dependent variables, find spatial heterogeneity in error terms, reduce the dimension, and estimate unknown parameters simultaneously. Based on step-by-step transformation, a feasible iterative algorithm is developed to realize spatial effect identification, variable selection, and parameter estimation. In the setting of finite samples, Monte Carlo studies and real data analysis demonstrate that the proposed penalized method performs well and is consistent with the theoretical results.

Download Full-text