Pemodelan Kerugian Makro
Ekonomi Akibat Bencana Alam
Dengan Regresi Panel
Dosen Pembimbing :
Dwi Endah Kusrini, S.Si, M.Si
Jurusan Statistika Fakultas Matematika dan Ilmu
Pengetahuan Alam Institut Teknologi Sepuluh Nopember
OUTLINE
Pendahuluan
Tinjauan
Pustaka
Metodologi
Penelitian
Latar Belakang
Latar Belakang
Tsunam i Aceh (2004) Gempa bumi DIY (2006) Gunung meletus Jatim (2014)Latar Belakang
Penelitian tentang bencana alam
Toya & Skidmore
(2007)
• Melakukan penelitian terkait perkembangan ekonomi dan dampak dari bencana alam
Noy (2009)
• Melakukan penelitian konsekuensi makroekonomi yang
diakibatkan oleh bencana alam dengan menggunakan regresi data panel
Latar Belakang
Penelitian tentang bencana alam
Xiaoyan & Xiaofei
(2012)
• Menaksir kerugian yang terjadi akibat bencana alam
Mustapha ,Mcheick, & Mellouli
(2013)
• Melakukan pemodelan dan simulasi bencana alam
Kusumani ngrum (2014)
• Meneliti tentang kerugian makroekonomi yang disebabkan oleh bencana alam di Pulau Jawa dengan menggunakan metode Spatial Durbin Model
Latar Belakang
Regresi Panel???
Merupakan model regresi yang digunakan
pada data panel (gabungan data cross
section dan data time
Latar Belakang
Penelitian tentang Regresi Panel
Astuti
(2009)
• Menganalisis persentase mahasiswa ITS
yang lulus tepat waktu dengan menggunakan
model
fixed effect
pada regresi data panel
Desi
(2010)
• Menggunakan regresi data panel untuk
memodelkan persentase penduduk miskin di
Jawa Timur
Perumusan Masalah
Bagaimana karakteristik bencana alam yang
terjadi di Pulau Jawa pada periode 2007
hingga 2012?
Bagaimana pemodelan kerugian
Tujuan Penelitian
Mengidentifikasi karakteristik bencana alam
yang pernah terjadi di Pulau Jawa pada
periode 2007 hingga 2012.
Mendapatkan pemodelan kerugian
makroekonomi yang diakibatkan bencana
alam di Pulau Jawa untuk wilayah kabupaten
dengan menggunakan metode regresi panel.
Manfaat Penelitian
Dapat menjadi bahan pembelajaran bagi
peneliti terkait metode regresi data panel.
Dapat memberikan informasi atau menjadi
bahan rujukan bagi pemerintah daerah terkait
Batasan Masalah
Analisis data panel yang digunakan adalah
data panel lengkap (
balanced
) dengan
error
komponen satu arah yaitu komponen antar
individu atau antar waktu.
Wilayah yang dianalisis adalah
kabupaten-kabupaten di Pulau Jawa.
Bencana
Berdasarkan UU No. 24 Tahun 2007, bencana adalah peristiwa atau serangkaian peristiwa yang mengancam
dan mengganggu kehidupan dan penghidupan masyarakat yang disebabkan oleh faktor alam dan nonalam ataupun faktor manusia sehingga mengakibatkan timbulnya
korban jiwa manusia, kerusakan lingkungan, kerugian harta benda, dan
dampak psikologis.
Secara ekonomi, bencana dapat membawa kerugian
secara langsung yaitu kerugian modal saham,
secara tidak langsung yaitu mengganggu bisnis dan secara makro ekonomi
yaitu menurunnya produk domestik bruto (Mechler,
Statistika Deskriptif
Statistika deskriptif merupakan
metode-metode yang berkaitan
dengan pengumpulan dan
penyajian suatu gugus data
sehingga dapat memberikan
informasi yang berguna (Walpole,
Data Panel
• Gabungan antara data
time series
dan data
cross sectional
.
• Ada 2 macam data panel
balanced
(seimbang) dan
unbalanced
(tidak seimbang)
• Dapat mengontrol heterogenitas individual.
• Lebih informatif, lebih bervariasi, dan lebih efisien.
• Lebih unggul dalam mempelajari perubahan yang dinamis.
• dll
Estimasi Data Panel
1.
Intersep dan slope koefisien adalah tetap sepanjang waktu dan
individu. [
𝑦
𝑖𝑡= 𝛼 + 𝑋
𝑖𝑡′𝛽 + 𝜀
𝑖𝑡]
2.
Slope koefisien adalah tetap tetapi intersep berbeda antar individu.
[
𝑦
𝑖𝑡= 𝛼
𝑖+ 𝑋
𝑖𝑡′𝛽 + 𝜀
𝑖𝑡]
3.
Slope koefisien adalah tetap tetapi intersep berbeda antar individu
dan waktu. [
𝑦
𝑖𝑡= 𝛼
𝑖𝑡+ 𝑋
𝑖𝑡′𝛽 + 𝜀
𝑖𝑡]
5 kemungkinan yang akan terjadi saat menggunakan data panel
Estimasi Data Panel
•
Common Effect Model
(CEM)
Model paling sederhana sama dengan model OLS. Pendekatan ini
mengasumsikan bahwa nilai intersep dan slope masing-masing
variabel adalah sama untuk semua unit
cross section
dan
time
series
. [
𝑦
𝑖𝑡= 𝛼 + 𝑋
𝑖𝑡′𝛽 + 𝜀
𝑖𝑡]
•
Fixed Effect Model
(FEM)
Menggunakan variabel dummy untuk menangkap adanya
perbedaan intersep. [
𝑦
𝑖𝑡= 𝛼
𝑖+ 𝑋
𝑖𝑡′𝛽 + 𝜀
𝑖𝑡]
•
Random Effect Model
(REM)
Mengasumsikan intersep sebagai variabel random.
[
𝑦
= 𝛼 + 𝑋
′𝛽 + 𝜇
+ 𝜀
]
Pemilihan Model Estimasi
Regresi Data Panel
• Uji Chow
Digunakan untuk memilih model estimasi terbaik antara model CEM
atau model FEM.
𝐻
0:
𝛼
1= 𝛼
2= ⋯ = 𝛼
𝑁= 𝛼
(CEM)
𝐻
1:
𝛼
𝑖≠ 𝛼
(FEM)
Statistik uji :
𝐹 =
𝑅𝑅𝑆𝑆−𝑈𝑅𝑆𝑆 𝑁−1 𝑈𝑅𝑆𝑆 𝑁𝑇−𝑁−𝐾Pemilihan Model Estimasi
Regresi Data Panel
• Uji Hausman
Digunakan untuk memilih model estimasi terbaik antara model REM
atau model FEM.
𝐻
0:
𝑐𝑜𝑟𝑟 𝑋
𝑖𝑗, 𝑢
𝑖𝑗= 0
(REM)
𝐻
1:
𝑐𝑜𝑟𝑟 𝑋
𝑖𝑗, 𝑢
𝑖𝑗≠ 0
(FEM)
Statistik uji :
𝑊 = 𝐴
′𝑣𝑎𝑟 𝛽
𝐹𝐸𝑀− 𝑣𝑎𝑟 𝛽
𝑅𝐸𝑀 −1𝐴
𝐴 = 𝛽
𝐹𝐸𝑀+ 𝛽
𝑅𝐸𝑀Pemilihan Model Estimasi
Regresi Data Panel
• Uji Lagrange Multiplier
Digunakan untuk menguji apakah terdapat heteroskedastisitas pada
model FEM.
𝐻
0:
𝜎
𝑖2= 𝜎
2(homoskedastis)
𝐻
1:
𝜎
𝑖2≠ 𝜎
2(hetroskedastis)
Statistik uji :
𝐿𝑀 =
𝑛𝑇 2 𝑇−1𝑇𝑒
𝑖 2 𝑁 𝑖=1 𝑁𝑖=1 𝑇𝑡=1𝑒
𝑖𝑡2 −1− 1
2𝐻
𝐿𝑀 > 𝜒
2pada tingkat signifikansi α.
Kriteria Kebaikan Model
Koefisien determinasi 𝑅2
Dapat mengukur proporsi keragaman yang dapat dijelaskan model regresi
𝑅2 = 1 − 𝑇𝑡=1 𝑦𝑖𝑡 − 𝑦 𝑖𝑡 2 𝑛 𝑖=1 𝑦𝑖𝑡 − 𝑦 𝑖𝑡 2 𝑇 𝑡=1 𝑛 𝑖=1
Pengujian Parameter Model
• Uji Serentak
Digunakan untuk mengetahui semua pengaruh variabel
independen terhadap variabel dependen.
𝐻
0:
𝛽
1= 𝛽
2= ⋯ = 𝛽
𝐾= 0
𝐻
1: minimal ada satu
𝛽
𝑖≠ 0 𝑖 = 1,2, … , 𝐾
Statistik uji :
𝐹 =
𝑀𝑆𝑀𝑆𝑟𝑒𝑔𝑟𝑒𝑠𝑖Pengujian Parameter Model
• Uji Parsial
Digunakan untuk mengetahui variabel independen yang
berpengaruh signifikan secara individu terhadap variabel
dependen.
𝐻
0:
𝛽
𝑘= 0
𝐻
1:
𝛽
𝑘≠ 0
Statistik uji :
𝑡
ℎ𝑖𝑡𝑢𝑛𝑔=
𝛽𝑘𝑆𝐸(𝛽𝑘)
Tolak
𝐻
0apabila
𝑡
ℎ𝑖𝑡𝑢𝑛𝑔lebih besar dari
𝑡
𝛼Pengujian Asumsi Residual
• Asumsi Independen
Bertujuan untuk mengetahui apakah terdapat korelasi antar
error
pada waktu t dengan
error
pada waktu t-1.
Dideteksi dengan menggunakan uji Durbin Watson.
• Asumsi Identik
Bertujuan untuk mengetahui adanya ketidaksamaan varians dari
error suatu pengamatan dengan pengamatan lainnya. Dideteksi
dengan menggunakan uji Glejser yaitu meregresikan absolute
Pengujian Asumsi Residual
• Asumsi Normal
Digunakan uji Kolmogorov Smirnov untuk mengetahui residual
model sudah berdistribusi normal atau tidak.
𝐻
0: residual berdistribusi normal
𝐻
1: residual tidak berdistribusi normal
Tolak
𝐻
0apabila
𝐷 > 𝐷
1−𝛼atau
𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼
.
• Tidak Terjadi Multikolinearitas
Multikolinearitas terjadi apabila ada korelasi antara variabel
independen dan dapat diatasi dengan PCA.
Sumber Data
Sumber data yang digunakan dalam
penelitian ini adalah data sekunder dari
Badan Nasional Penanggulangan
Bencana (BNPB)
dan
Badan Pusat
Statistika (BPS)
pada periode
2007
hingga
2012
.
Unit
cross section
pada penelitian ini
adalah
kabupaten-kabupaten
di Pulau
Jawa sedangkan unit
time series
penelitian
ini adalah tahun 2007 hingga 2012. Jadi,
total ada
83 kabupaten
di Pulau Jawa dan
Variabel Penelitian
Produk
domestik
Jumlah
Tenaga kerja
(X
1it)
(Bappenas,
2006)
Jumlah
kejadian
bencana (
𝑋
2𝑖)
Jumlah
kerusakan
fasilitas umum
(X
3it) (Noy,
2009)
Langkah Analisis
• Untuk mencapai tujuan pertama, maka dilakukan analisis statistika
deskriptif pada masing-masing variabel dependen dan variabel independen. • Untuk mencapai tujuan kedua, maka dilakukan langkah-langkah sebagai
berikut.
Mengumpulkan set data panel.
Mengidentifikasi adanya kasus multikolinearitas atau tidak.
Melakukan estimasi model regresi panel dengan menggunakan uji Chow. Apabila keputusannya adalah gagal tolak 𝐻0 maka model yang digunakan adalah common effect model (CEM), namun bila
keputusannya adalah tolak 𝐻0 maka model yang digunakan adalah fixed effect model (FEM) dan dilanjutkan ke langkah 4.
Melakukan estimasi model regresi panel dengan menggunakan uji Hausman. Apabila keputusannya adalah gagal tolak 𝐻0 maka model yang digunakan adalah random effect model (REM) dan langkah
Langkah Analisis
Melakukan estimasi model regresi panel dengan menggunakan uji
Lagrange Multiplier. Apabila keputusannya adalah gagal tolak 𝐻0 maka model yang digunakan adalah fixed effect model FEM dan struktur data sudah homogen. Namun bila keputusannya adalah tolak 𝐻0 maka struktur data belum homogen dan model estimasi yang digunakan adalah model
fixed effect (FEM) dengan pembobot cross section weight.
Melakukan pengujian signifikansi parameter regresi panel.
Melakukan pengujian asumsi residual.
Karakteristik Variabel Penelitian
Y X1 X2 X1 0,355 0,000 X2 0,284 0,019 0,000 0,669 X3 0,162 0,026 0,103 0,000 0,557 0,021Korelasi variabel dependen dan independen
Korelasi wilayah satu
Y X1 X2 Y X1 X2 X1 0,204 0,009 X2 0,362 0,034 0,000 0,663
Karakteristik Variabel Penelitian
Korelasi wilayah tiga Korelasi wilayah empat
Y X1 X2 X1 0,676 0,000 X2 0,452 0,297 0,026 0,159 X3 0,398 0,358 0,465 0,000 0,086 0,022 Y X1 X2 X1 0,506 0,000 X2 0,255 -0,064 0,000 0,307 X3 0,071 -0,104 0,137 0,256 0,095 0,028
Karakteristik Variabel Seluruh
Kabupaten
Statistika Deskriptif Mean, Min dan Max
Variabel N Mean Min Max
Kab dengan Nilai Terendah Kab dengan Nilai Tertinggi 𝑌𝑖𝑡 498 15970 2321 116470 Pacitan Bekasi 𝑋1𝑖𝑡 498 247,52 59 735 Sampang Sidoarjo 𝑋2𝑖𝑡 498 7,697 0 113 Beberapa kabupaten Bogor
Perkembangan Variabel Tahun
2007-2012
Perkembangan PDRB Berlaku 11816.06 0 13580.30 1 14791.61 4 16555.10 8 18506.39 7 20568.86 7 2007 2008 2009 2010 2011 2012Perkembangan jumlah tenaga kerja
228.0843 37 257.8915 66 273.8554 21 284.8192 77 213.8072 28 226.6867 47 2007 2008 2009 2010 2011 2012
Perkembangan Variabel Tahun
2007-2012
Perkembangan jumlah kejadian bencana Perkembangan jumlah kerusakan FU
4.891 5.506 13.289 11.060 11.433 187.831 518.771 341.445 237.590
Perkembangan Variabel Tahun
2007-2012
Perkembangan jumlah kejadian bencana Perkembangan jumlah kerusakan FU
0 4.891 5.506 13.289 11.060 11.433 2007 2008 2009 2010 2011 2012 0 16.421 187.831 518.771 341.445 237.590 2007 2008 2009 2010 2011 2012
Perkembangan Variabel Wilayah
Satu
Rata-rata PDRB wilayah satu Rata-rata jumlah tenaga kerja wilayah satu
6435.67 2009.5 5703.33 6199 6366.83 53176.33 7688 4747.67 5598.5 0 10000 20000 30000 40000 50000 60000 164.33 426 262 186.17 221.17 263.83 255 150.83 79.17 0 50 100 150 200 250 300 350 400 450
Perkembangan Variabel Wilayah
Satu
Rata-rata jumlah kejadian bencana wilayah satu Rata-rata jumlah kerusakan FU wilayah satu
7.33 6 6.17 7.83 2.5 4.33 7.33 7.5 3 0 1 2 3 4 5 6 7 8 9 5.83 18.5 41 240.67 32.67 501.83 17.83 23.33 32.83 0 100 200 300 400 500 600
Deteksi Multikolinearitas
Nilai VIF
Keterangan :
Y1 : model Y yang korelasi antara Y dan X1 bernilai positif dan signifikan pada tingkat
Y1
X1 1,010
X2 1,106
Penentuan Model Panel
Uji Chow
𝐻0 : 𝛼1 = 𝛼2 = ⋯ = 𝛼𝑖 = 𝛼 = 0
𝐻1 : minimal ada satu 𝛼𝑖 yang berbeda
Model Fhitung Ftabel P-value Keputusan
𝑌1𝒊𝒕 Antar Individu 86,993 2,157 0,0000 Tolak 𝐻0
𝑌𝟏𝐢𝐭 Antar Waktu 0,117 2,413 0,9890 Gagal Tolak 𝐻0
𝒍𝒏 𝒀𝟏𝒊𝒕 Antar
Individu 241,837 2,163 0,0000 Tolak 𝐻0
𝒍𝒏 𝒀𝟏𝒊𝒕 Antar
Penentuan Model Panel
Uji Hausman
𝐻0 : 𝑐𝑜𝑟𝑟 𝑋𝑖𝑗, 𝑢𝑖𝑗 = 0
𝐻1 : 𝑐𝑜𝑟𝑟 𝑋𝑖𝑗, 𝑢𝑖𝑗 ≠ 0
Model Wald Chis_tabel P-value Keputusan
𝑌1𝒊𝒕 Antar Indiv 0,705 3,8415 0,4010 Gagal Tolak 𝐻0
𝒍𝒏 𝒀𝟏𝒊𝒕 Antar
Indiv 2,024 5,9915 0,3634 Gagal Tolak 𝐻0
Estimasi Model Regresi Panel
𝑙𝑛 𝑌 1𝑖𝑡 = 𝛼 0𝑖 + 0,005559𝑋1𝑖𝑡 + 0,007750𝑋2𝑖𝑡 Diambil contoh PDRB atas dasar harga berlaku untuk Kabupaten Karawang pada tahun 2010
𝑙𝑛 𝑌 1𝑖𝑡 = 9,348466 + 0,005559 260 + 0,007750 13
= 10,894556
𝑌 1𝑖𝑡 = 𝑒10,894556 = 53882,22903
Nilai taksiran PDRB atas dasar harga berlaku Kabupaten Karawang pada tahun 2010 adalah 53882,22903 milyar rupiah, sedangkan nilai sebenarnya adalah sebesar 57260 milyar rupiah. Jadi, diperoleh nilai residualnya sebesar
Kabupaten 𝜶𝟎𝒊 Karawang 9,348466 Bantul 6,646406 Demak 7,132426 Grobogan 9,618633 Gunungkidul 7,497175 Banjarnegara 7,782027 Magelang 7,459258 Rembang 7,554903 Sampang 8,149296 Estimasi intersep
Estimasi Model Regresi Panel
Goodness of Fit 𝐥𝐧 𝒀𝒊𝒕 R-squared 0,686135 Adjusted R-squared 0,673827 F-statistic 55,74521 Prob (F-statistic) 0,000000 Nilai Rsquared menjelaskan variabel independen mampu menjelaskanPengujian Signifikansi
Parameter
Goodness of Fit 𝒀𝒊𝒕 R-squared 0,686135 Adjusted R-squared 0,673827 F-statistic 55,74521 Prob (F-statistic) 0,000000Nilai p-value kurang dari 5%
menghasilkan keputusan tolak 𝐻0.
Jadi minimal ada satu variabel independen yang
berpengaruh terhadap model. Uji Serentak
Pengujian Signifikansi
Parameter
Nilai p-value masing-masing variabel kurang dari
5%. Jadi, faktor jumlah tenaga kerja dan jumlah kejadian
bencana Uji Parsial
Variabel Koefisien Std. Error Thitung p-value
C 7,687621 0,286431 26,83939 0,0000
Pengujian Asumsi Residual
Model ln 𝑌1𝑖𝑡
Asumsi Normal
Asumsi Identik
Asumsi Independen
Model D P-value Keputusan
𝑙𝑛 𝑌1𝑖𝑡 0,181 0,058 Gagal tolak 𝐻0
Model 𝒅 𝑫𝑳 𝑫𝑼 Keputusan
𝑙𝑛 𝑌1𝑖𝑡 1,320386 1,4797 1,6359 Tolak 𝐻0
Model 𝑭𝒉𝒊𝒕𝒖𝒏𝒈 𝑭𝒕𝒂𝒃𝒆𝒍 P-value Keputusan
𝑙𝑛 𝑌1𝑖𝑡 0,840 1)3,179 0,437 Gagal tolak 𝐻
Kesimpulan
Secara umum, PDRB atas dasar harga berlaku (𝑌𝑖𝑡) 83 kabupaten di Pulau Jawa berkorelasi signifikan dengan jumlah tenaga kerja (𝑋1𝑖𝑡), jumlah kejadian bencana (𝑋2𝑖𝑡), dan jumlah kerusakan fasilitas umum (𝑋3𝑖𝑡). Perkembangan PDRB dari tahun 2007 hingga 2012 terus meningkat yang mengindikasikan perekonomian dari 83 kabupaten di Pulau Jawa juga semakin membaik dari tahun ke tahun. Adapun, kabupaten dengan PDRB tertinggi adalah Bekasi sebesar 116,47 triliun rupiah. Kabupaten dengan jumlah tenaga kerja tertinggi adalah Sidoarjo. Kabupaten dengan jumlah kejadian bencana dan jumlah
kerusakan fasilitas umum tertinggi masing-masing adalah Bogor dan Bangkalan.
Model regresi panel yang sesuai untuk PDRB kabupaten di wilayah satu Pulau Jawa adalah REM. Variabel yang berpengaruh signifikan terhadap PDRB di wilayah satu adalah jumlah tenaga kerja dan jumlah kejadian bencana.
Saran
Pada penelitian ini, wilayah yang diamati hanya kabupaten.
Sehingga, untuk penelitian selanjutnya diharapkan memasukkan
wilayah kota.
Agar hasil estimasi regresi panel semakin akurat maka dapat
dilakukan penambahan periode penelitian, menambah variabel
independen yang mungkin berpengaruh pada PDRBB atau
mengurangi unit
cross section
yang diamati. Selain itu, bisa
melakukan pengembangan metode dengan menggunakan metode
panel spasial.
Daftar Pustaka
Astuti, A. M. (2009). Fixed Effect Model Pada Regresi Data Panel Studi Kasus Tentang Persentase Mahasiswa Yang Lulus Tepat Waktu Di Institut Teknologi Sepuluh Nopember Surabaya. Tugas Akhir S2 yang Tidak Dipublikasikan, Institut Teknologi Sepuluh Nopember Surabaya
Baltagi, B. H. (2005). Econometric Analysis of Panel Data (3rd ed.). England: John Wiley & Sons, Ltd
Bappenas. (2006). Laporan Hasil Kajian Penyusunan Model Perencanaan Lintas Wilayah dan Lintas Sektor. Jakarta: Bappenas
Bezu, S., Kassie, G. T., Shiferaw, B., & Gilbert, J. R. (2014). Impact Of
Improved Maize Adoption On Welfare Of Farm Households In Malawi: A Panel Data Analysis. Journal of World Development, 59 (2014), 120-131 Daniel, W. (1989). Statistika Non Parametrik. Jakarta: Gramedia
Desi, Y. (2010). Pemodelan Persentase Penduduk Miskin Di Provinsi Jawa Timur Tahun 2004-2008 Dengan Regresi Data Panel. Tugas Akhir S2 yang Tidak Dipublikasikan, Institut Teknologi Sepuluh Nopember
Daftar Pustaka
Fatmawati, I. (2010). Pendekatan Ekonometrika Panel Spasial Untuk
Pemodelan PDRB Sektor Industri Di SWP Gerbangkertasusila Dan Malang Pasuruan. Tugas Akhir S1 yang Tidak Dipublikasikan, Institut Teknologi Sepuluh Nopember Surabaya
Greene, W. H. (2002). Econometric Analysis (4th ed.). New Jersey: Prentice Hall
Gujarati, D. (1999). Ekonometrika Dasar. Jakarta: Erlangga
Gujarati, D. N. (2004). Basic Econometrics (4th ed.). The McGraw Hill-Companies
Ingleton, J. (1999). Natural Disaster Management. Leicester : Tudor Rose Kementerian Negara Perencanaan Pembangunan Nasional (KNPPN), Badan
Daftar Pustaka
Lee, N. Y., Moon, H. R., & Weidner, M. (2012). Analysis Of Interactive Fixed Effects Dynamic Linear Panel Regression With Measurement Error. Journal of Economic Letters, 117 (2012), 239-242
Lee, S. H. (2014). The Relationship Between Growth And Profit: Evidence From Firm Level Panel Data. Journal of Structural Change and
Econometric Dynamics, 28 (2014), 1-11
Mechler, R. (2003). Natural Disaster Risk Management and Financing Disaster Losses in Developing Countries. Published Ph.D. Thesis, University of Karlsruhe
Melliana, A. (2013). Analisis Statistika Faktor Yang Mempengaruhi Indeks Pembangunan Manusia Di Kabupaten/Kota Provinsi Jawa Timur Dengan Menggunakan Regresi Panel. Tugas Akhir S1 yang Tidak Dipublikasikan, Institut Teknologi Sepuluh Nopember Surabaya Mustapha, K., Mcheick, H., & Mellouli, S. (2013). Modeling and Simulation
Agent Based of Natural Disaster Complex Systems. Journal of Computer Science, 21 (2013), 148-155
Daftar Pustaka
Syahwal, S. (2011). Penaksiran Parameter Model Regresi Data Panel Dinamis Menggunakan Metode Blundell Dan Bond. Tugas Akhir S1 yang
Dipublikasikan, Universitas Indonesia
Toya, H., & Skidmore, M. (2007). Economic Development And The Impacts Of Natural Disasters. Journal of Economic Letters, 94 (2007), 20-25
Walpole, R. E. (1995). Pengantar Statistika (Ketiga ed.). Jakarta: Gramedia Pustaka Utama
Westerlund, J., & Urbain, J. P. (2013). On The Implementation And Use Of Factor-Augmented Regressions In Panel Data. Journal of Asian Econometrics, 28 (2013), 3-11