Oleh :
ARI RUSMASARI
NRP. 1310201710
Pembimbing :
1. Dr. SUTIKNO, S.Si, M.Si.
2. Dr. Ir. SETIAWAN, M.S.
Program Magister Jurusan Statistika
Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi Sepuluh November
Tinjauan Pustaka
Metodologi Penelitian
Hasil dan Pembahasan
Kesimpulan dan Saran
statistika geografi Statistika Spasial Lingkungan Kesehatan Meteorologi Klimatologi Sosial Ekonomi Geologi Informasi : lokasi dan observasi
Seringkali, pengamatan di suatu lokasi bergantung pada
pengamatan di lokasi lain yang berdekatan (neighboring)
Konsep Spasial Dependensi :
Hukum I Tobler (sesuatu yang dekat lebih mempunyai pengaruh daripada sesuatu yang jauh)
Anselin (1988) mengembangkan suatu model yaitu General Spatial Model dengan menggunakan data spasial cross section
Permasalahan pemodelan : Asumsi dasar pada pemodelan regresi spasial adalah error harus identik, independen, berdistribusi normal. Karena jumlah sampel yang kecil sehingga error seringkali tidak mengikuti distribusi normal (Lynch, 2003)
Spatial Bootstrap Test :
Bootstrap Moran’s I dan Bootstrap Lagrange Multiplier untuk pengujian pada model Spasial Ekonometrika dengan menggunakan residualnya (Lin, Long, dan Ou, 2008)
Estimasi Parameter:
Fertilitas (faktor demografi)
Tahun 2009, rata-rata
anak lahir hidup di Belum memenuhi target Rencana Pembangunan Jangka Menengah Nasional tahun 2004-2009, salah satu sasarannya yaitu tingkat fertilitas total di Indonesia menjadi 2,2 per wanita sebagai salah satu langkah revitalisasi dengan adanya kekhawatiran baby booming yang kedua
Tingkat Pertumbuhan Penduduk di Indonesia
. Masih terbatasnya penelitian tentang
metode regresi spasial untuk kasus sampel yang kecil
Bagaimana algoritma Bootstrap Spasial baik dalam identifikasi model maupun
dalam estimasi parameter
Penerapan algoritma : digunakan data fertilitas di Provinsi Lampung sebagai
studi kasus
• Menyusun algoritma Bootstrap Spasial baik untuk uji identifikasi model maupun pada estimasi parameter
1
• Menyusun program aplikasi berbasis Graphic
User Interface (GUI)
2
• Mengimplementasikan algoritma yang telah dibuat untuk dapat memodelkan tingkat fertilitas di Provinsi Lampung sebagai studi
• Menambah wawasan keilmuan tentang metode resampling data yang nantinya digunakan pada suatu pemodelan regresi spasial
1
• Merupakan suatu alternatif dalam penentuan model spasial tingkat fertilitas yang dapat
digunakan sebagai masukan dan dasar penentuan kebijakan khususnya oleh pemerintah daerah
dalam program menurunkan tingkat fertilitas
2
Residual Resampling
Bootstrap
Moran’s I
Uji Bootstrap Spasial
Pemodelan Regresi Spasial :
Spatial Autoregressive Model & Spatial Error Model
Provinsi Lampung
Tinjauan
Pustaka
menggunakan data cross section (Anselin, 1988) : FERTILITAS MATRIKS PENIMBANG SPASIAL MORAN’S I UJI LAGRANGE MULTIPLIER BOOTSTRAP RESAMPLING BOOTSTRAP SPATIAL TEST BOOTSTRAP REGRESI SPASIAL GUI BOOTSTRAP SPASIAL
(3)
(5) (2)
(1)
(4)
Ilustrasi contiguity (Persinggungan)
Sumber: LeSage (1999)
Metode Queen Contiguity :
persinggungan sisi dan sudut, dimana nilai
penimbang wij akan bernilai 1 untuk wilayah yang bersisian dan bernilai 0 untuk wilayah yang lain
matriks penimbang → standarisasi (jumlah setiap baris yang sama yaitu 1)
SPASIAL FERTILITAS MATRIKS PENIMBANG SPASIAL MORAN’S I UJI LAGRANGE MULTIPLIER BOOTSTRAP RESAMPLING BOOTSTRAP SPATIAL TEST BOOTSTRAP REGRESI SPASIAL GUI BOOTSTRAP SPASIAL
Sesuai untuk bentuk wilayah yang tidak simetris (Winarno, 2009) 0 1 1 0 0 1 0 1 0 0 1 1 0 1 0 0 0 1 0 1 0 0 0 1 0 Q 0 2 1 2 1 0 0 2 1 0 2 1 0 0 3 1 3 1 0 3 1 0 0 0 2 1 0 2 1 1 0 0 0 0 queen W
Cliff dan Ord (1981)
Moran’s I :
menguji residual dari suatu model regresi untuk melihat
dependensi spasialnya FERTILITAS MATRIKS PENIMBANG SPASIAL MORAN’S I UJI LAGRANGE MULTIPLIER BOOTSTRAP RESAMPLING BOOTSTRAP SPATIAL TEST BOOTSTRAP REGRESI SPASIAL GUI BOOTSTRAP SPASIAL Moran’s I :
Pada awalnya dikembangkan untuk meneliti ada tidaknya hubungan spasial pada suatu variabel.
SPASIAL FERTILITAS MATRIKS PENIMBANG SPASIAL MORAN’S I UJI LAGRANGE MULTIPLIER BOOTSTRAP RESAMPLING BOOTSTRAP SPATIAL TEST BOOTSTRAP REGRESI SPASIAL GUI BOOTSTRAP SPASIAL
Moran’s I Variabel Respon
Digunakan untuk identifikasi awal adanya spasial dependensi
n 1 i 2 i n 1 i n 1 j ij n 1 i n 1 j ij i j MO ) y (y w ) y )(y y (y w N IFERTILITAS MATRIKS PENIMBANG SPASIAL MORAN’S I UJI LAGRANGE MULTIPLIER BOOTSTRAP RESAMPLING BOOTSTRAP SPATIAL TEST BOOTSTRAP REGRESI SPASIAL GUI BOOTSTRAP SPASIAL
Moran’s I Variabel Respon
Nilai nol tidak adanya autokorelasi spasial.
Autokorelasinya tinggi, nilai statistiknya
mendekati 1 atau -1.
Statistik Moran’s I ini juga dipakai sebagai
indeks untuk mengidentifikasi bentuk
persebaran dari observasi di setiap lokasi
apakah mengelompok (cluster pattern),
Moran’s I Error
H0: tidak ada spasial dependensi dalam error H1: ada spasial dependensi dalam error
Tolak Ho mengikuti distribusi normal standar N(0,1)
k n ) ( ) E(IMO MW trace 2 MO 2 2 MO) ( (n) k)(n( k )2) ( ( )) E(I ) V(I
trace MWMW' trace MW trace MW
) V(I ) E(I I z MO MO MO t α/2 t z z
Moran’s I asimtotik berdistribusi normal, mean E(I) dan varians V(I)
OLS regresi residual vektor εˆ MIX(X'X)1X' SPASIAL FERTILITAS MATRIKS PENIMBANG SPASIAL MORAN’S I UJI LAGRANGE MULTIPLIER BOOTSTRAP RESAMPLING BOOTSTRAP SPATIAL TEST BOOTSTRAP REGRESI SPASIAL GUI BOOTSTRAP SPASIAL ε ' ε ε W ' ε ˆ ˆ ˆ ˆ IMO
Statistik Uji Lagrange Multiplier Lag
Statistik Uji Lagrange Multiplier Error
FERTILITAS MATRIKS PENIMBANG SPASIAL MORAN’S I UJI LAGRANGE MULTIPLIER BOOTSTRAP RESAMPLING BOOTSTRAP SPATIAL TEST BOOTSTRAP REGRESI SPASIAL GUI BOOTSTRAP SPASIAL
SPASIAL FERTILITAS MATRIKS PENIMBANG SPASIAL MORAN’S I UJI LAGRANGE MULTIPLIER BOOTSTRAP RESAMPLING BOOTSTRAP SPATIAL TEST BOOTSTRAP REGRESI SPASIAL GUI BOOTSTRAP SPASIAL Metode berbasis komputasi Teknik nonparametrik dan resampling Estimasi standar error parameter
Tentukan B sampel Bootstrap independen, tiap sampel terdiri
n data, dengan pengembalian Mengevaluasi Bootstrap replikasi pada tiap Boostrap
sampel
Estimasi standar error sebanyak
b. Pada masing-masing sampel bootstrap dihitung nilai Moran’s I
Dengan matriks penimbang spasial merupakan matriks yang fixed. p-value (right tail
test) dari uji statistik Moran’s I (H0: I =I0)
Bootstrap LM Lag
a. Bootstrap resampling pada residualnya, diperoleh
b. Hitung nilai , dimana , sehingga diperoleh c. Menghitung nilai LM lag pada masing-masing sampel Bootstrap.
Bootstrap LM Error
a. Bootstrap resampling pada residualnya, diperoleh
b. Menghitung nilai LM error pada masing-masing sampel Bootstrap. FERTILITAS MATRIKS PENIMBANG SPASIAL MORAN’S I UJI LAGRANGE MULTIPLIER BOOTSTRAP RESAMPLING BOOTSTRAP SPATIAL TEST BOOTSTRAP REGRESI SPASIAL GUI BOOTSTRAP SPASIAL
• Dengan menggunakan regresi Spatial Error Model, estimasi parameter dan yang dengan metode maksimum likelihood menggunakan set data asli.
• Menghitung residualnya
• Melakukan resampling residual sebanyak B replikasi
• Menghitung nilai pada masing-masing replikasi
• Dengan menggunakan vektor dan fixed X, estimasi replikasi untuk mendapatkan
estimator dan dimana i=1,2,...,B.
• Menghitung bias, standar error, selang kepercayaan, dan p-value.
Bootstrap Spatial Error Model βˆ λˆ * βˆi * i λˆ
B 1 i * i * βˆ B 1 βˆ
B 1 i * i * λˆ B 1 λˆ SPASIAL FERTILITAS MATRIKS PENIMBANG SPASIAL MORAN’S I UJI LAGRANGE MULTIPLIER BOOTSTRAP RESAMPLING BOOTSTRAP SPATIAL TEST BOOTSTRAP REGRESI SPASIAL GUI BOOTSTRAP SPASIALpada Spatial Error Model (SEM) Miranowski, &Lambert, 2010 * b y β X W I y W I εˆ [ ˆ ] [ ˆ ] ˆ * b * b Xβ I W ε y ˆ [ ˆ ]1ˆ * b y
aplikasi GUI (Graphic User Interface) program dalam bentuk Matlab code Algoritma Bootstrap Spatial Test &
Bootstrap Regresi Spasial FERTILITAS MATRIKS PENIMBANG SPASIAL MORAN’S I UJI LAGRANGE MULTIPLIER BOOTSTRAP RESAMPLING BOOTSTRAP SPATIAL TEST BOOTSTRAP REGRESI SPASIAL GUI BOOTSTRAP SPASIAL
Fertilitas atau kelahiran menurut konsep BPS
berkaitan dengan jumlah anak kandung lahir hidup. Anak kandung lahir hidup adalah anak kandung yang pada waktu dilahirkan menunjukkan tanda-tanda kehidupan, walaupun mungkin hanya
beberapa saat saja, seperti jantung berdenyut, bernafas, dan menangis.
Fertilitas merupakan kelahiran hidup (live birth), yaitu terlepasnya bayi dari rahim seorang
perempuan dengan adanya tanda-tanda kehidupan. Faktor-faktor yang mempengaruhi tinggi rendahnya fertilitas yaitu :
Faktor demografi diantaranya adalah umur, umur kawin pertama.
Faktor nondemografi antara lain keadaan ekonomi penduduk, tingkat pendidikan, urbanisasi, dan
industrialisasi (Iswarati, 2010) SPASIAL FERTILITAS MATRIKS PENIMBANG SPASIAL MORAN’S I UJI LAGRANGE MULTIPLIER BOOTSTRAP RESAMPLING BOOTSTRAP SPATIAL TEST BOOTSTRAP REGRESI SPASIAL GUI BOOTSTRAP SPASIAL
FERTILITAS MATRIKS PENIMBANG SPASIAL MORAN’S I UJI LAGRANGE MULTIPLIER BOOTSTRAP RESAMPLING BOOTSTRAP SPATIAL TEST BOOTSTRAP REGRESI SPASIAL GUI BOOTSTRAP SPASIAL Lesmana (2010)
kawin berusia subur di Kecamatan Tempeh, Kabupaten Lumajang
Lama pemakaian alat KB Tingkat pendidikan Umur kawin pertama
Mortalitas bayi
Fertilitas
Riyanto (2009) Model fertilitas di Sulawesi Utara dengan analisis regresi logistik Daerah tempat tinggal
Umur perkawinan pertama Pendidikan
Status bekerja Pemakaian alat KB
Ada tidaknya anak kandung yang meninggal
Metodologi
Penelitian
1. Data Sekunder Survei Sosial Ekonomi Nasional (Susenas) di Provinsi Lampung Tahun 2010
2. Peta Provinsi Lampung (Pemetaan SP2010)
Keterangan :
01. Lampung Barat 08. Tulang Bawang 02. Tanggamus 09. Pesawaran 03. Lampung Selatan 10. Pringsewu 04. Lampung Timur 11. Mesuji
05. Lampung Tengah 12. Tulang Bawang Barat 06. Lampung Utara 71. Bandar Lampung 07. Way Kanan 72. Metro
Variabel respon :
Persentase wanita dengan anak kandung lahir hidup > 2 Variabel prediktor :
SUMBER DATA PENELITIAN
ANALISIS DATA
Xi Keterangan
X1 Pertumbuhan ekonomi
X2 Persentase wanita tidak menggunakan alat/cara KB
X3 Rata-rata umur perkawinan pertama
X4 Persentase wanita bekerja di sektor pertanian
Pertumbuhan ekonomi (X1) adalah laju perubahan
(kenaikan/penurunan) pertumbuhan ekonomi suatu daerah yang
dihitung berdasarkan PDRB atas dasar harga konstan. PDRB atas dasar harga konstan merupakan nilai tambah barang dan jasa tersebut yang dihitung menggunakan harga pada satu tahun tertentu (tahun dasar).
Persentase wanita pernah kawin, tidak pernah menggunakan
alat/cara KB (X2) merupakan data jumlah wanita berumur 10 tahun ke atas dan pernah kawin dimana tidak pernah menggunakan alat/cara KB dibandingkan dengan total jumlah wanita berumur 10 tahun ke atas, pernah kawin, dan mempunyai anak kandung lahir hidup.
Rata-rata umur perkawinan pertama (X3) merupakan rata-rata umur perkawinan pertama wanita berumur 10 tahun ke atas dan pernah
SUMBER DATA PENELITIAN
ANALISIS DATA
Persentase wanita pernah kawin, bekerja di sektor pertanian (X4) merupakan data jumlah wanita berumur 10 tahun ke atas dan pernah kawin yang bekerja di sektor pertanian dibandingkan dengan total
jumlah wanita berumur 10 tahun ke atas, pernah kawin, dan mempunyai anak kandung lahir hidup.
Persentase wanita pernah kawin, bekerja di sektor industri (X5) merupakan data jumlah wanita berumur 10 tahun ke atas dan pernah kawin yang bekerja di sektor industri dibandingkan dengan total jumlah wanita berumur 10 tahun ke atas, pernah kawin, dan mempunyai anak kandung lahir hidup.
Data (y, X)
Bootstrap Resampling
Data Residual Regresi OLS Moran’s I Bootstrap Test Lakukan uji efek spasial
LM lag Bootstrap Test
LM error Bootstrap Test
LM lag dan error Bootstrap Test Bootstrap Spatial Autoregressive (SAR) Bootstrap Spatial Error Model(SEM) Bootstrap Spatial Autoregressive Moving Average (SARMA) 0 ρ : H0 H0: 0 H :ρ, 0 0 Tolak Ho Tolak Ho Tolak Ho Terima Ho
OLS OLS OLS
Terima Ho Terima Ho n = 14 B = 50, 100, 200, 500, 1000, 10000
SUMBER DATA PENELITIAN ANALISIS DATA Bootstrap Moran’s I Bootstrap LM Lag Bootstrap LM Error Data (y, X) Regresi OLS Resampling Bootstrap pada b=1,2,...,B Hitung Moran’s I pada tiap B, Standar error dan p-value Data (y, X) Regresi OLS Resampling Bootstrap pada b=1,2,...,B , Hitung Y* tiap B Hitung M & T (fixed), J dan Lmlag pada tiap
B, LMlagi* βˆ Standar error dan p-value Data (y, X) Regresi OLS Resampling Bootstrap pada Hitung T (fixed),varians
dan LMerror Standar error
εˆ εˆ εˆ εˆ * b MO I εˆ * b * b Xβ ε y ˆˆ
Spatial Autoregressive Model (SAR)
Data (y, X)
Bias, Standar error,
Estimasi parameter dan (regresi SAR) → maximum likelihood
Resampling residual sebanyak B, i=1,2,...,B
Hitung residual,
Hitung y* pada tiap B,
Dengan vektor y* dan fixed X, estimasi dan βˆ * βˆi ρˆ * i ρˆ β X Wy y εˆ ρˆ ˆ * b * b I W Xβ I W ε y [ ρˆ ]1 ˆ[ ρˆ ]1ˆ
SUMBER DATA PENELITIAN
ANALISIS DATA Spatial Error Model
(SEM)
Estimasi parameter dan (regresi SEM) → maximum likelihood
Resampling residual sebanyak B, i=1,2,...,B
Hitung residual,
Hitung y* pada tiap B,
Dengan vektor y* dan fixed X, estimasi dan βˆ λˆ * βˆi * i λˆ Data (y, X)
Bias, Standar error, selang kepercayaan β X W I y W I εˆ [ λˆ ] [ λˆ ] ˆ * b * b Xβ I W ε y ˆ [ ˆ ]1ˆ
Hasil dan
Pembahasan
DESKRIPTIF DAN GUI PEMODELAN
Adanya indikasi pengelompokkan kabupaten/kota berdasarkan persentase wanita dengan fertilitas tinggi yang nilainya hampir
sama untuk lokasi yang berdekatan. Oleh karena itu, akan dilakukan pemodelan dengan pendekatan spasial area.
Program aplikasi yang telah disusun meliputi
•Bootstrap Moran’s I,
•Bootstrap Lagrange Multiplier
•Bootstrap Spatial Autoregressive Model (SAR)
•Bootstrap Spatial Error Model (SEM)
Program yang dibuat dengan menambahkan beberapa
syntax pada function spasial ekonometrika oleh LeSage
(1999).
Syntax yang ditambahkan yaitu resampling Bootstrap,
penghitungan standar error, selang kepercayaan, dan
uji hipotesis hasil dari resampling Bootstrap baik pada
Pemodelan dengan OLS
Variabel Koefisien Std.
Error t-stat P-value R2
Konstanta 92,750 10,510 8,82 <0,001 0,893 X1 -1,759 0,962 -1,83 0,105 X2 0,520 0,129 4,02 0,004 X3 -1,773 0,591 -3,00 0,017 X4 X5 -0,165 -1,087 0,054 0,224 -3,03 -4,85 0,016 0,001
Tabel 1. Nilai koefisien regresi, standar error, nilai statistik uji-t, nilai
p-value pengujian parameter dan nilai R2 dalam penyusunan model dengan metode OLS
Pengujian Spasial Dependensi
Hasil identifikasi awal adanya dependensi antar wilayah,
ditunjukkan dari nilai Moran’s I untuk variabel persentase wanita dengan fertilitas tinggi sebesar 0,2233 . Nilai ini mengindikasikan adanya efek spasial walaupun relatif rendah.
Statistik Uji Nilai P-value
Moran’s I error 0,020 0,333
LM Lag 2,837 0,092
LM Error 0,011 0,917
Tabel 2. Nilai Statistik Uji dan Nilai p-value pada Identifikasi Model Regresi Spasial dengan Set Data Awal
Model SAR
Pemodelan Dengan Spatial Autoregressive (SAR)
Tabel 3. Nilai koefisien regresi, standar error, nilai statistik
uji-t, nilai p-value pengujian parameter dan nilai R
2model Spatial Autoregressive Model (SAR)
Variabel Koefisien Std.
Error t-stat P-value R2
rho 0,3680 0,1897 1,9403 0,0935 0,9242 Konstanta 74,5248 11,2145 6,6454 0,0003 X1 -2,0513 0,6699 -3,0618 0,0183 X2 0,4807 0,0884 5,4391 0,0010 X3 -1,7433 0,3915 -4,4530 0,0030 X4 -0,1618 0,0363 -4,4623 0,0029
Pengujian Spasial Dependensi Pendekatan Residual Bootstrap
Jumlah Replikasi Bootstrap P-value Bootstrap Moran’s I Bootstrap LM Lag Bootstrap LM Error 50 100 0,420 0,400 0,920 0,950 0,900 0,950 200 0,445 0,990 0,920 500 0,406 0,972 0,900 1.000 0,443 0,971 0,916 10.000 0,428 0,972 0,922Tabel 4 Nilai P-value uji Bootstrap Moran’s I, Bootstrap LM Lag, dan Bootstrap LM Error
• Hipotesis : Bootstrap Moran’s I adalah sama dengan nilai Moran’s I dengan set data awal( ). • Dengan menggunakan nilai α = 0,10, maka
kesimpulannya adalah terima Ho. Artinya bahwa nilai bootstrap Moran’s I sama dengan nilai Moran’s I awal, sehingga tidak terdapat dependensi spasial dalam error.
Bootstrap
Moran’s I
• Hipotesis : Bootstrap LM adalah sama dengan nilai LM dari set data awal.
• Dengan menggunakan nilai α = 0,10, maka
kesimpulannya adalah terima Ho. Artinya bahwa nilai bootstrap LM lag maupun LM error adalah sama
dengan uji LM pada set data awal.
Bootstrap
LM lag dan
LM error
0 MO MO 0 : I I HPemodelan Dengan Spatial Autoregressive (SAR)
dengan Pendekatan Residual Bootstrap
Dengan menggunakan resampling residual bootstrap ini, output
yang dihasilkan setiap program dijalankan akan berbeda
Pendekatan yang dilakukan untuk mendapatkan model yang
terbaik adalah dengan menggunakan nilai bias dan standar error
yang terkecil (Sahinler dan Topuz, 2007).
Ada kecenderungan bahwa semakin besar banyaknya replikasi
yang digunakan maka standar errornya akan semakin besar pula
karena adanya nilai data pada setiap replikasi yang
berbeda-beda.
Tabel 5. Nilai koefisien regresi, bias, standar error, nilai z,
Jumlah replikasi sebesar 100 memiliki bias yang kecil dan tingkat
signifikansi yang konsisten dengan model awalnya.
Pada replikasi sebesar 100 diperoleh hasil bahwa seluruh
variabel prediktor memberikan pengaruh signifikan pada model
yaitu pertumbuhan ekonomi (X
1), persentase wanita tidak KB
(X
2), rata-rata umur perkawinan pertama (X
3), persentase
Histogram memperlihatkan bahwa estimasi parameter pada model
Kesimpulan dan
Saran
Algoritma dan program yang telah disusun dapat digunakan
untuk mengaplikasikan metode bootstrap regresi spasial
Berdasarkan program bootstrap regresi spasial ini telah
dibuat GUI pada software Matlab yang memudahkan
pengguna dalam penggunaan program
Model yang sesuai adalah model Bootstrap Spatial
Autoregressive (SAR). Dari hasil pemodelan ini, variabel
yang berpengaruh terhadap fertilitas tinggi di Provinsi
Lampung yaitu pertumbuhan ekonomi, persentase wanita
yang tidak KB, rata-rata umur perkawinan pertama,
persentase wanita bekerja di sektor pertanian dan
persentase wanita bekerja di sektor industri. Model yang
dibentuk dapat menjelaskan 96,17 % keragaman dari
•Perlu dikembangkan metode bootstrap yang lain antara lain
dengan pendekatan pasangan data X dan y (paired
bootstrapping).
•Dibutuhkan suatu studi simulasi untuk menentukan batasan
sampel kecil dalam regresi spasial untuk penerapan bootstrap
regresi spasial dengan mempergunakan ukuran sampel yang
lebih kecil lagi.
•Adanya upaya peningkatan tingkat pendidikan terutama pada
wanita untuk mengurangi perkawinan di usia muda serta
peningkatan sosialisasi keluarga berencana (KB). Akses program
KB juga harus lebih ditingkatkan lagi terutama daerah dengan
rata-rata fertilitas yang cukup tinggi dengan penambahan
Badan Pusat Statistik (2010), Pedoman Pencacahan Susenas Kor 2010. BPS, Jakarta.
Efron, B. dan R. Tibshirani (1993), An Introduction to the Bootstrap . Capital City Press, Chapman & Hall, New York. Efron, B. (1979), “Bootstrap Methods: Another Look at the Jackknife”, The Annals of Statistics, Vol. 7, No.1 , 1-26. Efron, B. (1982), The Jackknife, the Bootstrap and Other Resampling Plans. Capital City Press, Vermont, USA. Iski (2008). Dulu Dua Anak Cukup, Kini Dua Anak Lebih Baik. 29 October 2008. MIX-Marketing Communications
Magazine.
Iswarati, Dra. (2010). Fertilitas di Indonesia (Analisis Lanjut SDKI 2007). Kogan, L. (2010), Small-Sample Inference and Bootstrap. MIT, Sloan, Fall 2010.
LeSage J. (1999), The Theory and Practice of Spatial Econometrics, University of Toledo.
Lesmana, C.(2010). Faktor-Faktor yang Mempengaruhi Tingkat Fertilitas pada Wanita Pernah Kawin Berusia Subur di
Kecamatan Tempeh Kabupaten Lumajang. Skripsi, Universitas Negeri Malang
Lin, K.-P., Z. Long, dan Wu Mei (2007), ”Bootstrap Test Statistics for Spatial Econometric Models”, Journal of
Econometrics.
Lin, K.-P., Z. Long, dan B. Ou (2009), ”Properties of Bootstrap Moran’s I for Diagnostic Testing a Spatial Autoregressive Linear Regression Model”, Journal of Econometrics.
Lynch, S.M. (2003), Alternative Estimation Strategis.
Monchuk, D.C., D.J. Hayes, J.A. Miranowski, dan D.M. Lambert. (2010), Inference Based on Alternative Bootstrapping
Methods in Spatial Models with an Application to County Income Growth in the United States. Working Paper 10-WP
507, May 2010, Center for Agricultural and Rural Development, Iowa State University.
Mukul, M., D. Roy, S. Satpathy, V.A. Kumar (2003), “Bootstrapped Spatial Statistics: a More Robust Approach to the Analysis of Finite Strain Data”, Journal of Structural Geology, 26(2004), 595-600.
Radifan, M. (2010), Analisis Faktor-Faktor yang Mempengaruhi Fertilitas di Indonesia. Skripsi, Universitas Sumatera Utara, Medan.
Riyanto, A. (2009), Faktor-Faktor Sosial Ekonomi yang Mempengaruhi Fertilitas di Provinsi Sulawesi Utara 2007, Thesis, Institut Teknologi Sepuluh November, Surabaya.
Schmidheiny, K. (2010), The Bootstrap. Short Guides to Microeconometrics, Fall 2010, Unversitat Pompeu Fabra. Suharto, E. (2011), Robust Lagrange Multiplier pada Pemodelan Regresi Spatial Dependensi. Thesis, Institut Teknologi
Sepuluh November, Surabaya.
Winarno, Deddy. (2009), Analisis Angka Kematian Bayi di Jawa Timur dengan Pendekatan Model Regresi Spasial. Thesis, Institut Teknologi Sepuluh November, Surabaya.