Pemodelan Geographically Weighted Panel Regression dengan Random Effect Menggunakan Quasi Demeaning (Studi Kasus: Angka Harapan Hidup di Indonesia Tahun 2018-2022) = Geographically Wighted Panel Regression with Random Effect Using Quasi Demeaning (Case Study: Life Expectancy in Indonesia 2018-2022)

Latar Belakang. Analisis statistik yang digunakan pada data dengan efek waktu dan heterogenitas antarwilayah adalah analisis regresi panel spasial. Salah satu metode analisis tersebut adalah Geographically Weighted Panel Regression (GWPR), yang memperluas pendekatan regresi panel dengan mengintegrasikan informasi spasial melalui fungsi pembobot geografis. Pendekatan GWPR dengan random effect perlu disesuaikan karena efek individual dimasukkan sebagai bagian dari galat. Oleh karena itu, digunakan transformasi quasi demeaning untuk mengatasi hal tersebut. Transformasi ini menghilangkan korelasi antarwaktu pada galat dan mempertahankan struktur spasial model. Tujuan. Penelitian ini bertujuan melakukan pemodelan GWPR dengan pendekatan random effect melalui transformasi quasi demeaning untuk memperbaiki estimasi pada data panel yang memiliki heterogenitas spasial. Metode. Penelitian dilakukan pada data angka harapan hidup di Indonesia tahun 2018-2020. Penelitian dilakukan dengan transformasi data panel dengan pendekatan quasi-demeaning untuk mengakomodasi efek acak serta estimasi parameter model GWPR menggunakan pembobot adaptive kernel Gaussian dengan pendekatan Weighted Least Square. Hasil. Model GWPR dengan random effect menggunakan quasi demeaning mampu menangkap variasi parameter regresi pada data penelitian dan memiliki nilai R^2 secara umum sebesar 79,088% dengan RMSE sebesar 0,13825, yang menunjukkan kemampuan model dalam menjelaskan variabilitas data cukup tinggi. Pengujian model juga menunjukkan nilai goodness of fit yang baik, serta kemampuan identifikasi pengaruh prediktor yang berbeda di setiap lokasi. Kesimpulan. GWPR dengan pendekatan random effect melalui transformasi quasi demeaning mampu menjelaskan hubungan antar variabel secara lebih baik di tiap wilayah dan dapat menganalisis data yang memiliki perbedaan karakteristik antar daerah. Hasil penelitian dapat membantu pemerintah dalam perencanaan kebijakan kesehatan yang lebih tepat sasaran.