A Computatioal Analysis of Kernel-Based Nonparametric Regression Applied to Poverty Data

Abstract

This research aims to model the relationship between poverty and socioeconomic variables in Nusa Tenggara Timur Province, Indonesia. The purpose of the study is to assess the effectiveness of nonparametric regression, specifically using kernel methods, to provide a more accurate representation of the complex and nonlinear relationships between predictor variables and poverty levels. The study focuses on several key variables, including average years of schooling, labor force participation rate, percentage of households with access to electricity, population density, illiteracy rate, and life expectancy. The research utilized a kernel regression approach, comparing the performance of different kernel functions, including Gaussian, Epanechnikov, Triangle, and Quartic kernels. The model’s performance was evaluated using metrics such as Mean Squared Error (MSE), Generalized Cross Validation (GCV), and the coefficient of determination (R²). The results showed that the Gaussian kernel function provided the most accurate predictions for poverty levels, with the best balance between model complexity and error.Penelitian ini bertujuan untuk memodelkan hubungan antara kemiskinan dan variabel sosial ekonomi di Provinsi Nusa Tenggara Timur, Indonesia. Tujuan dari studi ini adalah untuk menilai efektivitas regresi nonparametrik, khususnya menggunakan metode kernel, untuk memberikan representasi yang lebih akurat terhadap hubungan yang kompleks dan nonlinier antara variabel prediktor dan tingkat kemiskinan. Penelitian ini berfokus pada beberapa variabel kunci, termasuk rata-rata lama sekolah, tingkat partisipasi angkatan kerja, persentase rumah tangga yang memiliki akses ke listrik, kepadatan penduduk, tingkat buta huruf, dan harapan hidup. Penelitian ini menggunakan pendekatan regresi kernel, membandingkan kinerja berbagai fungsi kernel, termasuk kernel Gaussian, Epanechnikov, Segitiga, dan Quartik. Kinerja model dievaluasi menggunakan metrik seperti Mean Squared Error (MSE), Generalized Cross Validation (GCV), dan koefisien determinasi (R²). Hasil penelitian menunjukkan bahwa fungsi kernel Gaussian memberikan prediksi yang paling akurat untuk tingkat kemiskinan, dengan keseimbangan terbaik antara kompleksitas model dan kesalahan.