Capaian Indeks Pembangunan Manusia (IPM) di setiap daerah menunjukkan ketimpangan yang cukup mencolok. Ketimpangan ini mencerminkan bahwa pembangunan manusia belum merata, yang berakibat munculnya disparitas antar daerah. Oleh karena itu, pemerataan pembangunan menjadi penting agar semua daerah, tanpa memandang lokasi maupun dimensi pembangunannya, dapat berkembang secara setara. Salah satu penyebab utama ketidakmerataan tersebut adalah adanya heterogenitas spasial, yaitu ketergantungan data terhadap letak geografis. Oleh sebab itu, dibutuhkan model yang mampu menangkap pengaruh lokasi dalam analisis, salah satunya adalah model Geographically Weighted Regression (GWR). Model GWR memperhitungkan lokasi geografis melalui pembobotan berdasarkan kedekatan antar wilayah sesuai Hukum I Tobler, yang menyatakan bahwa objek yang lebih dekat memiliki pengaruh lebih besar. Dalam konteks variabel respon yang mengikuti distribusi gamma, digunakan model Geographically Weighted Gamma Regression (GWGR) sebagai bentuk lokal dari gamma regression. Berbeda dari model global, GWGR menghasilkan parameter regresi yang spesifik untuk setiap lokasi, karena nilai koefisiennya bergantung pada koordinat geografis masing-masing titik observasi.

Dalam pengembangan model spasial multivariat, berbagai penelitian telah dilakukan. Harini dkk. (2012) mengembangkan pengujian parameter pada Multivariate Weighted Regression (MWR) dengan metode Maximum Likelihood Ratio Test (MLRT), baik secara simultan maupun parsial. Suyitno dkk. (2016) meneliti model Geographically Weighted Trivariate Weibull Regression (GWTWR) dan menemukan bahwa penaksiran parameter menggunakan metode MLE memerlukan pendekatan numerik seperti Newton-Raphson, karena persamaan yang dihasilkan tidak berbentuk tertutup. Penelitian lain oleh Putri dkk. (2017) memanfaatkan metode BFGS quasi-Newton dalam penaksiran parameter model GWGR serta menggunakan MLRT dan uji Z untuk pengujian hipotesis. Sementara itu, Sugiarti dkk. (2018) menerapkan algoritma Expectation Maximization (EM) untuk model Geographically Weighted Multivariate t Regression (GWMtR), yang efektif dalam menangani parameter dengan variabel laten.