Bab 4

Estimasi
Permintaan
 Pertanyaan Umum
Tentang Permintaan
Seberapa besar penerimaan perusahaan
akan berubah setelah adanya peningkatan
harga?
Berapa banyak produk yang diminta apabila
konsumen naik pendapatannya?
Berapa banyak kenaikan penjualan apabila
perusahaan mengeluarkan biaya iklan dalam
jumlah tertentu?
Berapa banyak Permintaan akan jatuh
apabila pesaing menaikkan biaya iklan atau
menurunkan harga?
 Masalah Identifikasi
Masalah identifikasi merujuk pada beberapa
kesulitan menurunkan kurva permintaan dari
data yang ada dipasar
Kurva permintaan biasanya di estimasi dari
kuantitas dan harga produk dari pasar
Akan tetapi kesulitannya adalah waktu, pasar,
selera, pendapatan, harga komoditas yang
berhubungan selalu berubah

SULIT UNTUK
DIIDENTIFIKASIKAN
Kurva Harga Kuantitas &
Masalah Identifikasi
 Estimasi Permintaan:
Pendekatan Riset Pemasaran

Survei Konsumen : mensurvei konsumen bgm

reaksi tehd jumlah yg diminta jika ada perubahan harga,
pendapatan, dll menggunakan kuisioner
Penelitian Observasi : pengumpulan informasi
ttg preferensi konsumen dgn mengamati bgmana mereka
membeli dan menggunakan produk
Klinik Konsumen : eksperimen lab dimana
partisipan diberi sejumlah uang tertentu dan diminta
membelanjakannya dalam suatu toko simulasi dan
mengamati bgmana reaksi mereka jika terjadi perubahan
harga, pendapatan, selera, dll
Eksperimen Pasar : mirip klinik konsumen, tetapi
dilaksanakan di pasar yang sesungguhnya
 Pengenalan Terhadap
Analisis Regresi
Pengeluaran Iklan (X) & Penjualan (Y)

Year X Y
Scatter Diagram
1 10 44
2 9 40
3 11 42
4 12 46
5 11 48
6 12 52
7 13 54
8 13 58
9 14 56
10 15 60 Persamaan Regresi : Y = a + bX
 Analisis Regresi
Garis Regresi : Line
of Best Fit
Garis Regresi :
meminimumkan
jumlah dari
simpangan kuadrat
pada sumbu vertikal
(et) dari setiap titik
pada garis regresi
tersebut.
Metode OLS
(Ordinary Least et Yt Yt
Squares): metode
jumlah kuadrat terkecil
 Analisis Regresi
Sederhana
Analisis Regresi Sederhana hanya melakukan
analisis regresi untuk 2 variabel saja (1 variabel
independent & 1 variabel depedent)
Proses-proses:
1. Menghitung nilai a (titik potong vertikal) dan
nilai b (koefisien kemiringan dari garis regresi
2. Mengadakan uji signifikasi dari estimasi
parameter
3. Membuat interval keyakinan untuk parameter
sebenarnya
 Metode OLS (Ordinary
Least Square)
Tujuan analisis regresi adalah untuk
menghasilkan nilai estimasi a dan b dari
garis regresi = Estimasi Penjualan tahun t
= Estimasi Tingkat pengeluaran iklan

= + pada tahun t
= Estimasi nilai a (titik potong vertikal)
= Estimasi nilai b (Koefisien)
Deviasi dari galat ( ) dari setiap observasi penjualan ( )yang berasal
dari garis regresi ( )

= =

Jumlah Simpangan kuadrat atau galat (keseluruhan observasi) :

n n n

e (Y Y ) (Y a bX
t 1
2
t
t 1
t t
2 )
t 1
t t
2
 Estimasi nilai a & b dengan
Metode OLS
Estimasi nilai a & b didapatkan dari
meminimumkan jumlah simpangan kuadrat
n

(X t X )(Yt Y )
b t 1 dan adalah
n nilai rata-rata dari

(X X) 2 &
t
t 1

a Y bX
 Contoh Estimasi dgn OLS
Contoh Estimasi
Time Xt Yt Xt X Yt Y ( X t X )(Yt Y ) ( X t X )2
1 10 44 -2 -6 12 4
2 9 40 -3 -10 30 9
3 11 42 -1 -8 8 1
4 12 46 0 -4 0 0
5 11 48 -1 -2 2 1
6 12 52 0 2 0 0
7 13 54 1 4 4 1
8 13 58 1 8 8 1
9 14 56 2 6 12 4
10 15 60 3 10 30 9
120 500 106 30
n n n n

n 10 X t 120 Y t 500 ( X t X )(Yt Y ) 106

t 1
(X t X ) 2 30
t 1 t 1 t 1
n
X t 120
X
n
Yt 500 106
12 Y 50 b 3.533
t 1 n 10 t 1 n 10
30
= 7,60 + 3,53
a 50 (3.533)(12) 7.60
 Uji Signifikasi Estimasi
Parameter
Untuk menguji hipotesis bahwa b adalah signifikan scr
statistik (bahwa iklan mempengaruhi penjualan secara
positif perlu uji signifikasi
Langkah 1: Tentukan Galat baku (standard error/SE) dari
b yaitu sebagai berikut

sb
(Yt Y )
2

e 2
t

( n k ) ( X t X ) 2
(n k ) ( X X )
t
2

n = Jumlah observasi/sampel
k = jumlah koefisien/variabel
Derajat kebebasan = n-k
 Uji Signifikasi Estimasi
Parameter
Contoh Perhitungan
Time Xt Yt Yt et Yt Yt et2 (Yt Yt )2 ( X t X )2
1 10 44 42.90 1.10 1.2100 4
2 9 40 39.37 0.63 0.3969 9
3 11 42 46.43 -4.43 19.6249 1
4 12 46 49.96 -3.96 15.6816 0
5 11 48 46.43 1.57 2.4649 1
6 12 52 49.96 2.04 4.1616 0
7 13 54 53.49 0.51 0.2601 1
8 13 58 53.49 4.51 20.3401 1
9 14 56 57.02 -1.02 1.0404 4
10 15 60 60.55 -0.55 0.3025 9
65.4830 30

(Y Y )
n n n

e (Yt Yt )2 65.4830 ( X t X )2 30
2 2
65.4830
t sb t
0.52
t 1 t 1 t 1 ( n k ) ( X X )
t
2
(10 2)(30)
 Uji t Untuk Signifikasi

Perhitungan : t-Statistic

b 3.53
t 6.79
sb 0.52
Derajat Bebas = (n-k) = (10-2) = 8
Critical Value at 5% level dari tabel t =2.306
 Uji Kecocokan Model &
Korelasi
Selain menguji signifikasi , kita juga dapat menguji
kekuatan variabel penjelas secara keseluruhan dari
keseluruhan regresi
Ini didapat dengan menghitung koefisien determinasi ( )
Koefisien Determinasi dinayatakan sebagai proporsi dari
variasi total atau disperse dari variabel terikat yang bisa
dijelaskan oleh variasi dari variabel-variabel bebas atau
penjelas pada regresi
Langkah-Langkahnya:
Decomposition of Sum of Squares
Total Variation = Explained Variation + Unexplained Variation

(Yt Y ) (Y Y ) (Yt Yt )

2 2 2
Variasi Total Yang bisa dijelaskan
dan yang tidak bisa dijelaskan
Contoh Estimasi Koefisien
Determinasi
 Koefisien Determinasi

R
2 Explained Variation

(Y Y )
2

TotalVariation (Yt Y ) 2

373.84
R 2
0.85
440.00
 Koefisien Korelasi

r R withthe sign of b
2

1 r 1

r 0.85 0.92
 Analisis Regresi Berganda

Apabila saat variabel Dependent (Terikat)

yang kita cari untuk dijelaskan, dihipotesis
tergantung pada lebih dari satu variabel
bebas/penjelas.
Fungsi linearnya:

Y a b1 X1 b2 X 2 bk ' X k '
 Contoh Perhitungan
Analisis Regresi Berganda
 Koefisien Determinasi & 2
yang disesuaikan
Koefisien Determinasi mengukur proporsi dari
variasi total variabel terikat yang dijelaskan oleh
variabel bebas
Akan tetapi di analisis regresi berganda, dengan
mempertimbangkan besaran derajat kebebasan
menurun sehubungan denga bertambahnya
variabel bebas, R2 perlu disesuaikan, sbb:

(n 1)
R 1 (1 R )
2 2

(n k )
 Analisis Varians/Uji F

Kekuatan menerangkan secara

keseluruhan regresi dapat diuji dengan
menggunakan analisis varians

Explained Variation /(k 1)

F
Unexplained Variation /(n k )

R /(k 1)
2
F
(1 R ) /(n k )
2
 Multikolinieritas

Merupakan korelasi (keterkaitan) yang

tinggi antara variabel-variabel bebas dalam
suatu model regresi linear berganda
Alat statistik yang sering dipergunakan
untuk menguji multikolinearitas adalah
1. Variance Inflation Factor (VIF),
2. Korelasi Pearson antara variabel-variabel

bebas, atau
3. Eigenvalues dan Condition Index (CI)
 Heteroskedisitas

Merupakan ketidaksamaan varians dari residual

satu ke pengamatan ke pengamatan yang lain di
suatu regresi berganda
Model regresi yang memenuhi persyaratan adalah
di mana terdapat kesamaan varians dari residual
satu pengamatan ke pengamatan yang lain tetap
(Homoskedisitas)
Biasanya terdapat pada data cross section
Deteksi heteroskedastisitas dapat dilakukan dengan
1. Metode scatter plot dengan memplotkan nilai ZPRED (nilai
prediksi) dengan SRESID (nilai residualnya)
2. Uji Glejser, Uji Park, Uji White
 Autokorelasi

Terjadi korelasi antara suatu periode t

dengan periode sebelumnya (t -1).
Analisis regresi adalah untuk melihat
pengaruh antara variabel bebas terhadap
variabel terikat, jadi tidak boleh ada korelasi
antara observasi dengan data observasi
sebelumnya
Uji autokorelasi hanya dilakukan pada data
time series (runtut waktu) dan tidak perlu
dilakukan pada data cross section
Pola Gangguan Heteroskedisitas
dan Otokorelasi
 Langkah-Langkah Estimasi
Permintaan dengan Regresi

Spesifikasi Model dengan Cara

Mengidentifikasi Variabel-Variabel, misalnya :
Qd = f (Px, I, Py, A, T)
Pengumpulan Data
Spesifikasi Bentuk Persamaan Permintaan
Linier : Qd = A - a1Px + a2 I + a3 Py + a4 A + a5 T
Pangkat : Qd = A(Px)b(Py)c
Estimasi Nilai-Nilai Parameter
Pengujian Hasil
END