Anda di halaman 1dari 33

TUGAS KELOMPOK

EKONOMI MANAJERIAL

“ESTIMASI PERMINTAAN”

Oleh:
Kelompok 4 / Ruang Kelas E III 2
Dosen Pengempu: Drs. I Wayan Mudiartga Utama, M.M.

Anggota Kelompok:
1. Ida Ayu Gede Tantyani Dhaniswari (1707522023)
2. Anak Agung Wulan Kumala (1707522028)
3. Dyajeng Yuning Surya Savira (1707522030)
4. Ni Putu Ayu Sri Kusuma Dewi (1707522036)

MANAJEMEN NON REGULER


FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS UDAYANA
2019
PEMBAHASAN MATERI

2.1 Estimasi Permintaan dengan Metode Survey

Metode wawancara konsumen, atau suvey memerlukan pengajuan pertanyaan kepada para
pelanggan atau calon pelanggan dalam usaha untuk mengestimasi hubungan antara permintaan akan
produk perusahaan dengan berbagai variabel yang dipandang penting untuk pemasaran dan kegiatan
perencanaan laba. Teknik ini dapat diterapkan secara naif dengan semata-mata mencegat orang-
orang yang berbelanja dan mengajukan pertanyaan-pertanyaan tentang jumlah produk yang akan
mereka beli di berbagai tingkat harga. Dalam kasus lainnya, para pewawancara yang terlatih
mengajukan pertanyaan-pertanyaan yang cangih ke sebuah sampel pelanggan yang dipilih secara
seksama untuk menghasilkan informasi yang diinginkan.

Survey konsumen dapat memberikan informasi yang sangat baik tentang banyak hubungan
permintaan yang penting. Sebuah perusahaan dapat menanyakan setiap pelanggannya (atau
mengambil sampel statistik jika jumlah pelanggan besar) tentang pembelian yang diproyeksikan
dalam berbagai kondisi yang berbeda yang berkaitan dengan harga, pengeluaran periklanan harga
produk pengganti dan pelengkap, pendapatan, dan sejumlah variabel lainnya dalam fungsi
permintaan. Jadi, dengan menyatukan data tersebut, perusahaan dapat meramalkan permintaan total
dan memperkirakan beberapa parameter yang penting dalam fungsi permintaan untuk produknya.

Sayangnya, prosedur ini tidak selalu bekerja dengan lancar dalam praktek aktual. Jumlah dan
mutu informasi yang dapat diperoleh oleh teknik ini kadang-kadang terbatas. Para konsumen
seringkali tidak mampu, dan dalam banyak kasus tidak rela, memberikan jawaban-jawaban yang
akurat terhadap pertanyaan-pertanyaan hipotesis tentang bagaimana mereka bereaksi terhadap
perubahan-perubahan dalam variabel-variabel permintaan kunci.

Pertimbangan masalah usaha untuk menetapkan efek dari hanya dua variabel, harga dan
pengeluaran periklanan, terhadap permintaan mobil. Jika seorang pewawancara menanyakan
bagaimana anda akan bereaksi terhadap kenaikan (atau penurunan) harga sebesar 1, 2, atau 3 persen
untuk sebuah model mobil tertentu, bagaimana anda akan menanggapinya secara akurat?
Bagaimana jika pertanyaan tersebut berkaitan dengan pengaruh pergeseran penekanan kampanye
periklanan perusahaan dari efisiensi bahan bakar ke keamanan atau pengaruh perubahan media
periklanan? Dapatkah anda mengatakan bagaimana tindakan ini mempengaruhi permintaan anda
akan mobil tersebut? Karena sebagian besar orang tidak mampu menjawab pertanyaan-pertanyaan
seperti ini sekalipun untuk barang-barang yang besar seperti mobil, peralatan, dan perumahan jelas
teknik seperti ini sulit untuk dipergunakan untuk mengestimasi hubungan permintaan untuk
kebanyakan barang konsumen.

Kami tidak ingin menyiratkan bahwa teknik-teknik survey konsumen tidak bernilai dalam
analisis permintaan. Dengan menggunakan pertanyaan yang halus,seorang pewawancara yang
terlatih dapat menarik informasi yang berguna dari para konsumen. Misalnya, seorang pewawancara
kemungkinan mengajukan pertanyaan tentang harga relatif dari beberapa barang yang bersaing dan
mengetahui bahwa kebanyakan orang tidak menyadari perbedaan harga yang ada ini. Ini merupakan
indikasi bahwa permintaan kemungkinan tidak sangat tanggap terhadap perubahan harga, sehinga
seorang produsen tidak akan mencoba meningkatkan permintaan dengan menurunkan harga para
konsumen kemungkinan tidak menyadari penurunan harga tersebut. Pertanyaan-pertanyaan serupa
dapat dipergunakanan untuk menetapkan apakah para konsumen menyadari program-program
periklanan, apa reaksi mereka terhadap iklan, dan sebagainya. Jadi, informasi yang berguna dapat
diperoleh dalam survey, dan mutu hasilnya memadai untuk beberapa maksud keputusan.

Juga, untuk beberapa jenis informasi permintaan tertentu, tidak terdapat pengganti bagi
wawancara konsumen. Misalnya, dalam peramalan permintaan atau penjualan jangka pendek, sikap
dan harapan konsumen tentang kondisi bisnis masa mendatang seringkali menghasilkan perbedaan
antara estimasi yang akurat dengan estimasi yang jauh menyimpang. Informasi subjektif seperti ini
sering kali paling baik diperoleh melalui metode-metode wawancara.

2.2 Estimasi Permintaan dengan Eksperimen Pasar

Satu teknik alternatif untuk memperoleh informasi yang berguna tentang permintaan produk
melibatkan eksperimen pasar. Satu teknik eksperimen pasar melibatan penelitian terhadap perilaku
konsumen dalam pasar aktual. Perusahaan menentukan satu pasar atau lebih dengan karakteristik
tertentu, lalu memvariasikan harga, kemasan, periklanan, dan variabel lain yang dapat dikenali
dalam fungsi permintaan, dan variasi tersebut dilakukan baik sepanjang waktu maupun di antara
pasar. Misalnya, Del Monte Corporation kemungikinan menetapkan bahan karakteristik kosnsumen
yang tidak dapat dikendalikan sangat serupa di Denver dan Salt Lake City. Del Monte dapat
menaikkan harga nenas irisan di Salt Lake City dalam kaitannya dengan harga di Denver, lalu Del
Monte dapat melakukan serangkaian perubahan harga secara mingguan atau bulanan dalam satu
pasar, lalu menetapkan bagaimana perubahan-perubahan ini mempengaruhi penjualan. Dengan
beberapa pasar, perusahaan kemungkinan dapat juga menggunakan data sensus atau survey untuk
menetapkan bagaimana karakteristik demografi seperti pendapatan, ukuran keluarga, tingkat
pendidikan dan latar belakang etnik mempengaruhi permintaan.

Tetapi, eksperimen pasar memiliki beberapa kekurangan yang serius. Metode ini mahal dan
karena itu biasanya dilakukan pada skala yang terlalu kecil untuk memungkinkan tingkat keyakinan
yang tinggi terhadap hasilnya. Yang berkaitan dengan masalah ini adalah masalah pengaruh jangka
pendek versus jangka panjang. Eksperimen pasar jarang dilakukan untuk periode waktu yang cukup
panjang unutk mengindikasikan pengaruh jangka panjang dari berbagai strategi harga, periklanan,
atau pengemasan. Jadi, peneliti terpaksa memperhatikan data jangka pendek dan berusaha
memperluasnya untuk periode yang lebih panjang.

Kesulitan-kesulitan yang berkaitan dengan bagian yang tidak dikendalikan dari eksperimen
pasar juga menghambat penggunaannya sebagai alat estimasi. Perubahan dalam kondisi selama
eksperimen kemungkinan membuat hasilnya tidak absah, terutama jika eskperimen tersebut
mencangkup penggunaan beberapa pasar yang terpisah. Pemogokan atau pemutusan hubungan kerja
lokal oleh satu majikan besar di salah satu wilayah pasar, badai yang besar, atau sejenisnya dapat
merusak eskperimen tersebut. Demikian pula, perubahan dalam promosi, harga, atau kemasan
produk yang bersaing dapat pula mendistorsi hasilnya. Terdapat pula bahaya bahwa para pelanggan
yang terhilang selama eksperimen sebagai akibat dari manipulasi harga tidak dapat diperoleh
kembali setelah eksperimen berakhir.

Metode kedua menggunakan eksperimen laboraturium yang terkendali dimana para konsumen
diberikan dana untuk dibelanjakan pada sebuah toko yang disimulasi. Dengan memvariasikan harga,
kemasan produk, tampilan, dan faktor-faktor lainnya, peneliti sering kali dapat belajar banyak
tentang perilaku konsumen. Eksperimen laboratorium, sementara memberikan informasi yang
serupa dengan eksperimen lapangan, memiliki keuntungan dalam biaya yang lebih rendah dan
pengendalian yang lebih besar terhadap faktor-faktor luar.

Klinik konsumen atau teknik eksperimen laboratorium bukannya tidak memiliki kekurangan.
Kesulitan utamanya adalah bahwa subjek selalu mengetahui bahwa mereka adalah bagian dari
sebuah eksperimen, dan pengetahuan ini kemungkinan mendistorsi kebiasaan belanja mereka. Lebih
jauh lagi, biaya yang tinggi dari eksperimen seperti ini dapat dipastikan membatasi ukuran
sampel,yang memebuat kesimpulan dari sampel untuk populasi umumnya paling baik hanya sedikit.

2.3 Estimasi Permintaan dengan Analisis Regresi

Metode statistik yang paling sering diterapkan dalam estimasi permintaan adalah analisis
regresi. Terdapat batasan-batasan bagi teknik ini, tetapi analisis regresi dapat sering kali memberikan
estimasi yang baik bagi fungsi permintaan dengan biaya yang relatif rendah.

(1) Menspesifikasi Variabel

Langkah pertama dalam analisis regresi adalah spesifikasi variabel yang di perkirakan
mempengaruhi permintaan. Permintaan produk, yang diukur dalam unit fisik, adalah variabel
dependen. Daftar variabel-variabel independen atau variabel-variabel yang mempengaruhi
permintaan selalu mencangkup harga produk dan pada umumnya mencangkup pula faktor-faktor
seperti harga produk pelengkap dan produk pesaing, pengeluaran periklanan, pendapatan
konsumen, dan populasi kelompok yang mengkonsumsi produk. Fungsi permintaan untuk barang-
barang yang tahan lama dan mahal, seperti mobil dan rumah, mencakup suku bunga dan ketentuan
kredit lainnya: fungsi permintaan akan peralatan ski, minuman, atau alat pengatur suhu ruangan
mencangkup kondisi cuaca. Faktor-faktor penentu permintaan akan barang-barang modal, seperti
mesin industri, mencangkup profitabilitas perusahaan, rasio keluaran terhadap kapasitas, suku
bunga, dan trend tingkat upah.

(2) Memperoleh Data Tentang Variabel

Langkah kedua dalam analisis regresi adalah memperoleh estimasi yang akurat dari
variabel: ukuran harga, ketentuan kredit, rasio keluaran/kapasitas, pengeluaran periklanan,
pendapatan, dan sejenisnya. Memperoleh estimasi untuk variabel-variabel ini tidak selalu mudah,
terutama jika studi tersebut melibatkan data untuk tahun-tahun yang lampau. Lebih jauh lagi,
beberapa variabel kunci, seperti sikap konsumen terhadap mutu dan harapan mereka tentang
kondisi bisnis dimasa mendatang yang cukup dalam fungsi permintaan akan banyak barang
konsumen kemungkinan harus diperoleh melalui teknik survey (kuisioner dan wawancara), yang
termasuk unsur subjektivitas dalam data atau dengan eksperimen pasar atau laboratorium, yang
dapat menghasilkan data yang terbias.
(3) Menspesifikasi Bentuk Persamaan

Setelah variabel-variabel dispesifikasi dan data dikumpulkan, langkah berikutnya adalah


menspesifikasi bentuk persamaan atau cara bagaimana variabel-variabel independen diasumsikan
berinteraksi untuk menetapkan tingkat permintaan. Spesifikasi yang paling umum adalah model
linier seperti berikut ini :

Q = a + Bp + Ca +dl. 3.1

Disini Q mewakili jumlah produk tertentu yang diminta, P adalah harga yang dikenakan,
A mewakili pengeluaran periklanan, dan I adalah pendapatan yang dapat dibelanjakan per kapita.
Jumlah yang diminta diasumsikan untuk berubah secara linier dengan perubahan dalam setiap
variabel independen. Misalnya, jika b = -1,5 , permintaan akan menurun dengan 11⁄2 unit untuk
setiap kenaikan 1 unit dalam harga produk. Kurva permintaan untuk sebuah fungsi permintaan
yang serupa dengan yang diperlihatkan dalam persamaan diatas bersifat linier, yaitu kurva ini
merupakan garis lurus.

Fungsi permintaan linier memiliki daya tarik yang besar dalam pekerjaan empiris karena
dua alasan. Pertama, pengalaman menunjukan bahwa banyak hubungan permintaan pada
kenyataanya mendekati linier disepanjang kisaran dimana data umumnya ditemui. Kedua, teknik
statistik yang mudah, yaitu metode analisis regresi kuadrat terkecil, dapat dipergunakan untuk
mengestimasi parameter a, b, c, dan d untuk persamaan linier. Metode kuadrat terkecil ini akan
dibahas lebih lanjut, tetapi pertama-tama berguna bagi kita unutk meneliti bentuk fungsi
permintaan lain yang popular.

Fungsi permintaan kedua yang paling umum dipergunakan adalan model multiplikatif :

Q = 𝒂𝑷𝒃 𝑨𝒄 𝑰𝒅 3.2

Persamaan ini popular terutama karena dua cirinya. Pertama, multiplikasi sering kali
merupakan bentuk yang paling logis dari fungsi perminaan, dengan mengansumsi bahwa pengaruh
marginal terhadap permintaan dari setiap variabel independen tidak konstan, melainkan bergantun
pada niali variabel itu sendiri serta pada nilai semua ariabel lainnya dalam fungsi permintaan,
seperti yang terdapat dalam bentuk fungsi ini. Hal ini dapat dengan mudah dilihat dengan
mempertimbangkan derivatif parsial dari persamaan diatas dalam kaitannya dengan pendapatan :
𝜕𝑄/𝜕𝐼 = 𝑎𝑃𝑏 𝐴𝑐 𝐼 𝑑−1, yang mencangkup semua variabel dalam fungsi permintaan semula. Jadi,
efek marginal dari satu perubahan dalam pendapatan yang dapat dibelanjakan perkapita terhadap
permintaan produk yang dispesifikasi dalam persamaan diatas bergantung pada tingkat
pendapatan, serta pada pengeluaran periklanan dan harga yang dikenakan untuk produk.

Hubungan marginal yang berubah ini sering kali jauh lebih realistis daripada asumsi
implisit dalam model linier yaitu, bahwa marginal bersifat konstan. Misalnya, sementara
pendapatan meningkat dari tingkat yang rendah ketingkat yang lebih tinggi, permintaan akan
sirloin steak kemungkinan meningkat secara kontinyu. Tetapi, tidak mungkin kenaikan dalam
permintaan akan bersifat linier. Sebaliknya, peningkatan tersebut kemungkinan akan lebih cepat
di tingkat pendapatan yang lebih rendah, lalu secara bertahap melambat di tingkat yang lebih
tinggi. Hubungan yang serupa kemungkinan berlaku untuk pengeluaran iklan. Di tingkat
pengeluaran yang rendah sampai menengah, dampak marginal terhadap penjualan dari satu dolar
tambahan dalam periklanan kemungkinan akan cukup besar. Tetapi, dengan tingkat pengeluaran
yang sangat tinggi, kemungkinan akan terdapat pengaruh kejenuhan dan menghasilkan penurunan
dalam pengaruh marginal terhadap permintaan dari setiap dollar periklanan tambahan. Dalam
situasi seperti ini, penggunaan fungsi permintaan linier, seperti fungsi pangkat, diindikasikan.

Alasan kedua bagi kepopuleran fungsi permintaan multiplikatif adalah bahwa persamaan
diatas adalah bentuk aljabar yang dapat ditransformasikan menjadi sebuah hubungan linier dengan
menggunakan logaritma dan lalu diestimasi dengan menggunakan teknik regresi kuadrat terkecil.
Jadi, persamaan diatas setara dengan :

log Q = log a + b . long P + c . log A + d . log I. 3.3

Persamaan 3.2 bersifat linier dalam logaritma, dan ketika ditulis dalam bentuk persamaan 3.3,
koefisien-koefisien persamaan (log a, b, c, dan d) dapat diestimasi dengan analisis regresi kuadrat
terkecil.

Ciri yang menarik dan berguna dari model multiplikaatif, seperti ynag dinyatakan dalm
persamaan 3.2, adalah bahwa fungsi permintaaan dalam bentuk ini memiliki elastisitas konstan.
Lebih jauh lagi, elastisitas ini diketahui berdasarkan koefisiensi yang diestimasi dalam analisi
regresi. Misalnya, pertimbangan elastisitas harga dari permintaan untuk produk yang memiliki
fungsi permintaan yang diwakili oleh persamaan 3.2. Diperlihatkan bahwa elastisitas titik dari
harga diperoleh dengan mengambil derivatif parsial dari fungsi permintaan tersebut dalam
kaitannya dengan harga, lalu mengalikan derivatif parsial itu dengan rasio harga terhadap jumlah
yang diminta :

𝜕𝑄 𝑃
𝜀𝑃 = . 3.4
𝜕𝑃 𝑄

Dengan menghitung diferensial persamaan 3.2 dalam kaitannya dengan harga, kita
memperoleh :

𝜕𝑄
= 𝑎𝑏𝑃 𝑏−1 𝐴𝐶 𝐼 𝑑 3.5
𝜕𝑃

Karena itu,

𝑃
𝜀𝑃 = 𝑎𝑏𝑃 𝑏−1 𝐴𝐶 𝐼 𝑑 . 𝑄 3.6

Mensubstitusi persamaan 3.2 untuk Q dalam persamaan 3.6 memberikan :

𝑃
𝜀𝑃 = 𝑎𝑏𝑃 𝑏−1 𝐴𝐶 𝐼 𝑑 . 3.7
𝑎𝑏𝑃𝑏 𝐴𝐶 𝐼𝑑

Dengan menggabungkan dan menghapus bagian-bagian ketika mungkin dalam persamaan


3.7, kita memperoleh :

𝑎𝑏𝑃 𝑏−1 𝐴𝐶 𝐼𝑑 𝑃
𝜀𝑃 = . 𝑎𝑏𝑃𝑏 𝐴𝐶 𝐼𝑑
1

𝑎𝑏𝑃𝑏−1 𝐴𝐶 𝐼𝑑 𝑃
= .
𝑃 𝑎𝑏𝑃𝑏 𝐴𝐶 𝐼𝑑

=b

Jadi elastisitas harga dari permintaan sama dengan pangkat harga dalam fungsi permintaan
multiplikatif yang diketahui sebagai persamaan 3.2 karena elastisitas semata-mata sama dengan b,
maka elastisitas buka merupakan fungsi dari rasio harga/jumlah dan karena itu bersifat konstan.
Hubungan elastisitas konstan ini berlaku untuk semua variabel dalam fungsi permintaan
multiplikatif.

Elastisitas konstan, ketika terjadi, memberikan informasi yang berguna untuk estimasi
permintaan. Misalnya, jika pendapatan dari permintaan Kn perumahan konstan, maka kenaikan
dalm jumlah dapat diperkirakan untuk menghasilkan perubahan yang proposional dalam
permintaan akan perumahan di sepanjang kisaran pendapatan yang luas. Jika tidak demikian hanya
dan ingat bahwa elastisitas selalu berubah disepanjang kurva permintaan linier para pengambil
keputusan yang berkepentingan dengan permintaan perumahan garus mempertimbangkan
elastisitas yang berbeda ditingkat harga yang berbeda. Kita tidak dapat memaksa sebuah kurva
permintaan untuk berbentuk multiplikatif seperti persamaan 3.2. Tetapi, ketika sesuai, fungsi
permintaan dalam bentuk ini memiliki sifat elastisitas konstan yang berguna.

Untuk meringkaskan, fungsi permintaan multiplikatif menyiratkan pengaruh absolut yang


berubah dari perubahan dalam berbagai variabel independen terhadap permintaan. Ini merupakan
sifat bentung multiplikatif yang sangat manarik untuk analisis permintaan, karena pengaruh
marginal dari setiap dollar yang dibelanjakan untuk periklanan, misalnya, seringkali bervariasi,
sesuai tingkat keseluruhan dalam periklanan, harga, pendapatan, dan sebagainya. Pengaruh
marginal yang berubah, yang implisit dalam bentuk fungsi permintaan multiplikatif, berlawanan
dengan pengaruh marginal factor-faktor independen dalam fungsi permintaan linier. Perbedaan
penting lainnya diantara kedua pendekatan yang paling umum terhadap estimasi permintaan ini
adalah bahwa fungsi permintaan multiplikatif menyiratkan elastisitas permintaan yang konstan,
sementara disepanjang fungsi permintaan linier elastisitas bervariasi.

Bentuk aljabar dari fungsi permintaan, linier, multiplikatif, atau bentuk lainnya harus selalu
dipilih untuk mencerminkan hubungan yang sebenarnya diantara variabel-variabel dalam sistem
yang sedang di teliti. Yaitu, kehati-hatian harus diambil untuk memastikan bahwa bentuk
struktural yang dipilih untuk fungsi permintaan empiris konsisten dengan teori permintaan yang
mendasarinya. Tetapi, dalam praktek, sering kali tidak dapat dasar a prioritas untuk menspesifikasi
bentuk yang sesuai untuk hubungan permintaan yang dianalisis. Dalam kasus-kasus seperti ini,
beberapa bentuk secara konseptual sesuai dapat diuji, dengan satu bentuk yang paling sesuai
dengan data dipilih sebagai bentuk yang paling mungkin untuk mencerminkan hubungan yang
sebenarnya.

(4) Mengestimasi Parameter Regresi

Persamaan regresi umumnya disesuaikan, yaitu, koefisien a, b, c, dan d, dalam persamaan 3.1
dan 3.2 diestimasi dengan metode kuadrat terkecil. Dikumpulkan selama tujuh tahun yang lalu.
Data tersebut diberikan dalam Tabel 5.2. Jika hubungan linier antara penjualan Y dan pengeluaran
periklanan, A, dihipotesiskan, maka persamaan regresi akan mengambil bentuk berikut ini:
Penjualan Y = a + bA 3.8

Metode kuadrat terkecil lalu diterapkan untuk memilih nilai a dan b yang paling menyesuaikan
data dalam Tabel 3.2 dengan persamaan regresi yang bersangkutan. Prosedur ini disajikan secara
graFik dalam Gambar 3.4. Di sini setiap titik mewakili pengeluaran periklanan dan penjualan Y
dalam satu tahun tertentu. Dalam bentuk Persamaan 3.8, setiap titik dapat dispesifikasi dengan
hubungan.

Penjualan = Yy= a + bAt + ut 3.9

Di mana u adalah residu yang mencakup pengaruh semua Faktor penentu penjualan lainnya
yang tidak dimasukkan dalam persamaan regresi tersebut, serta unsur stokhastik atau acak, dan t
dipergunakan untuk menyatakan tahun observasi. Perhatikan bahwa dalam persamaan regresi ini,
a adalah titik potong garis regresi dengan sumbu penjualan, b adalah kemiringan garis, dan u
adalah bagian kesalahan atau residu, yang mengukur deviasi vertikal dari setiap titik data ket dari
garis regresi yang disesuaikan. Jumlah kuadrat bagian kesalahan ini diminimumkan oleh pilihan a
dan b melalui teknik kuadrat terkecil.

Proses kuadrat terkecil untuk menyesuaikan persamaan regresi tidak lebih dari penerapan
prosedur optimisasi yang dikembangkan dalam Bab 2 untuk masalah meminimumkan jumlah
deviasi kuadrat dari garis yang disesuaikan. Hal ini dapat diperlihatkan dengan melanjutkan contoh
penjualan/periklanan untuk Datacom Corporation. Memecahkan Persamaan 3.9 untuk bagian
kesalahan, ut, menghasilkan:

Ut = Y1 – a – bAt

Jadi, ekspresi untuk penjualan bagian-bagian kesalahan yang dikuadratkan adalah:

3.10

Gambar 3.4. Hubungan Antara Penjualan Dan Pengeluaran Periklanan Untuk Detacom Corporation
Teknik regresi kuadrat terkecil rherupakan prosedur untuk meminimumkan Persamaan
3.10 dengan memilih dua variabel keputusan a dam b, koefisien persamaan regresi. Minimisasi
seperti ini dicapai dengan menghitung diFerensial Persamaan 3.10 dalam kaitannya dengan a dan
b, menetapkan derivatiF parsial sama dengan nol, dan memecahkan sistem dua persamaan yang
dihasilkan untuk a dan b:

3.11

3.12

Persamaan 3.11 dan 3.12 disebut persamaan normal dan ketika dipecahkan untuk a dan b keduanya
menghasilkan

3.13
Tabel 3.2

Data Penjualan dan Periklanan untuk Detacom Corparation

Dan ;

a =𝒀 − 𝒃𝑨 3.14

Dimana 𝐴̅dan 𝑌̅ secara berturut-turut adalah nilai rata-rata untuk observasi periklanan dan
penjualan. Menyisipkan data dari Tabel 5.2 ke dalam Persamaan 3.13 dan 3.14 menghasilkan
estimasi sebesar 19,882 untuk a dan 4,717 untuk b, sehingga regresi penjualan/periklanan untuk
Datacom Corporation diestimasi sebagai:

̂t = 19,882 + 4,717At.
Penjualan , t = 𝒀

Perhatikan bahwa kita dapat menghapuskan bagian kesalahan, ut di titik ini karena nilainya
diperkirakan selalu nol.

Walaupun hubungan yang dikembangkan di atas penting untuk memahami analisis regresi,
kita tidak perlu benar-benar melakukan perhitungan ini. Pada dasarnya semua komputer pribadi
dan banyak kalkulator tangan dapat diperlengkapi dengan program perangkat lunak regresi. Yang
perlu dilakukan hanyalah memasukkan data yang serupa dengan yang diberikan dalam Tabel 3.2
dan menjalankan perangkat lunak regresi untuk memperoleh koefisien persamaan. Pada
kenyataannya, jika masalahnya cukup sederhana untuk membuat persamaan tersebut dapat dengan
mudah disesuaikan dengan tangan, pembuatan gratik umumnya cukup akurat, dan teknik estimasi
kuadrat erkecil tidak diperlukan. Tetapi, jika terdapat banyak titik data yang terlibat, atau jika dua
atau lebih variabel independen dimasukkan dalam persamaan, pemecahan komputer mempakan
satu-satunya cara yang praktis untuk menerapkan teknik kuadrat terkecil. Dengan demikian,
daripada terpaku . pada proses matematis itu sendiri, pembahasan kita berfokus pada penetapan
masalah regresi untuk pemecahan komputer dan pada interpretasi keluaran regresi.

(5) Menginterpretasi Persamaan Regresi

Setelah kita memperoleh estimasi persamaan regresi, bagaimana kita menginterpretasikan


nilai-nilai koefisien tersebut? Pertama,a, titik potong, sering kali tidak memiliki makna ekonomi.
Kehati-hatian harus selalu diberlakukan ketika menginterpretasikan titik-titik di luar kisaran data
yang diamati, dan umumnya titik potong berada jauh di luar kisaran ini. Dalam contoh ini, titik
potong tidak dapat diinterpretasikan sebagai tingkat penjualan yang diharap kan jika periklanan
sepenuhnya dihilangkan. Kemungkinan tingkat penjualan dengan periklanan nol benar-benar akan
sama dengan titik potong ini, a, tetapi karena contoh ini tidak mencakup observasi penjualan
dengan penge. luaran periklanan nol, kita tidak dapat dengan aman mengasumsikan bahwa 19.882
unit dapat dijual tanpa periklanan. Demikian pula, akan berbahaya untuk memperpanjang kurva
penjualan/periklanan ke atas kisaran nilai yang diamati. Misalnya, kita tidak dapat
mengekstrapolasi kurva penjualan ke luar pengeluaran periklanan sebesar $15 atau $20 juta dan
tetap memiliki keyakinan yang tinggi pada tingkat penjualan yang diprediksi (ingat pembahasan
sebelumnya tentang kemungkinan kejenuhan dampak periklanan terhadap permintaan). Sebagai
ringkasan, penting bahwa kita untuk membatasi interpretasi pada hubungan regresi dalam kisaran
observasi data.

Koefisien kemiringan, b, memberikan kita estimasi perubahan dalam penjualan yang berkaitan
dengan perubahan satu unit dalam pengeluaran periklanan. Karena pengeluaran periklanan diukur
dalam jutaan dollar untuk estimasi regresi ini, sementara penjualan dalam ribuan unit, kenaikan $1
juta dalam periklanan diharapkan akan mengarah pada peningkatan 4.717 unit dalam penjualan;
kenaikan $2 juta dalam periklanan akan mengarah pada 9.434 unit tambahan yang teljual; dan
seterusnya. Sekali lagi, kehati-hatian harus dipergunakan ketika memperluas analisis di luar
kisaran nilai-nilai yang diamati dalam data yang dipergunakan untuk mengestimasi koeFlsien
regresi ini.

Hasil dari model regresi dua variabel yang sederhana ini dapat dengan mudah diperluas untuk
model variabel berganda. Untuk mengilustrasikan perluasan ini, anggaplah bahwa kita juga
memiliki inFormasi tentang harga rata-rata, P, yang dikenakan untuk Produk Y selama tujuh tahun
ini. InFormasi baru ini dapat ditambahkan ke dalam model linier yang diberikan dalam Persamaan
3.9, menghasilkan persamaan regresi berikut ini:

Penjualan Yt = a + bA; + cPt.+ ut 3.15

Sekali lagi, program komputer yang menggunakan metode kuadrat terkecil dapat dipergunakan
untuk menyesuaikan data dengan model ini dan mengestimasi parameter a, b, dan c. Ketika hal ini
dilakukan, kita menginterpretasikan koefisien-koefisien tersebut sebagai berikut: a sekali lagi
sebagai titik potong yang kemungkinan memiliki kepentingan ekonomi atau kemungkinan pula
tidak; b adalah perubahan yang diperkirakan dalam penjualan yang berkaitan dengan perubahan
satu unit dalam pengeluaran periklanan, dengan mempertahankan harga Y tetap konstan; dan c
adalah perubahan yang diharapkan dalam penjualan yang berkaitan dengan perubahan satu umt
dalam harga, dengan mempertahankan pengeluaran periklanan tetap konstan

Koefisien dari sebuah model regresi berganda, karena itu, setara dengan derivatif parsial
dari fungsi tersebut:

Representasi grafik dari model regresi berganda umumnya tidak layak, tetapi Gambar 3.4
dapat dipergunakan untuk memperoleh gagasan tentang proses ini. Catat bahwa penjualan aktual
pada tahun 1989 cukup jauh berada di bahwa nilai yang diprediksi garis regresi ini, sehingga u89
besar dan negatif. Demikian pula, catat bahwa penjualan aktual melewati tingkat yang diprediksi
dalam tahun 1986, sehingga u86 besar dan positif. Sekarang, anggaplah bahwa informasi baru
tentang harga menunjukkan bahwa harga rata-rata Y relatif rendah dalam tahun 1986 dan tinggi
dalam tahun 1989. Lebih jauh lagi, harga tinggi berlaku pada tahun 1984, 1985, dan 1988,
sementara harga rendah pada tahun 1986, 1987, dan 1990. Jadi, data harga tampaknya menjelaskan
deviasi dalam grafik ini. Dengan cara demikian, kita dapat memperkirakan bahwa ketika data
harga ditambahkan ke dalam persamaan regresi tersebut, bagian kesalahan, ut, akan berkurang;
yaitu, nilai rata-rata absolut u dalam. Persamaan 3.15 akan lebih kecil daripada u dalam Persamaan
3.9, karena lebih banyak variasi dalam penjualan yang dapat diterangkan dengan variabel - variabel
yang dimasukkan ke dalam model tersebut dan, karena itu, jumlah yang diserap sebagai kesalahan
lebih kecil. Berdasarkan kenyataan bahwa jumlah kesalahan kuadrat terkecil akan lebih rendah,
Persamaan 3.15 dikatakan memberikan kesesuaian atau penjelasan yang lebih baik terhadap data
yang diamati.

(6) Statistik Regresi

Ketika kita menggunakan teknik kuadrat terkecil untuk mengestimasi parameter-parameter


sebuah model permintaan, beberapa statistik yang tersedia sangat meningkatkan nilai hasil-
hasilnya untuk maksud pengambilan keputusan. Statistik ini, yang tercakup dalam keluaran yang
biasa dari program - program komputer untuk regresi, dijabarkan dalam bagian berikut ini.

(1) Ukuran Kekuatan Eksplanatori Keseluruhan

1). Koefisien Determinasi. Koefisien determinasi, yang dinyatakan dengan simbol 𝑅2 ,


menunjukkan seberapa baiknya keseluruhan model regresi dalam menerangkan perubahan dalam
nilai variabel dependen. Koefisien determinasi dideFinisikan sebagai proporsi variasi total dalam
variabel dependen yang diterangkan oleh keseluruhan variabel independen yang dicakup dalam
model yang bersangkutan. Dengan demikian, 𝑅2 dapat mengambil nilai yang berkisar dari O, yang
menunjukkan bahwa model tersebut tidak memberikan penjelasan apapun tentang variasi dalam
variabel dependen, sampai 1,0, yang menyatakan bahwa semua variasi diterangkan oleh variabel-
variabel independen tersebut. Koefisien determinasi untuk model regresi yang diilustrasikan
dalarn Gambar 3.4 adalah 0,76, yang menunjukkan bahwa 76 persen dari variasi total dalam
penjualan Datacom Corporation untuk. Produk Y diterangkan oleh variasi dalam pengeluaran
periklanan. Jika koefisien determinasi tinggi, deviasi dari garis regresi, Seperti yang diperlihatkan
dalam Gambar 3.4, kecil; observasi aktual akan dekat dengan garis regresi, dan nilai u; akan kecil.
Hubungan ini dapat diklariFikasi dengan meneliti rumus aljabar dari 𝑅2 . Variasi total dalam Y,
variabel dependen dalam sebuah model regresi, dapat diukur dengan menjumlahkan deviasi
kuadrat dari rata-rata variabel tersebut:

3.16

Deviasi dari setiap nilai yang diamati, Yt, dari nilai rata-rata,
dikuadratkan. Lalu deviasi kuadrat ini dijumlahkan untuk tiba pada ukuran variasi total dalam Y.
Jika Y adalah sebuah konstanta, Y ; akan sama dengan Y untuk semua observasi, dan tidak ada
variasi dalam Y. Dalam kasus ini, Persamaan 3.16 akan sama dengan O. Semakin besar variasi
dalam Y, semakin bernilai Persamaan 3.16

Analisis regresi memecah variasi total dalam variabel dependen ini ke dalam dua bagian:
variasi yang diterangkan oleh perubahan dalam variabel independen dan variasi yang tidak dapat
diterangkan oleh model regresi tersebut. Pemecahan ini diilustrasikan dalam Gambar 3.5. Variasi
total di sebuah observasi data tertentu dilihat sebagai Yt - 𝑌̅ Nilai Y yang diprediksi di setiap titik
data, 𝑌̂t, dapat dihitung sebagai:

̂t = a + bXt
𝒀 3.17

Dengan menggunakan 𝑌̂t; sebagaimana diturunkan dalam Persamaan 3.17, kita


mendefinisikan nilai 𝑌̂ t, - 𝑌̅ sebagai variasi yang diterangkan di titik t, dan variasi total yang
diterangkan oleh persamaan regresi ini adalah:

3.18

Variasi yang tidak diterangkan semata-mata merupakan penjumlahan deviasi yang dikuadratkan
dari garis regresi:

3.19

Variasi total harus sama dengan jumlah variasi yang diterangkan dan variasi yang tidak
diterangkan, sehingga kita dapat menulis: Variasi total = Variasi yang Diterangkan + Variasi
yang Tidak Diterangkan

Atau /

Koefisien determinasi, 𝑅2 didefinisikan sebagai proporsi variasi total yang diterangkan oleh
model regresi yang bersangkutan. Karena itu:
3.20

𝑅2 sebesar 1,0 menunjukkan bahwa semua variasi telah diterangkan. Dalam kasus ini, ∑( 𝑌̂ t - 𝑌̅
tepat sama dengan (Yt - 𝑌̅ ), atau dengan kata lain

Gambar 3.5

Variasi Yang Diterangkan Dan Yang Tidak Diterangkan dari Variabel Dependen Dalam Sebuah Model
Regresi

Setiap nilai yang diprediksi untuk variabel dependen tepat sama dengan nilai yang
bersangkutan yang diamati; yaitu, 𝑌̂t = Yt untuk semua observasi. Setiap titik data berada di kurva
regresi, dan semua residu atau kesalahan akan nol dengan demikian u; = 0 untuk semua t.

Sementara ukuran deviasi dari kurva regresi meningkat, koefisien determinasi akan
menurun. Pada ekstrim, penjumlahan bagian kesalahan yang dikuadratkan akan sama dengan
variasi total dalam variabel dependen, dan 𝑅 2 akan sama dengan nol. Dalam kasus ini, persamaan
regresi tersebut sama sekali tidak mampu menjelaskan variasi dalam variabel dependen.

Dalam studi regresi aktual, koefisien determinasi jarang sama dengan 0 atau 1,0. Untuk
pekerjaan dalam estimasi permintaan empiris, nilai 𝑅2 sekitar 0,80, yang menunjukkan bahwa
sekitar 80 persen dari variasi dalam permintaan telah diterangkan, cukup dapat diterima. Untuk
beberapa jenis barang, R2 sampai setinggi antara 0,90 sampai 0,95 dapat diperoleh; untuk
barangbarang lainnya, kita harus puas dengan penjelasan variasi dalam permintaan yang cukup
jauh lebih rendah.
Dikatakan secara umum, menganalisis permintaan untuk sebuah perusahaan atau industri
tertentu dalam jangka panjang (analisis serial waktu) akan mengarah pada tingkat 𝑅2 yang lebih
tinggi daripada analisis serupa di beberapa perusahaan atau industri pada satu titik tertentu dalam
waktu (analisis lintas seksional). Hal ini karena kebanyakan Fenomena ekonomi secara erat
berkaitan dengan tingkat kegiatan ekonomi secara keseluruhan dan karna itu memiliki unsur trend
yang penting, sementara faktor-faktor eksogen di. pertahankan konstan dalam analisis lintas
seksional. Karena itu, dalam menilai apakah 𝑅2 cukup tinggi, kita harus mempertimbangkan jenis
analisis yang dilakukan dan penggunaan yang diantisipasi dari hasil-hasil statistik tersebut.
Koefisien determinasi yang rendah menunjukkan bahwa model tersebut tidak memadai untuk
menjelaskan permintaan produk. Penyebab yang paling umum dari masalah ini adalah tidak
dimasukkannya satu variabel atau lebih dalam model tersebut.

2) Koefisien Determinasi yang Dikoreksi 𝑅 2 . Seperti telah dikatakan sebelum. nya,


𝑅2 sebesar 1,0 akan dihasilkan ketika setiap titik data berada tepat di kurva regresi. Sekalipun kita
kemungkinan berpikir bahwa setiap model regresi dengan 𝑅 2 = 1 terbukti sangat andal sebagai
alat peramalan, hal ini tidak selalu demikian. Koefisien determinasi untuk setiap persamaan regresi
secara artfisial dapat dibuat sangat tinggi jika sampel yang, dipergunakan Untuk mengestasimasi
koefisien model tersebut terlalu kecil. Pada ekstrim, 𝑅2 akan selalu sama dengan 1,0 ketika jumlah
observasi data sama dengan jumlah koefisien yang diestimasi, karena setiap titik data (observasi)
dapat ditempatkan tepat di Fungsi regresi.

Untuk melakukan analisis regresi yang bermakna, sampel data yang dipergunakan untuk
mengestimasi koefisien persamaan regresi harus cukup besar untuk mencerminkan karakteristik
penting dari-hubungan dasar yang sesungguhnya. Hal ini menyiratkan bahwa kita memerlukan
jumlah observasi data yang cukup besar untuk menyesuaikan sebuah model regresi secara
memadai. Lebih tepatnya, yang diperlukan adalah angka derajat kebebasan (df) yang cukup tinggi.

Derajat kebebasan didefinisikan sebagai jumlah observasi data di luar jumlah minimum
yang diperlukan untuk menghitung koefisien regresi atau statistik tertentu. Misalnya, untuk
menghitung titik potong, kita memerlukan setidaknya satu observasi; untuk menghitung titik
potong ditambah satu koefisien kemiringan, kita memerlukan setidaknya dua observasi; dan
seterusnya. Karena 𝑅2 dari sebuah regresi selalu mendekati 1,0 sementaxa dF mendekat nol para
ahli statistik telah mengembangkan satu metode untuk mengoreksi R untuk memperhitungkan
jumlah derajat kebebasan koefisien determinasi yang dikoreksi ini, yang dinyatakan dengan
simbol 𝑅 2 , diketahui dengan ;

Di mana n adalah jumlah observasi (titik data) dan k adalah jumlah koefisien yang
diestimasi (titik potong ditambah jumlah koefisien kemiringan). Dari persamaan 5.21 jelaslah
bahwa penyesuaian terhadap 𝑅2 akan besar ketika n, ukuran sampel, kecil secararelatifterhadap k,
jumlah koefisien yang diestimasi dan penyesuaian terhadap 𝑅2 akan keell ketlka nrelatifbesar
dibandingkan k Keyakinan kita terhadap keandalan sebuah model regresi tertentu akan tinggi
ketika baik 𝑅2 maupun derjaat kebebasannya cukup besar.

3) Statistik F Satu statistik lain yang berguna untuk mengukur kekuatan eksplanatori
keseluruhan dari persamaan regresi adalah statistik F. Sama deperti koeFisién determinasi, 𝑅2 ,
dan koefisien determinasi yang dikoreksi, 𝑅 2 , statistik F berkaitan dengan hubungan antara
variasi yang diterangkan dengan variasi yang tidak diterangkan dalam variabel dependen.
Sementara 𝑅2 dan 𝑅 2 memberikan bukti apakah proporsi variasi yang diterangkan itu tinggi
atau rendah, statistik F memberikan bukti akan proporsi yang secara statistik signifikan dari variasi
dalam variabel dependen telah diterangkan. Seperti 𝑅 2 statistik F disesuaikan untuk derajat
kebebasan dan didefinisikan sebagai berikut:

Statistic F dapat dihitung dalam bentuk koefisien determinasi sebagai berikut :

3.22

Statistik F dipergunakan untuk menguji apakah proporsi yang signifikan dari variasi total
dalam variabel dependen tqlah diterangkan oleh persamaan regresi yang diestimasi. Hipotesis yang
sebenamya diuji adalah apakah variabel dependen secara statistik tidak berkaitan dengan semua
variabel independen yang dicakup dalam model tersebut. Jika hipotesis ini tidak dapat ditolak,
maka total variasi yang diterangkan dalam regresitersebut akan kecil. Pada ekstrim, statistik F akan
mengambil nilai nol ketika persamaan regresi secara keseluruhan sama sekali tidak menerangkan
variasi dalam variabel dependen (yaitu, jika 𝑅 2 = O, maka F: 0). Sementara statistik F meningkat
dari nol hipotesis bahwa variabel dependen secara statistik tidak berkaitan dengan satu variabel
independen atau lebih dalam persamaan regresi menjadi lebih mudah ditolak. Di titik tertentu,
statistik F akan menjadi cukup besar untuk memampukan kita untuk menolak hipotesis tidak
adanya hubungan tersebut dan menggantinya dengan asumsi bahwa setidaknya beberapa variabel
dalam model regresi tersebut merupakan faktor-faktor yang signiFikan dalam menjelaskan variasi
dalam variabel dependen.

Uji F tersebut dipergunakan untuk menetapkan apakah statistik F yang berkaitan dengan
persamaan regresi tertentu cukup besar untuk memampukan kita untuk menolak hipotesis bahwa
model regresi itu tidak menjelaskan variasi yang signiFikan dalam variabel dependen. Melakukan
uji ini melibat'kan perbandingan statistik F untuk sebuah persamaan regresi dengan nilai kritis dari
tabel distribusi F. Jika statistik F untuk regresi tersebut melebihi nilai kritis dalam tabel distribusi
F , kita dapat menolak hipotesis tidak adanya. ketergantungan antara variabel dependen dan
sekelompok variabel indepen. den dalam regnesi itu. Kita lalu dapat menyimpulkan bahwa
persamaan regresi ini, secara keseluruhan, menerangkan variasi yang signiFikan dalam variabel
dependen.

Tabel nilai kritis dari distribusi F dikembangkan untuk berbagai tingkat signifikansi
statistik. Tabel F dalam Lampiran C di akhir buku ini, misalnya, memberikan nilai F kritis di
tingkat signiFikansi 10 persen, 5 persen, dan 1 persen; jika statistik F dari sebuah persamaan
regresi melebihi nilai F dalam tabel tersebut, kita dapat 90, 95, atau 99 persen yakin bahwa model
tersebut secara signifikan menerangkan variasi dalam variabel dependen. Tingkat keyakinan 90,
95, dan 99 persen ini merupakan tingkat-tingkat yang “populer” untuk penolakan hipotesis, karena
ketiganya secara berturut-turut menyiratkan bahwa sebuah hipotesis yang benar hanya akan ditolak
satu dari sepuluh, satu dari dua puluh, dan satu dari seratus hipotesis. Tingkat kesalahan seperti '
ini cukup kecil dan umumnya dapat diterima.

Nilai kritis dari distribusi F bergantung pada dua derajat kebebasan, satu berkaitan dengan
pembilang dan satu berkaitan dengan penyebut. Dalam pembilang, derajat kebebasan sama dengan
jumlah koefisien yang diestimasi dalam persamaan regresi dikurangi satu (k - 1). Derajat
kebebasan untuk penyebut statistik F sama dengan jumlah observasi data dikurangi jumlah
koefisien yang diestimasi (n - k). Jadi, nilai kritis dari F dapat dinyatakan sebagai FF1 J2, di mana
F1, derajat kebebasan pembilang, sama dengan k 1, dan F2, derajat kebebasan penyebut, sama
dengan n -'k.

Contoh berikut ini akan memperjelas penggunaan statistik F . Asumsikan bahwa sebuah
analisis regresi telah diselesaikan dengan hasil-hasil berikut:

F = 6,89

k = jumlah koefisien yang diestimasi (termasuk titik potong) = 6.

n = jumlah observasi data = 20.

Nilai F kritis yang relevan akan dinyatakan sebagai F5,14, karena Fl = k _ 1 = 5 dan F2 = n k =
14. Tabel nilai F dalam Lampiran C menunjukkal1 nilai F kritis:

F 5,14 = 2,31 untuk tingkat signifikansi 10 persen (keyakinan 9O persen).

F 5,14 = 2,96 untuk tingkat signiFikansi 5 persen (keyakinan 95 persen).

F 5,14 = 4,69 untuk tingkat signiFikansi 1 persen (keyakinan 99 persen).

Karena statistik F untuk regresi sampel (F = 6,89) lebih besar daripada nilai F kritis untuk tingkat
signifikansi 1 persen, kita dapat menolak hipotesis tidak adanya hubungan antara variabel
dependen dan variabel independen. Kita menyimpulkan bahwa model regresi tersebut
menerangkan proporsi

Gambar 3.6

Ilustrasi penggunaan kesalahan standar dari estimasi untuk mendefinisikan interval keyakinan
yang signifikan secara statistik dari variasi total dalam variabel dependen. Karena statistik F untuk
regresi tersebut melebihi nilai F kritis untuk tingkat signifikansi 1 persen, terdapat probabilitas
yang kurang dari 1 persen bahwa kita salah dalam menolak hipotesis tidak adanya hubungan
tersebut.

4) Kesalahan Standar dari Estimasi. Satu ukuran lain . yang berguna untuk meneliti
akurasi model regresi secara keseluruhan adalah kesalahan standar dari estimasi. Ukuran ini
memberikan cara untuk mengestimasi tingkat keyakinan dalam memprediksi nilai-nilai variabel
dependen dengan diketahui nilai-nilai variabel independen. Yaitu, kesalahan standar dari estimasi
dipergunakan untuk menetapkan kisaran di mana kita dapat memprediksi variabel dependen
dengan berbagai tingkat keyakinan statistik. Jadi, walaupun estimasi terbaik kita untuk nilai ke-t
dari variabel dependen adalah 𝑌̂ t yaitu nilai yang diprediksi oleh persamaan regresi, kita dapat
menggunakan kesalahan standar dari estimasi untuk menetapkan seberapa akuratnya kemungkinan
prediksi 𝑌̂ t tersebut.

Jika kita dapat mengasumsikan bahwa kesalahan dari persamaan regresi tersebut
didistribusikan secara normal, seperti yang akan terjadi ketika sampel data yang besar dianalisis,
terdapat probabilitas 95 persen bahwa observasi masa mendatang dari variabel dependen tersebut
akan berada dalam kisaran 𝑌̂ t±1,96 kesalahan standar dari estimasi. Probabilitas bahwa satu
observasi tertentu dari 𝑌̂ t akan berada dalam kisaran 2,576 kesalahan standar dari nilainya yang
diprediksi akan meningkat menjadi 99 persen Jadi, jelas. lah bahwa akurasi prediksi yang lebih
besar berkaitan dengan kesalahan standar dari estimasi yang lebih kecil.

Konsep ini diilustrasikan secara grafik dalam Gambar 5.6. Di sini kita melihat garis regresi
kuadrat terkecil dan batas atas serta batas bawah keyakinan 95 persen. Sembilan puluh lima persen
dari semua observasi data aktual akan berada dalam ± 1,96 kesalahan standar dari garis regresi.
Jadi, dengan diketahui nilai X, kita dapat menggunakan interval di antara batas atas dan batas
bawah keyakinan ini untuk memprediksi nilai Y dengan probabilitas 95 persen bahwa hasil aktual
(nilai Y) akan berada dalam interval keyakinan tersebut. Perhatikan bahwa batas-batas keyakinan
tersebut paling dekat dengan garis regresi dalam sekitar nilai rata-rata X dan Y yaitu, di pusat
diagram sebar ini lalu batas keyakinan tersebut melebar dari garis regresi ke arah nilai ektrim dari
titik-titik yang diamati. Hal ini menekankan butir masalah yang telah dikemukakan sebelumnya:
tidak terlalu banyak keyakinan yang dapat diberikan pada nilai prediksi dari sebuah persamaan
regresi di luar kisaran nilai yang diamati.

(2) Ukuran Kekuatan Eksplanatori Variabel Individual

1) Statistik t Sama seperti kesalahan standar estimasi yang menunjukkan ketepatan yang
dapat diharapkan dari model regresi yang bersangkutan untuk memprediksi variabel dependen,
kesalahan standar koefisien memberikan ukuran keyakinan yang dapat kita tempatkan pada
parameter regresi yang diestimasi untuk setiap variabel independen. Ketika kesalahan standar dari
sebuah koefisien tertentu yang diestimasirelatifkecil, hubungan yang kual antara X dan Y
disiratkan, dan kita dapat, mengasumsikan dengan tingkat keyakinan yang tinggi bahwa koefisien
yang diestimasi tersebut secara akurat menggambarkan hubungan antara X dan Y. Sebaliknya,
ketika kesalahal1 standar dari sebuah koefisienrelatifbesar, hubungan dasar antara X dan
umumnya lemah, dan kita tidak dapat menempatkan banyak keyakinan pada estimasi koefisien
tersebut.

Berbagai uji dapat dilakukan berdasarkari ukuran koefisien tertentu yang diestimasi dan
kesalahan standar-nya. Uji-uji ini dikenal sebagai uji t. Secara umum, uji t dilakukan untuk
menguji apakah koeisien yang diestimasi 𝑏̂ secara signifikan berbeda dengan nilai tertentu yang
dihipotesisklan, b*. Statistik t diketahui dengan :

3.23

Jadi, statistik t mengukur jumlah kesalahan standar antara koefisien regresi yang
diestimasi, 𝑏̂ dan nilai yang dihipotesiskan untuk parameter yang sesungguhnya, b*. Sebuah uji
terdiri dari perbandingan statistik t dengan nilai t kritis yang sesuai, t*. Jika kita menemukan bahwa
t yang dihitung lebih besar daripada t* kritis, kita menolak hipotesis bahwa b* merupakan nilai
parameter yang sesungguhnya. Sebaliknya, jika t tidak lebih besar daripada t*, kita tidak mampu
menolak b* = hipotesis nilai yang sesungguhnya.

2) Uji t Dua Sisi Terdapat dua jenis uji hipotesis yang umum dan biasa dilakukan dengan
menggunakan statistik t. Yang paling umum adalah uji sederhana terhadap ukuran atau tingkat
estimasi koefisien tertentu. J ika kita ingin mengetahui apakah sebuah variabel tertentu, X,
memiliki pengaruh atas Y, adalah sesuai untuk menguji hipotesis nol bahwa b* sama dengan nol.
Yajtu, kita menguji untuk menetapkan apakah X tidak berkaitan dengan Y. Jika kita _ dapat
menolak hipotesis ini, kita dapat menyimpulkan bahwa Y pada kenyataannya tampak dipengaruhi
oleh X. Tetapi, jika kita tidak dapat menolak hipotesis bahwa b* sama dengan n01, kita tidak
memiliki bukti statistik bahwa Y dipengaruhi oleh X. Uji pengaruh X terhadap Y adalah uji t dua
sisi.

Penggunaan uji t dua sisi dalam analisis permintaan dapat diteliti dengan
mempertimbangkan kembali persamaan 3.15

Penjualan Yt = a + bAt + cPt + ut

di mana Yt adalah penjualan unit, At adalah periklanan, dan Ptadalah harga rata-rata dari Yt .
Pertanyaan-pertanyaan yang diperhatikan seorang manajer dan dapat dijawab dengan
menggunakan uji t dua sisi mencakup yang berikut ini:

Pertanyaan-pertanyaan seperti ini tidak dijawab secara langsung. Melainkan, dengan


menolak kasus atau hipotesis alternatif, kita dapat menjawab setiap pertanyaan dengan penarikan
kesimpulan. Misalnya, kita tidak dapat membuktikan bahwa periklanan memiliki pengaruh
terhadap penjualan. Tetapi, jika kita dapat menolak pula hipotesis bahwa tidak ada pengaruh
periklanan terhadap penjualan, maka kita dapat menarik kesimpulan bahwa terdapat bukti yang
menyiratkan bahwa periklanan berpengaruh terhadap penjualan, Setiap uji yang dijabarkan di atas
bersifat uji dua sisi karena kita dapat menolak hipotesis nol bahwa nilai sesungguhnya untuk
parameter b atau c adalah nol dengan statistik t yang lebih besar dan positif atau sangat kecil (angka
negative yang besar). Dengan kata lain, estimasi parameter dapat positif atau negatif, dan dengan
statistik t yang signifikan, kita dapat menolak hipotesis bahwa parameter yang sesungguhnya
adalah nol.
Uji t dua sisi yang relatif sederhana, seperti yang berkajtan dengan pertanyaan 1 dan 2
dalam tabel di atas, sangat populer karena uji tersebut menawarkan bukti yang langsung dan
penting tentang permintaan akan produkproduk sebuah perusahaan. Karena statistik tuntuk jenis-
jenis uji seperti ini semata-rnata merupakan rasio antara koeisien yang diestimasi dengan deviasi
standar-nya, kita sering kali mencari estimasi koefisien yang dua atau tiga kali lebih besar daripada
deviasi standar koefisien tersebut sebagai indikasi dari hubungan dasar yang signifikan. Untuk
sampel yangrelatifbesar dan model yangrelatifsederhana, df = (n - k) > 30, statistik t sebesar 2 atau
3 mengijinkan kita untuk menolak hipotesis tidak adanya pengaruh dengan keyakinan 95 atau 99
persen. Yaitu, dalam sampel yang besar, sangat kecil kemungkinan untuk menemukan estimasi
koefisien dalam sebuah hubungan permintaan yang sederhana yang dua atau tiga kali lebih besar
daripada standar deviasinya jika nilai parameter yang sesungguhnya sama dengan nol. Untuk
sampel yang kecil atau hubungan permintaan yang sangat kompleks (df = (n- k) < 30), nilai t
kritis'dapat ditemukan dengan melihat tabel t. seperti yang ditemukan dalam Lampiran C.

3) Uji t Satu Sisi. Banyak pertanyaan manajerial lebih dari sekedar masalah sederhana
apakah X mempengaruhi Y . Dalam beberapa kasus, menarik untuk menetapkan apakah satu
variabel tertentu, X, memiliki pengaruh positif atau negatif terhadap Y, atau apakah pengaruh
variabel X1 lebih besar atau lebih kecil daripada pengaruh variabel X2. Uji arah (positif atau
negatif) atau tingkat komparatif adalah uji t satu sisi.

Pertanyaan-pertanyaan yang kemungkinan diajukan oleh seorang manajer dapat mengarah pada
salah satu uji t satu sisi berikut ini:
Walaupun uji t satu sisi agak kurang umum diterapkan daripada uji dua sisi, kegunaan
analisis permintaan berbasiskan regresi ditingkatkan ketika kedua uji ini dipahami.

4) Distribusi t. Untuk memahami lebih baik perbedaan antara uji t satu sisi dan dua sisi,
berguna ulntuk mempertimbangkan sifat distribusi t. Statistik t memiliki apa yang oleh para akhli
statistik disebut sebagai distribusi yang mendekati normal. Yaitu, untuk ukuran sampel yang besar,
statistik t, sebagaimana diketahui dari Persamaan 3.23, didistribusikan secara normal. Dari
distribusi t yang diperlihatkan dalam Gambar 3.7, kita melihat bahwa 90 persen dari bidang total
di bawah kurva berbentuk lonceng ini ada di antara t = -1,645 dan t = +1,645, dan 95 persen dari
bidang total ini ada di antara = - ,96 dan t = +1,96. Karena itu, probabilitas nilai t lebih besar dari
+1,645 hanya 5 persen, yang sama dengan bidang dalam distribusi satu sisi setelah t = +1,645.
Nilai t yang lebih besar dari +1,96 memiliki probabilitas hanya 2,5 persen, sekali lagi sama dengan
bidang dalam distribusi t di atas t sebesar +1,96. Probabilitas bahwa statistik t akan lebih besar dari
+1,645 atau lebih kecil dari -1,645 adalah 10 persen, yang sama dengan bidang gabungan di dua
sisi distribusi t di luar t = ± 1,645. Demikian pula, probabilitas statistik t dengan nilai absolut yang
lebih besar dari 1,96 (yaitu, lebih besar dari +1,96 atau lebih kecil dari -l,96) adalah 5 persen, sama
dengan bidang gabungan di dua sisi di luar t = ± 1,96. Perbedaan antara uji satu sisi dan dua sisi
berkaitan dengan “sisi” dari distribusi t. Dalam uji t dua

Gambar 3.7 . Distribusi t

sisi, kita menolak hipotesis nol dengan menemukan bahwa statistik t tidak berada dalam bidang di
sekitar nol. Yaitu, kita menginginkan statistik t yang berada dalam salah satu sisi dari distribusi
tersebut. Dalam uji t satu sisi, kita menolak hipotesis nol dengan menemukan bahwa statistik t
berada di satu sisi yang dinyatakan dari distribusi tersebut.

Menarik untuk dicatat bahwa dengan diketahui tanda positif atau negative yang sesuai
untuk satu koefisien yang relevan, uji satu sisi menghasilkan tingkat keyakinan yang lebih tinggi.
Misalnya, dengan nilai yang diestimasi t = -1,70 untuk b, kita dapat menolak hipotesis dua sisi b*
= O dengan keyakinan 9O persen (|t| > 1,645) tetapi kita dapat menolak hipotesis satu sisi bahwa
b* > 0 dengan keyakinan 95 persen (t < -l,645). Demikian pula. dengan nilai yang diestimasi t =
+1,96 untuk b, kita dapat menolak hipotesis dua sisi bahwa b* = O dengan keyakinan 95 persen
tetapi dapat menolak hipotesis satu sisi bahwa b* < 0 dengan keyakinan 97,5 persen. Tetapi, kita
harus mengingat bahwa pilihan antara melakukan uji hipotesis satu sisi atau dua sisi tidak pemah
dibuat atas dasar jenis uji mana yang paling mudah memberikan hasil yang signifikan secara
statistik. Melainkan pemilihan bergantlmg pada uji mana yang paling sesuai untuk masalah
ekonomi yang sedang dianalisis.

(3) Masalah Multikolinieritas dalam Analisis Regresi

Kita telah melihat kegunaan koeisien determinasi, R2, dan kesalahan standar dari koefisien
kemiringan, tetapi informasi tambahan dapat diperoleh dangan membandingkan statistik-statistik
ini. Misalkan bahwa koefisien determinasi untuk sebuah model regresi adalah besar, mendekati
1,0, yang menunjukkan bahwa model tersebut secara keseluruhan menerangkan sebagian besar
variasi dalam variabel dependen. Tetapi, asumsikan pula bahwa kesalahan standar dari koefisien
untuk berbagai variabel independen juga cukup besar dalam kaitannya dengan ukuran koefisien,
sehingga hanya sedikit keyakinan yang dapat ditempatkan pada hubungan yang diestimasi antara
setiap variabel independen dengan variabel dependen. Kondisi ini menunjukkan bahwa, walaupun
model regresi tersebut memperlihatkan hubungan yang signifikan antara variabel dependen dan
variabel independen sebagai sebuah kelompok, teknik tersebut tidak mampu memisahkan
pengaruh antara setiap variabel independen dengan variabel dependen. Ini adalah masalah
multikolinieritas di antara variabel-variabel independen. Istilah ini semata-mata berarti bahwa
variabel-variabel independen tidak benar-benar independen satu sama lain tetapi memiliki nilai-
nilai yang ditetapkan secara bersama-sama atau berbarengan.

Kepemilikan rumah dan pendapatan keluarga memberikan contoh jenis kesulitan ini.
Sebuah perusahaan kemungkinan percaya bahwa apakah sebuah keluarga tertentu akan membeli
produknya bergantung pada, di antara hal-hal lainnya, pendapatan keluarga dan pada apakah
keluarga tersebut memiliki atau menyewa rumah. Karena keluarga-keluarga yang memiliki rumah
cenderung memiliki pendapatan yangrelatiftinggi, kedua variabel ini sangat berkorelasi.

Masalah ini dapat menyulitkan dalam analiéis regresi, sampai di tingkat ekstrim
menghasilkan nilai-nilai sembarang diberikan untuk koefisien variaa bervariabel yang saling
berkorelasi tersebut. Misalnya, jika dua variabel ine dependen bergerak ke atas dan ke bawah
secara berbarengan, teknik regresi kuadrat terkecil dapat memberikan koefisien yang tinggi secara
sembarang kepada satu variabel dan koefisien yang rendah secara sembarang kepada variabel
lainnya, dengan keduanya sebagian besar saling menyeimbangkan satu sama lain. Dalam kasus
sepeni ini, kedua koefisien tersebut tidak memiliki kesesuaian apapun dengan hubungan yang
sesungguhnya dalam sistem yang diteliti.Ketika masalah ini timbul, kadang-kadang paling baik
semua variabel independen yang berkorelasi tersebut dihilangkan kecuali satu dari model yang
bersangkutan sebelum parameter-parameter diestimasi dengan menggunakan model regresi
persamaan tunggal. Sekalipun demikian, koefisien regresi yang dihasilkan dan diberikan untuk
variabel yang tersisa hanya dapat dipergunakan untuk maksud peramalan dan bukan untuk
menjelaskan permintaan. Yaitu, koefisien variabel yang tersisa menunjukkan pengaruhnya sendiri
terhadap permintaan bersamaan dengan pengaruh variabel-variabel lain yang berkorelasi
dengannya yang dihilangkan. Jadi, model tersebut tetap tidak mampu memisahkan pengaruh dua
variabel yang saling berkorelasi. Tetapi, koefisien tersebut tidak ditetapkan secara sembarang
dalam kasus ini, dan selama hubungan di antara variabel independen yang berkorelasi tersebut
tidak berubah, model tersebut dapat dipergunakan untuk maksud prediksi.

(4) Masalah-masalah Lain dalam Analisis Begresi

Di samping asumsi antarketergantungan di antara variabel-variabel independen atau masalah


multikolinieritas, analisis regresi kuadrat terkecil memerlukan empat asumsi tentang bagian
kesalahan, ut, atau residu, seperti yang sering kali disebut:

1. Residu diasumsikan didistribusikan secara random.


2. Residu diasumsikan mengikuti distribusi normal.
3. Residu diasumsikan memiliki nilai perkiraan sebesar nol
4. Residu diasumsikan memiliki varians konstan.
Pelanggaran terhadap salah satu asumsi ini mengurangi keabsahan teknik kuadrat terkecil yang
biasa untuk mengestimasi hubungan permintaan.

Residu umumnya dihitung dan dicetak sebagai bagian dari keluaran kebanyakan program
perangkat lunak regresi, dan kita dapat meneliti residu dalam sejumlah cara untuk menetapkan
apakah salah satu asumsi tersebut dilanggar. Untuk kebanyakan kasus, metode grafik cukup
mengungkapkan dan mudah dipergunakan. Tiga grafik dasar dari residu akan menunjukkan
sebagian besar pelanggaran terhadap asumsi dasar tersebut.

1) Distribusi Frekuensi. Menggambarkan residu ke dalam sebuah skala linier, seperti


dalam Gambar 5.8, memberikan distribusi Frekuensi residu. Distribusi ini dapat diteliti untuk
menetapkan apakah residu tampaknya didistn'busikan secara normal dah apakah rata-rata residu
sama dengan nol. Dalam kebanyakan kasus, gambar Frekuensi tidak akan membentuk kurva
berbentuk lonceng yang sempuma (normal), tetapi deviasi yang serius dari bentuk tersebut akan
ditunjukkan dengan segera.

2) Gambar Urutan. Gambar residu dalam urutan kejadian memberikan cara lain yang
berguna untuk mendeteksi pelanggaran asumsi regresi. Gambar ini paling berguna untuk model
serial waktu, di mana urutan data memiliki interpretasi ekonomi. Dalam menggambarkan residu
sepanjang waktu (atau, lebih umum, dalam urutan kejadiannya), kita mengharapkan residu tersebut
untuk terdistribusi secara random di sekitar rata-rata sebesar nol. Dengan mengulas grafik yang
lengkap dari residu yang digambarkan dalam urutan, kita berharap untuk melihat pita horisontal
yang berpusat di sekitar nilai nol, seperti yang berlaku untuk titik-titik dalam Gambar 3.9. Dalam
pita itu, tidak terdapat pola yang sistematis, yang menunjukkan bahwa residu tersebut tidak terjadi
secara acak, seperti yang berlaku untuk tanda X dalam gambar tersebut; yaitu, setiap urutan yang
berulang dalam gambar ini, seperti tanda-tanda x tersebut, menunjukkan bahwa residu tersebut
tidak independen satu sama lain, melainkan berkorelasi secara serial.
Masalah korelasi serial (atau autokorelasi, seperti yang disebut dalam regresi serial waktu)
sering kali terjadi dan tidak selalu dapat dideteksi dengan mudah oleh teknik grafik yang dibahas
di sini. Karena alasan ini statistik Durbin-Watson sering kali dihitung dan dipergunakan untuk
mengukur tingkat korelasi serial dalam residu. Nilai yang mendekati 2 untuk statistik Durbin-
Watson menunjukkan tidak adanyakorelasi serial; deviasi dari nilai ini menunjukkan bahwa residu
tersebut tidak terdistribusi secara acak.

Ketika terdapat korelasi serial, hal itu sering dapat disingkirkan dengan melakukan
transformasi data. Mengambil selisih pertama adalah salah satu cara untuk melakukan transformasi
seperti itu. Misalnya, dalam analisis permintaan, korelasi serial dalam residu sering kali
disebabkan oleh variabel-variabel yang berubah dengan lambat seperti selera konsumen atau
pengembangan

produk baru yang bersaing atau melengkapi. Karena sulit, atau bahkan tidak mungkin, diukur,
variabel - variabel tersebut tidak dapat dimasukkan dalam analisis statistik. Spesifikasi model
permintaan dalam bentuk selisih pertama -yaitu, dalam bentuk perubahan dalam setiap variabel
dari satu periode ke periode berikutnya sering mengatasi masalah ini. Jadi, dalam studi permintaan,
kita sering kali menemui model regresi dalam bentuk

△Permintaan = F(△ Harga, △ Pendapatan, △ Periklanan, dan sebagainya).

Kembali ke gambar urutan residu, tiga pola umum menunjukkan pelanggaran terhadap satu
asumsi regresi atau lebih. Ketiga pola ini diilustrasikan dalam Gambar 3.10 (a), (b), dan (c). Pola
yang diperlihatkan dalam Gambar 3.10 (a) sering terjadi dalam regresi serial waktu di mana
variabel trend belum dicakup dalam model. Dengan kata lain, fungsi permintaan berubah dengan
lambat sepanjang waktu (kemungkinan karena perubahan selera, gaya hidup, dan faktor – factor
lainnya). Model tersebut dapat diperbaiki secara eksplisit dengan memperhitungkan trend ini
dengan memasukkan waktu sebagai salah satu van'abel yang menjelaskan permintaan akan produk
tersebut. Kadang - kadang pengaruh trend tidak konstan sepanjang waktu melainkan menunjukkan
laju perubahan yang meningkat atau menurun. Ketika kasusnya demikian, gambar urutan residu
kemungkinan tampak seperti Gambar 3.10 (b). Pemasukan variabel waktu dalam bentuk kuadrat
akan mengoreksi masalah ini.

Gambar urutan seperti yang diilustrasikan dalam Gambar 3.10 (c) menunjukkan masalah yang
agak lebih serius. Di sini, titik-titik yang digambar menunjukkan bahwa varians residu di sekitar
nilai yang diharapkan adalah tidak konstan di sepanjang kisaran observasi. Hal ini membuat
banyak statistik yang dipergunakan untuk menetapkan kegunaan koefisien regresi menjadl tidak
absah.

3) Gambar Terhadap Variabel Regresi. Jenis gambar residu ketiga yang berguna adalah
terhadap variabel-variabel dalam model regresi. Dalam setiap kasus, pola yang diinginkan akan
tampak seperti dalam Gambar 3.9, pita horisontal yang berpusat di nol dengan penyebaran, atau
varians, yang konstan.

Gambar-gambar yang serupa dengan Gambar 3.10 semuanya menunjukkan kesulitan


dalam satu bentuk atau lainnya. Pita yang memiliki kemiringan positif (atau negatif), seperti dalam
Gambar 3.10(a), menunjukkan kesalahan dalam perhitungan regresi ketika residu telah
digambarkan terhadap salah satu variabel independen dalam model tersebut. Pada dasarnya,
pengaruh linier variabel tersebut tidak diperhitmigkan dengan benar. Jika pola seperti itu tampak
dalam sebuah gambar residu terhadap variabel dependen, hal itu menunjukkan kesalahan dalam
perhitungan seperti yang dijelaskan di atas atau kesalahan spesifikasi dalam model regresi, seperti
dihilangkannya satu variabel kunci dari analisis atau ditekannya bagian titik potong dalam model
regresi.

Pita yang melengkung dalam Gambar 3.10 (b) sekali lagi menunjukkan kebutuhan akan
perpangkatan dalam persamaan yang bersangkutan. Pola untuk residu ini yang digambarkan
terhadap variabel independen menunjukkan kebutuhan akan bagian kuadrat dalam variabel yang
sama. Jika gambar tersebut adalah terhadap variabel dependen, masa1ah yang diindikasikan juga
kemungkinzan tidak adanya bagian yang berorder lebih tinggi; yaitu, Y = a +Bx - 𝑐𝑋 2 dalam model
tersebut.
Gambar megafon yang serupa dengan Gambar 5.10 (c) dalam semua kasus menunjukkan
bahwa varians residu tidak konstan. Tindakan korektif dalam kasus ini adalah menggunakan teknik
regresi kuadrat terkecil yang diberi bobot atau melakukan transformasi variabel dependen (seperti
berubah ke logaritma dari data yang bersangkutan atau menggunakan rasio) sebelum mengestimasi
parameter regresi.
DAFTAR PUSTAKA

Pappas, James L dan Hirschey, Mark. 1995. Ekonomi Manajerial Edisi 6 Jilid 1 dan 2
(Terjemahan). Jakarta. Binarupa Akasara