Nama : SUCI ALWAHYUNI CARLES

NIM : 2010241945
BAB : 5 “Demand Estimation and Forecasting”

Setiap faktor penentu permintaan — faktor harga dan non harga, seperti selera,
preferensi, dan pendapatan — memengaruhi jumlah orang yang bersedia membeli barang atau
jasa tertentu. Contoh numerik hipotetis dirancang untuk menggambarkan konsep elastisitas,
cara utama kami mengukur sensitivitas kuantitas yang diminta terhadap perubahan harga dan
faktor penentu non-harga permintaan. Sangat penting bagi manajer untuk menggunakan alat
dan data apa pun yang tersedia untuk menjelaskan dan perkiraan permintaan.

Perubahan selera konsumen ini mungkin telah mempengaruhi keakuratan ramalan itu
yang mereka buat di masa lalu dan niscaya akan berpengaruh pada perkiraan penjualan di masa
depan. Bab ini menyajikan dua pendekatan statistik penting untuk memperkirakan dan
meramalkan permintaan akan suatu produk. Sebagai gambaran tentang bagaimana teknik-
teknik analisis digunakan dalam berbagai jenis studi. Namun kemajuan ini tidak mengurangi
pentingnya mendapatkan data yang baik, menafsirkan dan mengevaluasi hasil analisis dengan
benar, dan menggunakan hasil untuk membuat keputusan manajemen yang baik. Faktor-faktor
ini adalah inti dari liputan bab kita tentang topik ini.

Menentukan Persamaan Regresi dan Memperoleh Data Dalam memperkirakan

permintaan barang atau jasa tertentu, pertama-tama tentukan semua faktornya yang mungkin
mempengaruhi permintaan ini. Misalkan kita ingin memperkirakan permintaan pizza oleh
mahasiswa di Amerika Serikat. Variabel apa yang kemungkinan besar akan mempengaruhi
permintaan mereka akan pizza? Kita bisa mulai menjawab pertanyaan ini dengan menggunakan
price dan all determinan non-harga yang tercantum dalam Bab 3 (yaitu, selera dan preferensi,
pendapatan, harga barang terkait, ekspektasi masa depan, jumlah pembeli). Tetapi tidak selalu
demikian mungkin atau sesuai untuk memasukkan semua variabel ini dalam analisis
permintaan tertentu.

Selain itu, mungkin ada perubahan tiba-tiba selera dan preferensi yang mungkin tidak
dapat diukur dengan mudah. Misalnya, "rendah karbohidrat" kegemaran diet mungkin
berdampak pada permintaan pizza tapi itu akan berdampak pada permintaan menantang untuk
mengukur perubahan ini. Idealnya, semua variabel yang diyakini berdampak pada permintaan
haruslah dimasukkan dalam analisis regresi. Pada kenyataannya variabel-variabel tersebut
digunakan dalam analisis regresi didasarkan pada ketersediaan data dan biaya pembuatan data
baru. Kedua tipe tersebut Data yang digunakan dalam analisis regresi adalah cross-sectional
dan time series. Penampang melintang data memberikan informasi tentang variabel untuk
periode waktu tertentu. Data deret waktu memberi informasi tentang variabel selama beberapa
periode waktu.

Dalam analisis statistik, seringkali sama pentingnya untuk mengetahui apa yang tidak
lulus T-test sebanyak itu untuk mengetahui apa yang berlalu. Dalam contoh kami, kami belajar
uang sekolah itu dan lokasi tidak memiliki dampak signifikan secara statistik terhadap
permintaan pizza. Bahkan, Magnituds dari koefisien mereka relatif kecil. Untuk manajer
nasional rantai seperti pizza hut atau domino, ini akan menunjukkan bahwa mereka tidak harus
melakukannya sangat khawatir tentang jenis perguruan tinggi (pribadi atau publik) atau
lokasinya (perkotaan atau pedesaan) dalam memutuskan di mana harus membuka waralaba
pizza. Namun, mereka akan menghadapi persaingan dari ruang makan di perguruan tinggi
perumahan.

Masalah identifikasi

Masalah identifikasi mungkin mungkin tantangan terbesar bagi mereka yang

menggunakan regresi Analisis untuk memperkirakan permintaan untuk barang atau layanan
tertentu. Untuk menjelaskan Masalah ini, mari kita kembali ke contoh pizza kita. Misalkan kita
memiliki data deret waktu yang berhubungan Konsumsi pizza per kapita dengan harga pizza
selama periode 20 tahun. Ada teknik estimasi lanjutan, seperti metode dua tahap kuadrat
terkecil dan kuadrat tidak langsung, yang dapat membantu peneliti menangani sampel di
dimana pergeseran dan pasokan simultan berlangsung. Pada dasarnya, ini Teknik melibatkan
pertimbangan simultan persamaan penawaran dan permintaan dengan penggunaan persamaan
regresi tunggal. Diskusi tentang teknik ini terletak di luar ruang lingkup teks ini. Tetapi titik
utama untuk diingat adalah bahwa jika Masalah identifikasi tidak dikenali dan ditangani oleh
peneliti, metode kuadrat terkecil biasa akan menghasilkan estimasi yang bias dari koefisien

regresi.

Peramalan Salah satu penulis ingat poster yang dilihatnya, bertahun-tahun yang lalu, di
dinding kantor Direktur Riset Pasar dari perusahaan manufaktur besar. Itu berkata: "Peramalan
sangat sulit, terutama ke masa depan." Seseorang dapat menambahkan: "Akurat Peramalan
bahkan lebih sulit. " Tentu saja, ada banyak kebenaran dalam pernyataan ini. Namun terlepas
dari kesulitan peramalan, dan peramalan secara akurat, itu merupakan bagian integral bagian
dari hidup kita. Di dunia bisnis, pemerintah, atau bahkan lembaga nirlaba, peramalan menjadi
lebih penting. Di dunia di mana organisasi dan lingkungan mereka terus-menerus menjadi lebih
kompleks dan perubahan terjadi lebih cepat, keputusan pembuat membutuhkan bantuan dalam
menimbang banyak faktor dan pemahaman terus berubah hubungan tiba pada keputusan yang
hasilnya memiliki dampak yang terus meningkat. Menggunakan sumber daya yang ada dan
memperoleh sumber daya tambahan yang dibutuhkan dengan tepat informasi maksimum
tentang masa depan perusahaan. Semua organisasi melakukan kegiatan mereka di lingkungan
yang tidak pasti, dan mungkin Peran utama peramalan adalah untuk mengurangi ketidakpastian
ini. Tetapi tidak ada perkiraan, namun Luas dan mahal, dapat menghapusnya sepenuhnya.
Manajer yang menggunakan ramalan dalam pekerjaan mereka "perlu mengembangkan harapan
yang realistis mengenai perkiraan apa yang dapat dan tidak dapat melakukan.

Perkiraan permintaan dan peramalan permintaan

Ada banyak kesamaan antara peramalan permintaan dan estimasi permintaan. Perbedaan antara
keduanya terletak pada tujuan akhir analisis. Teknik Estimasi Permintaan akan digunakan oleh
manajer yang tertarik pada Probing efek pada permintaan (atau kuantitas yang diminta) dari
perubahan dalam satu atau lebih variabel independen. Dengan demikian, manajer penetapan
harga mungkin ingin mengetahui dampaknya Penjualan Klub Soda Perusahaan Sebagai hasil
dari perubahan harga, dari pesaing Perubahan harga, atau, misalnya, dari perubahan biaya iklan
perusahaan. Sebaliknya, peramalan tidak terlalu menekankan pada menjelaskan penyebab
spesifik permintaan perubahan dan lebih lanjut tentang memperoleh informasi mengenai
tingkat aktivitas penjualan di masa depan, Mengingat asumsi yang paling mungkin tentang
variabel independen.

Prasyarat ramalan yang baik

 Perkiraan harus konsisten dengan bagian lain dari bisnis. Misalnya, penjualan perkiraan
pertumbuhan 10 persen harus memastikan ada fasilitas manufaktur yang cukup dan
tenaga kerja untuk menghasilkan peningkatan ini.
 Perkiraan harus didasarkan pada pengetahuan tentang masa lalu yang relevan. Namun,
saat mendasarinya Kondisi telah berubah secara signifikan, pengalaman masa lalu
mungkin tidak membantu dalam membuat ramalan. Apalagi, kadang-kadang tidak ada
masa lalu yang mengandalkan.
 Ramalan harus mempertimbangkan lingkungan ekonomi dan politik, serta apa pun
perubahan potensial.
  Perkiraan harus tepat waktu. Perkiraan yang akurat yang sudah terlambat untuk
ditindaklanjuti mungkin tak berguna.

Aplikasi analisis regresi tentang estimasi permintaan. Khusus ini Aplikasi dapat diringkas
sebagai berikut:

1. Spesifikasi model regresi permintaan

2. Pengumpulan data yang relevan
3. Estimasi persamaan regresi
4. Analisis dan evaluasi hasil regresi (mis., T-test, f-test, R2), dan penyesuaian atau
koreksi
5. untuk setiap masalah statistik (mis., multikolinieritas, autokorelasi, salah Bentuk
6. fungsional)
7. Penilaian Temuan Regresi untuk Digunakan dalam Membuat Keputusan Kebijakan

Dalam kursus ekonometrik formal, sebagian besar penekanan ditempatkan pada

langkah 1, 3, dan 4 (mis., Semakin banyak aspek teknis dari jenis analisis statistik ini). Dalam
bisnis, yang paling penting Langkah-langkahnya 2 dan 5. Komputer yang Kuat dan Paket
Perangkat Lunak Canggih tersedia untuk semua orang hari ini dengan biaya yang wajar
sehingga telah menjadi dasar untuk menerapkan analisis regresi untuk estimasi permintaan atau
aspek lain dari penelitian bisnis. Tantangan sebenarnya adalah dapatkan data yang baik dan
menerapkan hasil analisis regresi dengan bijaksana kepada manajerial keputusan membuat
proses. Dalam dua bidang analisis regresi ini, tidak ada buku pelajaran atau kursus Ambil
tempat pengalaman langsung yang sebenarnya. Peramalan adalah kegiatan penting di banyak
organisasi. Dalam bisnis, peramalan adalah a kebutuhan. Bab ini merangkum dan membahas
sejumlah teknik peramalan. Enam kategori Prakiraan disertakan:

1. Pendapat ahli adalah teknik peramalan kualitatif berdasarkan penilaian yang

berpengetahuan luas orang-orang. Metode Delphi adalah jenis lain dari perkiraan
pendapat ahliumumnya berlaku dalam perkiraan kemajuan teknologi.
2. Polling opini dan riset pasar dilakukan di antara populasi survei, bukan pakar, untuk
menetapkan tren masa depan atau respons konsumen.
3. Survei rencana pengeluaran berkaitan dengan data ekonomi yang begitu penting
sebagai konsumen sentimen. Prakiraan didasarkan pada balasan terhadap kuesioner
atau wawancara.
 4. Indikator ekonomi adalah indeks dari sejumlah seri ekonomi yang dimaksudkan untuk
memperkirakan Gerakan ekonomi jangka pendek, termasuk perubahan arah.
5. Proyeksi, metode kuantitatif, menggunakan data historis untuk memproyeksikan tren
masa depan. Biasanya, Tidak ada penyebab tren yang diidentifikasi.
6. Model ekonometrik adalah model penjelasan atau kausal di mana variabel independen
itu mempengaruhi statistik untuk diperkirakan diidentifikasi.

Bab ini juga meneliti dekomposisi proyeksi kuadrat terkecil menjadi tren, fluktuasi
musiman dan siklus, dan gerakan tidak teratur. Satu metode peramalan naif lainnya disebutkan:
peramalan dengan teknik smoothing. Teknik smoothing jatuh ke dalam dua kategori utama,
rata-rata bergerak dan eksponensial smoothing, dan berguna ketika tidak ada tren yang
diucapkan dalam data dan ketika fluktuasi dari periode ke periode acak.