HP/EM~Ch5 1
Pokok bahasan : pada chapter ini kita melakukan pengujian model
yang kita gunakan untuk mendapatkan data permintaan. Estimasi
permintaan mempunyai arti sebagai proses menemukan nilai
koefisien pada fungsi permintaan. Nilai koefisien ini perlu
dievaluasi secara optimal terhadap harga dan kebijakan promosi
dan digunakan untuk membuat keputusan dari hari ke hari sebagai
suatu strategi.
Dx = demand X
Fungsi Umum Permintaan Px = Price X
Dx = f (Px, Ax, Ic, Tc, Py,) Py = Price Y
Ic = Income Konsumen
Dx = + 1 Px + 2Ax + 3Ic + 4Tc+ 5Py Tc = Taste Konsumen
Ax = Advertensi X
HP/EM~Ch5 2
Dengan membuat estimasi permintaan dapat
ditemukan “persamaan yang sebenarnya” atas data
yang sudah diperoleh dari kenyataan yang ada.
Untuk menentukan variabel-
variabel apa saja yang akan
dimasukkan dalam persamaan
harus diturunkan dari
landasan teori
HP/EM~Ch5 3
Adalah teori tentang pembentukan model matematis. “hubungan
kausalitas antara sebuah variabel dengan satu atau lebih variabel lain
yang saling mempengaruhi”
dari penggunaan teori regresi dihasilkan persamaan regresi
dari persamaan regresi dapat dikenali bagaimana variabel-Variabel
yang sedang diselidiki saling berpengaruh.
a = konstanta,
Regresi Sederhana : Y = a +bX
b = koefisien regresi
Regresi Berganda : Y = a + b1X1 + b2X2
NON LINIER, pada variabel independennya
LINIER, pada variabel berpangkat lebih dari satu, dan jika di gambar
independennya berpangkat menghasilkan kurva
satu, dan jika digambar Contoh : Y = a + b1X1+ b2X2 2 (Kuadratik)
bergaris lurus
: Y = a + b1X1 + b2X22 + b3X33 (Kubik)
Contoh
Y = a +bX : Y = X11X2 2 (power function)
Y = a + b1X1 + b2X2 + b3X3 log Y =log a + b1 logX1 +b2 logX2 (logaritmik)
HP/EM~Ch5 4
Salah satu cara untuk menghasilkan garis regresi
adalah dengan metode “ORDINARY LEAST SQUARE”
(OLS) atau metode kuadrat terkecil.
X Y â b̂ X e : hubungan taksiran
Independent
E ( Y ) a bX : regresi yang sebenarnya
Ŷ â b̂ X : regresi taksiran
Jadi yang kita lakukan dalam me-”regres” adalah mencari nilai : dan
dalam regresi taksiran
HP/EM~Ch5 5
n.( XiYi) ( Xi)( Yi)
Rumus untuk mencari b
2 2
parameter (Regresi n.( Xi ) ( Xi)
Sederhana)
Yi b. Xi
a
n
2
x 2y b1 x1x2 b2 x2
x2 X 2 X 2
a Y b1 X 1 b 2 X 2 y Y Y
Yi n .â b̂ 1 X 1i b̂ 2 X 2 i
X 1iY i â X 1i b̂ 1 X 1i 2 b̂ 2 X 1iX 2 i
X 2 iY i â X 2 i b̂ 1 X 1iX 2 i b̂ 2 X 2 i 2
HP/EM~Ch5 6
Untuk menghitung nilai : bˆ 1 dan bˆ 2
( x 1 iy i )( x 2 2 i ) ( x 2 iy i )( x 1 ix 2 i )
b̂ 1
( x 1 2 i )( x 2 2 i ) ( x 1 ix 2 i ) 2
( x 2 iy i )( x 1 2 i ) ( x 1iy i )( x 1ix 2 i )
b̂ 2
( x 1 2 i )( x 2 2 i ) ( x 1ix 2 i ) 2
Dimana : y i Y i Y ; x 1i X 1i - X 1 ; x 2i X 2i - X 2
e Y Ŷ
2
2
ˆ i - Yi
Variance terjelaskan yˆ i 2
Y
2
ˆi
Variance tak terjelaskan ei 2
Yi - Y
HP/EM~Ch5 7
Harga Penjualan Y
Yi
26,100
4,35
2 2 n 6
($) (000 unit) XiYi Xi Yi
No. Toko (Xi) (Yi) X
Xi
4,95
0,8267
1 0.79 4.650 3.6735 0.6241 21.6225 n 6
2 0.99 3.020 2.9898 0.9801 9.1204
6.(19,5060 ) (4,96 x 26,1)
3 1.25 2.150 2.6875 1.5625 4.6225 bˆ 5,0595
4 0.89 4.400 3.9160 0.7921 19.3600 6.(4,5094) - (4,96) 2
5 0.59 6.380 3.7642 0.3481 40.7044
6 0.45 5.500 2.4750 0.2025 30.2500 aˆ 4,35 ( 5,0595)(0, 8267) 8,5327
Total 4.96 26.100 19.506 4.5094 125.6798
Garis Regresi : ˆ 8,5327 - 5,0595X
Y
n=6 Xi Yi Xi Yi Xi 2 Yi 2
Kurva Permintaan : Qx 8,5327 - 5,0595Px
HP/EM~Ch5 8
Sales
(unit) Harga ($)
8,5327
aktual 1,6865
Qx 8,5327 5,0595Px
error (Px = 1,6865 - 0,19765Qx)
estimasi
ε p 1,0162
0,85
ˆ 8,5327 5,0595 X
Y
(estimasi)
0 Harga ($) 0
Sales
1,6865 4,2321 8,5327
(unit)
HP/EM~Ch5 9
Garis regresi yang kita hasilkan perlu dikaji
Apakah variabel independen baik secara bersama-sama ataupun
secara individual cukup mampu menjelaskan perubahan yang terjadi
pada variabel dependen.
Uji individual : t-test (Uji Koefosien Regresi Partial)
Uji Simultan : F-test (Uji Koefisien Regresi Model)
Kedua uji diatas disebut uji keberartian (signifikansi)
Koefisien Determinasi (R 2)
• Menunjukkan proporsi atau bagian dari perubahan dalam variabel dependen yang
dapat diterangkan oleh semua variabel independen
• Nilai R2 berkisar antara Nol sampai dengan Satu, semakin dekat nilai R2 dengan
Satu, berarti semakin kuat pengaruh variabel independen (secara bersama-sama)
terhadap variabel dependen)
2
n. XiYi Xi. Yi
R
2
R2 r2 (Yi - Y )
2
Variasi Variasi
Total +
= Tak Terjelaskan
Variasi Terjelaskan
( Yi Y ) 2 ( Yˆ i Y ) 2 (Yi ˆ i) 2
Y
2 2 2
yi yˆ i ei
Teori ini menjelaskan bagaimana “pola
gerak” antara dua variabel yang diamati.
Jika variabel bebas berubah, bagaimana
dengan variabel terikatnya ?
F
e i /(n K)
2
HP/EM~Ch5 13
Merupakan suatu ukuran penyimpangan titik-titik observasi
(data) dari garis regresi (the line of best fit)
= Konstanta
Se
Yi 2
αYi βYi = Koefisien regresi
nK n =jumlah data
K =Jumlah variabel
Karena dalam estimasi menggunakan data aktual yang mempunyai
penyimpangan terhadap garis regresi, maka kesalahan standar
membentuk jarak keyakinan (convidence interval); dengan anggapan
bahwa observasi akan memiliki penyebaran penyimpangan yang sama,
berkisar disekitar garis regresi.
HP/EM~Ch5 14
Merupakan penyimpangan standar dari nilai Koefisien regresi b atau
Rumus Standard error of coeficient (
S ) :
Sβ
Se Jika β 2 S β ; maka uji - t tidak perlu dilakukan ;
Xi 2 n. X 2 karena jika β 2S β equivalent denga n nilai t
HP/EM~Ch5 15
6 masalah menonjol dalam analisis regresi korelasi
(Asumsi Klasik)
HP/EM~Ch5 17
1. Timbul akibat adanya hubungan kausalitas antara dua/lebih variabel independen
dengan sesama variabel independen
2. Untuk menguji ini semua diuji dengan korelasi antar variabel independen.
3. Akibat adanya multikolonieritas hasil estimasi bias
4. Dapat diketahui dari R2 besar, tetapi dari uji t dan F, tidak satupun koefisien regresinya
signifikan
1. Masalah ini akan mengakibatkan hasil pengujian hipotesis selalu tidak signifikan.
2. Untuk mendeteksi adanya gejala ini dapat dilakukan dengan menggambarkan scatter-
diagram antara variabel dependen dengan salah satu variabel independennya.
3. Dari scatter-diagram akan terlihat grafik-distribusi nilai residual”
HP/EM~Ch5 18
Garis Regresi
Y
Ŷ â b̂ X
Untuk menanggulangi
Batas atas masalah ini, sebaiknya
. .
model (persamaan
Dependent Variable Y
.
.
.
.
.
.
.
.
.
.
.
regresinya)
.
. .
.
.
. .
ditransformasikan
Batas bawah
.
.
.
. . .
kedalam LOGARITMA
X
Independent
Variable X
HP/EM~Ch5 19
Qx = a + b1Px + b2SK + b3ARx + b4ATV + b5AMx + b6IK
HP/EM~Ch5 20