EKONOMI MAJERIAL

ESTIMASI PERMINTAAN
KELOMPOK 4 :
DAVID FARULIAN SILABAN 153
FATHONI KAMIL 029
HANDOYO 189
AGUS SUDARSONO 071
 Masalah Identifikasi
 Masalah identifikasi merujuk pada beberapa
kesulitan menurunkan kurva permintaan dari
data yang ada dipasar
 Kurvapermintaan 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

PENTINGNYA ESTIMASI
PERMINTAAN
 Estimasi permintaan merupakan kegiatan
memperkirakan jumlah permintaan konsumen
terhadap barang atau jasa dimasa ytang akan dating
berdasarkan data atau keadaan masa lalu atau saat ini.
Estimasi permintaan ini berkaitan dengan cara memperoleh
nilai-nilai parameter pada fungsi permintaan yang cocok
pada saat ini. Informasi ini penting bagi pengambilan
keputusan sekarang dan dalam mengevaluasi apakah
keputusan sudah optimal dalam konteks estimasi
permintaan sekarang.
Kurva Permintaan
Estimasi Permintaan:
Pendekatan Riset Pemasaran
 mensurvei konsumen bagaimana reaksi
Survei Konsumen :
terhadap jumlah yg diminta jika ada perubahan harga,
pendapatan, dll menggunakan kuisioner

pengumpulan informasi ttg preferensi
Penelitian Observasi :
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 Squares):
metode jumlah
kuadrat terkecil
et  Yt  Yˆt
 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  Yˆ )   (Y  aˆ  bX
t 1
2
t
t 1
t t
2 ˆ )
t 1
t t
2
 Estimasi nilai a & b dengan
Metode
Estimasi OLS
nilai a & b didapatkan dari
meminimumkan jumlah simpangan kuadrat
n

(X t  X )(Yt  Y )
bˆ 
  dan adalah nilai
t 1
n rata-rata dari &

(X
t 1
t  X) 2

ˆ
â  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 n
Yt 500 106
X    12 Y 
t 1 n 10 t 1 n

10
 50 bˆ   3.533
30
 = 7,60 + 3,53 aˆ  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

sbˆ 
 (Yt  Y )
ˆ 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
ParameterContoh Perhitungan
Time Xt Yt Yˆt et  Yt  Yˆt et2  (Yt  Yˆt )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

n n n

 e   (Yt  Yˆt )2  65.4830

2
t  ( X t  X )2  30 sbˆ 
 (Y  Yˆ )
t
2


65.4830
 0.52
t 1 t 1 t 1 ( n  k ) ( X  X )
t
2
(10  2)(30)
 Uji t Untuk Signifikasi

Perhitungan : t-Statistic

bˆ 3.53
t   6.79
sbˆ 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 )
2ˆ 2 ˆ 2
Variasi Total Yang bisa dijelaskan
dan yang tidak bisa dijelaskan
Contoh Estimasi Koefisien
Determinasi
Koefisien Determinasi

R 
2 Explained Variation

 (Y  Y )
ˆ 2

TotalVariation  (Y  Y )
t
2

373.84
R  2
 0.85
440.00
 Koefisien Korelasi

ˆ
r  R with the 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 X 1  b2 X 2    bk ' X k '
Contoh Perhitungan Analisis
Regresi Berganda
 Koefisien
  Determinasi & 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
 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