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
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:
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
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
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
(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
(n 1)
R 1 (1 R )
2 2
(n k )
Analisis Varians/Uji F
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