Estimating Demand Problems in Applying the Linear Regression Model

1. Estimating DemandProblems in Applying the Linear Regression Model

2. ANALISIS REGRESI BERGANDA • Analisis regresi merupakan salah satu teknik analisis data dalam statistika yang seringkali digunakan untuk mengkaji hubungan antara beberapa variabel dan meramal suatu Variabel • Melakukan estimasi terhadap parameter-parameter regresi, bagaimana melakukan uji signifikansi secara statistik, serta bagaimana mengukur, menguji kekuatan, dan menjelaskan seluruh variable explanatory dan regresi secara keseluruhan.

3. Suatujenisanalisaregresi yang hanyamelibatkansatuvariabel independent (explanatory variable). Bentukregresisederhanatersebutdapatdirumuskandalampersamaan model regresiberikut : Y = β0 + β1X1atauY = a + bx Dimana ; • Y adalahfungsilinear • β0dan β1 (a dan b) adalahparameter –parameter model. Bilamana a = β0 = 3 dan β1 = b = 0,5 makahubunganantara x dan y dapatditunjukkanberikut : Y = 3 + 0,5X

4. Untukmendapatkanestimasi model ekonomimanajerialdapatdigunakanmetodekuadratterkecil. Denganmenggunakanestimasi parameter (koefisienregresi) makaakandapatdihitungataudiprediksinilai Y untukmasing-masing X dengan formula Y = b0 + b1X. Nilaikoefisien b0dan b1dapatdiperolehdenganmenggunakan formula : β1= b= b1 = n∑xy - ∑x ∑y a= α = b0 = ∑y _ b∑x n∑x² – (∑x)² nn Bilamananilai b1 yang diperolehdarihasilperhitungansamadengannolmakapersamaanregresiakanmenjadi Y = b0dangrafiknyamerupakan horizontal. Padasituasiinitidakadapersamaanregresi yang signifikan.

5. Estimating DemandProblems in Applying the Linear Regression Model • Kesalahan Spesifikasi • Kesalahan Pengukuran • Hubungan Persamaan Simultan • Multikolinieritas • Heteroskedastisitas • Otokorelasi atau serialkolerasi

6. Kesalahan Spesifikasi Dua kemungkinan kesalahan spesifikasi ; • Kesalahan dalam menggunakan bentuk hubungan fungsi antar variabel. Misalnya bentuk hubungan yang sesungguhnya tidak linier tetapi cetakan regresi yang dipakai menunjukan hubungan linier. • Kesalahan dalam bentuk tidak memasukan variabel penjelasan yang relevan

7. Kesalahan Pengukuran Beberapa penyebab kesalahan pengukuran ; • Daftar pertanyaan atau kuisioner yang kurang baik. • Wawancara yang kurang memadai. • Pendefinisian variabel yang tidak betul, yang dapat berakhir pada kurang dapat dipercayainya hasil estimasi fungsi permintaan melalui besaran-besaran statistik R2 yang terlalu kecil. • Statistik t yang terlalu kecil, statistik f yang terlalu kecil.

8. Hubungan Persamaan Simultan • Dalam merancang sebuah fungsi regresi tidak dibenarkan adanya hubungan timbal balik antara variabel tidak bebas dengan salah satu atau lebih variabel bebas.

9. Multikolinieritas • Multikolinieritas timbul sebagai akibat adanya hubungan kasual antara dua variabel penjelas (variabel bebas) atau lebih, atau sebagai akibat adanya kenyatan bahwa dua variabel penjelas atau lebih secara bersama-sama dipengaruhi oleh variabel ketiga yang berada diluar sistem persamaan regresi. • Keberadaan multikolinieritas dapat ditemukan melalui tes korelasi antar variabel penjelas. Kalau diketemukan korelasi yang tinggi, maka salah satu variabel penjelas dilepas. • Dengan adanya multikolinieritas maka hasil estimasi koefisien regresi bersifat bias. Analisa regresi tidak mampu menemukan hubungan yang benar dan kemampuan prediksinya menjadi lemah.

10. Heteroskedastisitas • Variansi dari error model regresi tidak konstan atau variansi antar error yang satu dengan error yang lain berbeda • Keadaan unsur ini dapat dilihat dari grafik distribusi nilai “residuals”. Kalau grafiknya secara teratur membengkok atau mengecil dengan bertambah besarnya nilai variabel penjelas, maka kita harus waspada dalam menginterprestasikan besaran statistik t dan R2 karena kurang dapat dipercaya dengan kecendrungan terlalu tinggi diatas nilai yang sebenarnya. Nilai kesalahan standar koefisien regresi memberikan indikasi yang keliru.

11. Otokorelasi • Terjadinya korelasi antara satu variabel error dengan variabel error yang lain.Otokorelasi adalah masalah yang timbul bila kesalahan tidak sesuai dengan batasan yang disyaratkan oleh analisis regresi. • Otokorelasi hanya terjadi kalau kita menggunakan data kurun waktu (times series) dan ditandai oleh pola kesalahan yang beruntun. Yakni besarnya kesalahan kian besar atau kecil. • Otokorelasi dapat dihilangkan dengan menambahkan variabel yang dapat menjelaskan perubahan yang sangat sistematis tersebut kedalam persamaan regresi.

12. ESTIMASI PERMINTAAN DENGAN ANALISIS REGRESI • Spesifikasi Model, dengan Cara Mengidentifikasi Variabel-Variabel, misalnya : Qd = f (Px, I, Py, N, T) Px = Harga komoditas I = Pendapatan konsumen Py, = Harga komoditas yang berhubungan dengan substitusi atau komplementer N = Jumlah konsumen T = Selera konsumen • Mengumpulkan Data dari Variabel-variabel • Mengspesifikasi Bentuk Persamaan permintaan Linier : Qd = A - a1Px + a2 I + a3 Py + a4N + a5 T • Menguji Hasil