Transcript Pert-4

PhD
in Economics, 1998,
Dept. of Economics, The
University of Queensland,
Australia.
Post
Graduate Diploma in
Regional Dev.,1994, Dept.
of Economics, The Univ. of
Queensland, Australia.
MS
in Rural & Regional
Development Planning,
1986, Graduate School,
Bogor Agricultural
University, Bogor
Dosen : Muchdie, PhD in Economics
Masalah
Identifikasi
Pendekatan Penelitian Pemasaran
untuk Estimasi Permintaan
Analisis Regresi
 Regresi
Sederhana
 Regresi Berganda
Masalah
dalam Analisis Regresi
Mengestimasi Permintaan Regresi
Observasi Harga-Quantitas TIDAK SECARA LANGSUNG
menghasilkan kurva Permintaan dari suatu komoditas
 Survei
Konsumen : mensurvei konsumen bgm
reaksi tehd jumlah yg diminta jika ada perubahan
harga, pendapatan, dll menggunakan kuisioner
 Penelitian Observasi : pengumpulan informasi ttg
preferensi 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 sesungguhknya
Scatter Diagram
Year
X
Y
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
Garis
Regresi : Line of Best Fit
Garis
Regresi : meminimunkan jumlah
dari simpangan kuadrat pada sumbu
vertikal (et) dari setiap titik pada garis
regresi tersebut.
Metode
OLS (Ordinary Least Squares):
metode jumlah kuadrat terkecil
ˆ
et  Yt  Yt
Analisis Regresi Sederhana
Model:
Yt  a  bX t  et
ˆ
ˆ
ˆ
Yt  a  bX t
et  Yt  Yˆt
Tujuan: menentukan kemiringan
(slope) dan intercept yang
meminimumkan jumlah simpangan
kuadrat (sum of the squared errors).
n
n
n
t 1
t 1
2
2
ˆ
ˆ
 e   (Yt  Yt )   (Yt  aˆ  bX t )
t 1
2
t
Prosedur Estimasi :
n
ˆ
b
(X
t 1
t
 X )(Yt  Y )
n
(X
t 1
t
ˆ
ˆa  Y  bX
 X)
2
Contoh Estimasi
Time
Xt
1
2
3
4
5
6
7
8
9
10
10
9
11
12
11
12
13
13
14
15
120
n  10
n
X
t 1
n
X 120
X  t 
 12
10
t 1 n
t
Yt
44
40
42
46
48
52
54
58
56
60
500
n
Y  500
 120
t 1
n
t
Y 500
Y  t 
 50
10
t 1 n
Xt  X
Yt  Y
-2
-3
-1
0
-1
0
1
1
2
3
-6
-10
-8
-4
-2
2
4
8
6
10
n
(X
t 1
t 1
( X t  X )2
12
30
8
0
2
0
4
8
12
30
106
4
9
1
0
1
0
1
1
4
9
30
t
 X )2  30
106
bˆ 
 3.533
30
t
 X )(Yt  Y )  106
aˆ  50  (3.533)(12)  7.60
n
(X
( X t  X )(Yt  Y )
Contoh Estimasi
n
X 
n  10
n
X
t 1
t
n
(X
t 1
t 1
 120
n
Y  500
t 1
t
n
Yt 500

 50
10
t 1 n
Y 
t
 X )  30
106
ˆ
b
 3.533
30
t
 X )(Yt  Y )  106
aˆ  50  (3.533)(12)  7.60
2
n
(X
t 1
X t 120

 12
n
10
Standard Error of the Slope Estimate
sbˆ 
2
ˆ
 (Yt  Y )
( n  k ) ( X t  X )
2

e
(n  k ) ( X  X )
2
t
t
2
Contoh Perhitungan
Yˆt
et  Yt  Yˆt
et2  (Yt  Yˆt )2
( X t  X )2
44
42.90
1.10
1.2100
4
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
Time
Xt
Yt
1
10
2
 (Y  Yˆ )
( n  k ) ( X  X )
2
n
n
 et2   (Yt  Yˆt )2  65.4830
t 1
t 1
n
 ( X t  X )2  30
t 1
sbˆ 
t
t
2

65.4830
 0.52
(10  2)(30)
Contoh Perhitungan
n
n
t 1
t 1
2
2
ˆ
e

(
Y

Y
)
 t  t t  65.4830
n
2
(
X

X
)
 30
 t
t 1
2
ˆ
 (Yt  Y )
65.4830
sbˆ 

 0.52
2
( n  k ) ( X t  X )
(10  2)(30)
Perhitungan : t-Statistic
ˆ
b 3.53
t 
 6.79
sbˆ 0.52
Derajat Bebas = (n-k) = (10-2) = 8
Critical Value at 5% level =2.306
Decomposition of Sum of Squares
Total Variation = Explained Variation + Unexplained Variation
2
2
ˆ
ˆ
 (Yt  Y )   (Y  Y )   (Yt  Yt )
2
Decomposition of Sum of Squares
Koefisien Determinasi
2
ˆ
 (Y  Y )
Explained Variation
R 

2
TotalVariation
 (Yt  Y )
2
373.84
R 
 0.85
440.00
2
Koefisien Korelasi
ˆ
r  R withthe signof b
2
1  r  1
r  0.85  0.92
Model:
Y  a  b1 X1  b2 X 2 
 bk ' X k '
Adjusted Coefficient of Determination
(n  1)
R  1  (1  R )
(n  k )
2
2
Analysis of Variance and F Statistic
Explained Variation /(k  1)
F
Unexplained Variation /(n  k )
R /(k  1)
F
2
(1  R ) /(n  k )
2
Multicollinearity:
Dua atau lebih
variabel bebas mempunyai korelasi
yang sangat kuat.
Heteroskedasticity: Variance of
error term is not independent of the
Y variable.
Autocorrelation: Consecutive error
terms are correlated.
Uji Autocorrelation
n
d 
2
(
e

e
)
 t
t 1
t 2
n
e
t 1
2
t
If d=2, autocorrelation is absent.
 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
 Ringkasan
(7 butir)
 Pertanyaan Diskusi (15 pertanyaan)
 Soal-soal (15 Soal) termasuk Soal Gabungan
No. 15
 Alamat Situs Internet
 Pertanyaan


Setiap mahasiswa memilih 2 (dua) nomor
pertanyaan untuk dijawab secara tertulis. Hanya
satu nomor pertanyaan yang boleh sama dengan
mahasiswa lainnya.
Jawaban dipresentasikan pada pertemuan berikut.
 Soal-soal


Diskusi :
:
Setiap mahasiswa memilih 2 nomor soal dari Soalsoal nomor 1 – 14 untuk dijawab secara tertulis.
Hanya satu nomor soal yang boleh sama dengan
mahasiswa lainnya.
Jawaban ditulis pada sebuah Buku Tulis yang
dikumpulkan pada saat UTS.