Transcript Estimating Demand Problems in Applying the Linear Regression

Estimating Demand
Problems in Applying the Linear
Regression Model
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.
Suatu jenis analisa regresi yang hanya melibatkan
satu variabel independent (explanatory variable). Bentuk
regresi sederhana tersebut dapat dirumuskan dalam
persamaan model regresi berikut :
Y = β0 + β1X1 atauY = a + bx
Dimana ;
 Y adalah fungsi linear
 β0 dan β1 (a dan b) adalah parameter – parameter model.
Bilamana a = β0 = 3 dan β1 = b = 0,5 maka hubungan antara
x dan y dapat ditunjukkan berikut :
Y = 3 + 0,5X
Untuk mendapatkan estimasi model ekonomi
manajerial dapat digunakan metode kuadrat terkecil.
Dengan menggunakan estimasi parameter (koefisien
regresi) maka akan dapat dihitung atau diprediksi nilai
Y untuk masing-masing X dengan formula Y = b0 +
b1X. Nilai koefisien b0 dan b1 dapat diperoleh dengan
menggunakan formula :
β1 = b = b1 = n∑xy - ∑x ∑y
a = α = b0 = ∑y _ b ∑x
n∑x ² – (∑x) ²
n
n
Bilamana nilai b1 yang diperoleh dari hasil perhitungan
sama dengan nol maka persamaan regresi akan
menjadi Y = b0 dan grafiknya merupakan horizontal.
Pada situasi ini tidak ada persamaan regresi yang
signifikan.
Estimating Demand
Problems in Applying the Linear Regression
Model
1. Kesalahan Spesifikasi
2. Kesalahan Pengukuran
3. Hubungan Persamaan Simultan
4. Multikolinieritas
5. Heteroskedastisitas
6. Otokorelasi atau serialkolerasi
Kesalahan Spesifikasi
Dua kemungkinan kesalahan spesifikasi ;
1. Kesalahan dalam menggunakan bentuk
hubungan fungsi antar variabel. Misalnya
bentuk hubungan yang sesungguhnya tidak
linier tetapi cetakan regresi yang dipakai
menunjukan hubungan linier.
2. Kesalahan dalam bentuk tidak memasukan
variabel penjelasan yang relevan
Kesalahan Pengukuran
Beberapa penyebab kesalahan pengukuran ;
1. Daftar pertanyaan atau kuisioner yang kurang baik.
2. Wawancara yang kurang memadai.
3. Pendefinisian variabel yang tidak betul, yang dapat
berakhir pada kurang dapat dipercayainya hasil estimasi
fungsi permintaan melalui besaran-besaran statistik R2
yang terlalu kecil.
4. Statistik t yang terlalu kecil, statistik f yang
terlalu kecil.
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.
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.
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.
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.
ESTIMASI PERMINTAAN DENGAN ANALISIS
REGRESI



Spesifikasi Model, dengan Cara Mengidentifikasi VariabelVariabel, 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 + a4 N + a5 T

Menguji Hasil