Estimasi Permintaan

Estimasi Permintaan
A. MASALAH INDENTIFIKASI
Kita ketahui bahwa kurva permintaan suatu komoditasmenunjukkan kuantitas yang ditawarkandari suatu komoditas per satuan waktu pada berbagai tingkat harga komoditas tersebut, dengan memegang konstan variable lainnya dalam persamaan penawaran.

Titik-titik data harga kuantitas yang terobservasi, E1,E2,E3, dan E4, dihasilkan dari perpotongan kurva permintaan dan penawaran yang tak terobservasi D1,dan S1, D2 dan S2, D3, dan S3, serta D4, dan S4. Maka dari itu, garis putus-putus yang dihubungkan titik-titik E1,E2,E3, dan E4, bukan merupakan kurva permintaan dari komoditas. Untuk menurunkan kurva permintaan dari komoditas, katakana D2, kita membuat penawaran bergeser atau menjadi berbeda dan benar, terhadap kekuatan yang menyebabkan kurva permintaan D2 bergeser atau menjadi berbeda.
PENDEKATAN PENELITIAN PEMASARAN UNTUK ESTIMASI PERMINTAAN
Ada 3 cara pendekatan Pemasaran untuk Estimasi Permintaan, yaitu:
1. Survei Konsumen dan penelitian observasi.
2. Klinik Konsumen
3. Ekspermen Pasar
B. PENGENALAN ANALISIS REGRESI
Analisis Regresi adalah merupakan teknik statistik yang dapat menghasilkan garis yang paling baik yang cocokdengan data yang sesuai dengan criteria statistika yang objektif, sehingga semua peneliti yang melihat data yang sama akan mempunyai hasil yang sama. Dalam analisis regresi ada yang dikenal dengan, garis regresi, metode kuadrat kecil biasa, dan metode kuadrat terkecil. Garis Regresi adalah merupakan garis yang meminimumkan jumlah dari simpangan kuadrat pada sumbu vertikal dari setiap titik regresi tersebut. Metode Kuadrat Kecil Biasa, adalah gari regresi yang memenuhi mitode kuadrat terkecil.

Garis Regresi yang diperlihatkan pada gambar ini, merupakan garis yang paling cocok dapat mewakili titik-titik data dalam arti kata jumlah simpangan kuadrat pada sumbu vertical dari titik-titik adalah yang minimum. Regresi Sederhana, dalam bagian ini kita dapat menghitung:
1. Menghitung nilai a (titik potong Vertikal) dan nilai b (koefisien kemiringan) dari garis regresi.
2. Mengadakan Uji signifikansi estimasi-estimasi parameter.
3. Membuat interval keyakinan untuk parameter yang sebenarnya
4. Menguji kekuatan penjelas secara keseluruhan dari regresi.
1. Menghitung nilai a dan b dari gari regresi.
Bahwa suatu garis regresi merupakan suatu garis terbaik yang cocok dengan titik-titik data dalam artian bahwa jumlah simpangan kuadrat pada garis adalah minimum.
Tujuan analisis Regresi adalah untuk menhasilkan estimasi nilai a (titik potong vertikal) dan b (koefisien kemiringan) dari garis regresi.
2.Uji Signifikansi Estimasi Parameter
Dimana Yt dan Xt merupakan sampel observasi aktual dari variabel terikat dan bebas pada tahun t, Ýt merupakan nilai variabel terikat pada tahun t yang diestimasi dari garis regresi , X merupakan rata-rata atau nilai yang diharapkan dari variabel bebas, e merupakan factor galat atau Y- Ýt, n adalah jumlah observasi atau titik data yang dipakai dalam mengestimasi garis regresi, dan k adalah jumlah koefisien yang diestimasi dalam regresi. Nilai n-k disebut sebagai derajat kebebasan (degrees of freedom-df). Karena dalam analisis regresi sederhana kita mengestimasi dua parameter a dan b, maka nila k adalah 2, sehingga derajat kebebasan adalah n-2.
Untuk menghasilkan uji signifikan yang objektif, kita bandingkan hasil perhitungan rasio t dengan nilai kritis dari distribusi t dengan n-k.
3. Uji Signifikansi dan interval keyakinan
Uji signifikansi biasanya tidak dilakukan untuk koefisien a (titik potong vertical), karena koefisien ini biasanya mempunyai tingkat signifikansi yang kecil atau tidak sama sekali. Maka perlu kita ingat, bahwa semakin besar derajat kebebasan (semakin besar jumlah observasi atau titik data dalam hubungan terhadap jumlah parameter yang diestimasi dalam analisis regresi), semakin kecil nilai kritis t tingkat signifikansi yang kita pilih, jadi semakin besar nilai derajat kebebasan, semakin munkin bagi kita untuk menerima hipotesis yang mengatakan adanya hubungan yang signifikan secara statistik antara variabel bebas dan variabel terikat.
4. Uji kecocokan Model dan Korelasi
Kita akan menguji kekuatan variabel penjelas secara keseluruhan dari keseluruhan regresi, hal ini dengan menghitung nilai koefisien determinasi, yang biasanya disimbolkan dengan R2 (coefficient of determination). R2, dinyatakan sebagai proporsi dari variasi total atau disperse dari variabel terikat (disekitar reratanya) yang bias dijelaskan oleh variasi dari variabel-variabel bebas atau penjelas pada regresi.
Variasi Total = Variasi yang Dapat dijelaskan + Variasi yang Tidak dapat dikelaskan

Variasi total pada variabel terikat, ∑(Yt – Y)2, sama dengan variasi yang dapat dijelaskan, ∑(Ýt – Ỹ)2, ditambah Variasi yang tidak dapat dijelaskan atau residual, ∑(Yt – Y)2.
Sekarang, koefisien determinasi, R2 didefinisikan sebagai rasio antara variasi Y yang dapat dijelaskan dengan variasi total.
Ada dua hal yang diperhatikan dalam koefisien determinasi, yaitu:
1. Akar kuadrat dari koefisien determinasi R2, merupakan nilai absolute dari koefisien korelasi, yang dituliskan sebagai r. Dimana: r = √R2. Ini merupakan ukuran sederhana dari derajat hubungan atau kovarian yang ada antara variabel X dan Y. Tanda dari koefisien korelasi (r) adalah sama dengan tanda dari koefisien kemiringan hasil estimasi (b).
2. Walaupun analisis regresi menerangakan hubungan sebab akibat (bahwa variasi X mengakibatkan variasi Y ), ini hanya teori, karena sesungguhnya adalah mungkin koefisien determinasi (R2) yang tinggi dan korelasi (r) antara X dan Y dapat mengarah pada faktor lainya yang saling mempengaruhi antara keduanya, X dan Y yang tidak termasuk pada analisis regresi.
C. ANALISIS REGRESI BERGANDA
Dimana Y adalah variabel terikat merupakan penerimaan penjualan perusahaan . X1 merupakan pengeluaran iklan perusahaan, dan X2 merupakan pengeluaran untuk biaya pengendalian mutu. Koefisien a, b1, b2 merupakan parameter yang harus diestima
D. ANALISIS VARIANS
Kekuatan menerangkan secara seluruhnya dari keseluruhan regresi dapat diuji dengan menggunakan analisis varians (analysis of variance). Ini menggunakan rasi (F). F digunakan untuk menguji hipotesis bahwa variasi dari semua variabel bebas (X) menjelaskan proporsi yang signifikan dari variasi pada variabel terikat (Y). Statistik F untuk menguji hipotesis nol bahwa semua koefisien regresi sama dengan nol melawan hipotesis altrenatif bahwa tidak semuanya sama dengan nol.