Dalam hal ini akan
dibahas metode-metode yang digunakan untuk membuat penaksiran permintaan.
Penaksiran permintaan merupakan proses untuk menemukan nilai dari
koefisien-koefisien fungsi permintaan akan suatu produk pada masa kini (current
values). Sedangkan prakiraan permintaan merupakan proses penemuan nilai-nilai
permintaan pada periode waktu yang akan datang (future values).
2.2.
Linieritas Persamaan Regresi
Dengan
menganggap bahwa Y merupakan fungsi dari X atau beberapa variabel-variabel ini,
maka dapat ditentukan bentuk ketergantungan variabel Y terhadap variabel X
tersebut.
Y= α + β1X1+ β 2X2 + …. +
β nXn + e
Variabel independen berhubungan linier dengan
variabel dependen. Apabila variabel tersebut tidak linier maka dapat
ditransformasi dengan logaritma.
2.3.
Penaksiran Parameter Regresi
Untuk mencari nilai dari parameter α dan β, maka dapat digunakan metode kuadrat terkecil
(leas-squares method). Metode kuadrat terkecil adalah proses matematis untuk
menentukan intersep dan slope garis yang paling tepat yang menghasilkan jumlah
kuadrat deviasi (simpangan) yang minimum.
Untuk mendapatkan nilai α dan β digunakan persamaan berikut ini :
2.4.
Koefisien Determinasi
Koefisien
determinasi (R2) adalah angka yang menunjukkan proporsi variabel
dependen yang dijelaskan oleh variasi variabel independent. Koefisien
determinasi dapat dihitung dengan rumus :
2.5. Kesalahan Baku Penaksiran
Kesalahan baku penaksiran (Se) adalah ukuran
penyebaran (disperse) data dari garis yang paling tepat. Dengan kesalahan baku penaksiran ini, kita
dapat menghitung interval keyakinan (sekitar nilai penaksiran untuk variabel
independen) untuk tingkat-tingkat keyakinan yang berbeda. Interval keyakinan adalah kisaran nilai di mana
observasi aktual diharapkan terletak dalam persentase tertentu. Rumus
kesalahan baku
penaksiran adalah
Untuk
mendapatkan interval keyakinan 95 %, maka ditambahkan dua kali angka Se
untuk mendapatkan batas keyakinan atas dan mengurangkan dua kali untuk
menemukan batas keyakinan bawah.
2.6. Daya Prediksi Persamaan Regresi
Bila
interval keyakinan relatif sempit, karena nilai kesalahan baku yang relatif kecil, maka kita dapat
mengatakan bahwa persamaan regresi tersebut mempunyai kemampuan prediksi yang
lebih besar daripada nilai Se yang relatif besar dengan interval
keyakinan relatif luas.
2.7. Kesalahan Baku Koefisien
Kesalahan
baku koefisien adalah ukuran ketepatan nilai β yang diperoleh, yaitu koefisien
yang menaksir hubungan marginal antara variabel X dan Y. Sβ adalah
simpangan baku dari distribusi sampling β. Jika kesalahan baku koefisien
semakin kecil, maka semakin besar keyakinan akan koefisien regresi yang
diperoleh dari data tersebut sebagai indikator atas hubungan marginal antara
nilai-nilai Xi dengan nilai Y.
Rumus Sβ
adalah
III. Masalah-masalah dalam Analisis Regresi
Terdapat enam masalah pokok yang sering terjadi dalam analisis regresi,
yaitu :
- Kesalahan spesifikasi
Kesalahan spesifikasi hubungan yang
dihipotesiskan antara variabel dependen dengan independen merupakan masalah
dalam analisis regresi sehingga tidak dapat dipercaya. Untuk mengetahui bentuk
hubungan yang benar dengan menggunakan perbandingan koefisien determinasi (R2)
untuk berbagai bentuk fungsi.
- Kesalahan Pengukuran
Kesalahan pengukuran merupakan kesalahan
yang harus dihindari. Hal ini dapat dihindari dengan mengukur variabel dengan
tepat dan akurat.
- Persamaan Simultan
Masalah
ini timbul karena sedikitnya data yang digunakan dalam analisis regresi untuk
mengidentifikasi pergeseran kurva-kurva permintaan, sehingga masalah ini sering
disebut sebagai masalah identifikasi.Hal ini timbul dalam penaksiran permintaan
dengan data runtut-waktu, sebab kita tidak dapat mengharapkan bahwa kurva
permintaan akan stabil untuk periode waktu yang cukup lama, sebagai akibat dari
perubahan-perubahan misalnya pendapatan konsumen dan pola preferensinya.
- Multikolinieritas
Masalah ini timbul bila variabel-variabel independen
tidak independen satu sama lain. Bila dua variabel independent atau lebih
saling tergantung atau yang satu tergantung yang lain maka koefisien b menjadi
bias. Hal ini dapat ditolerir bila tujuan persamaan hanya sekedar untuk
keperluan prediksi.
- Heteroskedastisistas
Kesalahan
yang terjadi tidak acak tetapi menunjukkan hubungan yang sistematis seusai
dengan besarnya satu variabel independent atau lebih. Alat yang sederhana untuk
menemukan masalah ini adalah dengan menggambarkan nilai-nilai residu dengan
nilai-nilai variabel independennya. Heteroskedastisitas dapat dihilangkan dengan melakukan respesifikasi
variabel-variabel independen, mengubah bentuk hubungan fungsional, transformasi
data dan teknik regresi kuadrat tertimbang.
- Otokorelasi
Otokorelasi
adalah suatu kesalahan tidak sesuai dengan batasan yang disyaratkan oleh
analisis regresi.masalah ini hanya muncul pada data runtut waktu dan ditandai
oleh pola kesalahan yang beruntun. Otokorelasi
dapat dihilangkan dengan menambahkan variabel yang dianggap menjelaskan
perubahan yang sistematis tersebut ke dalam regresi.
No comments:
Post a Comment