Em.4

Estimasi Permintaan
EM.4
1 edhysutanto,stie bank bpd jateng 09/19/14

Masalah Identifikasi
1. Kurva Permintaan suatu komoditas diestimasi dari data yg
ada di psr ttg kuant yg dibeli dr suatu kom pd berbagai tk
hrg dlm jngk tertentu (menggnkn deret wkt) or berbgai
unit konsumsi or psr pd satu wkt (menggnkn data kerat
lintang).
2. Namun dg menyatukan observasi hrg kuants dlm grafik tdk
akn dpt menghslkn kurva permintaan kom tsb.

3. Alasan ad.2 bhw setiap observasi hrg kuant diperoleh dr
perpotngn permintaan & penawaran dr kom yg berbeda-beda
tsb.

Titik2 Hrg-Kuantitas & mslh Identifikasi
P S4
P4 E4
D4 S3
P3 E3 S2
D3
P2 E2 S1
E2’ D2
P1 E1 D1
0 Q1 Q2 Q 3 Q4 Q
09/4 edhysutanto,stie bank bpd jateng 19/14

Pendekatan Penelitian Pmsrn utk
estimasi permintaan
1.Analisis regresi selama ini mrpkn metode yg sgt ptg & berguna
utk mengestimasi permintaan.
2.Yg utama adl survei konsumen,klinik konsumen, eksperimen
konsumen utk dptkn estimasi permintaan.

Survei Konsumen & Penelitian
Observasi
1.Survei konsumen melibatkan sejuml sampel konsumen ttg
bgmn mereka akn bereaksi terhdp perbhn ttt dlm hrg suatu
kom, pendptn ,hrg dr kom yg berhub,pengel iklan,insentif
kredit dan determinan yg lainnya.
2. Krn keterbatasan survei dr konsumen,mk bnyk perush yg
menggantikan or melengkapi survei tsb dg penelitian observasi
(pengumpulan inf ttg preferensi konsumen dg mengamati
bgmn membeli & menggunakan berbagai produk).

Klinik konsumen
1. Klinik konsumen : eksperimen lab dmn sejuml partisipan
dibrikan sejuml uang ttt & diminta utk membelanjakan dlm
toko simulasi & melihat bgmn mereka beri reaksi terhdp
perbhn hrg kom,pengemasan produk, pemajangan,hrg
produk pesaing & fktr2 lin yg pengaruhi permintaan.
2. Partisipan dlm eksperimen dpt dipilih sedekat mgkn yg
mewakili karakteristik sosioekonomi dr psr yg dituju.

3. Partisipan mempy insentif dlm membeli komoditas yg mereka
inginkan krn biasanya mereka izinkan utk tetap membeli brg tsb.
4. Shg,klinik konsumen lbh realistis dibandingkan survei
konsumen.
5.Kemamp klinik konsumen juga menghindari jg menghindari
kekurangan dr eksperimen psr, yg dpt merusak kejadian yg
sesungguhnya.

6.Keterbatasan klinik konsumen :
a. Hslnya dipertanyakan sbb partisipan tahu mereka dlm
situasi yg dibuat & sdr mereka diobservasi
b. Samplenya dari partisipan kecil sbb biayanya mahal.
7. Klinik konsumen lb baik bila dilengkapi dg survei konsumen.

Eksperimen pasar
1. Eksperimen psr diadakan di psr sesungguhnya.
2. Didlm eksperimen psr banyak cara ,salah satu metodenya adl
dg memilih bbrp psr dg karakteristik sosioekonomi yg mirip &
mengubah hrg kom didlm bbrp toko/psr, mengubah bungkus
di psr/toko yg lainnya, kmdn merekam respon (pembelian) yg
dilakukan oleh konsumen di bbrp psr tsb.

3.Dg menggunakan data sensus or survei terhdp berbagai macam
psr, perush jg dpt menentukan efek umur,jenis kelamin, tk
pendidikan,pendptn,juml kel, dll terhdp permintaan akn
komoditas.
4.Perush dpt mengubah,satu hal dlm satu wkt,masing2 fktr yg
menentukan permintaan yg bisa dikontrol dlm psr ttt,dlm jgk
wkt ttt dan merekam respons konsumennya.

5.Keunggulan eksperimen psr :
a. Mereka dpt lakukan dlm skala bsr utk lbh yakinkan
mengenai keabsahan dr hslnya
b. Konsumen tdk sadar bhw mereka mrpkn bgn dr
suatu eksperimen.
6. Kelemahan eksperimen psr :
a. Utk jaga agr berbiya rendah mk eksperimen biasanya
dilakukan dlm skala terbatas dan jgk wkt yg relatif
singkat.
b. Shg gamb terhdp selrh psr & utk jgk wkt panjg patut
dipertanyakan

7. Kegunaan eksp psr:
a. Dpt dipergunakan utk menentukan strategi penentuan
hrgnya yg terbaik & menguji bbrp kual produk.
b. Berguna dlm pengenalan produk
c. Guna mengestimasi permintaan.

Pengenalan terhdp analisis regresi
1. Utk mengetahui hubungan antar 2 variabel (by iklan &
penjualan).
2. Utk menguji hipotesis ;apakah semakin tinggi by iklan akan
smkn tinggi pula penerimaan perush dr hsl penjualan.
3. Pengel ikln & penerim penjualan.
Thn 1 2 3 4 5 6 7 8 9
By ikln (x) 10 9 11 12 11 12 13 13 14
Pen penjln
44 40 42 46 48 52 54 58 56
(Y)

Analisis Regresi Sederhana
1. Menghitung nila a (titik potong vertikal) dan nilai b (koef
kemiringan).
2. Mengadakan uji signifikasi dari estimasi parameter.
3. Membuat internal keyakinan utk parameter yg sebenarnya.
4. Menguji kekuatan penjelas scr keseluruhan dr regresi.

Metode kuadrat terkecil biasa
1. Garis regresi mrpkn garis yg cocok dg titik2 data dlm artian
bhw jumlah simpangan kuadrat pd grs adl minimum
2.Tujuan analisis regresi adl utk menghasilkan estimasi nilai a
(ttk ptg vertikal) dan b (kemiringan) pd grs regresi.
3. Yt = a + bXt
et = Yt – Yt’ = Yt-a-bXt

t = S (Yt-Yt’)2 = S (Yt-a-bXt)2 dimana :
S e2
S adl juml keseluruhan observasi, dari periode wkt t = 1
sampai ke t = n.
Estimasi dr nilai a dan b diperoleh dr meminimumkan juml
simpangan kuadrat :
b = S (Xt – X”)(Xt-Y”) : S (Xt-X”)2 dimana X: ” dan Y” adl rata2
nilai Yt dan Xt, nilai a tsb diperoleh : a=Y”-bX”

Perhit utk estimasi grs regresi pd
mslh iklan-penjualan
Tahun (t) Iklan (Xt) Penjuala
n (Yt)
Xt
-X”
Yt-
Y”
(Xt-X”)(YtY”) (Xt-X”)2
123456789
10
10
9
11
12
11
12
13
13
14
15
44
40
42
46
48
52
54
58
56
60
- 2
- 3
- 1
0
- 1
0
1
1
2
3
- 6
- 10
- 8
- 4
- 2
2
4
8
6
10
12
30
8
0
2
0
4
8
12
30
4910101149
n= 10 SXt=120
X” = 12
SYt=500
Y”=50
S=0 S=0 S=106 S=30

Uji signifikasi Estimasi Parameter
Utk uji hipothesis bhw b adl signfikan scr statistik,perlu:
pertama uji galat baku b :
S(Yt-Yt”) 2 Sei
2
Sb = (n-k) S(Xt-X’)2 = (n-k)S(Xt-X”)2
Derajad kebebasan (degrees of freedom – df) : n-k,dmn k= juml koefisien yg diestimasi dlm regresi.
Krn dlm analisis regresi sederhana kita hny estimasikan 2 parameter,a dan b maka nilai k =2,shg df= n-2.

Tabel 4-4: Kalkulasi utk mengestimate
galat standard b
(1) (2) (3) (4) (5) (6) (7)
Tahun Xt Yt Yt” Yt-Yt”=et (Yt-Yt”)2=et
2 (Xt-X”)2
1
23456789
10
10
9
11
12
11
12
13
13
14
15
44
40
42
46
48
52
54
58
56
60
42.9
39,37
46,43
49,96
46,43
49,96
53,49
53,49
57,02
60,55
1,10
0,63
-4,43
- 3,96
1,57
2,04
0,51
4,51
-1,02
-0,55
1,2100
0,3969
19,6249
15,6819
2, 4649
4,1616
0,2601
20,3401
1,0404
0,3025
4910101149
n= 10 SXt=120
X”=12
SYt=500
Y”=50
Set
2 =65,4830 S(Xt-X”)2=30

Maka nilai
S(Yt-Yt”) 2 Sei
2
Sb = (n-k) S(Xt-X’)2 = (n-k)S(Xt-X”)2
= 65,4830 = 0,27280 = 0,52
(10-2)(30)
Setelah diperoleh nilai Sb,berikut dihitung nilai b/Sb = nilai statistik t (t
statistic)atau rasio t.
Semakin tinggi rasio t, semakin yakin bhw nilai b yg benar (tetatpi tdk diketh) yg kita cari adl tdk sama dg nol (terdpt hub signf
antr iklan & penjulan). .

t = b/Sb = 3,53/0,52 = 6,79 (= t hitung)
a.Utk uji signifikasi yg obyektif utk b, kita bandingkan hsl
perhit rasio tdg nilai krisis dr distribusi t dg n-k = 10-
2=8. lihat Tabel t. dg df =8 pada nilai 0,05 (menunjukkan
nilai 2,5 % daerah atau prob dr setiap ujung dr distribusi t,
untuk total 5% dibgi kedua ijing). Tabel C2  df=8
ternyata t tabel = 2,306 utk uji t dua ujung.
b.Karena nilai t hitung = 6,79 > t tabel (=2,306) utk signf df
8, maka kita tolak Ho bhw tdk terdpt hub ant X(iklan) dg
Y(penjualan),atau H1 diterima : ada hub ant X dan Y. Hub X
dan Y pd tk 5%: berarti kita 95% percaya ada hub ant X dan
Y.

Aspek lainnya dlm uji signf & interval
keyakinan.
Utk uji hipotesis pd tk sigf 1%, lihat pada kolom atsnya tertulis
0,01 Tabel t (Tabel C2) sd dg ketemu df =8.
a. Nilai kritis utk t tabel = 3,355, karena t hit = 6,79 maka t
hit (6,79) > t tabel (3,355) cara maka : diterima hipotesis yg
menyatakan bhw terdpt pula hub yg sigf ant X dan Y pd tk
1%(Ho ditolak H1 diterima)).
b. Nilai uji selanjutnya bisa dilaksanakan pada tk 1%,5%
maupun 10% dg cara yg sama.

c. Konsep diatas juga dpt digunakan utk menentukan “interval
keyakinan” (confidence interval) utk nilai koef b yg
sesungguhnya, shg dpt menggunakan nilai tabel t =2,306 utk
tk signf 5% (2,5% utk masing2 ujung) dan df=8 ,
sesungguhnya nilai b adalah :
b + 2,306 (Sb)
b + 2,306(0,52)
3,53 + 1,20
Artinya:bhw 95% nilai b terletak ant 2,33 dan 4,73.
Atau 99% nilai sesungguhnya b terletak ant 3,53 + 3,355
(0,52) atau 1,79 dan 5,27.

Uji kecocokan Model dan Korelasi
1. Selain menguji signifikasi scr statistik dari parameter tertentu
hsl estimasi, kita juga dpt menguji kekuatan variable penjelas
scr keseluruhan dari keseluruhan regresi.
2. Hal ini didapat dg menghitung nilai koefisien determinasi yg
biasanya diberi simbol R2
3. Koef Determinasi dinyatakan sbg proporsi dr variasi total
atau disperse dr variabel terikat (disekitar reratanya) yg bisa
dijelaskan oleh variasi dr variabel2 bebas atau penjelas pd
regresi.

4. Dlm hub dlm cntoh iklan penjualan, R2. mengukur brp bsr
variasi penjualan perush yg dpt dijelaskan oleh variasi dr
pengeluaran iklannya.
5. Semakin bsr proporsi variasi dr penjualan perush yg dpt
dijelaskan oleh variasi dr pengeluaran iklan maka semakin
besar nilai dr keof determinasi R2.
6.Dpt dihitung koef determinasi (R2) dg menentukan total
variasi Y, variasi Y yg dpt dijelaskan dan variasi residual yg
tdk dpt dijelaskan dr variabel terikat Y.

7. Variasi total pd Y dpt diukur dg mengkuadratkan simpangan
dr setiap nilai observasi Y rata2nya dan kemudian
dijumlahkan :
Y = S (Yt-Y”)2
8.Analisa regresi memecah variasi total menjadi 2 bagian yi:
Variasi dr Y yg dpt dijelaskan oleh var bebas X dan yg tdk dpt
dijelaskan atau variasi residual Y.:
a. Variasi yg dpt dijealskan dr Y : Y=S(Y’-Y”)2
b. Variasi yg tdk dpt dijelaskan dr Y : Y = S(Y-Y’)2
c. Shg var ttl Y = S(Y’-Y”)2 + S(Y-Y’)2

Var ttl pd var terikat, S(Yt-Y”)2 sama dengan variasi yg dpt
dijelaskan S(Y’-Y”)2, ditambah var yg tdk dpt dijelaskan atau
residual, S(Yt-Y)2
Utk observasi X=13,Y=58,Yt-Y”= 58-50 = 8,
Yt’-Y”= 53,49-50=3,49 dan (Yt-Yt’)=4,51, Y”=53,49 adl
nilai estimasi dr Yt utk X=13 pd kolom 4 tabel Kalkulasi utk
mengestimasi galat std b.
R2= variasi yg dpt dijelaskan pd Y : variasi ttl =
S(Yt’-Y”)2 : S(Yt-Y”)2

Jika semua titik jatuh pd garis regresi maka semua variasi dari
variabel terikat Y akan dpt dijelaskan oleh variasi dlm variabel
bebas penjelas (X) dan R2 akan sama dengan 1 (=1) atau
100%.
Begitu sebaliknya, bila tdk ada variasi dari Y yg diterangkan
oleh variasi X maka R2 = 0.
Oki R2 dpt diasumsikan antra 0 sd 1.
Sementara Koef (R2) determinasi jg secara rutin sdh
disediakan oleh komputer.
Mka R2=S(Yt’-Y”)2 : S (Yt-Y”)2 = 373,8430:440= 0,85

Perhit utk mengestimas Nilai Koef
Determinasi (R2)

R2 =0,85 atau 85% artinya :85% dari variasi total dlm
penjualan perush dipengaruhi oleh variasi dlm pengeluaran
iklan perushaan.
Tabel 4-5 memberikan variasi yg tdk dpt dijelaskan dr Y (yg
sdh disalin dr kolom 6 pada Tabel 4-4 sblmnya).
Variasi yg tdk dpt dijelaskan dr Y utk contoh penjualan adl
65,48 (e2 ).
t
Juml variasi yg yg dpt dijelaskan dan yg tdk dpt dijelaskan dr
Y= S(Yt’-Y”)2 + (e2 )= (373,84+65,48) = 439,32 =variasi
t
ttl dr Y yi S (Yt-Y”)2 = (440),kecuali utk kesalahan
pembulatan.

Dua hal terakhir yg hrs diperhatikan terhadap Koef
determinasi:
a. Bhw dlm analisa regresi sederhana, akar kuadrat dr koef
determinasi (R2) mrpkn (nilai absolut dari) Koef Korelasi (r),
dimana :
r = V R2 .= V0,85 = 0,92
Artinya bhw variabel X dan Y berubah secara ber-sama2
sebesar 92% dr keseluruhan waktu.
b.Koef korelasi mempy btsn ant -1 (jika semua observasi
sample jatuh pd grs lurus yg memiliki kemiringan negatif)
dan +1 (utk korelasi linier postf yg sempurna). Hrs diingat
bhw tanda dr koef korelasi (r) adl sama dg tanda dr koef
kemiringan hsl estimasi (b)

Berlawanan dg analisa regresi yg menyatakan bhw variasi dr
Y mrpkn hsl dr variasi X, analisa korelasi hny mengukur
derajad hubngan atau kovarian antr dua variabel, tanpa
adanya implikasi ketergantungan atau hub sbb akibat.
Singkatnya, akan ditemukan koefisien korelasi antara 2
variabel yg mana saja, tetapi akan dijalankan analisis regresi
hny jika kita percaya bhw variasi dr satu variabel (variabel
bebas,X) menentukan atau mengakibatkan bbrp variasi dr Y
(variabel terikat).

Hal tsb akn membawa pd dampak kedua yi :
a. Wlpn analisis regresi menerangkan ttg hub sbb akbt
(variasi X mengakibatkan variasi Y), hny teori yg memberi
tahu kita bhw variasi X akn mempy pengaruh terhdp variasi
Y.
b. Sesungguhnya,adlh mgkn koefisien determinasi yg
tinggi (dan korelasi) antr X dan Y dpt mengarah pd fktr
lainnya yg mempengaruhi keduanya yi X dan Y, yg tdk
termasuk dlm analisis regresi.

Contoh : Pengeluaran utk belanja utk makanan (X) dan
perumahan (Y) dpt secara bersamaan lbh tgt pd tk
pendapatan konsumen (I) dr pd hub antara keduanya (X,Y).

Analisa Regresi Berganda
1. Regresi sederhana yg lalu dibahas ttg analisis regresi
berganda (lbh kompleks dp regresi sederhana).
2. Dlm regresi berganda dilakukan bgmn melakukan estimasi
terhdp parameter2 regresi., bgmn melakukan uji signifikasi
scr statistik serta bgmn mengukur,menguji kkuatan dan
menjelaskan seluruh variabel explanatory dr regresi scr
keseluruhan.
3. Model Regresi Berganda: Y=a+b1X1+b2X2

4. Nilai a,b1,b2 adl kosntanta dan nilai Y= a, apabila X1=0 dan
X2=0, shg a berada di sb Y.
5.b1 dan b2 adl mrpkn koefisien kemiringan, shg b1= dY/dX1
dan b2=dY/dX2
6. Bila model dikembangkan banyak variabel atau variabel
penjelas (k) maka persamaan menjadi :
Y= a + b1X1+b2X2+b3X3 +……+ bkXk
7. Satu2nya asumsi yg dibuat dlm analisis regresi berganda sbg
tambahan terhdp apa yg sdh ada dlm analisis regresi sedrhana
yi: juml dr var bbs or var penjelas hrs lb kcl dr juml observasi
dan tdk ada korelasi liniear yg sempurna diantra sesama var
bbs.

Contoh :Olah data Tabel 4-6 dan Tabel
4-7
1.Dari membaca Tabel 4-6 dan Tabel 4-7,diperoleh:
Yt = 17,944 + 1,873 X1t + 1,915 X2t
statistik t (2,663) (2,813)
2. Setiap kenaikan 1 juta dlm pengel iklan dan dal mutu, maka
penjualan perush meningkat 1,87 juta (estimasi koef X1) dan
1,92 juta (estimasi koef X2)
3. Uji t utk signifikasi statistik terhadap parameter atau koef hsl
estimasi yg ada ,diperlukan utk menentukan nilai kritis t dr
tabel distribusi t.

> Pd tk signifikasi 0,05 dg n-k = 10 – 3 = 7 -> df=7 adalah
2,365 dan ini diperoleh dg menelusuri kolom dg nilai 0,05
pd Tabel C-2 (masing2 ujung 2,5%), ketemu t hitung
melebihi nilai t kritis 2,365 maka disimpulkan kedua
parameter adl statistik berbeda dg nol pd tk signifikansi 5%.

Koefisien Determinasi dan R2 yg disesuaikan
1. Koef determinasi mengukur proporsi dr variasi total variabel
terikat yg dijelaskan oleh variasi bebas atau variabel penjelas
dlm regresi.
2. Dr Tabel 4-7 R2= 0,93. Ini berarti bhw variasi pengel perush
utk iklan & pengendalian mutu menjelaskan variasi dr
penerimaan penjualan perush sebesar 93%, hal ini lb bsr dp
nilai R2 =0,85 (slide 32)  smkn banyak berhub var bbs yg
relevan dimasukkan kedlm regresi utk dpt menjlaskan var
terikat.

3. Namun kenyataan bhw besaran derajad kebebasan menurun
sehub dg bertambahnya var bbs didlm regresi shg perlu R2 yg
disesuaikan (ajusted R2-R”2) sbb :
R”2 = 1-(1-R2) [(n-1)/(n-k)]
= 1-(1-0,930154) [(10-1)/(10-3)]
= 0,910198  sama spt Tabel 4-7 hsl perhit
komputer. Artinya : bhw pd saat mau memasukkan var by
pegendal mutu sbg var penjelas dlm regresi akn mengurangi
df, proporsi dr variasi ttl pd penjualan yg dpt dijelaskan adlh
91% bukan 93%. Ini berarti msh lb bsr dp 85% yg dpt dijlskn
oleh pengel iklan sj sbg var penjelas dlm regresi sedrehana.

4. Pengikutsertaan var pengel dal mutu akan berikan pengaruh
hsl yg sgt berbeda untuk nilai b1 (estimasi koef utk by iklan
dlm regresi berganda) dibandingkan dg nilai b(estimasi koef
utk by iklan dlm regresi sederhana).
5. Nilai b ditemukan 3,53 dlm Tabel 4-8 sdg nilai b1
ditemukan = 1,87 dlm persamaan Yt (slide 43).
6. Maka penghilangan var bbs yg dinilai ptg akan memberikan
hsl yg bias,.

Analisa Varians
1.Kekuatan utk menerangkan scr keselrhn dr keselrhn regresi
dpt diuji dg menggunakan analisa varians .
2.Statistik F dignkn utk menguji hipotesis bhw variasi dr semua
var bbs X menjelaskan proporsi yg signifikan dr variasi pd var
terikat Y.
3.Maka dpt digunakan statistik F utk uji Ho bhw semua koef
regresi =0 melawan H1bhw tdk semuanya =0.
F= (varisi yg dpt dijelaskan)/(k-l):(variasi ttl)/(n-k) atau F=
R2/(k-l) : (1-R2)/(n-k)

4. Dg nilai R2=0,930154,n=10,maka F=46,61 (sama dg hsl
komputer Tabl 4-7)
5. Lalu langkah selanjutnya bandingkan akan harga F hitung
dengan F Tabel C-3.
6.Ingat bila F hit > F tabel maka Ho ditolak.

Estimasi titik dan Interval
1.Hsl komputer dlm Tabel 4-7 memberikan nilai galat baku dr
regresi scr keselurhan (2,09531) diberi nama SE of rgression
yi mrpkn galat baku dr var dependen Y dr grs regresi.
2. Smkn kecil nilai galat baku (SE) dr regresi [standart error (SE)
of the regression] smkn baik grs regresi yg ada memenuhi
semua observasi atau data sampelnya.
3.SE dr regresi dpt dignkn utk mengestimasi interval keyakinan
dr var terikat.

4.Contoh : X1=12;X2=5 masukkan ke Y pd slide 43 maka Y =
17,944+1,915(12)+1,873(5)=50,289
5.Perkiraan estimasi atau permalan interval keyakinan sbsr 95%
dr Y lalu diberikan oleh:
50,289 +/- 2(SE)
50,289+/- (2)(2,095)
50,289+/- 4,190
Artnya,95% yakin bhw nilai sesungguhnya Y akan terletak
antara 46,10 dan 54,48

Masalah dalam analisa regresi
1. Analisa regresi dpt menghadapi bbrp masalah serius yi :
Multikolinearitas, Heteroskedastisitas dan Otokorelasi.
2. Multikolinearitas mengacu pd situasi dmn 2 atau lbh dari
variabel penjelas dlm suatu regresi mempy korelasi yg
tinggi.
3. Heteroskedasitas,ini timbul pd saat asumsi bhw varians dr
fktr gallat adl konstan utk semua nilai dr var bbs yg tdk
dipenuhi. Hal ini sering kali muncul dlm cross sectional
data (data dr sample kel, perush or unit ekonomi lainnya
utk thn ttt atau periode wkt yg lain.

3.Otokolerasi :terjadi bila terjadi galat or residual yg berurutan
berkorelasi atau korelasi serial.
a. Pd saat galat yg berurutan mempy tanda yg sama, kita
mempy otokorelasi yg positif (Gb 4-5c).
b. Bila gbr berubah teratur, kita memiliki otokorelasi yg negatif
(gb 4-5d.)
c. Otokol terjadi bisanya pd data deret wkt – data hny mempy
satu observasi utk setiap var pd satuan wkt.

d. Dlm ekonomi Otokol umumnya positif.
e. Otokol dpt muncul krn adanya trend dan siklus dlm variabel
ekonomi,dari tdk dimasukkannya var yg ptg dlm regresi atau
krn data yg non linier.
f. Otokol dpt dideteksi dg menggambarkan residual atau galat
atau scr lbh formal .
g. Dg menggunakan statistisk Durbin Watson (d)
d= S (et - et-1)2 : S(et)2
h. Nilai d berkisar ant 0-4

i.Nilai statistik d yg dihitung kmdn dibandingkan dg nilai kritis
dr durbin watson (D-W) Tabel C-4.

Estimasi Permintaan dg Analisa Regresi
Spesifikasi Model:
Qx = f (Px,I,N,Py,T,…..)
Menssifikasi bntk Pers Permintaan :
Qd= a0+a1Px+a2I+a3N+a4Py+……..+e
Qx=a(Px
b1)(Ib2) = utk estimasi parameter (koef
a,b1,b2) dpt di log-kan

Mengatasi Permintaan ekspor dan
impor AS.

Komoditas Impor & Ekspor Utama
USA

Partner dagang Utama USA

Ekportir Internasional Utama USA

Em.4

Recommended

Recommended

More Related Content

Similar to Em.4

Similar to Em.4 (20)

More from stiebankbpdjateng

More from stiebankbpdjateng (14)

Em.4