BAB I
PENDAHULUAN
1.1 Latar Belakang
Dalam makalah ini membahas tentang metode-metode yang digunakan untuk mendapatkan data permintaan bagi pengambilan keputusan dalam dunia nyata. Tentu saja harapannya adalah bahwa nilai informasi yang di dapat seharusnya lebih besar dibandingnya dengan biaya yang digunakan untuk mendapatkan informasi tersebut.
Sebelum membahas persoalan diatas lebih jauh, terlebih dahulu kita bedakan pengertian antara penaksiran (estimation) dan prakiraan (forecasting) permintaan. Penaksiran permintaan merupakan proses untuk menemukan nilai dari koefisien-koefisien fungsi permintaan akan suatu produk pada masa kini (curen values). Sedangkan prakiraan permintaan merupakan proses menemukan nilai-nilai permintaan pada periode waktu yang akan datang (future values). Nilai-nilai masa kini dibutuhkan untuk mengevaluasi optimalitas penentuan harga sekarang dan kebijaksanaan promosi dan untuk membuat keputusan sehari-hari. Nilai-nilai pada untuk waktu yang akan datang diperlukan untuk perencanaan produksi, pengembangan produk baru, investasi, dan keadaan-keadaan lain dimana keputusan yang harus dibuat mempunyai dampak pada periode waktu yang panjang.
1.2 Rumusan Masalah
1. Apa yang dimaksud identifikasi dan penaksiran permintaan?
2. Bagaimana metode yang digunakan dalam penaksiran permintaan?
3. Bagaimana pengembangan analisis regresi?
4. Apa masalah dalam analisis regresi?
BAB II
ISI
2.1 Pengertian Identifikasi dan Penaksiran Permintaan
Identifikasi dan penaksiran permintaan adalah suatu proses pengamatan dan penaksiran suatu permintaan produk barang atau jasa dipasaran. Penaksiran permintaan itu sendiri adalah proses menemukan nilai-nilai koefisien dari fungsi permintaan suatu produk. Dimana fungsi permintaan adalah fungsi dari variabel-variabel harga, iklan, pendapatan konsumen, trend, dan variabel- variabel lain yang mempengaruhi tingkat permintaan.
2.2 Metode Penaksiran Permintaan
Metode estimasi (penaksiran) dalam fungsi permintaan bisa digolongkan menjadi 2 yaitu:
a. Metode langsung
Metode langsung adalah metode yang langsung melibatkan konsumen, misalnya melalui wawancara dan survey, pasar simulasi dan eksperimen pasar terkendali.
1) Wawancara dan survey
Metode penaksiran permintaan secara langsung adalah dengan cara mewawancarai para pembeli atau pembeli potensial mengenai berapa kenaikan atau penurunan jumlah produk yang mereka beli jika harganya berubah. Kelompok sasaran dapat dikumpulkan untuk membicarakan masalah tersebut, atau kuesioner ditujukan kepada suatu sampel pembeli. Walaupun kelihatannya sederhana, dalam pelaksanaannya pendekatan ini menghadapi banyak kesulitan, yaitu :
Kecakapan random
Individu yang disurvei harus mewakili pasar secara keseluruhan sehingga hasilnya tidak bias. Oleh sebab itu sampel harus cukup besar dan menggunakan metode random sehingga informasi pasar yang layak untuk mengadakan rencana perubahan.
Bias pewawancara
Dalam hal ini kehadiran pewawancara dapat mempengaruhi perasaan responden sehingga responden dapat memberikan jawaban-jawaban yang tidak benar. Bias pewawancara sering terjadi baik dalam personal interview, dan bahkan koesioner yang diposkan sekalipun (sebab ada orang lain yang membacanya).
Adanya kesenjangan antara niat dan tindakan
Masalah ini sering disebut juga sebagai masalah akurasi jawaban (response accurasy). Konsumen benar-benar berniat membeli suatu produk ketika diwawancarai, tetapi ketika dipasarkan mungkin sesuatu hal telah mengubah niat dan pikiran konsumen tersebut. Akhirnya jawaban-jawaban responden juga tidak dapat dipercaya bila pertanyaan yang diajukan membingungkan atau ditafsir salah atau mengundang hal-hal di luar dunia imajinasi konsumen. Secara ringkas bisa dikatakan bahwa dalam membuat koesioner, harus dipikirkan masak-masak dan hati-hati dan harus disertai analisis dalam menginterprestasikan hasil survei. Berikut diberikan contoh hasil survei pasar.
Secara ringkas bisa dikatakan bahwa dalam membuat koesioner, harus dilakukan dengan pertimbangan yang matang, dan kita harus berpikir kritis dalam menginterpretasikan hasil-hasil survey tersebut. Berikut contoh hasil survey pasar.
Contoh:
Perusahaan sepatu NANIA ingin memperkenalkan sepatu baru dan ingin menaksir kurva permintaan untuk sepatu baru itu. Para staf departemen riset pasar telah membuat survey dengan kuesioner atas seribu orang yang diwawancarai yang sedang berbelanja barang-barang yang sifatnya sama. Orang-orang yang diwawancarai masing-masing diminta untuk memilih salah satu dari enam jawaban apakah mereka benar-benar ingin membeli sepatu baru itu pada 5 tingkat harga?
Jawaban-jawabannya adalah (a) sama sekali tidak; (b) nampaknya tidak; (c) barangkali, mungkin; (d) nampak suka; (e) sangat suka; (f) pasti ya. Jumlah orang-orang yang menjawab pada setiap kategori pada setiap tingkat harga ditunjukkan pada table dibawah. Analisis telah menentukan bahwa probabilitas untuk pembelian nyata atas produk tersebut untuk setiap jawaban adalah 0,0 untuk jawaban (a); 0,2 untuk jawaban (b); 0,4 untuk jawaban (c); 0,6 untuk jawaban (d); 0,8 untuk jawaban (e); 1,0 untuk jawaban (f).
Harga
(ribu
rupiah)
Jumlah Responden
Kuantitas
yang
diharapkan
(a)
(b)
(c)
(d)
(e)
(f)
9
500
300
125
50
25
0
160
8
300
225
175
150
100
50
335
7
100
150
250
250
150
100
500
6
50
100
100
300
250
200
640
5
0
25
50
225
300
400
800
Dari data di atas kita dapat memperoleh nilai harapan jumlah yang diminta pada setiap tingkat harga. Sebagi contoh, pada tingkat harga Rp 9 ribu, harapan dari penjualan setiap kelompok responden adalah:
E(Q) = 500 (0,0) + 300 (0,2) + 125 (0,4) + 50 (0,6) + 25 (0,8) + 0 (1,0)
= 160 unit
Dengan begitu kita dapat menghitung harga-harga yang lain dengan cara yang sama. Dengan menempatkan koordinat kuantitas harga tersebut pada suatu grafuk, tampak bahwa intersep kurva permintaan mendekati Rp 10 ribu dan slopenya mendekati -5/800 atau -0,00625. Taksiran atas slope tersebut bisa deperoleh dengan melihat bahwa jika harga turun dari Rp 10 ribu ke Rp 5 ribu (meningkat = -5 ribu), jumlah yang diminta meningkat dari 0 menjadi 800 unit (naik = 800). Taksiran kurva permintaan tersebut adalah Px = 10,00 – 0,00625Qx. Kemudian dari kurva permintaan tersebut, dapat ditentukan MR, yaitu MRx = 10,00 – 0,0125Qx, karena kurva MR mempunyai intercept yang sama dengan kurva permintaan, tetapi slopenya dua kali slope kurva permintaan.
Kurva permintaan dan kurva MR yang dimaksud seperti berikut :
2) Pasar simulasi
Alat lain untuk mengetahui respon konsumen terhadap perubahan harga atau kegiatan promosi adalah dengan cara membuat suatu pasar simulasi (buatan) dan mengamati perilaku dari para partisipan terpilih dalam pasar simulasi tersebut. Cara seperti ini disebut "klinik konsumen"dan dilakukan dengan cara memberikan sejumlah uang kepada para partisipan tersebut dan meminta mereka agar membelanjakan uang tersebut pada lingkungan toko buatan tersebut. Untuk kelompok partisipan yang berbeda ditetapkan harga dan peragaan promosi yang berbeda pula. Bila para partisipan dipilih secara seksama sehingga dapat mewakili pasar produk-produk tersebut, kita dapat mengamati sesudah reaksi mereka terhadap perubahan harga dan berbagai kegiatan promosi dan menyimpulkan bahwa seluruh pasar akan merespon perubahan harga tersebut dengan cara yang sama.
Hasil dari uji pasar simulasi ini harus diamati secara cermat. Ada kemungkinan bahwa cara para partisipan tersebut membelanjakan uang orang lain berbeda dengan cara mereka membelanjakan uang mereka sendiri. Kemungkinan lain adalah para partisipan tersebut akan memilih produk tertentu bila harganya diturunkan agar tampak bahwa mereka adalah pembelanja yang hemat dan bertanggung jawab. Metode ini nampaknya merupakan metode pencarian data yang mahal sebab biaya relatif tinggi karena kita harus menyediakan produk yang akan dipilih para partisispan dan prosesnya memakan banyak waktu. Konsekuensinya, tentu saja kita akan menunjukkan jumlah sampel yang sedikit. Namun demikian, metode eksperimen ini dapat memberikan wawasan yang berguna bagi kita untuk mengetahui kesadaran harga konsumen dan reaksi mereka secara umum terhadap perubahan variable-variabel promosi tertentu.
3) Eksperimen pasar secara langsung
Eksperimen pasar secara langsung ini melibatkan orang-orang yang benar-benar berada di situasi pasar sebenarnya yang membelanjakan uangnya untuk barang dan jasa yang mereka inginkan. Perusahaan memilih satu kota atu lebih, pasar regional, atau negara dan melakukan eksperimen pada "pasar-pasar uji" ini dirancang untuk mencari tahu "penerimaan" konsumen atas produk dan mengidentifikasi dampak perubahan dari satu variabel yang dapat dikendalikan atau lebih terhadap jumlah yang diminta.
Sebagai contoh, pada sebuah pasar regional perusahaan dapat memotong harga produknya sebesar 10% dan membandingkan reaksi penjualan pada pasar tersebut dengan pasar regional serupa lainnya. Kemungkinan lain, perusahaan tersebut dapat meningkatkan promosi di pasar tertentu untuk "menilai" dampak dari suatu perubahan sebelum menanggung biaya dan resiko yang lebih besar untuk melakukan perubahan tersebut di seluruh wilayah negara.
b. Metode tidak langsung
Metode tidak langsung adalah metode yang dilakukan berdasarkan data yang telah dikumpulkan dan kemudian dilakukan upaya-upaya untuk menemukan hubungan-hubungan statistic antara variable dependen dengan independen.
2.3 Analisis Regresi Permintaan
Analisis regresi permintaan adalah sebuah teknik statistik yang digunakan untuk menemukan ketergantungan dari suatu variabel terhadap satu atau lebih variabel lain. Jadi teknik ini dapat diterapkan untuk mencarai nilai dari koefisien-koefisien tersebut menunjukkan pengaruh dari variabel yang menentukan permintaan sebuah produk. Untuk analisis regresi, kita membutuhkan sejumlah observasi, masing-masing terdiri dari variabel dependen Y dan nilai variable independen X yang berhubungan. Analisis regresi ini memungkinkan kita untuk menarik kesimpulan dari pola hubungan yang ditunjukan oleh hasil observasi. Dalam analisis ini dapat digunakan data runtut-waktu (time series) maupun data seksi-silang (cross-section).
1. Analisis Runtut Waktu dan Seksi Silang
a. Analisis Runtut Waktu (time series)
Analisis runtut waktu menggunakan observasi yang telah dicatat selama waktu tertentu dalam situasi tertentu. Misalnya, tingkat harga dan penjualan bulanan suatu produk dan sebuah perusahaan yang telah dikumpulkan selama enam atau dua belas bulan. Satu masalah dalam analisis ini adalah bahwa beberapa faktor yang tak dapat dikendalikan yang mempengaruhi penjualan cenderung untuk berubah selama periode waktu tersebut, sehingga beberapa perbedaan dalam observasi penjualan merupakan akibat dari pengaruh-pengaruh ini, dan bukan pengaruh dari tingkat harga. Jika perubahan variabel-variabel tak terkendali tersebut dapat diamati dan diukur, kita dapat memasukan variabel-variabel ini sebagai variabel indevenden dalam analisis regresi. Misalnya, tindakan para pesaing dan perubahan tingkat pendapatan konsumen sebaiknya dikuantifikasikan (secara langsung atau dengan variabel proksi yang tepat) dan dimasukan kedalam analisis.
b. Analisis Seksi Silang (cross-section)
Analisis seksi silang menggunakan obsevasi-observasi dari perusahaan yang berbeda dalam lingkungan bisnis yang sama. Dengan demikian, analisis ini bisa mengurangi masalah yang ditimbulkan oleh perubahan variabel-variabel tak terkendali sepanjang waktu, tetapi timbul faktor-faktor seperti efektifitas tenaga penjualan, posisi aliran kas, tingkat kegiatan promosi, dan tujuan manajemen berbeda-beda antar perusahaan, maka kesemua hal tersebut akan mempunyai dampak yang berbeda pula terhadap tingkat penjualan. Sekali lagi, jika faktor-faktor ini dapat dikuantifikasikan dan datanya dapat dimasukan kedalam analisis regresi untuk mengetahui dampaknya terhadap variabel dependen.
2. Linieritas Persamaan Regresi
Dengan hipotesis bahwa Y merupakan suatu fungsi dari X atau beberapa variable X, maka dapat ditentukan bentuk ketergantungan variabel Y terhadap variable-variabel X. dalam analisis regresi menurut "ketergantungan" dinyatakan dengan:
a. Bentuk linier
Y = a + b1X1 + b2X2 + … + bnXn + e
Dimana e adalah nilai kesalahan atau residu yang timbul karena adanya perbedaan antara nilai aktual setiap Y yang diobservasi untuk setiap nilai X dengan nilai Y yang ditaksir oleh persamaan regresi untuk nilai-nilai X tertentu. Untuk observasi individual bisa terjadi nilai residu negative atau positif sebab adanya variasi random dari nilai Y.
b. Bentuk Non linier
Y = αX1β1X2β2
Dimana variable-variabel independennya (X1 dan X2) mempunyai pengeruh berganda terhadap variable dependen Y. hubungan garis lengkung ini dapat dinyatakan sebagai suatu hubungan garis lurus dengan transformasi logaritma. Dengan melogaritmakan nilai Y, X1 dan X2.
c. Bentuk logaritma
logY = log a + b1 log X1 + b2 log X2
Dalam bentuk ini, persamaannya menjadi linier dan koefisien b1 dan b2 langsung dapat dicari dengan analisis regresi. Koefisien a pada persamaan diatas dapat diperoleh dengan membalikkan transformasi (yakni denga antilog) nilai log a yang diberikan analisis regresi tersebut.
d. Bentuk kuadratik
Y = a + b1X1 + b2X12
Kemungkinan lain bentuk fungsi yang cocok untuk menunjukkan hubungan antara variable dependen dan variable independen adalah bersifat kuadratik yaitu dengan mengkuadratkan variable independen yang sama (X1).
e. Bentuk pangkat tiga
Y = a + b1X1 + b2X12 + b3X13
Bentuk fungsi pangkat tiga ini dapat digunakan pada kasus fungsi produksi dan fungsi biaya total, dan analisis regresi dapat digunakan untuk menentukan nilai-nilai dari parameter a, b1, b2 dan b3.
3. Penaksiran Parameter Regresi
Metode kuadrat kecil sering disebut ordinary least squares (OLS), adalah proses matematis untuk menentukan intersep dan slope garis yang paling tepat yang menghasilkan jumlah kuadrat deviasi (simpangan) yang minimum.
4. Koefisien Determinasi
Koefisien determinasi (R2), adalah angka yang menunjukan proporsi variabel dependen yang dijelaskan oleh variasi variable independen. Artinya, R2 menunjukkan seberapa jauh kesesuaian persamaan regresi tersebut dengan data. Koefisien determinasi dapat dihitung dengan rumus :
R2 =
5. Kesalahan Baku Penaksiran
Kesalahan baku penaksiran adalah ukuran penyebaran (dispersi) data dari garis yang paling tepat. Dengan kesalahan baku penaksiran ini (Se), kita dapat menghitung interval keyakinan (sekitar nilai penaksiram untuk variabel independen) untuk tingkat tingkat keyakinan yang berbeda. Intervalkeyakinan adalah kisaran nilai dimana observasi aktual diharapkan terletak dalam persentase tertentu pada waktu tertentu.
Kesalahan baku penaksiran dapat dihitung dengan rumus berikut :
Se =
6. Daya Prediksi Persamaan Regresi
Bila interval keyakinan relative sempit, karena nilai kesalahan baku yang relative kecil, maka kita dapat mengatakan bahwa persamaan regresi itu mempunyai kemampuan prediksi yag lebih besar daripada nilai Se yang relative besar dengan interval keyakinan relative luas. Untuk menentukan nilai Se lebih besar atau kecil maka dapat menghubungkannya dengan nilai rata-rata observasi ( ). Bila rasio Se/ < 0,05, maka deviasi absolute rata-rata
7. Kesalahan Baku Koefisien
Kesalahan baku koefisien Sβ adalah ukuran ketepatan nilai β yang diperoleh, yaitu koefisien yang menaksir hubungan marginal antara variable X dengan Y.
Kesalahan baku koefisien dapat dihitung dengan rumus :
Sβ =
2.4 Masalah- Masalah dalam Analisis Regresi
Ada enam masalah utama yang harus diperhatikan dalam analisis regresi, yaitu antara lain:
a. Kesalahan Spesifikasi
Yang menyebabkan hasil regresi kurang dapat dipercaya antara lain disebakan oleh kekeliruan dalam menentukan hubungan antara variabel tidak bebas dengan variabel tidak bebas dengan variabel bebas. Ada dua kemungkinan kesalahan tersebut, yang pertama adalah kesalahan dalam menggunakan bentuk hubungan fungsi antar variabel. Misalnya bentuk hubungan yang sesungguhnya tidak linier tetapi cetakan regresi yang dipakai menunjukkan hubungan linier. Sebenarnya dalam batas-batas tertentu landasan teori memberikan petunjuk mengenai bentuk hubungan tersebut. Akan tetapi dalam menemukan bentuk yang tepat, kita dapat menggunakan cara dengan mencoba berbagai bentuk persamaan. Bentuk persamaan yang nilai paling tinggi kita anggap paling tepat. Sedangkan yang kedua kesalahan yang lain adalah kesalahan dalam bentuk tidak memasukkan variabel penjelasan yang relevan. Masalah ini diminimumkan melalui pengkajian teoritik yang cukup memadai. Memang disamping itu dengan cara merubah komposisi variabel-variabel penjelas, kita dapat mengatasi masalah ini.
b. Kesalahan Pengukuran
Kesalahan berikutnya yang seharusnya dihindari adalah pengukuran variable yang tidak tepat. Variabel harga sangat jelek dalam hal pengukurannya. Ukuran harga yang mudah diperoleh pada umumnya adalah daftar harga atau harga yang ditawarkan oleh produsen tetapi sering tidak akurat dalam menggambarkan harga actual yang dibayar konsumen. Bila mana ada tawar menawar, potonngan, ataupun tukar tambah, jumlah uang yang dibayarkan secara aktual mungkin lebih rendah dari daftar harga.
c. Hubungan persamaan Simultan
Dalam merancang sebuah fungsi regresi tidak dibenarkan adanya hubungan timbal balik anatara variabel tidak bebas dengan salah satu atau lebih variabel bebas. Bila ketentuan ini dilanggar maka timbul apa yang disebut bias persamaan (equation bias). Contoh yang sangat populer adalah penggunaan metode OLS untuk mengestimasi kurva permintaan pasar, dimana terdapat hubungan timbal balik antara harga dan kuantitas yang diminta. Kita dapat memperlakukan baik harta ataupun jumlah yang diminta sebagai variabel bebas atau sebagai variabel tidak bebas. Hal ini disebabka n oleh baik dari segi teori maupun dalam kenyataan keduanya ditentukan secara simultan (bersamaan) oleh kedua variabel itu sendiri.
d. Multikolinieritas
Multikolinieritas timbul sebagai akibat adanya hubungan kasual antara dua variabel pejelas (variabel bebas) atau lebih, atau sebagai akibat adanya kenyataan bahawa 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 hubungan yang benar prediksinya menjadi lemah. Namun demikian maslah adanya multikolinieritas dalam fungsi regresi dapat ditoleransi apabila persamaan itu dimaksudkan untuk tujuan prediksi, karena kita ingin mengetahhui pengaruh seluruh variabel bebas bersama-bersama dan bukan untuk menjelaskan kekuatan-kekuatan hubungan masing-masing variabel bebas terhadap variabel tidak bebas. Tetapi bila regresi digunakan untuk keperluan sebagai modal penjelas, maka harus tidak ada multikolinieritas.
e. Heteroskedastisitas
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 bessaran statistik t dan karena kurang dapat dipercaya dengan kecenderungan terlalu tinggi diatas nilai yang sebenarnya. Nilai kesalahan standar koefisien regresi memberikan indikasi yang keliru. Masalah ini dapat diatasi dengan meninjau kembali komposisi variabel-variabel penjelas dan merubah bentuk persamaan hubungan fungsional.
f. Otokorelasi atau serialkorelasi
Otokorelasi adalah masalah lain yang timbul bila kesalahan tidak sesuai dengan batasan yang diisyaratkan oleh analisis regresi. Otokorelasi atau serialkorelasi hanya terjadi kalau kita mengggunakan data kurun waktu (time series) dan ditandai oleh pola kesalahan yang beruntun. Yakni besarnya kesalahan kian besar atau kecil.
Yang menunjukkan pola siklus atau lainnya, karena observasi-observasi X disusun secara kronologis, pola ini menadakan bahwa beberapa variabel lain berubah secara sistematis dan mempengaruhi variabel dependen. Otokorelasi dapat ditemukan secara visual melalui grafik time series residuals atau uji statistik "Durbin waston".
Otokorelasi dapat dihilangkan dengan menambahkan variabel yang dapat menjelaskan perubahan yang sangat sistematis tersebut kedalam persamaan regresi. Sebagai contoh, bila residu nampak mengikuti pola siklus, variabel "Dummy" dibutuhkan bagi perhitungan variasi musiman.
BAB III
PENUTUP
3.1 Kesimpulan
Penaksiran permintaan berkaitan dengan cara memperoleh nilai-nilai parameter pada fungsi permintaan yang cocok pada saat ini. Informasi ini penting bagi pengambilan keputusan sekarang dan dalam mengevaluasi apakah keputusan-keputusan sudah optimal dalam konteks situasi permintaan sekarang.
Reaksi pembeli atas perubahan variabel-variabel independen dalam fungsi permintaan dapat ditaksir dengan cara wawancara dan survei., membuat pasra simulasi, atau eksperimen-eksperimen pasar secara langsung. Perhatian harus diarahkan untuk memilah sampel random yang cukup mencerminkan pasar sasaran, dan ukuran masing-masing sampel harus cukup besar sehingga penemuan-penemuan itu dapat dipercaya. Disain kuisioner penting bagi ketepatan prediksi dari wawancara dan survei. Intensi-intensi konsumen tidak terlalu akurat diterjemahkan ke dalam tindakan. Bias wawancara dan kurangnya minat kosumen atau informasi juga membuat distorsi taksiran yang di peroleh.
Pasar simulasi dan eksperimen passar secara langsung memungkinkan observasi atau konsumen selama proses keputusan konsumsi, dan kesimpulan dapat ditarik dari perilaku aktual konsumen. Perhatian harus diberikan untuk menghilangkan dampak dari pengaruh-pengaruh jangka panjanng dan untuk memastikan apakah perilaku orang-orang dalam klinik konsumen mencerminkan pola perilakunya yang lajim. Teknik pemasaran langsung memberika kesempatan yang ideal untuk menguji dampak berbagai tingkat-tingkat harga yang berbeda atau variabel-variabel strategik.
Analisa regresi dari data yang dikumpulkan memungkinkan perhiungan koefisien-koefisien fungsi permintaan, juga perhiungan berupa beberapa statistik yang menunjukkan keyakinan yang bisa digunakan untuk mendapatkan taksiran. Analisis regresi adalah suatu alat yang sangat baik bila digunakan secara tepat untuk menaksir parameter-parameter fungsi permintaan, berdasarkan kaitan observasi dengan data runtut waktu maupun seksi silang. Kesalahan-kesalahan yang dapat membuat validitas teknik diatas berkurang telah diperliatkan sehingga peneliti dapat merumuskan masalaah untuk analisis dengan baik dan menginterprestasikan hasil-hasil analis dengan baik pula.
