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 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 penapsiran (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.
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?
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.
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.
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.
Arsyad, Lincolin.(2012).
Ekonomi Manajerial. Yogyakarta:BPFE
kenapa tidak ada hasil untuk Kurva permintaan dan kurva MR yang dimaksudkannya?
BalasHapusrb494 louisvuitton-replica zk468
BalasHapus