Download - JURNAL
5/12/2018 JURNAL - slidepdf.com
http://slidepdf.com/reader/full/jurnal-55a35b4f9c1d1 1/21
1. PENDAHULUAN
Pilihan model probabilistik (McFadden 1974) merupakan salah satu metode yang paling
populer digunakan dalam pemasaran untuk menganalisa dan memprediksi permintaan
konsumen untuk Berbagai merek dalam suatu produk kategori. Variabel pemasaran yangmenarik adalah harga eceran dan aktivitas promosi ritel. Yang terakhir ini termasuk fitur
iklan, menampilkan khusus, dan Pengurangan harga sementara ("Transaksi"). Meskipun
tampaknya ada suatu konsensus umum bahwa variabel-variabel ini memainkan peran penting
dalam pemilihan merek dalam rumah tangga, literatur pemasaran menawarkan jawaban
samar-samar atas pertanyaan tentang bagaimana efek ritel harga, penawaran, dan interaksi
antara variabel-variabel yang harus dimasukkan ke dalam model pemilihan merek.
Dalam literatur, peneliti telah berurusan dengan operasionalisasi promosi harga dan harga(penawaran) pada prinsipnya tiga cara yang berbeda. Pendekatan pertama adalah
menghitung net harga pembelian dari sebuah merek sebagai perbedaan antara eceran
harga reguler dan kesepakatan dan menggunakan variabel ini sebagai bagiandari
komponen deterministik dalam utilitas tidak langsung Merek, katakanlah, model logit
merek pilihan (misalnya, Chintagunta, Jain, dan Vilcassim 1991). Pencela dari pendekatan
ini, bagaimanapun, menandai bahwa sifat sementara dari pengurangan harga promosi
menghasilkan lonjakan penjualan yang lebih tinggi, karena rumah tangga dapat maju-beli,
Percepatan pembelian, atau meningkatkan kategori konsumsi (Lihat Blattberg, Briesch, dan
Fox 1995). Sebuah pendekatan kedua, oleh karena itu, telah memasukkan harga reguler
sebagai satu variabel dan kedalaman diskon sebagai variabel lain dalam utilitas tidak
langsung (misalnya, Guadagni dan Little 1983). Pendekatan ketiga juga memisahkan efek
dari harga reguler dari efek dari diskon. Bagaimanapun, daripada memasukkan besarnya
kedalaman diskon sebagai variabel, itu memasukkan variabel indikator
untuk ada atau tidaknya kesepakatan, menunjukkan bahwa konsumen bereaksi terhadap
kehadiran Promosi sebagai sinyal dari nilai yang baik tanpa mempertimbangkan kedalaman
sebenarnya dari diskon. Dalam hal penemuan empiris, Guadagni dan Little (1983)
menemukan bahwa konsumen merespon identik untuk sementara perubahan harga sementara
dan permanen. Inman dan McAlister (1993) menemukan bahwa kedalaman diskon adalah
5/12/2018 JURNAL - slidepdf.com
http://slidepdf.com/reader/full/jurnal-55a35b4f9c1d1 2/21
tidak sepenting adanya penawaran, yaitu, ada efek sinyal terkait dengan promosi. Mulhern
dan Leone (1991) menemukan bahwa elastisitas promosi melebihi elastisitas harga.
Dalam artikel ini kita menyelidiki apakah perbedaan dalam hasil seluruh penelitian
empiris yang berbeda dapat dijelaskan dalam bagian spesifikasi parametrik yang penelitian
ini gunakan. Semua studi tersebut mengasumsikan bahwa harga dan penawaran memiliki
efek linear pada utilitas tidak langsung merek. Namun, dalam konteks empiris tertentu, kita
tidak mengetahui sifat sebenarnya dari hubungan antara variabel-harga dan penawaran-dan
utilitas tidak langsung. Oleh karena itu, memaksakan Spesifikasi bentu parametrik berpotensi
menyebabkan kesimpulan yang salah tentang harga dan penawaran. Sumber lain dari salah
mengambil spesifikasi adalah Spesifikasi dari distribusi untuk komponen stokastik utilitas.
Literatur sebelumnya telah menemukan bahwa efek variabel pemasaran sensitif terhadap
asumsi yang dibuat untuk distribusi ini.
Daripada memaksakan sebuah bentuk parametrik khusus pada fungsi utilitas tidak
langsung, kami memperkirakan fungsi ini menggunakan metode semiparametrik yang
memungkinkan fungsi utilitas tidak langsung untuk menjadi fungsi pengubah yang hanya
dibatasi bersifat monoton. Pembatasan ini hanya mewakili sebuah keyakinan apriori kami
sebagai bentuk fungsi.Spesifikasi itu memungkinkan untuk pola umum dari efek interaksi
dua variabel untuk mempengaruhi komponen sistematis dari utilitas.Kita menggunakanstandar asumsi logit untuk komponen stokastik utilitas.
Dalam estimasi, kita memperkenankan konsumen untuk memilih beragam merk produk —
teori random effect model (Allenby and Rossi 1999). Kita berasumsi bahwa pilihan-pilihan
itu memiliki distribusi multivariat normal pada konsumen dan memperkirakan rata-ratra
dan matriks kovarian dari data. Oleh sebab itu, metode semiparametrik ini mengurangi
asumsi dari harga linear dan efek kesepakatan dan juga memperkenankan keberagaman
dalam pilihan2 pada konsumen. Dengan membandingkan hasil kami dari model ini dengan
orang-orang dari model Logic Standard . bahwa perhitungan keberagaman dalam cara2 yang
sama, kita dapat menentukan akibat dari pembebanan harga linear dan efek kesepakatan pada
kegunaan2 pilihan merk.
5/12/2018 JURNAL - slidepdf.com
http://slidepdf.com/reader/full/jurnal-55a35b4f9c1d1 3/21
Sebagai tambahan, dalam pengurangan asumsi linear di komponen sistematik dari
kegunaan, kita juga dapat meneliti dampak secara simultan pengurangan asumsi dari
distribusi parametric yang spesifik sebagai kegunaan komponen stokastik. Dengan
membandingkan hasil dari spesifikasi distrib non parametric secara penuh dengan itu,dari
spesifikasi nonparametric secara penuh ini, Kita dapat memisahkan dampak dari
pengurangan dari asumsi logit pd pembelajaran efek dari penjualan dan variabel2 lain pda
perilaku pemilihan merek. Pada model nonparametric secara utuh, kita tdk
memperbolehkan keberagaman karena ini akan membutuhkan pekembangan teknik baru
yang mana akan melewati jangkauan artikel ini.
Kita dapat meloloskan analisis empiris menggunakan data panel scanner dari empat
kategori pinnut bitter, youghurt, laundry deterjen, dan tisu toilet. Kita menemukan :
1.model semi parametric itu menyatakan deviasi bisa ditemukan dari kelinearan dari
efek kesepakatan. Yang paling utama efek kesepakatan nampak terlihat cekung untuk
beberapa kategori produk.
2.Mengikuti atau berdasarkan keheterogenan pada pilihan2 akan memperkenalkan
fleksibilitas tambahan pada model tetapi kelengkungan di efek kesepakatan akan belangsung
bahkan di dalam kasus ini.
3. pengurangan asumsi parametric pada kegunaan komponen stokastik tdk nampak secara
substansial untuk meningkatkan model yang relative cocok. Pada model semiparametric dan
juga tidak mengakibatkan penemuan2 kami menyinggung pda variabel2 kesepakatan. Kita
juga menemukan bahwa rumah tangga memperlihatkan sensitifitas yang berbeda pada harga
dan kesepakatan.
Pada bagian berikutnya kita mendiskusikan berbagai metode estimasi yang kita gunakan.
Pada bagian 3 kita mendeskipsikan data dan spesifikasi empiris pada model2, kitamelaporkan dan menganalisis hasil empiris pada bagian 4 dan kesimpulan pada bagian 5.
5/12/2018 JURNAL - slidepdf.com
http://slidepdf.com/reader/full/jurnal-55a35b4f9c1d1 4/21
2. Metode estimasi semiprametrik dan nonprametrik untuk model pemilihan diskrit.
Bagian ini mendeskripsikan secaa detail bebrapa metode estimasi yang tersedia untuk
mengestimasi model pemilihan diskrit. Pada beberapa model, beberapa konsumen
dihadapkan dengan bilangan terbatas, J dari arlernatif2 (contoh:merek yang bebeda di
kategori produk). Konsumen memilih altenatif yang memaksimalkan kegunaan nya .
Kegunaan dari beberapa alternative j (dengan sifat2 yang dapat di observasi. Z j). Dari
konsumen i (dengan karakteristik sosial ekonomi yang dapat di teliti Si) dimana
V(j, si, z j)+ є
i j,
Dimana єi j mewakili sebuah istilah acak yg tdk dpt diobsevasi, contohnya :nilai dari
kegunaan sifat2 yg tdk bs diobservasi danm karakteristik sosial ekonomi . Fungsi V itu
diistilahkan komponen sistematik dan єi j adalah komponen acak.
Di model logit multinomial khas, єi j diasumsiklann sebagai iid melebihi alternative dan
konsumen dan memiliki distribusi nilai yang ekstrim tipe I.
F
Dimana F(ε) merepesentasikan fungsi distribusi kumulatif. Lebih jauh lagi, bagian
sistematik dari fungsi kegunaan, V , secara spesifik menjadi linear pada karakteristik yang
dapat diobservasi.
V
Pada pemilihan model, αj, adalah intersep (merk) dan mewakili pilihan-pilihan intrinsic
untuk merk j,ϒ j mewakili efek dari variable social ekonomi,si, pada kegunaan sistematik,
dan vector β mewakili efek dari sifat-sifat merk. Indeks j pada koefisien αj dan ϒ j
didenotasikan bahwa fungsi V dapat berubah melebihi merk.
2.1 Metode Semiparametrik
Ada dua dimensi yang didekati oleh peneliti-peneliti dimana mereka menurunkan struktur
parametrik pada suatu elemen dari fungsi kegunaan: (1) distribusi dari faktor acak (Manski
1975, 1985; Cosslett 1983; Klein dan Spady 1993; dan lain-lain). Dan (2) bentuk dari
komponen sistematik (Matzkin 1990, 1991). Matzkin (1990, 1991) menyediakan metode-
5/12/2018 JURNAL - slidepdf.com
http://slidepdf.com/reader/full/jurnal-55a35b4f9c1d1 5/21
metode untuk menghindari ketidakkonsistenan karena kesalahanperincian parametrik
dari komponen sistematik, dengan memperkirakan fungsi kecekungan terbaik (atau
cembung atau monoton). Metode estimasinya mengacu pada teori ekonomi untuk
menetapkan pembatasan pada bentuk efek dari variabel yang dapat menjelaskan dalam
pilihan yang di observasi. Keuntungan tambahannya adalah penduga-penduga itu dapat
menggunakan teknik-teknik pembatasan teoritis yang bisa di bebankan berdasarkan
teori ekonomi. Hal ini bertentangan dengan penduga-penduga semiparametrik lainnya,
misalnya, sulit untuk menentukan pembatasan seperti itu. Sebagai contoh, yang
menggunakan metode ini, dapat menetukan
( ) ............................................(4)
Dimana () dan fungsi adalah monoton pada setiap argumen ini (naik atau turun).
Metode Matzkin (1990, 1991) adalah semiparametrik karena distribusi dari vektor acak
yang tidak dapat di observasi ( di tentukan naik pada vektor dimensi terbatas. Untuk
menggambarkan perhitungan penduga-penduga semacam itu saat fungsi V ditentukan pada
persamaan (4) dan adalah monoton naik, menotasikan vektor parameter dari bagian
parametrik komponen sistematik, V , dari fungsi kegunaan [pada contoh sebelumnya,
-,
parameter dari distribusi
dan
adalah variabel
indikator yang bernilai 1 saat merek j di beli oleh konsumen i. Di berikan data
* + , * + menotasikan vektor parameter untuk
setiap i dan j, menotasikan nilai dari fungsi pada vektor , kondisi likelihoodnya
adalah
∏ ∏ ,( | )- ,....................................(5)
Dimana * +, dan nilai dari vektor terbatas untuk memenuhi batas-batas
kemonotonan
5/12/2018 JURNAL - slidepdf.com
http://slidepdf.com/reader/full/jurnal-55a35b4f9c1d1 6/21
, ...........................(6)
Dan batasan terhadap nilai antara batas bawah dan batas atas, Bl dan Bu;
...........................................(6’)
Maksimalisasi dari fungsi likelihood (5), yang memiliki batasan (6) dan (6’) akan
menghasilkan penduga ̂ . interpolasi antara nilai-nilai
* + menunjukkan fungsi monoton terhadap setiap i dan j
mencapai nilai . Penduga-penduga yang dihasilkan dari parameter-paremeter sama halnya
untuk fungsi nonparametrik yang benar-benar konsisten dengan asumsi yang lemah( lihat
Matzkin 1990).
Sebagai contoh, distribusi dari setiap adalah distribusi nilai tipe I yang ekstrim, dan
iid pada i dan j. Saat fungsi V di tetapkan pada persamaan (4), maka fungsi likelihood (5)
menjadi
∏ ∏ ∑
................(7)
Tiga interpolasi yang mungkin adalah
* +
* +
Dan rata-rata dari dua interpolasi sebelumnya:
Fungsi nonparametrik bisa di tentukan menjadi kemonotonan lainnya. Faktanya, mereka
bisa di tentukan menjadi cekung atau cembung. Dan mereka juga bisa homogen
dengan derajat 1 dan/atau dapat dipisahkan secara tambahan.
5/12/2018 JURNAL - slidepdf.com
http://slidepdf.com/reader/full/jurnal-55a35b4f9c1d1 7/21
2.2 Metode Semiparametric dengan heterogenitas
Keragaman konsumen dapat dihitung dengan mengasumsikan bahwa intercept (merk)
berdistribusi multivariate normal. Strategi pendugaan di sini mirip dengan deskripsi
sebelumnya, kunci perbedaan ada pada parameter αj, j =1,2,…,j-1 diperbolehkan
bervariasi antar rumah tangga menurut distribusi multivariate, α merupakan vector yang berdistribusi MVN ∑. Simulasi maximum likelihood digunakan untuk membangun
setiap fungsi likelihood dari rumah tangga, dimana interscept (merk) yang dimiliki setiap
rumah tangga tergambar dari distribusi MVN dengan rata-rata yg diestimasi dan matrix
covarian. Dari fungsi rumah tangga likelihood, kita peroleh sample likelihood:
*Persamaan 8
Dimana Nf adalah banyaknya pengamatan keluarga f,
A adalah vector dari α1,…,αj,
Θ (Θ’,A) adalah vector dari parametric lain dari A,
f(A,∑ adalah densitas MVN dari A ketika matrix covarian adalah ∑ .
Maka fungsi yang berhubungan dengan harga dan transaksi, serta vector mean dan matrix
covarian dari pilihan merk antar rumah tangga dietimasi.
2.3 Metode Non Parametrik
Metode semiparametrik yang telah dijelaskan di awal mengasumsikan distribusi
parametrik tertentu untuk komponen stokastik dariutilitas merek. Namun, Spesifikasi
distribusi yang diasumsikan juga merupakan sumber potensial dari kesalahan pengambilan
spesifikasi (Manski1975; Cosslett 1983; Klein dan Spady 1993). Beberapa metode hadir
dengan tanpa memerlukan spesifikasi bentuk random. Sebuah metode estimasi
semiparametrik yang menetapkan jumlah pembatasan yang paling sedikit pada distribusi eror
adalah metode skor maksimum (Manski 1975, 1985) untuk kasus dimana komponen
sistematik dari fungsi utilitas linear dalam parameter. Matzkin (1993) menyediakan
penjabaran untuk kasus di mana komponen sistematis adalah nonparametrik (Lihat juga
Matzkin 1992). Metode ini mengasumsikan bahwa adalah iid pada j=1... J, dengan
kondisi ( ). Berdasarkan asumsi ini, distribusi bentuk acak tidak
teridentifikasi, tetapi komponen sistematis, V, dari fungsi utilitas masih dapat diidentifikasi
di bawah beberapa kondisi. Misalkan, contohnya, bahwa fungsi V dispesifikasikan di (4), di
5/12/2018 JURNAL - slidepdf.com
http://slidepdf.com/reader/full/jurnal-55a35b4f9c1d1 8/21
mana koordinat dari fungsi,w terdistribusi kontinyu. Kemudian V diidentifikasikan jika (1)
setidaknya satu koordinat dari vektor TJ memiliki distribusi kontinu, bersyarat pada
koordinat-koordinat yang lain dari ( ); (2) nilai dari koefisien koordinat
kontinu tj terspesifikasi; dan (3) nilai dari w terspesikasi pada satu titik (lihat Matzkin
1993 untuk rincian). Kondisi (1) dan (2) adalah persyaratan identifikasi standar untuk model
pemilihan semiparametrik di mana distribusi bentuk acaknya tidak terspesifikasi secara
parametrik dan komponen sistematik adalah linear. Jika distribusi
dari terspesifikasi secara parametrik, maka tidak ada koordinat ( ).
dibutuhkan menjadi kontinyu,dan fungsi V dapat berbeda antar alternatif.
Memaksimalkan fungsi ( tunduk pada kondisi kemonotonandan keterbatasan, (6)
dan (6’), dan interpolasi antara estimator yang diperoleh dari untuk mendapatkan satufungsi monoton dapat memperoleh penduga konsisten dengan kuat untuk fungsi dan
parameter ,
dimana 1[A]=1 jika A benar dan 1 [A]=0 sebaliknya, dan jika konsumen i memilih
alternatif j dan jika sebaliknya. Penghitungan untuk heterogenitas dalam preferensi
untuk model nonparametrik ini tersisa untuk penelitian masa depan, mengingat adanya
kesulitan dalam mengidentifikasi secara terpisah komponen sistematis dan acak dari utilitas
dalam kasus ini.
3. DATA DAN SPESIFIKASI EMPIRIS
Untuk mempelajari efek harga dan kesepakatan, dan menyelidiki
manfaat relatif dengan memperkirakan satu atau lebih komponen dari
fungsi utilitas tidak langsung nonparametrically, kami memperkirakan enam
Model:
1. Spesifikasi parametrik penuh untuk sistematik dan
komponen utilitas acak, menggunakan distribusi nilai ekstrem untuk komponen acak dan
spesifikasi linier untuk komponen sistematik dari fungsi utilitas
5/12/2018 JURNAL - slidepdf.com
http://slidepdf.com/reader/full/jurnal-55a35b4f9c1d1 9/21
2. Spesifikasi parametrik penuh untuk sistematis dan komponen acak utilitas, seperti
dalam model 1, dan dengan dimasukkan heterogenitas konsumen melalui distribusi
MVN(Multivariate Normal) dari penyadapan merek di seluruh rumah tangga
3. Sama seperti model 2 tetapi dengan harga kuadrat dan istilah kesepakatan
termasuk dalam komponen utilitas sistematis
4. Model semiparametrik dengan komponen sistematik sebagian ditentukan dan bentuk
parametrik spesifik diasumsikan untuk komponen stokastik utilitas (nilai ekstrim)
5. Model semiparametrik dengan komponen sistematik sebagian ditentukan dan bentuk
parametrik diasumsikan untuk komponen stokastik utilitas (nilai ekstrim), dan heterogenitas
konsumen digabungkan dengan asumsi bahwa preferensi merek bervariasi di konsumen
6. Model nonparametrik penuh dengan dengan komponen sistematik sebagian ditentukan,
tanpa spesifikasi parametrik untuk distribusi komponen acak, dan tidak ada keterangan untuk
heterogenitas dalam penyadapan merek di konsumen
3.1 SPESIFIKASI MODEL
Pada model 1 dan 2, Spesifikasi linear digunakan untuk fungsi V yaitu,
(10)
Dimana subskrip konsumen ditekan untuk mengurangi notasi. Pada persamaan (10),
adalah variable biner, yang sama dengan 1 ketika salah satu itemnya di perlihatkan
atau ditampilkan, mewakili harga regular dari item tersebut, dan adalah variable
kesepakatan yang ditetapkan sehingga , dimana adalah harga bersih
yang dibayar oleh konsumen. adalah fraksi dari minggu sebelumnya dimana merk
j telah dipromosikan (yakni sebelum t minggu). Inklusi dari variable terakhir ini, yang
merangkum tingkatan dari intensitas promosi dari merk j, memperbolehkan identifikasi dari
model 6, ketika β4 adalah bukan nol. Kita tidak memasukkan variable social ekonomi sebagai
uraian pada fungsi V , karena pembelajaran empiris sebelumnya telah menetapkan bahwa
variable tersebut tidak signifikan untuk kategori scanner yang kita pelajari. Di dalam model
5/12/2018 JURNAL - slidepdf.com
http://slidepdf.com/reader/full/jurnal-55a35b4f9c1d1 10/21
parametric dengan keberagaman, di persamaan (10) berubah-ubah selama konsumen
mengikuti distribusi MVN.
Untuk model parametric, dimana komponen random, atau sistematik dari fungsi
kegunaan keduanya bukan parametric secara spesifik, kita menggunakan fungsi kegunaan
sistematik,
( ) (11)
Dimana fungsi ditetapkan menurun secara monoton di . Untuk menjamin
identifikasi dan konsistensi estimator tersebut (lihat matzkin 1993), β4 dan nilai dari pada
satu point harus spesifik, FOP harus variable random yang kontinyu, dan nilai dari harus
terbatas. Kita menspesifikasi nilai dari β4 pada estimasi nilai dengan model parametric
(dengan harga terpisah dan variable kesepakatan). Lebih jauh lagi, kita memilih batas
atas dan batas bawah dari pada nilai atas dan bawah dari estimator parametric. Untuk
model semiparametrik, kita menggunakan spesifikasi yang sama seperti pada persamaan
(11). Syarat untuk mengidentifikasi model ini lebih lemah dari syarat untuk model
nonparametric sepenuhnya. Nilai dari β4 tidak perlu dispesifikasi, tapi pembatasan yang sama
perlu diberikan pada fungsi (.). sebagaimana dengan model parametric, kita menghitung
keberagaman pada α j pada persamaan (11) dengan memperbolehkannya untuk merubah
konsumen untuk model semiparametrik., bukan model nonparametric lebih dulu. Untuk
model semiparametrik dan nonparametric, kita menggunakan interpolasi rata-rata yang
dideskripsikan lebih dulu.
3.2 Data
Kita menggunakan data dari ERIM Marketing Testing Service pada empat kategori
produk yang berbeda: peanut butter(makanan), yoghurt(makanan), tisu toilet(bukan
makanan), dan deterjen kering(bukan makanan). Dari masing-masing kategori produk, kitapilih produk unggulan, 4 merek dari tisu toilet dan peanut butter dan 5 merek dari deterjen
kering dan yoghurt. Statistik deskriptif dari data diberikan pada tabel.1. Catatan khususnya
perbedaan seluruh produk dalam rata-rata waktu pembelian.
3.3 Perhitungan
5/12/2018 JURNAL - slidepdf.com
http://slidepdf.com/reader/full/jurnal-55a35b4f9c1d1 11/21
Untuk menghitung fungsi objektif pada model 2, 3, dan 5, yang menggabungkan
heterogenitas konsumen, kami menggunakan simulasi metode kemungkinan
maksimum(maximum likelihood). Kami menjelaskan metode ini dalam dokumen terpisah,
"semiparametrik Estimasi Pilihan Perilaku Merek: Rincian Estimasi, "yang tersedia pada
permintaan.
Untuk memaksimalkan fungsi objektif pada model 4, 5, dan 6, tunduk pada kendala
monotonisitas dan boundedness (6) dan (6’), kita sesuaikan algoritma untuk fungsi cekung
yang dikembangkan oleh Matzkin (1999) dengan fungsi monoton. Hal ini merupakan
algoritma pencarian acak. Pada setiap langkah, titik secara acak ditarik dalam set kendala,
dan kemudian fungsi tujuan dimaksimalkan sepanjang segmen ditentukan oleh langkah titik
terbaik up-to-that dan titik acak. Algoritma berhenti bila, setelah sejumlah besar yang telah
ditetapkan ditarik, tidak ada perbaikan dalam fungsi tujuan yang ditemukan. Kami
mengeksploitasi struktur kendala monotonisitas tertentu untuk menarik titik dalam set
kendala set secara efisien.
4. Hasil
Isu utama yang dibahas dalam penelitian ini adalah (1) efek dari harga reguler,
transaksi, dan interaksi antara kedua variabel dalam mempengaruhi perilaku
pemilihan merek, dan (2) bagaimana bentuk-pembatasan tampilan semiparametrik
dan nonparametrik estimator di dataset riil dibandingkan dengan parametriksepenuhnya. Pada bagian ini kita mendiskusikan terlebih dulu model yang cocok dan
prediksi kemampuan masing-masing dari enam spesifikasi, kemudian membahas hasil untuk
efek harga dan penawaran pada perilaku pemilihan merek. Sampel dibagi ke dalam sampel
estimasi dan sampel validasi seperti pada Tabel 1. Hanya rumah tangga yang setidaknya
mempunyai dua pembelian dalam periode estimasi yang termasuk dalam sampel.
4.1 Model Fit
Tabel 2 menyajikan log-likelihood dan sejumlah “hit” yang benar, dimana untuk setiap
5 model pertama menggunakan sampel estimasi. Suatu “Hit” dinilai jika merk dengan
kegunaan sistematis tertinggi pada saat itu sesuai untuk pembelian merk yang asli. Untuk
model 6, kami hanya menyajikan sejumlah hit karena fungsi log-likelihood tidak terdefinisi
pada bagian ini. Standar deviasi dari likelihood dan sejumlah hit untuk model semiparametrik
telah di hitung dengan metode sendiri. Untuk setiap kategaori, 50 sampel telah di peroleh dari
observasi asli dengan pengambilan acak, dengan pengembalian(WR). Kemudian standar
5/12/2018 JURNAL - slidepdf.com
http://slidepdf.com/reader/full/jurnal-55a35b4f9c1d1 12/21
deviasi di peroleh dengan menghitung log-likelihood dan sejumlah hit dari sampel asli
menggunakan penduga-penduga dari 50 simulasi. (Untuk perhitungan harga turun,
menggunakan penduga-penduga dari setiap sampel simulasi yang telah di hitung, sebagai
poin awal pada algoritma optimum, nilai-nilai dari penduga diperoleh dari data asli; bagian
semiparametrik heterogen hanya menghasilkan 2 dataset.)
Kami mencatat hasilnya:
1. Model semiparametrik mencapai nilai log-likelihood yang lebih tinggi dan lebih
menyesuaikan data secara seragam daripada model parametrik. Karenanya
mengurangi asumsi linear pada harga dan menguraikan hasil-hasil pada perubahan
substansial di dalam model fit.
2. Perubahan pada fit bergerak dari model parametrik homogen ke model
semiparametrik homogen sama halnya dengan perubahan pada fit bergerak
dari model parametrik heterogen ke model semiparametrik heterogen .
Karenanya, walaupun laporan dari keheterogenan memberi kefleksibelan untuk model parametrik, ternyata masih belum sefleksibel perincian semiparametrik.
3. Pengurangan asumsi linear melalui bentuk parametrik yang lebih fleksibel
(kuadrat) juga belum se-fit (sebaik) pada model semiparametrik.
4. Model nonparametrik penuh juga lebih fit (baik) daripada model parametrik pada
sejumlah patokan hit tertentu. Namun, tidak ada perubahan yang relatif luas untuk
model semiparametrik (homogen). Karenanya, mengurangi asumsi logis pada
komponen stokastik dari kegunaan tidak menyediakan perubahan yang memaksa
pada model fit.
4.2 Kemampuan memprediksi
Table 3 menunjukan sekumpulan kemungkinan dan diluar sampel untuk model
parametric dan semiparametrik yang menggunakan sampel yang sah. Hasilnya menunjukkan
bahwa kemampuan memprediksi model semiparametrik, dengan atau tanpa heteogenitas
(keberagaman), biasanya lebih baik daripada model parametrik yang saling sesuai/cocok.
Pada khususnya, untuk model tanpa keheterogenitasan, selain hasil sampel akan lebih baik
jika 6 dari 8 kasus (linear likelihood pada selai kacang dan yogurt lebih baik), dan hasilnya
secara statistic lebih baik pada 5 dari 8 kasus (P<0.05). semiparametrik dan model penuh
nonparametric menunjukkan perbandingan hasil pada jumlah kriteria yang terbaik. Ketika
heterogenitas dipertimbangkan, model semiparametrik tetap unggul dalam model parametrik
pada 6 dari 8 kasus yang ditunjukan dalam table 3.
5/12/2018 JURNAL - slidepdf.com
http://slidepdf.com/reader/full/jurnal-55a35b4f9c1d1 13/21
Dari table 2 dan 3, kita memperoleh pencarian yang konsisten bahwa penigkatan terbesar
untuk 4 kelompok data ini dating dari menurunkan asumsi linear pada kegunaan komponen
sistematik. Tambahan analisis dari dua spesifikasi semiparametrik dengan dan tanpa
keheterogenan menunjukkan bahwa kealamian dari perkiraan harga dan fungsi kesepakatan
respon pada kenyataannya miip. Karenanya, pengingat dari diskusi kita berdasarkan pada
kehomogenan model semiparametrik karena berkurangnya hubungan perhitungan dari
penduganya. Hasil dari model nonparametik dapat diperoleh dari para pengarangnya.
4.3 Harga dan Efek Transaksi
Pertama, kita mendiskusikan efek utama dari harga dan variable transaksi untuk mengerti
apakah efek dari kegunaan merk-merk tersebut linier atau sebaliknya. Kemudian kami
mendiskusikan efek interaksi antar variable. Gambar 1 berisi estimasi komponen sistematis
dari kebutuhan tak langsung sebagai fungsi dari harga untuk setiap 4 kategori produk. Garis
lurus menggambarkan estimasi yang diperoleh dari model parametric linier tanpa
heterogenitas. Pendugaan semiparametrik kira-kira berada pada batas bawah dan batas atas
merk dari selang kepercayaan 90%. (Batas untuk grafik ditentukan dari nilai observasi dan
diseleksi untuk menjamin bahwa perbedaan antara perkiraan tersorot.) Estimasi grafik ini
dihitung menurut nilai mean dari variable transaksi di dalam model. Perhatikan bahwa
kebutuhan untuk semua spesifikasi yang diberikan disamakan, kami normalisasikan
pembahasan sebelumnya. Dari gambar 1, kami melihat bahwa dalam rentang harga yang
diobservasi (lihat Tabel1), efek harga linear sebagian besar. Tetapi di sini, beberapa bukti
penyimpangan dari linieritas dalam efek harga pada system komponen dari kebutuhan merk
pada bagian akhir yang teratas dalam range.
Gambar 2, berisi efek transaksi pada kebutuhan merk untuk 4 kategori produk dengan
pertimbangan (menurut nilai mean dari variable harga). Kedua model semiparametrik dan
parametric diwakili dalam gambar. Dengan selang kepercayaan 90% untuk perkiraan model
semiparametrik. Bertentangan dengan hasil dari gambar 1, kelompok dalam gambar 2 untuk
semua produk memperlihatkan penyimpangan yang jelas dalam efek
a. Respon harga pada rata-rata penawaran untuk selai kacang
5/12/2018 JURNAL - slidepdf.com
http://slidepdf.com/reader/full/jurnal-55a35b4f9c1d1 14/21
b. Respon harga pada rata-rata penawaran untuk detergen
c. Respon harga pada rata-rata penawaran untuk tissu
5/12/2018 JURNAL - slidepdf.com
http://slidepdf.com/reader/full/jurnal-55a35b4f9c1d1 15/21
d. Respon harga pada rata-rata penawaran untuk yogurt
e. Respon penawaran pada rata-rata harga untuk selai kacang
f. Respon penawaran pada rata-rata harga untuk detergen
g. Respon penawaran pada rata-rata harga untuk tissu
5/12/2018 JURNAL - slidepdf.com
http://slidepdf.com/reader/full/jurnal-55a35b4f9c1d1 16/21
h. Respon penawaran pada rata-rata harga untuk yogurt
KETERANGAN:
linier
Semiparametrik
Batas atas
Batas bawah
5/12/2018 JURNAL - slidepdf.com
http://slidepdf.com/reader/full/jurnal-55a35b4f9c1d1 17/21
yang diperoleh dari model semiparametrik dengan hal yang diperoleh dari spesifikasi
parametric. Untuk sebagian besar kategori produk kesepakatan terlihat pada pameran efek
“cekung”. Menurut kami, gamdar 1 dan 2 mengimplikasikan bahwa, karena ketidaklinieran
dari efek transaksi pada kebutuhan merk, spesifikasi bahwa memisahkan efek harga dan
transaksi paling banyak disediakan untuk semua dataset yang dipelajari.
Untuk mendapatkan bukti lebih jauh lagi, adanya pola cekung dalam kebutuhan untuk
bertransaksi, kita melihat pada hasil dari istilah tambahan kuadratik spesifikasi parametric
untuk harga dan transaksi (model 3). Koefisien transaksi kuadratik dalam model efek acak
adalah negative dan signifikansi secara statistic sampai 1% level signifikansi untuk
detergent, mentega kacang, dan kategori tisu, mengindikasi tanggapan transaksi. Penemuan
efek cekung pada transaksi bersama dengan efek linier harga bisa menjelaskan bahwapenemuan perbedaan kesimpulan dalam literature mengenai efek harga dan transaksi.
Kemudian, kita bisa memiliki level transaksi yang rendah yang besarnya slope (lereng)
transaksi lebih besar daripada slope untuk harga; untuk transaksi level tengah, besarnya
slope transaksi sama halnya dengan slope untuk harga; dan untuk transaksi level tinggi,
besarnya efek transaksi cenderung konstan, mendukung model pemberian isyarat.
4.4 ELASTISITAS
Pembahasan sebelumnya yang berkaitan dengan efek dari variabel-variabel padakomponen sistematik dari utiliti tidak langsung. Dalam bagian ini kita menganalisis dampak
dari efek-efek pada probabiliti pemilihan merek. Untuk mempelajari ini, kami melaporkan
(rata-rata) Harga dan elastisitas penawaran dari model parametrik dan semiparametrik yang
homogen dan deviasi standar dari elastisitas untuk model semiparametrik. Dengan diberikan
sifat fungsi langkah dari fungsi estimasi, kami menggunakan kernel normal, dengan
5/12/2018 JURNAL - slidepdf.com
http://slidepdf.com/reader/full/jurnal-55a35b4f9c1d1 18/21
bandwidth yang sama dengan 0 .25 standar deviasi variabel ',untuk kehalusan fungsi sebelum
menghitung elastisitas.
Hasil pada Tabel 4 menunjukkan perbedaan besar dalam elastisitas yang diperoleh dari
spesifikasi parametrik dan semiparametrik, lebih menguatkan penemuan kita tentang adanya
nonlinieritas dalam utilitas harga dan penawaran.
4.5 INTERACTION
Tujuan kita di bagian ini adalah untuk memahami efek gabungan dari harga dan
penawaran yang didapatkan dari model kehomogenan semiparametric. Di tabel 5 kita
menghitng elastisitas harga yang bergantung pada sejumlah penawaran tertentu. Di tabel 6
kita menghitung elastisitas penawaran yang tergantung pada harga tertentu. Untuk
menghitung elastisitas bersyarat dari harga dan penawaran, kita membangun situasi dimana
jumlah merek dalam situasi tersebut sama dengan jumlah merek pada data empiris. Brand
yang tidak terpilih menggunakan rata-rata harga dan jumlah penawaran 0. Merek yangterpilih memiliki penawaran(harga) yang diatur tetap dan memiliki harga(penawaran)
bervariasi +-2 standar deviasi. Kita menghitung elasttisitas pada 20 titik-titik equidistants
sepanjang garis, kemudian ambil rata-ratanya.
Prima facie, kita menemukan bukti untuk beberapa interaksi antara harga dan penawaran.
Penemuan yang penting adalah sebagai berikut:
1. Ada beberapa variasi pada respone terhadap harga antar tingkat penawaran yang berbeda.
Bagaimanapun, perbedaan-perbedaan itu discernable hanya pada kasus katagori selai
kacang.
2. Pola respon dari penawaran menggambarkan sifat cekung dari efek dari variable ini yang
digambarkan pada gambar 2, dan kita juga menemukan variasi pada respon penawaran
pada tingkat harga yang berbeda.
3. Itu akan berlanjut menjadi perbedaan besar pada perkiraan elastisitas antara
model.parametrik dansemiparametrik
5/12/2018 JURNAL - slidepdf.com
http://slidepdf.com/reader/full/jurnal-55a35b4f9c1d1 19/21
Note: Elastisitas penawaran adalah bergantung pada harga. Angka pada indeks menunjukkan standar
deviasi
Untuk meringkas hasil ini, kami mencatat bahwa tampaknya ada ada beberapa interaksi
antara variabel harga dan penawaran. Namun, sifat dari interaksi ini tampaknya berbeda-beda
antar kategori secara istimewa. Penemuan ini, menggabungan dengan penemuan sebelumnya
dari efek penawaran yang tampak cekung, tampak lebih membenarkan kebutuhan akan
bentuk fungsi yang flexible untuk menangkap efek-efek ini.
5. KESIMPULAN DAN PEMBAHASAN
Pada artikel ini kita telah mengilustrasikan kegunaan dari metode semiparametrik dan
nonparametric dalam mengestimasi model pemilihan polychotomous. Selain
menspesifikasikan struktur parametric untuk komponen yang sistematik pada fungsi
utilitasnya, kita telah menggunakan pengetahuan kita tentang monotonicity pada komponen
Note: Elastisitas harga adalah bergantung pada nilai penawaran. Angka pada indeks menunjukkan standar
deviasi
5/12/2018 JURNAL - slidepdf.com
http://slidepdf.com/reader/full/jurnal-55a35b4f9c1d1 20/21
ini untuk mengestimasi itu. Dalam pelaksanaannya, penggunaan data pada merk pilihan
untuk empat kategori produk, kita dapat menemukan sifat dari fungsi utilitas konsumen
untuk harga dan variable kesepakatan yang sebelumnya belum pernah didokumentasikan.
Secara khusus, ada penyimpangan yang signifikan dari linearitas dalam fungsi utilitas yang
dapat ditemukan dan berlangsung lama bahkan ketika keheterogenitas konsumen
diperhitungkan.
Metode yang telah kita gunakan mungkin mengurangi bias yang terjadi ketika satu
spesifikasi struktur parametric yang tidak benar. Namun fleksibilitas tambahan pada metode
ini terjadi pada biaya. Pertama, bias dalam mengestimasi suatu fungsi mengurangi biaya pada
peningkatan varian dari estimator (karena menggunakan informasi yang kurang). Kedua,
waktu penghitungan yang sangat besar; estimasi model parametric tanpa mengambil efek
merk acak sekitar 1 hari pada prosesor 400-MHz pentium. Oleh karena itu, satu area
penelitian di masa depan adalah meningkatkan kecepatan optimasi, mungkin melalui metode
algoritma genetic atau nongradient lainnya. Biaya yang ketiga adalah jaminan identitas,
pembatasan tertentu, baik pada komponen yang sistematik atau komponen acak, perlu
ditentukan. Tergantung pada model, pembatasan ini mungkin menyebabkan bentuk dari
paksaan beberapa bahan tambahan yang terpisah pada komponen sistematis, mengetahui nilai
fungsi pada titik tertentu, dan membutuhkan kebebasan antara komponen acak dan
karakteristik yang diamati.Salah satu implikasi dari biaya ini adalah bahwa semiparametrik atau estimasi penuh
nonparametric mungkin tidak sesuai untuk semua situasi. Metode ini paling cocok ketika
ingin (a) melakukan penelitian eksplorasi, (b) menghindari, setiap biaya, karena bias
misspecifikasi, atau (c) memeriksa apakah struktur parametric yang ditentukan misspecifiied.
Selain memungkinkan untuk sebuah pola yang fleksibel dari harga dan kesepakatan efek,
penelitian kami juga menunjukkan bahwa perhitungan heterogenitas yang teramati pada merk
yang disukai terus menjadi penting bahkan di bawah spesifikasi semiparametrik. Sebuah
wilayah yang bermanfaat pada penelitian masa depan akan menggabungkan efek
heterogenitas yang teramati ke dalam model nonparametric sepenuhnya. Beberapa kemajuan
teoritis telah diberikan oleh Briesch, Chintagunta, dan Matzkin (1996).
5/12/2018 JURNAL - slidepdf.com
http://slidepdf.com/reader/full/jurnal-55a35b4f9c1d1 21/21