Untuk melihat apakah variabel bebas (harga) mempengaruhi variabel tidak bebas (kuantitas), kita bisa melihat panel ketiga, kemudian melihat baris Price. Terlihat koefisien regresi untuk price adalah —2,60, yang berarti ada hubungan terbalik antara harga dengan kuantitas yang diminta (semakin tinggi harga, semakin rendah kuantitas yang diminta).
Pada kolom t-statistics terlihat nilai t sebesar —4,89 yang nilai absolutnya (4,89) lebih besar dibandingkan dengan t tabel untuk df yang sama. Pada kolom p-value, kita melihat angka 0,0012. Jika kita menggunakan tingkat signifikansi 5%, angka p-value tersebut lebih kecil dibandingkan dengan 0,05 (5%), karena itu price secara signifikan mempengaruhi kuantitas. Angka —2,60 bukan merupakan nol, atau bukan merupakan angka yang diperoleh secara kebetulan.
EVALUASI FIT
melihat fitness keseluruhan regresi, kita menggunakan F-statistics dan R-square. Nilai F terlihat 23,94 dan signifikan pada 5% (p-value sebesar 0,0012 lebih kecil dibandingkan dengan 5%). R-square menunjukkan angka 0,75. Semakin mendekati 1, Rsquare semakin baik. Secara keseluruhan bisa disimpulkan bahwa regresi tersebut cukup baik mengestimasi fungsi permintaan.
NON-LINEAR REGRESSION
Disamping regresi linear, regresi non-linear juga bisa digunakan. Berikut ini contoh spesifikasi regresi non-linear:
Q= b0 Pb1
Estimasi dengan model linear bisa dilakukan sebagai berikut ini. log Q = log b0 + b1 log P + e
MULTIPLE REGRESSION
Regresi juga bisa dilakukan dengan menggunakan variabel bebas lebih dari satu. Regresi tersebut dinamakan sebagai regresi berganda. Sebagai contoh, berikut ini spesifikasi regresi berganda, dimana kuantitas yang diminta dipengaruhi oleh harga barang, harga barang yang berkaitan, pendapatan, dan iklan:
Qx = b0 + b1 Px + b2 Py + b3 M + b4 I + e
Evaluasi untuk regresi berganda bisa dilakukan sama dengan evaluasi untuk regresi tunggal.