Análisis univariante para describir y pronosticar la producción de plátano en la región de piura

Resumen

La actividad agrícola en la región de Piura, es una actividad fundamental para su desarrollo, la implementación de pronósticos es una herramienta útil para los agentes económicos para una planificación y toma de decisiones acertadas. En el estudio interesan dos resultados, el primero identificar, estimar y validar un modelo ajustado para pronosticar la producción de plátano y el segundo realizar el pronóstico de la producción de plátano para el periodo de octubre de 2020 hasta octubre de 2022. Para concretizar los objetivos se realizó el análisis univariante con la metodología de Box y Jenkins. Los datos provienen del Banco Central de Reserva del Perú, se consideraron datos mensuales desde julio de 2000 hasta septiembre de 2020. Luego del cumplimiento de los supuestos, el mejor modelo ajustado para representar la producción del plátano y realizar pronósticos es un modelo autorregresivo integrado de promedio móvil o ARIMA. El pronóstico de la producción del plátano tiene una tendencia decreciente para los próximos años.

Palabras Clave: Pronostico, Series de tiempo, Modelos ARIMA, Producción agrícola.

Referencias

[1]A. A. S. Syed, A. Sajad, y U. J. Arshad, “Growth, Variability and Forecasting of Wheat and Sugarcane Production in Khyber Pakhtunkhwa, Pakistan,” Agric. Res. Technol. Open Access J., 2018.

[2]Instituo Nacional de Estadistica e Informatica, “Producción Nacional - INEI,” 2019.

[3]M. Laberry, “III Foro Nacional del Cultivo de Arroz,” 2016.

[4]L. Torres, “Análisis Económico del Cambio Climático en la Agricultura de la Región Piura. Caso: Principales Productos Agroexportables,” Consorc. Investig. Econ. y Soc. - CIES, 2010.

[5]Instituto Nacional de Estadistica e Informatica, “Producto Bruto Interno Por Departamentos,” 2019.

[6]D. Llico, “La minería, pesca y agricultura de Piura,” monografias.com, 2013.

[7]H. Moyazzem, A. Faruq, y K. Ajit, “Forecasting of Banana Production in Bangladesh,” Am. J. Agric. Biol. Sci., 2016.

[8]J. Ruiz, G. Hernández, y R. Zulueta, “Análisis de series de tiempo en el pronóstico de la producción de caña de azúcar,” Fac. Econ. - Univ. Veracruzana - Mex., 2010.

[9]V. Erossa, Proyectos de inversión en ingeniería: su metodología. 2004.

[10]A. Contreras, C. Atziry, M. José, y S. Diana, “Análisis de series de tiempo en el pronóstico de la demanda de almacenamiento de productos perecederos,” Estud. Gerenciales 32 p.387-396 - Mex., 2016.

[11]G. Mendoza, “Pronosticar y métodos de pronóstico.,” 2003.

[12]A. Muñoz y F. Parra, Econometria aplicada, Ediciones. 2007.

[13]M. A. Hamjah, “Forecasting major fruit crops productions in Bangladesh using Box-Jenkins ARIMA model.,” J. Econ. Sustain., vol. Dev., 5: 9, 2014.

[14]M. Casinillo y I. Manching, “Modeling the monthly production of banana using the box and Jenkins analysis.,” Am. J. Agric. Biol. Sci., 2016.

[15]N. Suleman y S. Sarpong, “Forecasting Milled Rice Production in Ghana Using Box- Jenkins Approach,” Int. J. Agric. Manag. Dev. (IJAMAD)., 2011.

[16]W. Merlin, “Modelo univariante de pronóstico del número de unidades de transfusión de sangre en el hospital regional Manuel Nuñez Butrón - Puno periodo 2006- 2015-I,” Universidad Nacional del Altiplano - Puno, 2015.

[17]L. Laurente, “Proyección de la producción de papa en puno. una aplicación de la metodología de Box-Jenkins,” Semest. Econ. - FIE - UNA Puno, 2018.
[18]Banco Central de Reserva del Perú, “Gerencia Central de Estudios Económicos,” 2019. [Online]. Available: https://estadisticas.bcrp.gob.pe/estadisticas/series/mensuales/resultados/PN01784AM/html.

[19]R. Hernández, C. Fernández, y M. del P. Baptista, Metodologia de la Investigación, vol. 6ta Ed. 2014.

[20]Banco Central de Reserva del Perú, “PIURA: Síntesis de Actividad Económica.” 2020, [Online]. Available: https://www.bcrp.gob.pe/estadisticas/informacion-regional/piura/piura.html.

[21]I. Moumouni et al., “What happens between technico-institutional support and adoption of organic farming? A case study from Benin,” Org. Agric., p. DOI 10.1007/s13165-013-0039-x., 2013.

[22]U. Yule, “On a Method of Investigating Periodicities in Disturbed Series, with Special Reference to Wolfer’s Sunspot Numbers,” Philos. Trans. R. Soc. London, 1926.

[23]E. Slutsky, “The Summation of Random Causes as the Source of Cyclical Processes,” Econom. 4 105-46, 1937., 1927.

[24]H. Wold, “A Study of the Analysis of Stationary Time Serie,” Uppsala: Almqvist and Wiksells., vol. 2nd ed.-19, 1938.

[25]G. Box y G. M. Jenkins, “Time Series Analysis, Forecasting and Control,” San Fr. Holden- Day, California, USA., 1976.

[26]D. Gujarati y D. Porter, Econometría. 2010.

[27]G. Box y D. Pierce, “Distribution of Residual Autocorrelations in Autoregressive Integrated Moving Average Time Series Models,” J. Am. Stat. Assoc., vol. 65, p, 1970.

[28]G. Ljung y G. Box, “On a measure of lack of fit in time series models.,” Biometrika, vol. V65: 297-3, 1978.

[29]C. Jarque y A. Bera, “A Test for Normality of Observations and Regression Residuals,” Int. Stat. Inst., vol. Vol. 55, N, 1978.

[30]D. A. Dickey y W. A. Fuller, “Distribution of the Estimators for Autoregressive Time Series with a Unit Root,” J. Am. Stat. Assoc., vol. 74, p, 1979.

[31]P. C. B. Phillips y P. Perron, “Testing for a Unit Root in Time Series Regression,” Biometrika, vol. 75, pp. 335–346,1988.