Predictores del precio de maíz blanco en Jalisco y Michoacán

Autores/as

  • María del Rosario López-García Doctorado en Economía Agrícola-División de Ciencias Económico-Administrativas Universidad Autónoma Chapingo. Carretera México-Texcoco km 38.5, Texcoco, Estado de México. CP. 56230. Tel. 595 9521668
  • Miguel Ángel Martínez-Damián Posgrado en Economía-Colegio de Postgraduados. Carretera México-Texcoco km 36.5, Texcoco, Estado de México. CP. 6230. Tel. 595 9520284
  • José Jaime Arana-Coronado Posgrado en Economía-Colegio de Postgraduados. Carretera México-Texcoco km 36.5, Texcoco, Estado de México. CP. 6230. Tel. 595 9520284

DOI:

https://doi.org/10.29312/remexca.v13i2.2740

Palabras clave:

arima, pronóstico, series

Resumen

El maíz es uno de los productos más importantes en el mundo debido a sus cualidades alimenticias relacionadas con el consumo humano, animal y uso industrial. Un predictor del comportamiento del precio del maíz es de utilidad para los productores y comercializadores en la toma de decisiones. Un indicador del precio es proporcionado en las bolsas internacionales; sin embargo, en México no existe una bolsa que proporcione una señal adecuada sobre el comportamiento futuro de los precios del maíz blanco en México. En esta investigación se realizó un análisis de los precios del maíz blanco en Michoacán y Jalisco, usando modelos autorregresivos integrados de media móvil (ARIMA) con el objetivo de proporcionar un predictor de los precios del maíz blanco. Se construyeron dos modelos para cada serie y se realizaron estimaciones puntuales. Se evaluó la capacidad predictiva de los modelos usando el error porcentual absoluto medio del inglés mean absolute percentage error, la raíz del error cuadrático medio y la U de Theil. Los resultados mostraron que el precio del maíz en Michoacán y Jalisco puede predecirse mediante sus valores pasados con un modelo AR (1) y un modelo MA (2). Se concluyó que estos modelos proporcionan un predictor para los precios de maíz y constituyen una herramienta útil en la planeación y toma de decisiones referentes al proceso productivo, de comercialización y productos relacionados.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Akaike, H. 1974. A new look at the statistical model identification, IEEE transactions on automatic control. 19(6):716-723. Doi:10.1109/TAC.1974.1100705.

Adebiyi, A.; Adewumi, O. A. and Ayo, C. K. 2014. Stock price prediction using the Arima model. UKSim-AMSS 16th International conference on computer modelling and simulation. IEEE. Reino Unido. IEEE. 2014(1):106-112. Doi: 10.1109/UKSim.2014.67.

F. 2013. Uso de un modelo univariado de series de tiempo para la predicción del comportamiento de la producción de carne de cerdo en Baja California, México. México. Rev. Cien. 5(23):403-409.

Bowerman, B. L.; O’Connell, R. T. y Koehler, A. B. 2007. Pronósticos, series de tiempo y regresión un enfoque aplicado México. Cengage learning. 4a (Ed.). México, DF. 717 p.

Box, G.; Jenkins, G.; Reinsel, G. and Ljung, G. 2016. Time series analysis forecasting and control. Wiley. 5a (Ed.). New Yersey. 709 p.

Box, G. and Pierce, D. 1970. Distribution of residual autocorrelations in autoregressive-integrated moving average time series models. J. Am. Stat. Assoc. 65(332):1509-1526.

Contreras, A.; Atziry, C.; Martínez, J. L. y Sánchez, D. 2016. Análisis de series de tiempo en el pronóstico de la demanda de almacenamiento de productos perecederos. España. Estudios Gerenciales. 32(141):387-96. https://doi.org/10.1016/j.estger.2016.11.002.

Chu, K. 1978. Short-run forecasting of commodity prices: an application of autoregressive moving average models. International Monetary Fund. 25(1):90-111. https://doi.org/10.2307/ 3866657.

Cryer, D. J. and Sik, K. 2008. Time series analysis with applicatios. In: Springer, R. 2a (Ed.). New York. 502 p. https://doi.org/10.1007/BF00746534.

Delgadillo-Ruiz, O.; Ramírez-Moreno, P. P.; Leos-Rodríguez, J. A.; Salas, J. M. y Valdez-Cepeda, R. D. 2016. Pronósticos y series de tiempo de rendimientos de granos básicos en México. México. Acta Universitaria Miltidisc. Scientif. J. 3(26):23-32. https://doi.org/10.15174/ au.2016.882.

Enders, W. 2015. Applied econometrics time series. Wiley. 4a (Ed.). United States of America. 498 p.

FIRA. 2016. fideicomisos instituidos en relación con la agricultura. Panorama agroalimentario 2016.

FIRA. 2019. fideicomisos instituidos en relación con la agricultura. Panorama agroalimentario 2019. Gujarati, D. N. and Porter, D. C. 2010. Econometría. McGraw-Hill Publishing Educacion. 5a (Ed.). México. 946 p.

Greene, W. H. 2012. Econometric analysis. Pearson. 7a (Ed.). New York University. 1241 p.

Jamal, F.; Ezzine, L. and Aman, Z.; El Moussami, H. and Lachhab, A. 2018. Forecasting of demand using ARIMA model. Inter. J. Eng. Bus. Manag. 10(1):1-9. Doi: 10.1177/18479790 18808673.

Ljung, G. and Box, G. 1978. On a measure of a lack of fit in time series models. Biometrika. 65(2):297-303. Doi:10.1093/biomet/65.2.297.

Luis-Rojas, S.; García-Sánchez, R.; García-Mata, R.; Arana-Coronado, O. A. and Gonzáles-Estrada, A. 2019. Metodología Box-Jenkins para pronosticar los precios de huevo blanco pagados al productor en México. Agrociencia. 6(53):911-925.

Makridakis, S.; Wheelwright, S. C. and Hyndman, R. J. 1997. Forecasting, methods and applications. Jhon Wiley and Sons. 3a (Ed). EU. 656 p.

Marroquín, G. y Chalita, L. E. 2010. Aplicación de la metodología Box-Jenkins para pronóstico de precios en jitomate. México. Rev. Mex. Cienc. Agríc. 4(2):573-577. http://www.redalyc.org/articulo.oa?id=263119723008.

Ortiz A. y Montiel, A. N. 2017. Transmisión de precios futuros de maíz del chicago board of trade al mercado spot mexicano. México. Contaduría y Administración. (62):924-940. https://doi.org/10.1016/j.cya.2016.01.004.

Pankratz, A. 1983. Forecasting with univariate Box-Jenkins models concepts and cases. Jhon Wiley and Sons. EU. 588 p.

Quintana, L. y Mendoza, M. A. 2010. Econometría aplicada utilizando R. Universidad Nacional Autónoma de México (UNAM). México. 358 p.

SAGARPA. 2017. Secretaría de Agricultura Ganadería Desarrollo Rural Pesca y Alimentación. Planeación agrícola nacional 2017-2030. México, DF.

Sánchez- López, E.; Barreras-Serrano, A.; Pérez-Linares, C.; Figueroa-Saavedra, F. y Olivas-Valdez J. A. 2013. Aplicación de un modelo ARIMA para pronosticar la producción de leche de bovino en baja california, México. Trop. Subtrop. Agroecosys. 3(16):315-324.

SIAP. 2020. Servicio de Información Agroalimentaria y Pesquera. https://nube.siap.gob.mx/ cierreagricola/.

SIAP. 2019. Servicio de Información Agroalimentaria y Pesquera. Panorama agroalimentario 2019. México, DF.

SIAP. 2012. Servicio de Información Agroalimentaria y Pesquera. Situación actual y perspectivas del maíz en México 1996-2012. http://www.campomexicano.gob.mx/portal-siap/ Integracion/EstadisticaDerivada/ComercioExterior/Estudios/Perspectivas/maiz96-12.pdf.

SNIIM. 2018. Sistema Nacional de Información e Integración de Mercados. Secretaría de Economía. http://www.economia-sniim.gob.mx/nuevo/.

Schwarz, G. 1978. Estimating the dimension of a model. Annals of statistics. 6(2):461-464. MR 468014. doi:10.1214/aos/1176344136.

Publicado

2022-03-23

Cómo citar

López-García, María del Rosario, Miguel Ángel Martínez-Damián, y José Jaime Arana-Coronado. 2022. «Predictores Del Precio De maíz Blanco En Jalisco Y Michoacán». Revista Mexicana De Ciencias Agrícolas 13 (2). México, ME:261-72. https://doi.org/10.29312/remexca.v13i2.2740.

Número

Sección

Artículos

Artículos más leídos del mismo autor/a