Elaboració de models ARIMA per a productes carnis

Abstract

Aquest estudi especifica els millors models predictius ARIMA per les vendes i ingressos de quatre productes carnis. Per aquest propòsit, seguirem la metodologia de Box i Jenkins. Aquesta metodologia es basa en quatre etapes: identificació, estimació, validació i predicció. En la primera etapa, identificarem el model ARIMA a partir de l’anàlisi univariant de les vendes i ingressos dels productes. Tindrem en compte la representació gràfica d eles sèries temporals (2011-2014) i els gràfics de les funcions d’autocorrelació (FAS i FASP). Cal dir que per poder elaborar els models ARIMA, les vendes i els ingressos han de seguir patrons estacionaris i no estacionals. En la segona etapa, estimarem els paràmetres i especificarem el model identificat prèviament. Per fer-ho, utilitzarem el mètode d'estimació per la màxima versemblança. En la tercera etapa, validarem el model especificat. El terme independent i tots els coeficients del model han de ser significatius. A més, el terme residual s’ha de comportar com un soroll blanc. Per acabar, en l’ultima etapa, realitzarem les prediccions per l’any 2015 per les vendes i ingressos de cada producte i, finalment calcularem l’error de predicció que cometen els models. Una vegada especificats els models ARIMA per a tots els productes, seleccionarem aquell model que realitzi la millor predicció per les vendes i ingressos.

This research specifies the best ARIMA prediction models for sales and incomes of four meat products. For this purpose, we will use the methodology of Box and Jenkins. This methodology is based on four stages; identification, estimation, validation and prediction. In the first stage, we will identify the ARIMA model from the univariate analysis of product sales and income. We will consider the graphic representation of the (2011-2014) time series and the autocorrelation function graphics (FAS and FASP). It must be said that to prepare the ARIMA models, sales and incomes must follow stationary patterns and not seasonal. In the second stage, we will estimate the parameters and specify the model identified previously. To do so, we will use the maximum likelihood estimation method. In the third stage, we will validate the specified model. The independent term and all the model coefficients must be significant. In addition, the residual term must behave like white noise. Finally, in the last stage we will make the predictions for the 2015 sales and incomes for each product, and finally calculate the prediction error committed by the models. Once the ARIMA models for all products are specified, we will select those which perform a better prediction model for sales and incomes.