Pronóstico de precios de la carne de cerdo mexicana, con base en el crudo WTI, Maíz y Soya
Resumen
La investigación realizada es de tipo correlacional y estudió la influencia del precio del barril del crudo WTI, el bushel de Maíz y la tonelada de harina de Soya como variables independientes, sobre el precio de la libra de carne de cerdo mexicana, con el objetivo de hallar una función que explique dichas variaciones. Se utilizaron datos promedios mensuales de los precios, recolectados en un periodo de 10 años desde el 01/10/2012 hasta el 01/09/2022. En los datos hay una clara tendencia lineal entre el precio de la carne de cerdo con el precio del barril de crudo WTI, y el precio de la tonelada de harina de soya, más no tan clara o evidente con el precio del bushel de maíz, siendo esta variable excluida del modelo final por ser estadísticamente no significativa (Sig. 0,184). Las variables independientes del modelo final son estadísticamente significativas (Sig. 0,000), con valores de t–student de 4,999 para el crudo WTI y 3,697 para la harina de soya y no existen problemas de colinealidad entre ellas. El modelo obtenido es de regresión lineal múltiple, y tiene como predictores del precio de la carne de cerdo : el precio del barril de crudo WTI y el precio de la tonelada de harina de soya . Pronostica que el precio de la carne de cerdo no puede descender de 15,50 centavos de USD por libra, y puede explicar las variaciones de esta en un 61,4 %. Los residuos estandarizados del modelo presentan una distribución normal, corroborado mediante una prueba de Kolmogorov–Smirnov de 0,071, existiendo un par valores extremos positivos, que pueden informar sobre las circunstancias de las variables para el interés del investigador en los meses de mayo y junio del año 2021.
Descargas
Citas
Chuluunsaikan T, Ryu GA, Yoo KH, Rah H, Nasridinov A. Incorporating Deep Learning and News Topic Modeling for Forescating Pork Prices: The Case of South Korea. Agricult. [Internet]. 2020; 10:513. doi: https://doi.org/kmzp
Parant, A. World population: Trends and prospects. Futuribles. [Internet]. 2023; 452:63–85. doi: https://doi.org/ktx9
El Sitio Porcino. Sector porcino: ¿Qué pasa con los costos de producción? [Internet] Charlbury (GBR): Global Ag Media. 2018 [consultado 20 Ene 2023]; Disponible en: https://bit.ly/3QFN3wv.
Campabadal C. Guía técnica para la alimentación de cerdos. Costa Rica: Imprenta Nacional. 2009; p. 7–23.
Henke A. La relación entre el precio del petróleo WTI y los índices bursátiles S&P 500 y el S&P 500 del sector energético. [tesis de maestría en Internet]. Argentina: Universidad de San Andrés; 2017 [consultado 18 Feb 2023]. 32 p. Disponible en: https://bit.ly/45dCpke.
Zhang Y, Ma F, Wang Y. Forecasting crude oil prices with a large set of predictors: Can LASSO select powerful predictors? J. Empir. Finance. [Internet]. 2019; 54:97–117. doi: https://doi.org/gmmqqk
Zhang D, Li Q, Mugera AW, Ling L. A hybrid model considering cointegration for interval–valued pork price forecasting in China. J. Forescasting. [Internet]. 2020; 39:1324–1341. doi: https://doi.org/ghhm6n
Boubaker S, Liu Z, Zhang Y. Forecasting oil commodity spot price in a data–rich enviroment. Ann. Oper. Res. [Internet]. 2022; 1–10. doi: https://doi.org/km2g
Zhang Y, Wei Y, Zhang Y, Jin D. Forecasting oil price volatility: Forecast combination versus shrinkage method. Energy Econom. [Internet]. 2019; 80:423–433. doi: https://doi.org/gjgdww
Evelina D, Barca E, Mikosz R, de Araujo H, Berardi L, Passarella G. Linear and evolutionary polynomial regression models to forecast coastal dynamics: Comparison and reliability assessment. Geomorph. [Internet]. 2018; 300:128–140. doi: https://doi.org/gctbdn
Goyal L, Mittal M, Sethi J, Hemanth DJ. Monitoring the Impact of Economic Crisis on Crime in India Using Machine Learning. Comput. Econom. [Internet]. 2019; 53:1467–1485. doi: https://doi.org/gmq32s
Hung NT. Oil prices and agricultural commodity markets: Evidence from pre and during COVID–19 outbreak. Resour. Policy. [Internet]. 2021; 73(102236):1–10. doi: https://doi.org/gk7t43
Bianco V, Manca O, Nardini S. Linear Regression Models to Forecast Electricity Consumption in Italy. Energy Sourc. [Internet]. 2012; 8(Pt B):86–93. doi: https://doi.org/gf8ntm
Huang J, Aldeeb H. Mathematical Modeling and Forecasting of Economic Variables Based on Linear Regression Statistics. Appl. Mathemat. Nonliner. [Internet]. 2022; 1–7. doi: https://doi.org/km2k
Silva D, de Souza Y, Antonini T, Valadares H, de Nobrega M. Unorganized machines and linear multivariate regression model applied to atmospheric pollutant forecasting. Acta Scientif. Technol. [Internet]. 2020; 42(48203):1–11. doi: https://doi.org/km2m
Walpole RE, Myers RH, Myers SL, Ye K. Probabilidad y estadística para ingeniería y ciencias. México. Pearson. 2012; p. 319–506.
Navidi W. Estadística para ingenieros y científicos. México: McGraw Hill. 2006; p. 368–527.
Ahumada H, Cornejo M. Forecasting food prices: The case of corn, soybeans and wheat. International Journal of Forecasting. 2016; 32(3):838–848. doi: https://doi.org/gn8635
Hayrapetyan HN, Hambaryan MA. Empirical Specification of Factors Affecting Per Capita Pork Consumption in Armenia. AgriScience and Technology. 2020; 70(2):35–42.
Wen F, Zhao Y, Zhang M, Hu C. Forecasting realized volatility of crude oil futures with equity market uncertainty. Appl. Econ. [Internet]. 2019; 51(59):6411–6427. doi: https://doi.org/gpcm2p
Li X, Shang W, Wang S. Text–based crude oil price forecasting: A deep learning approach. Int. J. Forecast. [Internet]. 2019; 35:1548–1560. doi: https://doi.org/gmwq4k
Wang, C. and Sun, Z. Monthly pork price forecasting method based on Census X12–GM(1,1) combination model. PLoS ONE. [Internet] 2021; 16(5):e0251436. doi: https://doi.org/kt6d
Derechos de autor 2023 Sergio Orozco-Cirilo, Juan Manuel Vargas-Canales, Sergio Ernesto Medina–Cuéllar, Juan Antonio Bautista
Esta obra está bajo licencia internacional Creative Commons Reconocimiento-NoComercial-CompartirIgual 4.0.
