Predicción del precio por tonelada de cultivos de arroz en Colombia mediante el uso de series de tiempo no paramétricas

López Olivera, Emilio

Predicción del precio por tonelada de cultivos de arroz en Colombia mediante el uso de series de tiempo no paramétricas

dc.contributor.advisor	Pacheco López, Mario José
dc.contributor.author	López Olivera, Emilio
dc.date.accessioned	2024-11-26T23:07:52Z
dc.date.available	2024-11-26T23:07:52Z
dc.date.issued	2024-11
dc.description.abstract	En este trabajo se realiza un ejercicio de pronóstico del precio por tonelada de arroz en Colombia, proyectando seis meses en adelante, mediante modelos de series de tiempo no paramétricos para dos tipos de productos: el arroz blanco en bulto y el arroz paddy verde. Los modelos empleados se basan en un ajuste a partir de una estimación kernel, con una selección óptima del coeficiente de $d$ de Markov y del ancho de banda, utilizando la métrica MELM (Métrica de Error de Longitud Media) para cada horizonte de predicción. Estos modelos demostraron ser más eficientes en comparación con los tradicionales modelos ARIMA paramétricos. Los datos utilizados consisten en información histórica de precios obtenida del boletín SIPSA del DANE, abarcando el periodo desde enero de 2013 hasta junio de 2024, filtrados por modalidades de venta en los principales municipios productores del país. Se llevó a cabo un análisis descriptivo y se aplicaron técnicas de pronóstico no paramétricas, evaluando su rendimiento frente a los modelos ARIMA tradicionales. Los resultados indican que los modelos no paramétricos superan a los paramétricos en términos de capacidad predictiva, especialmente en contextos donde los precios presentan fluctuaciones. Las métricas de evaluación, como el Error Medio, el Error Absoluto Medio y la estadística U de Theil, reflejan una mejor adaptación de los modelos no paramétricos a la variabilidad del mercado. Estos hallazgos sugieren que los modelos no paramétricos pueden ofrecer una herramienta más sólida para la toma de decisiones en la planificación de la producción y comercialización del arroz en Colombia.
dc.description.abstractenglish	This paper performs a forecasting exercise for the price per ton of rice in Colombia, projecting six months ahead, using non-parametric time series models for two types of products: white rice in bulk and green paddy rice. The models used are based on an adjustment from a kernel estimate, with an optimal selection of the Markov coefficient $d$ and the bandwidth, using the MELM metric (Mean Error Metric Length) for each prediction horizon. These models proved to be more efficient compared to traditional parametric ARIMA models. The data used consists of historical price information obtained from DANE's SIPSA bulletin, covering the period from January 2013 to June 2024, filtered by sales methods in the main producing municipalities of the country. A descriptive analysis was carried out and non-parametric forecasting techniques were applied, evaluating their performance against traditional ARIMA models. The results indicate that nonparametric models outperform parametric models in terms of predictive capacity, especially in contexts where prices fluctuate. Evaluation metrics, such as Mean Error, Mean Absolute Error, and Theil's U statistic, reflect a better adaptation of nonparametric models to market variability. These findings suggest that nonparametric models may offer a more robust tool for decision-making in rice production and marketing planning in Colombia.
dc.description.degreelevel	Pregrado	spa
dc.description.degreename	Estadístico	spa
dc.format.mimetype	application/pdf
dc.identifier.instname	instname:Universidad El Bosque	spa
dc.identifier.reponame	reponame:Repositorio Institucional Universidad El Bosque	spa
dc.identifier.repourl	repourl:https://repositorio.unbosque.edu.co
dc.identifier.uri	https://hdl.handle.net/20.500.12495/13373
dc.language.iso	es
dc.publisher.faculty	Facultad de Ciencias	spa
dc.publisher.grantor	Universidad El Bosque	spa
dc.publisher.program	Estadística	spa
dc.relation.references	Aneiros-Pérez, G. and Vieu, P. (2008). Nonparametric time series prediction: A semifunctional partial linear modeling. Journal of Multivariate Analysis, 99(5):834–857.
dc.relation.references	Armstrong, J. S. (1978). Forecasting, long-range from crystal ball to computer.
dc.relation.references	Collomb, G., H¨ardle, W., and Hassani, S. (1986). A note on prediction via estimation of the conditional mode function. Journal of Statistical Planning and Inference, 15:227–236.
dc.relation.references	DANE (2022). Metodología general sistema de información de precios y abastecimiento del sector agropecuario - sipsap. Accedido en abril de 2023.
dc.relation.references	Deshpande, J. V., Naik-Nimbalkar, U., and Dewan, I. (2017). Nonparametric statistics: theory and methods. World Scientific.
dc.relation.references	FEDEARROZ (2014). Discurso instalación del xxxiv congreso nacional arrocero del doctor rafael hernández. Accedido en noviembre de 2023.
dc.relation.references	H¨ardle, W. (1990). Applied nonparametric regression. Number 19. Cambridge university press.
dc.relation.references	Hyndman, R. (2018). Forecasting: principles and practice. OTexts.
dc.relation.references	Hyndman, R. J. and Koehler, A. B. (2006). Another look at measures of forecast accuracy. International Journal of Forecasting, 22(4):679–688.
dc.relation.references	Kalman, R. E. (1960). A new approach to linear filtering and prediction problems.
dc.relation.references	Luna, O. C. et al. (2021). Modelo de predicción de precios de productos agropecuarios como base para la priorización de proyectos integrales de desarrollo agropecuario y rural con enfoque territorial en colombia en el marco de los impactos producidos por la covid-19.
dc.relation.references	Matzner-Løfber, E., Gannoun, A., and De Gooijer, J. G. (1998). Nonparametric forecasting: a comparison of three kernel-based methods. Communications in Statistics Theory and Methods, 27(7):1593–1617.
dc.relation.references	Ministerio de Agricultura (2014). Agronet. Área, producción y rendimiento nacional por cultivo. Accedido en abril de 2023.
dc.relation.references	Purohit, S. K., Panigrahi, S., Sethy, P. K., and Behera, S. K. (2021). Time series forecasting of price of agricultural products using hybrid methods. Applied Artificial Intelligence, 35(15):1388–1406.
dc.relation.references	Rodríguez, N. and Siado, P. (2003). Un pronóstico no paramétrico de la inflación colombiana. Revista Colombiana de Estadística, 26(2):89–128.
dc.relation.references	Tang, L., Risalat, H., Cao, R., Hu, Q., Pan, X., Hu, Y., and Zhang, G. (2022). Food security in china: A brief view of rice production in recent 20 years. foods 2022, 11, 3324.
dc.relation.references	Wand, M. P. and Jones, M. C. (1994). Kernel smoothing. CRC press.
dc.relation.references	Yoo, T.-W. and Oh, I.-S. (2020). Time series forecasting of agricultural products’ sales volumes based on seasonal long short-term memory. Applied sciences, 10(22):8169.
dc.relation.references	Bolsa Mercantil de Colombia (2022). Análisis de producto-arroz. Accedido en octubre de 2023.
dc.relation.references	Wei, W. W. (2006). Multivariate time series analysis and applications. John Wiley & Sons.
dc.rights	Atribución-NoComercial-CompartirIgual 4.0 Internacional	en
dc.rights.accessrights	info:eu-repo/semantics/openAccess
dc.rights.accessrights	http:/purl.org/coar/access_right/c_abf2/
dc.rights.local	Acceso abierto	spa
dc.rights.uri	http://creativecommons.org/licenses/by-nc-sa/4.0/
dc.subject	Modelos de series de tiempo
dc.subject	estadística no paramétrica
dc.subject	pronóstico
dc.subject	series de precios
dc.subject	arroz
dc.subject.ddc	519.5
dc.subject.keywords	Time series models
dc.subject.keywords	nonparametric statistics
dc.subject.keywords	forecasting
dc.subject.keywords	price series
dc.subject.keywords	rice
dc.title	Predicción del precio por tonelada de cultivos de arroz en Colombia mediante el uso de series de tiempo no paramétricas
dc.title.translated	Predicting the price per ton of rice crops in Colombia using non-parametric time series
dc.type.coar	https://purl.org/coar/resource_type/c_7a1f
dc.type.coarversion	https://purl.org/coar/version/c_ab4af688f83e57aa
dc.type.driver	info:eu-repo/semantics/bachelorThesis
dc.type.hasversion	info:eu-repo/semantics/acceptedVersion
dc.type.local	Tesis/Trabajo de grado - Monografía - Pregrado	spa