Un modelo Box Jenkins ARIMA para modelar y pronosticar la producción de mora de castilla en Colombia

La producción de mora de castilla en Colombia contribuye al producto interno bruto, al empleo y al bienestar social de los agricultores del país. Es considerado de gran importancia económica una vez que los frutos de la mora son utilizados como materia prima para la agroindustria. De esta manera, la...

Full description

Autores:: Cancino, Susan Elsa
Cancino Escalante, Giovanni Orlando
Cancino Ricketts, Daniel Francisco

Tipo de recurso:: Article of journal

Fecha de publicación:: 2022

Institución:: Corporación Universidad de la Costa

Repositorio:: REDICUC - Repositorio CUC

Idioma:: spa

id	RCUC2_f598631bcc60ca5d8e4fea69dcf32109
oai_identifier_str	oai:repositorio.cuc.edu.co:11323/11976
network_acronym_str	RCUC2
network_name_str	REDICUC - Repositorio CUC
repository_id_str
dc.title.spa.fl_str_mv	Un modelo Box Jenkins ARIMA para modelar y pronosticar la producción de mora de castilla en Colombia
dc.title.translated.eng.fl_str_mv	Modeling and forecasting blackberry production in Colombia using a Box Jenkins ARIMA approach
title	Un modelo Box Jenkins ARIMA para modelar y pronosticar la producción de mora de castilla en Colombia
spellingShingle	Un modelo Box Jenkins ARIMA para modelar y pronosticar la producción de mora de castilla en Colombia Capacidad predictiva análisis univariado modelado de datos producción Predictive capacity univariate analysis data modeling production
title_short	Un modelo Box Jenkins ARIMA para modelar y pronosticar la producción de mora de castilla en Colombia
title_full	Un modelo Box Jenkins ARIMA para modelar y pronosticar la producción de mora de castilla en Colombia
title_fullStr	Un modelo Box Jenkins ARIMA para modelar y pronosticar la producción de mora de castilla en Colombia
title_full_unstemmed	Un modelo Box Jenkins ARIMA para modelar y pronosticar la producción de mora de castilla en Colombia
title_sort	Un modelo Box Jenkins ARIMA para modelar y pronosticar la producción de mora de castilla en Colombia
dc.creator.fl_str_mv	Cancino, Susan Elsa Cancino Escalante, Giovanni Orlando Cancino Ricketts, Daniel Francisco
dc.contributor.author.spa.fl_str_mv	Cancino, Susan Elsa Cancino Escalante, Giovanni Orlando Cancino Ricketts, Daniel Francisco
dc.subject.spa.fl_str_mv	Capacidad predictiva análisis univariado modelado de datos producción
topic	Capacidad predictiva análisis univariado modelado de datos producción Predictive capacity univariate analysis data modeling production
dc.subject.eng.fl_str_mv	Predictive capacity univariate analysis data modeling production
description	La producción de mora de castilla en Colombia contribuye al producto interno bruto, al empleo y al bienestar social de los agricultores del país. Es considerado de gran importancia económica una vez que los frutos de la mora son utilizados como materia prima para la agroindustria. De esta manera, la inestabilidad de la producción afecta la rentabilidad económica de los agricultores; por lo tanto, el pronóstico de la producción de mora posee un importante papel en la asignación de recursos y la toma de decisiones de los agricultores. Por lo tanto, el propósito del estudio fue modelar y pronosticar la producción de mora en Colombia utilizando un enfoque ARIMA de Box Jenkins para el período 1992-2023. Se seleccionó una investigación tipo cuantitativa, no experimental, correlacional y descriptiva. Se evaluó la adecuación del modelo y su capacidad predictiva mediante la verificación de los diferentes criterios de bondad de ajuste. Los resultados mostraron que ARIMA (1,1,0) fue el modelo más adecuado una vez que capturó el comportamiento de la serie temporal actual. Con base en los valores pronosticados se espera un aumento de 5,47% en la producción de mora para el período 2021-2023 lo que mejorará los ingresos de los agricultores y contribuirá, así a la reducción de la pobreza en el campo.
publishDate	2022
dc.date.issued.none.fl_str_mv	2022-01-01
dc.date.accessioned.none.fl_str_mv	2023-01-01 00:00:00 2024-04-09T20:10:19Z
dc.date.available.none.fl_str_mv	2023-01-01 00:00:00 2024-04-09T20:10:19Z
dc.type.spa.fl_str_mv	Artículo de revista
dc.type.coar.spa.fl_str_mv	http://purl.org/coar/resource_type/c_6501 http://purl.org/coar/resource_type/c_2df8fbb1
dc.type.content.spa.fl_str_mv	Text
dc.type.driver.spa.fl_str_mv	info:eu-repo/semantics/article
dc.type.local.eng.fl_str_mv	Journal article
dc.type.redcol.spa.fl_str_mv	http://purl.org/redcol/resource_type/ART
dc.type.version.spa.fl_str_mv	info:eu-repo/semantics/publishedVersion
dc.type.coarversion.spa.fl_str_mv	http://purl.org/coar/version/c_970fb48d4fbd8a85
format	http://purl.org/coar/resource_type/c_6501
status_str	publishedVersion
dc.identifier.issn.none.fl_str_mv	0120-3932
dc.identifier.uri.none.fl_str_mv	https://hdl.handle.net/11323/11976
dc.identifier.url.none.fl_str_mv	https://doi.org/10.17981/econcuc.44.1.2023.Econ.4
dc.identifier.doi.none.fl_str_mv	10.17981/econcuc.44.1.2023.Econ.4
dc.identifier.eissn.none.fl_str_mv	2382-3860
identifier_str_mv	0120-3932 10.17981/econcuc.44.1.2023.Econ.4 2382-3860
url	https://hdl.handle.net/11323/11976 https://doi.org/10.17981/econcuc.44.1.2023.Econ.4
dc.language.iso.spa.fl_str_mv	spa
language	spa
dc.relation.ispartofjournal.spa.fl_str_mv	Económicas CUC
dc.relation.references.spa.fl_str_mv	Afzal, M., Rehman, H. U. & Butt, A. R. (2002). Forecasting: a dilemma of modules (A Comparison of Theory Based and Theory Free Approaches). Pakistan Economic and Social Review, 40(1), 1–18. Available: https://www.jstor.org/stable/25825233 Agronet. (s.f.). Blackberry statistical data [Database]. Available: http://www.agronet.gov.co/estadistica/Paginas/home.aspx Akın, M., Eyduran, S., Çelik, Ş., Aliyev, P., Ayko, S. & Eyduran, E. (2021). Modeling and forecasting cherry production in Turkey. The Journal of Animal and Plant Science, 31(3), 773–781. https://doi.org/10.36899/JAPS.2021.3.0267 Arguello, R. & Valderrama-González, D. (2015). Sectoral and poverty impacts of agricultural policy adjustments in Colombia. Agricultural Economics, 46(2), 259–280. https://doi.org/10.1111/agec.12155 Burhan, A. & Khalid, M. (2006). Forecasting Kinnow production in Pakistan: An econometric analysis. International Journal of Agriculture & Biology, 8(4), 455–458. Available from https://www.fspublishers.org/published_papers/6916_..pdf Brandt, J. & Bessler, D. (1984). Forecasting with Vector Autoregressions versus a Univariate ARIMA Process: An empirical example with U.S. Hog Prices. North Central Journal of Agricultural Economics, 6(2), 29–36. https://doi.org/10.2307/1349248 Brooks, C. (2019). Introductory econometrics for finance. Cambridge: Cambridge University Press. https://doi.org/10.1017/9781108524872 Cancino, S., Cancino-Escalante, G. y Cancino-Ricketts, D. (2020). Modelo econométrico para el cultivo de mora de castilla (Rubus glaucus) en los municipios de Pamplona y Chitagá, Norte de Santander, Colombia. Aibi Revista de Investigación, Administración e Ingeniería, 8(1), 37–43. https://doi.org/10.15649/2346030X.752 Cancino, S., Cancino, G. y Cancino, D. (2021). Análisis de regresión de los factores que afectan la rentabilidad económica de la producción de curuba. Dictamen Libre, (29), 1–13. https://doi.org/10.18041/2619-4244/dl.29.7861 Cárdenas M, Echavarría J, Hernández G, Maiguashca A, Meisel A, Ocampo, J. y Zárate, J. (2018). Coyuntura del sector agropecuario colombiano. [Informe de la Junta Directiva al Congreso de la República]. Bogotá, D.C.: Banco de la República. Disponible en https://www.banrep.gov.co/es/recuadro-2-coyuntura-del-sectoragropecuario-colombiano Chen, C.-K. (2008). An integrated enrollment forecast model. AIR IR Applications, 15, 1–18. Available: https://eric.ed.gov/?id=ED504328 Dickey, D. & Fuller, W. (1979). Distribution of the estimators for autoregressive time series with a unit root. Journal of the American Statistical Association, 74(366), 427–431. https://doi.org/10.2307/2286348 E-views (version 9.0). Econometric Views. [Software]. London: IHS. Available: www.eviews.com Franco G. y Giraldo, M. (1998). El cultivo de la mora. Mosquera: Corporación Colombiana de Investigación Agropecuaria-CORPOICA. Disponible en http://bibliotecadigital.agronet.gov.co/handle/11348/4039 FAO. (s.f.). FAOSTAT. Crops and livestock products. [Database]. Available: https://www.fao.org/faostat/en/#data/QCL Gajbihe, S., Wankhade, R. & Mahalle, S. (2010). Forecasting chickpea production in India using ARIMA model. International Journal of Commerce and Business Management, 3(2), 212–215. Available from http://researchjournal.co.in/upload/assignments/3_212-215.pdf Gujarati, D. y Porter, D. (2010). Econometría. México D.F.: McGraw Hill. Hamjah, M. A. (2014). Forecasting Major Fruit Crops Productions in Bangladesh using Box-Jenkins ARIMA Model. Journal of Economics and Sustainable Development, 5(7), 96–107. Available from https://core.ac.uk/download/pdf/234646336.Pdf Henley D. (2012). The agrarian roots of industrial growth: rural development in South-East Asia and sub-Saharan Africa. Development Policy Review, 30(51), 25–47. https://doi.org/10.1111/j.1467-7679.2012.00564.x Iqbal, M. A. (2020). Application of regression techniques with their advantages and disadvantages. Elektor Magazine, 4(1), 11–17. Available: https://www.elektormagazine.com/magazine-archive/2020 Judge, G., Hill, R., Griffiths W., Lutkepohl, H. & Lee, T. (1991). An introduction to the theory and practice of econometrics. [2 ed.]. New York: Wiley. Khan, S. & Khan, U. (2020). Comparison of Forecasting Performance with VAR vs. ARIMA Models Using Economic Variables of Bangladesh. Asian Journal of Probability and Statistics, 10(2), 33–47. https://doi.org/10.9734/ajpas/2020/v10i230243 Khan, D., Ullah, A., Bibi, Z., Ullah, I., Zulfiqar, M. & Khan, Z. (2020). Forecasting area and production of guava in Pakistan: An econometric analysis. Sarhad Journal of Agriculture, 36(1), 272–281. http://dx.doi.org/10.17582/journal.sja/2020/36.1.272.281 Majid, R. & Mir, S. (2018). Advances in Statistical Forecasting Methods: An Overview. Economic Affairs, 63(4), 815–831. https://doi.org/10.30954/0424-2513.4.2018.5 Mehmood, S. & Ahmad, Z. (2013). Time series model to forecast area of mangoes from Pakistan: An application of univariate ARIMA model. Academy of Contemporary Research, 2(1), 10–15. Meyler, A., Kenny, G. & Quinn, T. (1998). Forecasting Irish inflation using ARIMA models [Technical Paper 3/RT/98]. Dublín: Central Bank of Ireland. Available: https://www.centralbank.ie/docs/default-source/publications/research-technicalpapers/3rt98---forecasting-irish-inflation-using-arima-models-(kenny-meylerand-quinn).pdf Phillips, P. & Perron, P. (1988). Testing for a unit root in time series regression. Biometricka, 75(2), 335–346. https://doi.org/10.2307/2336182 República de Colombia. MinAgricultura. (2021). Cadena productiva de la mora Dirección de Cadenas Agrícolas y Forestales. Marzo de 2021. Bogotá, D.C.: Minagricultura.Recuperado de https://sioc.minagricultura.gov.co/Mora/Documentos/2021-03-31%20Cifras%20Sectoriales.pdf Restrepo, M., Luna-Ramirez, J. & Castaño-Quintero, V. (2019). Evaluation of the shelf-life of blackberry pulp fortified with physiologically active compounds. Respuestas, 24(2), 16–26. Available: https://revistas.ufps.edu.co/index.php/respuestas/article/download/1827/2203?inline=1 Sánchez-López, E., Barreras-Serrano, A., Pérez-Linares, C., Figueroa-Saavedra, F. & Olivas-Valdez, J. (2013). Using an ARIMA model to forecast bovine milk production in Baja California, México. Tropical and Subtropical Agroecosystems, 16(3), 315–324. Available: https://www.revista.ccba.uady.mx/ojs/index.php/TSA/article/view/1290 Ullah, A., Khan, D. & Zheng, S. (2018). Forecasting of peach area and production wise econometric analysis. The Journal of Animal & Plant Sciences, 28(4), 1121–1127. Available: http://www.thejaps.org.pk/docs/v-28-04/23.pdf
dc.relation.citationendpage.none.fl_str_mv	69–82
dc.relation.citationstartpage.none.fl_str_mv	69–82
dc.relation.citationissue.spa.fl_str_mv	1
dc.relation.citationvolume.spa.fl_str_mv	44
dc.relation.bitstream.none.fl_str_mv	https://revistascientificas.cuc.edu.co/economicascuc/article/download/4203/4409 https://revistascientificas.cuc.edu.co/economicascuc/article/download/4203/4410 https://revistascientificas.cuc.edu.co/economicascuc/article/download/4203/4411 https://revistascientificas.cuc.edu.co/economicascuc/article/download/4203/4412
dc.relation.citationedition.spa.fl_str_mv	Núm. 1 , Año 2023 : Enero - Junio, 2023
dc.rights.spa.fl_str_mv	Susan Elsa Cancino, Giovanni Orlando Cancino Escalante, Daniel Francisco Cancino Ricketts - 2023
dc.rights.uri.spa.fl_str_mv	https://creativecommons.org/licenses/by-nc-nd/4.0
dc.rights.accessrights.spa.fl_str_mv	info:eu-repo/semantics/openAccess
dc.rights.coar.spa.fl_str_mv	http://purl.org/coar/access_right/c_abf2
rights_invalid_str_mv	Susan Elsa Cancino, Giovanni Orlando Cancino Escalante, Daniel Francisco Cancino Ricketts - 2023 https://creativecommons.org/licenses/by-nc-nd/4.0 http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv	openAccess
dc.format.mimetype.spa.fl_str_mv	application/pdf text/html text/xml application/epub+zip
dc.publisher.spa.fl_str_mv	Universidad de la Costa
dc.source.spa.fl_str_mv	https://revistascientificas.cuc.edu.co/economicascuc/article/view/4203
institution	Corporación Universidad de la Costa
bitstream.url.fl_str_mv	https://repositorio.cuc.edu.co/bitstreams/b1c1a41f-709a-4cbc-8e42-b676a6855f3a/download
bitstream.checksum.fl_str_mv	6dbbea868d46c38ac9a3440cbf394e78
bitstream.checksumAlgorithm.fl_str_mv	MD5
repository.name.fl_str_mv	Repositorio de la Universidad de la Costa CUC
repository.mail.fl_str_mv	repdigital@cuc.edu.co
_version_	1811760834414641152
spelling	Cancino, Susan ElsaCancino Escalante, Giovanni OrlandoCancino Ricketts, Daniel Francisco2023-01-01 00:00:002024-04-09T20:10:19Z2023-01-01 00:00:002024-04-09T20:10:19Z2022-01-010120-3932https://hdl.handle.net/11323/11976https://doi.org/10.17981/econcuc.44.1.2023.Econ.410.17981/econcuc.44.1.2023.Econ.42382-3860La producción de mora de castilla en Colombia contribuye al producto interno bruto, al empleo y al bienestar social de los agricultores del país. Es considerado de gran importancia económica una vez que los frutos de la mora son utilizados como materia prima para la agroindustria. De esta manera, la inestabilidad de la producción afecta la rentabilidad económica de los agricultores; por lo tanto, el pronóstico de la producción de mora posee un importante papel en la asignación de recursos y la toma de decisiones de los agricultores. Por lo tanto, el propósito del estudio fue modelar y pronosticar la producción de mora en Colombia utilizando un enfoque ARIMA de Box Jenkins para el período 1992-2023. Se seleccionó una investigación tipo cuantitativa, no experimental, correlacional y descriptiva. Se evaluó la adecuación del modelo y su capacidad predictiva mediante la verificación de los diferentes criterios de bondad de ajuste. Los resultados mostraron que ARIMA (1,1,0) fue el modelo más adecuado una vez que capturó el comportamiento de la serie temporal actual. Con base en los valores pronosticados se espera un aumento de 5,47% en la producción de mora para el período 2021-2023 lo que mejorará los ingresos de los agricultores y contribuirá, así a la reducción de la pobreza en el campo.Blackberry production in Colombia contributes to the nation´s gross domestic profit, employment and farmers’ social well-being. It is considered of great economic importance as blackberry fruits are used as raw material for the agroindustry. In this manner, production instability affects farmers’ economic profitability; therefore, forecasting plays an important role in monitoring production as well as in farmers´ planting decision and resource allocation. Hence, the purpose of the study was to model and forecast blackberry production in Colombia using a Box Jenkins ARIMA approach for the period 1992-2023. A quantitative, non-experimental, correlational and descriptive research design was selected. The appropriateness of the model and its predictive capacity was assessed by verifying the different goodness-of-fit criteria. Results showed that the ARIMA (1,1,0) was the most suitable model as it captured the behavior of the actual time series. Based on the forecasted values it is expected a 5.47% increase in blackberry production for the period 2021-2023 which will consequently improve farmers´ income and thus contribute to the reduction in poverty.application/pdftext/htmltext/xmlapplication/epub+zipspaUniversidad de la CostaSusan Elsa Cancino, Giovanni Orlando Cancino Escalante, Daniel Francisco Cancino Ricketts - 2023https://creativecommons.org/licenses/by-nc-nd/4.0info:eu-repo/semantics/openAccessEsta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.http://purl.org/coar/access_right/c_abf2https://revistascientificas.cuc.edu.co/economicascuc/article/view/4203Capacidad predictivaanálisis univariadomodelado de datosproducciónPredictive capacityunivariate analysisdata modelingproductionUn modelo Box Jenkins ARIMA para modelar y pronosticar la producción de mora de castilla en ColombiaModeling and forecasting blackberry production in Colombia using a Box Jenkins ARIMA approachArtículo de revistahttp://purl.org/coar/resource_type/c_6501http://purl.org/coar/resource_type/c_2df8fbb1Textinfo:eu-repo/semantics/articleJournal articlehttp://purl.org/redcol/resource_type/ARTinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/version/c_970fb48d4fbd8a85Económicas CUCAfzal, M., Rehman, H. U. & Butt, A. R. (2002). Forecasting: a dilemma of modules (A Comparison of Theory Based and Theory Free Approaches). Pakistan Economic and Social Review, 40(1), 1–18. Available: https://www.jstor.org/stable/25825233Agronet. (s.f.). Blackberry statistical data [Database]. Available: http://www.agronet.gov.co/estadistica/Paginas/home.aspxAkın, M., Eyduran, S., Çelik, Ş., Aliyev, P., Ayko, S. & Eyduran, E. (2021). Modeling and forecasting cherry production in Turkey. The Journal of Animal and Plant Science, 31(3), 773–781. https://doi.org/10.36899/JAPS.2021.3.0267Arguello, R. & Valderrama-González, D. (2015). Sectoral and poverty impacts of agricultural policy adjustments in Colombia. Agricultural Economics, 46(2), 259–280. https://doi.org/10.1111/agec.12155Burhan, A. & Khalid, M. (2006). Forecasting Kinnow production in Pakistan: An econometric analysis. International Journal of Agriculture & Biology, 8(4), 455–458. Available from https://www.fspublishers.org/published_papers/6916_..pdfBrandt, J. & Bessler, D. (1984). Forecasting with Vector Autoregressions versus a Univariate ARIMA Process: An empirical example with U.S. Hog Prices. North Central Journal of Agricultural Economics, 6(2), 29–36. https://doi.org/10.2307/1349248Brooks, C. (2019). Introductory econometrics for finance. Cambridge: Cambridge University Press. https://doi.org/10.1017/9781108524872Cancino, S., Cancino-Escalante, G. y Cancino-Ricketts, D. (2020). Modelo econométrico para el cultivo de mora de castilla (Rubus glaucus) en los municipios de Pamplona y Chitagá, Norte de Santander, Colombia. Aibi Revista de Investigación, Administración e Ingeniería, 8(1), 37–43. https://doi.org/10.15649/2346030X.752Cancino, S., Cancino, G. y Cancino, D. (2021). Análisis de regresión de los factores que afectan la rentabilidad económica de la producción de curuba. Dictamen Libre, (29), 1–13. https://doi.org/10.18041/2619-4244/dl.29.7861Cárdenas M, Echavarría J, Hernández G, Maiguashca A, Meisel A, Ocampo, J. y Zárate, J. (2018). Coyuntura del sector agropecuario colombiano. [Informe de la Junta Directiva al Congreso de la República]. Bogotá, D.C.: Banco de la República. Disponible en https://www.banrep.gov.co/es/recuadro-2-coyuntura-del-sectoragropecuario-colombianoChen, C.-K. (2008). An integrated enrollment forecast model. AIR IR Applications, 15, 1–18. Available: https://eric.ed.gov/?id=ED504328Dickey, D. & Fuller, W. (1979). Distribution of the estimators for autoregressive time series with a unit root. Journal of the American Statistical Association, 74(366), 427–431. https://doi.org/10.2307/2286348E-views (version 9.0). Econometric Views. [Software]. London: IHS. Available: www.eviews.comFranco G. y Giraldo, M. (1998). El cultivo de la mora. Mosquera: Corporación Colombiana de Investigación Agropecuaria-CORPOICA. Disponible en http://bibliotecadigital.agronet.gov.co/handle/11348/4039FAO. (s.f.). FAOSTAT. Crops and livestock products. [Database]. Available: https://www.fao.org/faostat/en/#data/QCLGajbihe, S., Wankhade, R. & Mahalle, S. (2010). Forecasting chickpea production in India using ARIMA model. International Journal of Commerce and Business Management, 3(2), 212–215. Available from http://researchjournal.co.in/upload/assignments/3_212-215.pdfGujarati, D. y Porter, D. (2010). Econometría. México D.F.: McGraw Hill.Hamjah, M. A. (2014). Forecasting Major Fruit Crops Productions in Bangladesh using Box-Jenkins ARIMA Model. Journal of Economics and Sustainable Development, 5(7), 96–107. Available from https://core.ac.uk/download/pdf/234646336.PdfHenley D. (2012). The agrarian roots of industrial growth: rural development in South-East Asia and sub-Saharan Africa. Development Policy Review, 30(51), 25–47. https://doi.org/10.1111/j.1467-7679.2012.00564.xIqbal, M. A. (2020). Application of regression techniques with their advantages and disadvantages. Elektor Magazine, 4(1), 11–17. Available: https://www.elektormagazine.com/magazine-archive/2020Judge, G., Hill, R., Griffiths W., Lutkepohl, H. & Lee, T. (1991). An introduction to the theory and practice of econometrics. [2 ed.]. New York: Wiley.Khan, S. & Khan, U. (2020). Comparison of Forecasting Performance with VAR vs. ARIMA Models Using Economic Variables of Bangladesh. Asian Journal of Probability and Statistics, 10(2), 33–47. https://doi.org/10.9734/ajpas/2020/v10i230243Khan, D., Ullah, A., Bibi, Z., Ullah, I., Zulfiqar, M. & Khan, Z. (2020). Forecasting area and production of guava in Pakistan: An econometric analysis. Sarhad Journal of Agriculture, 36(1), 272–281. http://dx.doi.org/10.17582/journal.sja/2020/36.1.272.281Majid, R. & Mir, S. (2018). Advances in Statistical Forecasting Methods: An Overview. Economic Affairs, 63(4), 815–831. https://doi.org/10.30954/0424-2513.4.2018.5Mehmood, S. & Ahmad, Z. (2013). Time series model to forecast area of mangoes from Pakistan: An application of univariate ARIMA model. Academy of Contemporary Research, 2(1), 10–15.Meyler, A., Kenny, G. & Quinn, T. (1998). Forecasting Irish inflation using ARIMA models [Technical Paper 3/RT/98]. Dublín: Central Bank of Ireland. Available: https://www.centralbank.ie/docs/default-source/publications/research-technicalpapers/3rt98---forecasting-irish-inflation-using-arima-models-(kenny-meylerand-quinn).pdfPhillips, P. & Perron, P. (1988). Testing for a unit root in time series regression. Biometricka, 75(2), 335–346. https://doi.org/10.2307/2336182República de Colombia. MinAgricultura. (2021). Cadena productiva de la mora Dirección de Cadenas Agrícolas y Forestales. Marzo de 2021. Bogotá, D.C.: Minagricultura.Recuperado de https://sioc.minagricultura.gov.co/Mora/Documentos/2021-03-31%20Cifras%20Sectoriales.pdfRestrepo, M., Luna-Ramirez, J. & Castaño-Quintero, V. (2019). Evaluation of the shelf-life of blackberry pulp fortified with physiologically active compounds. Respuestas, 24(2), 16–26. Available: https://revistas.ufps.edu.co/index.php/respuestas/article/download/1827/2203?inline=1Sánchez-López, E., Barreras-Serrano, A., Pérez-Linares, C., Figueroa-Saavedra, F. & Olivas-Valdez, J. (2013). Using an ARIMA model to forecast bovine milk production in Baja California, México. Tropical and Subtropical Agroecosystems, 16(3), 315–324. Available: https://www.revista.ccba.uady.mx/ojs/index.php/TSA/article/view/1290Ullah, A., Khan, D. & Zheng, S. (2018). Forecasting of peach area and production wise econometric analysis. The Journal of Animal & Plant Sciences, 28(4), 1121–1127. Available: http://www.thejaps.org.pk/docs/v-28-04/23.pdf69–8269–82144https://revistascientificas.cuc.edu.co/economicascuc/article/download/4203/4409https://revistascientificas.cuc.edu.co/economicascuc/article/download/4203/4410https://revistascientificas.cuc.edu.co/economicascuc/article/download/4203/4411https://revistascientificas.cuc.edu.co/economicascuc/article/download/4203/4412Núm. 1 , Año 2023 : Enero - Junio, 2023PublicationOREORE.xmltext/xml2719https://repositorio.cuc.edu.co/bitstreams/b1c1a41f-709a-4cbc-8e42-b676a6855f3a/download6dbbea868d46c38ac9a3440cbf394e78MD5111323/11976oai:repositorio.cuc.edu.co:11323/119762024-09-17 14:07:45.08https://creativecommons.org/licenses/by-nc-nd/4.0Susan Elsa Cancino, Giovanni Orlando Cancino Escalante, Daniel Francisco Cancino Ricketts - 2023metadata.onlyhttps://repositorio.cuc.edu.coRepositorio de la Universidad de la Costa CUCrepdigital@cuc.edu.co

Un modelo Box Jenkins ARIMA para modelar y pronosticar la producción de mora de castilla en Colombia

Publicaciones similares