Metodologia de Séries Temporais como ferramenta de análise na produção de frangos no Brasil

  • Denise de Assis Paiva Departamento de Estatística Universidade Federal de Lavras
  • Ana Claudia Festucci Herval Departamento de Estatística Universidade Federal de Lavras
  • Thelma Sáfadi Professora Titular Departamento de Estatística Universidade Federal de Lavras
Palavras-chave: Séries temporais, abate de frangos, modelos de Box & Jenkins

Resumo

O presente trabalho apresenta a análise da série de abate de frangos (quantidade) desde 2000 até 2018. Esse estudo é relevante uma vez que o Brasil é o segundo maior produtor de carne de frango do mundo. Uma metodologia útil para analisar estes dados é a análise de séries temporais, com a qual pode-se verificar o aumento ou diminuição do abate ao longo do tempo, ajustar modelos e realizar previsões satisfatórias. Para esta análise, foram verificadas a aditividade do modelo, assim como a presença das componentes tendência e sazonalidade. Foi utilizada a modelagem de modelos da classe SARIMA (ARIMA sazonal). Os modelos considerados adequados à série foram comparados através das funções de perda das previsões, o Erro Quadrático Médio de Previsão e o Erro Médio Absoluto Percentual e em relação aos critérios de informação. Foi observado que a quantidade de frangos abatidos apresenta um crescimento (aparentemente linear) para então, a partir de 2016, começar a decair. De fato, a previsão para 2019 confirmou que os valores tendem a diminuir.

Biografia do Autor

Denise de Assis Paiva, Departamento de Estatística Universidade Federal de Lavras
Mestranda em Estatística e Experimentação Agropecuária
Ana Claudia Festucci Herval, Departamento de Estatística Universidade Federal de Lavras
Doutoranda em Estatística e Experimentação Agropecuária
Thelma Sáfadi, Professora Titular Departamento de Estatística Universidade Federal de Lavras

Referências

ABPA. Associação Brasileira de Proteína Animal. Relatório anual 2018. 176p, 2018.Disponível em: < http://abpa-br.com.br/storage/files/relatorio-anual-2018.pdf > . Acesso em 18 de março de 2019.

AKAIKE, H. A new look at the statistical model identification. IEEE Transactions on Automatic Control, AC-19, 716-723, 1974.

BOX, G. E. P.; JENKINS, G. M. Time Series Analysis: Forecasting and Control. San Francisco: HoldenDay, 1970 (Revised edition, 1976).

COTTRELL, A.; LUCCHETTI, R. Gnu Regression, Econometrics and Time-series Library. Disponível em: < http://gretl.sourceforge.net/pt.html >. Acesso em 18 de março de 2019.

GAYA, L.G. et al. Heritability and genetic correlations estimates for performance, carcass and body composition traits in a male broiler line. Poultry Science. v. 85, p. 837-843, 2006.

HANNAN, E. J.; QUINN, B. G. The determination of the order of autoregression. Journal of the Royal Statistical Society, Series B, 41, 190-195, 1979.

Ipeadata. Instituto de Pesquisa Econômica Aplicada. Disponível em: <http://ipeadata.gov.br/beta3/#/dados-serie?anomapa=&ascOrder=&base=macro&busca=&columnOrdering=&end=2018&fonte=&serid=ABATE12_ABQUFR12&skip=0&start=2000&tema=Produ%C3%A7%C3%A3o&territoriality=>. Acesso em 18 de março de 2019.

JENKINS, G.M. Practical Experiences with Modelling and Forecasting Time Series. Jersey, Channel Islands: GJP Publications, 1979.

LJUNG, G. M.; BOX, G. E. P. On a measure of lack of fit in time series models. Biometrika, v.65, p 297-303, 1978.

MORETTIN, P. A.; TOLOI, C. M. C. Análise de Séries Temporais. 2a ed. São Paulo: E. Blucher, 2006, 538p.

R Core Team (2018). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. URL https://www.R-project.org/.

SCHWARZ, G. Estimating the dimension of a model. Annals of Statistics, 6, 461-464, 1978.

Publicado
29-07-2019