Impacto da volatilidade no preço do cimento Portland
DOI:
https://doi.org/10.5585/exactaep.v18n3.10660Palavras-chave:
Modelos ARIMA, Mdelos ARCH, Preço do Cimento.Resumo
O objetivo deste artigo é identificar qual é o melhor modelo de séries temporais que represente o comportamento autorregressivo e oscilatório do preço do cimento Portland 32, modelo ARIMA ou ARCH. A análise teve como base o preço médio nacional e o preço médio praticado na região Sul do país. Os dados foram coletados por meio da Câmara Brasileira da Indústria da Construção, de junho de 1994 a janeiro de 2018. O melhor modelo ajustado para as duas séries foi o modelo de volatilidade ARCH (1,0). Conclui-se que, quando houver algum choque na produção ou na venda de cimento, o preço nacional terá um impacto maior enquanto que os preços da região Sul irão variar em menor escala e por um período mais longo. Essa pesquisa fornece informação para tomada de decisão no controle de compras e estoque de cimento em lojas do setor e em construtoras.Downloads
Referências
Aho, K., Derryberry, D. W. & Peterson, T. (2014). Model selection for ecologists: the worldviews of AIC and BIC. Ecology, 95(3), 631-636.
Akaike, H. (1974). A new look at the statistical model identification. IEEE Transactions on Automatic Control, 19(6), 716-723.
Box, G. E. P. & Jenkins, G. M. (1970). Time series analysis, forecasting and control. San Francisco: Holden-Day.
Box, G. E., Jenkins, G. M. & Reinsel, G.C. (1994). Time series analysis: Forecasting and control (3a ed.). New Jersey: Printice Hall.
Bozdogan, H. (1987). Model selection and Akaike’s information criterion (AIC): The general theory and its analytical extensions. Psychometrica, 52(3), 345-370.
Bueno, R. de L. da S. (2008). Econometria de séries temporais. São Paulo: Cengage Learning.
Burnham, K. P. & Anderson, D. R. (2004). Multimodel Inference: Understanding AIC and BIC in Model Selection. Sociological Methods & Research, 33(2), 261-304.
Câmara Brasileira da Indústria da Construção. (2018). Banco de Dados: consumo, produção e valores de materiais de construção. Recuperado em 26 março, 2018, de http://www.cbicdados.com.br/menu/materiais-de-construcao/cimento
Capozza, D. R., Hendershott, P. H., Mack, C. & Mayer, C. J. Determinants of real house price dynamics. National Bureau of Economic Research, 2002.
Chain, C. P., Costa, D. F., Sant’Ana, N. L. dos S. & Benedicto, G. C. de (2015). Contribuição da modelagem de valores atípicos na previsão da arrecadação do ICMS do Estado de Minas Gerais. Exacta, 13(2), 239-249.
Coelho, L. M., Jr., Rezende, J. L. P. de, Sáfadi, T. & Calegário, N. (2009). Análise do comportamento temporal dos preços da borracha natural no mercado internacional. Ciência Florestal, 19(3), 293-303.
Departamento de Pesquisas e Estudos Econômicos. (2017, junho). Cimento. Recuperado em e maio, 2018, de https://www.economiaemdia.com.br/EconomiaEmDia/pdf/infset_cimento.pdf
Engle, R. F. (1982). Autoregressive Conditional Heteroskedasticity With Estimates of The Variance of United Kingdom Inflation. Econometria, 50(4), 987-1008.
Hwang, S., Park, M., Lee, H. S. & Kim, H. (2012). Automated Time-Series Cost Forecasting
System for Construction Materials. Journal of Construction Engineering and Management, 138, 1259-1269.
Montgomery, D.C. (1997). Introduction to statistical quality control (3a ed.). New York: John Wiley & Sons, Inc.
Morettin, P. A. & Toloi, C. M. C. (2004). Análise de séries temporais (2a ed.). São Paulo: Edgard Blücher.
Moura, G. C. de. (2017). Previsão do custo unitário básico por meio de modelos de previsão da classe geral ARIMA. Monografia (Graduação em Engenharia Civil), Universidade Regional do Noroeste do Estado do Rio Grande do Sul – UNIJUÍ, Santa Rosa, RS, Brasil. Disponível: http://bibliodigital.unijui.edu.br:8080/xmlui/handle/123456789/5077
Reichert, B. & Souza, A. M. (2016, outubro). Análise do comportamento futuro do preço do cimento Portland CP IV. Pôster apresentado no XXXVI Encontro Nacional de Engenharia de Produção, João Pessoa, PB, Brasil. Recuperado em 6 maio, 2018, de http://www.abepro.org.br/biblioteca/TN_STP_231_347_28799.pdf
Schneider, D. L. (2018). Análise dos custos e receitas sobre as vendas na construção civil. Monografia (Graduação em Ciências Contábeis), Universidade do Vale do Taquari - Univates, Lajeado, RS, Brasil. Disponível: http://hdl.handle.net/10737/1973.
Schwarz, G. E. (1978). Estimating the dimension of a model. Annals of Statistics, 6(2), 461-464.
Souza, A. M, Souza, F. M., Zanini, R. R. & Menezes, R. (2012). Modelagem ARIMA-ARCH para a obtenção de resíduos aptos à aplicação de gráficos de controle na presença de correlação e auto-correlação. Pôster apresentado no XXXII Encontro Nacional de Engenharia de Produção, Bento Gonçalves, RS, Brasil. Recuperado em 6 maio, 2018, de http://abepro.educacao.ws/biblioteca/enegep2012_TN_STO_162_943_19695.pdf
Souza, F. M., Almeida, S. G. de, Guarnieri, J. P., Souza, A. M. & Lopes, L. F. D. (2010). Previsão do consumo de cimento no Estado do Rio Grande do Sul. Pesquisa operacional para o Desenvolvimento, 2(1), 3-11.
Souza, F.M. (2016). Modelos de previsão: aplicações à energia elétrica ARIMA-ARCH-AI e ACP (1a ed.). Curitiba: Appris.
Souza, P. V. S. de, Costa, J. R. B. da & Silva, E. J. da. (2017). A relação dos fatores economico-financeiros das empresas do setor de construção civil com os preços no mercado imobiliário. Revista de Contabilidade do Mestrado em Ciências Contábeis da UERJ, 22(3), 17.
Vrieze, S. I. (2012). Model selection and psychological theory: A discussion of the differences between the Akaike information criterion (AIC) and the Bayesian information criterion (BIC). Psychological Methods, 17(2), 228-243.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2020 Revista Exacta – Engenharia de Produção
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
