Volatility impact in Portland cement price

Authors

DOI:

https://doi.org/10.5585/exactaep.v18n3.10660

Keywords:

ARIMA models, ARCH models, Cement price.

Abstract

This paper aims to identify the best time series model to represent the autoregressive and oscillatory behavior of Portland 32 cement, ARIMA or ARCH model. The analysis was based on the national price and the southern region price. Data were collected in the Brazilian Chamber of Construction Industry from June 1994 to January 2018. The best model for the both series was ARCH (1,0). We concluded that when there is a shock in production or sale of national price cement will have a greater impact, while South region prices will vary in a smaller scale and for a longer period. This study provides information for decision making in cement stock and purchase control in sector stores as well as in construction companies.

Downloads

Download data is not yet available.

Author Biographies

Bianca Reichert, Universidade Federal de Santa Maria

Mestranda no curso de Pós-Graduação em Engenharia de Produção - UFSM.

Adriano Mendonça Souza, Universidade Federal de Santa Maria

Professor do Departamento de Estatística da UFSM.

References

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.

Published

2020-07-10

How to Cite

Reichert, B., & Souza, A. M. (2020). Volatility impact in Portland cement price. Exacta, 18(3), 475–488. https://doi.org/10.5585/exactaep.v18n3.10660