Pronóstico de la producción de petróleo de las empresas públicas del Ecuador mediante la aplicación del modelo estadístico ARIMA
Forecasting oil production of public companies in Ecuador by applying the ARIMA statistical model
Barra lateral del artículo
pdf
FLIP
Contenido principal del artículo
Resumen
En esta investigación se pronosticó, mediante el modelo estadístico ARIMA, la producción de petróleo de las empresas públicas del Ecuador. Los datos utilizados abarcaron el periodo desde enero del 2007 hasta octubre del 2022. Posteriormente, se realizó pruebas estacionarias con el propósito de identificar el tipo de serie y de determinar la necesidad de aplicar diferenciación para poder ajustar el modelo a una serie estacionaria. El modelo óptimo y eficiente que se utilizó para realizar la predicción fue la serie ARIMA (0,1,2) (0,0,1). Adicionalmente, se llevó a cabo un análisis utilizando la prueba de Ljung-Box para evaluar la calidad del modelo, y los resultados indicaron que el modelo es apropiado para los datos. En este estudio se pronosticó la producción de petróleo para los siguiente 10 meses lo cual se prevé una disminución leve en la producción.
Palabras clave:
Detalles del artículo
Referencias (VER)
Botero Botero, S., & Cano Cano, J. A. (2008). Análisis de series de tiempo para la predicción de los precios de la energía en la bolsa de Colombia. Cuadernos de Economía, 174-208.
Box, G. E. (1976). Time series analysis: Forecasting and control. Okland.
Box, J. G., GC, R., & GM, L. (2015). Time Series Analysis: Forecasting and Control. Hoboken.
Casimiro. (2016). Analisis de Series Temporales: Modelos ARIMA. Vasco: Enpresal-Zientzien.
Cesar A. Hernandez, L. F. (2008). Aplicaciones de las series de tiempo en modelos de tráfico para una red de datos. Scientia et Technica.
Diebold, F. (2001). Element of forecasting. Australia: South Western College Publishing.
Erik Giovany Montes Páez, F. E. (2016). Aplicación de series de tiempo en la realización de pronósticos de producción. Revista Fuentes: El Reventón Energético, 79-88.
Finanzas Zone. (23 de Marzo de 2018). Obtenido de Finanzas Zone: https://finanzaszone.com/analisis-y-prediccion-de-series-temporales-con-r-iii-autocorrelacion/#:~:text=La%20funci%C3%B3n%20ACF%20es%20usada,del%20proceso%20autoregresivo%20(AR).
Francisco Cedeño Troya, F. C. (2022). Modelos predictivos de sistemas de información en la gestión de abastecimientos de sector ferretero. Revista Ciencia y Tecnología, 27-38.
Gallego-Nicasio Moraleda JA., R. A. (2018). Modelos ARIMA para la predicción del gasto conjunto de oxígeno de vuelo y otros gases en el Ejército del Aire. Sanidad mil, 223-229.
Galván Rico, L. R. (2007). Los macroprocesos de la industria petrolera y sus consecuencias ambientales. Universidad, Ciencia y Tecnología, 91-97.
Gilbert, K. (2005). An ARIMA Supply Chain Model. Management Science, 305-310.
GitHub. (2020). GitHub. Obtenido de https://github.com/FrancisArgnR/SeriesTemporalesEnCastellano#arima-(autoregresive-integrated-moving-average)
Gloria Amaris, H. Á. (2017). Aplicación de modelo ARIMA para el análisis de series de volúmenes anuales en el río Magdalena. Revista Tecnura, 88-101.
Guerrero Guzman, V. M. (2003). Análisis de series de tiempo económicas. México: Editorial Thomson.
Joaquín Murrillos, A. T. (2003). Estudio del pronóstico de la demanda de energía electrica, utilizando modelos de series de tiempo. Scientia et Technica.
Juan Pablo Mateo, S. G. (2014). El sector petrolero en Ecuador. Revista Problema del Desarrollo, 113-139.
M, A. (2001). Introducción al análisis clásicos de series de tiempo.
Malpartida, J. Y. (2022). Predicción de la contaminación atmosférica generada por las emisiones del CO2 en el Perú utilizando los métodos ARIMA y Redes Neuronales. TecnoHumanismo, 114-125.
Manoj Kumar, S. S. (2016). Forecasting tourist in-flow in South East Asia: A case of Singapore. Tourism and Management Studies, 107-119.
Melo-Morín, J. (2016). Minado de series de tiempo utilizando la metodología ARIMA. Revista de Investigación y Desarrollo, 21-31.
Minchón Medina, C. A., & Vizconde Osorio, T. A. (2011). Modelo SARIMA para la llegada mensual de visitantes extranjeros por el Aeropuerto Internacional "Jorge Chávez". Scientia.
Muñoz-Santiago, A., Urquijo-Vanstrahlengs, J., Castro-Otero, A., & Lombana, J. (2017). Pronóstico del precio de la energía en Colombia utilizando modelos ARIMA con IGARCH. Revista de Economía del Rosario, 127-161.
Olver Hernández N., J. D. (2005). Modelos ARIMA y estructural de la serie de precios promedio de los contratos en el Mercado Mayorísta de Energía Eléctrica en Colombia. Revista del Institute de Energía, Facultad de Minas, 5-10.
Orozco, M. (23 de Diciembre de 2021). Primicias. Obtenido de Primicias: https://www.primicias.ec/noticias/economia/produccion-petrolera-volvera-nivel-normal-febrero-ecuador/
Orozco, M. (4 de Marzo de 2022). Primicias. Obtenido de Primicias: https://www.primicias.ec/noticias/economia/produccion-petroleo-petroecuador-ecuador/#:~:text=Pese%20a%20que%20las%20metas,y%20Recursos%20Naturales%20No%20Renovables.
Ramírez Castañeda, L. N., Cristancho Cruz, S. L., & José-Alejandro, C.-L. (2021). Modelos de fluctuaciones de precios agrícolas: Estudio comparativo de frutas tropicales frescas en Colombia. Revista de Ciencias Sociales, 197-212.
Rey Francisco Ayala Castrejón, C. B. (2020). Modelo ARIMA aplicado al tipo de cambio peso-dólar en el periodo 2016-2017 mediante ventanas temporales deslizantes. Revista Mexicana de Economía y Finanzas Nueva Época, 331-354.
Ríos, G. (2008). Series de Tiempo. Obtenido de https://www.u-cursos.cl/ingenieria/2010/1/CC52A/1/material_docente/bajar?id_material=296003
Roberto Hernández Sampieri, C. F. (2014). Metodología de la investigación. México D.F.: McGraw Hill Education.
Samuel Luis-Rojas, R. C. (2022). Modelo de intervención y pronóstico de precios pagados al producto de la miel de abeja (Apis mellifera L.) en México. Agrociencia, 638-668.
Sánchez, L., Cabanas, G., Abad, Y., & Torres, V. (2014). Utilización de modelos ARIMA para la predicción de la producción de leche. Estudio de caso en la UBPC "Maniabo", Las Tunas. Revista Cubana de Ciencia Agrícola, 213-218.
Susan Elsa Cancino, G. O. (2022). Un Modelo Box Jenkins ARIMA para modelar y pronosticar la producción de mora de castilla en Colombia. Económicas CUC.
Víctor Solórzano Méndez, C. S. (2016). El petróleo en el Ecuador: Un Análisis del costo de agotamiento, aplicación del modelo Hotelling. Revista Científica y Tecnológica UPSE, 48-58.
Vogelvang. (2005). Theory and application with Eviews. Pearson Education Limited.
Box, G., Jenkins, G. (1976). Time Series Analysis: Forecasting and Control. Okland, California, USA.