@article { author = {محمدی, حمید and فرجزاده, زکریا and دهباشی, وحید and شهرکی, ابراهیم and انصاری نیک, حسین}, title = {Choosing Forecasting Model for Livestock Products Prices}, journal = {Agricultural Economics and Development}, volume = {21}, number = {1}, pages = {101-129}, year = {2013}, publisher = {Agricultural Planning, Economics and Rural Development Research Institute (APERDRI)}, issn = {1022-4211}, eissn = {2645-6443}, doi = {10.30490/aead.2013.58680}, abstract = {The aim of this study was to choose forecasting model for nominal and real price of beef, sheep meat, milk, and wool. Initially the stationary of the series was tested, and then in order to investigate whether series are stochastic, nonparametric test of Vald-Wulfowitz was applied. Based on the tests results, all of the selected nominal and real prices were recognized to be predictable. The models applied to forecast are ARIMA, and Artificial Neural Network (ANN). The findings indicated relative superiority of ARIMA in comparison with ANN in predicting nominal prices of selected products. However, in the case of real prices, ANN showed a comparative superiority. It was also found that in the case of nominal series, increase in the forecast period lead to increased forecast error.}, keywords = {Forecasting,Price,beef,Sheep Meat,Milk,wool,ARIMA,Artificial Neural Network}, title_fa = {انتخاب الگوی پیش‌بینی قیمت فراورده‌های دامی}, abstract_fa = {  این مطالعه با هدف انتخاب الگوی مناسب برای پیش‌بینی قیمت اسمی و واقعی گوشت گاو و گوساله، گوشت گوسفند، شیر و پشم گوسفند صورت گرفت. پس از بررسی ایستایی سریهای مورد استفاده، به‌منظور بررسی تصادفی بودن متغیرها، از آزمون ناپارامتریک والد- ولفویتز استفاده شد. براساس نتایج این آزمونها، تمامی سریهای یاد شده غیرتصادفی و قابل پیش‌بینی ارزیابی شدند. الگوهای مورد استفاده برای پیش‌بینی نیز شامل الگوهای ARIMA و شبکه عصبی مصنوعی بوده است. یافته‌های مطالعه حاکی از برتری نسبی الگوی ARIMA در پیش‌بینی قیمت اسمی محصولات منتخب است. در مورد سریهای قیمت واقعی محصولات نیز روش شبکه عصبی مصنوعی برتری نسبی دارد. همچنین در مورد سریهای اسمی مشخص شد با افزایش طول دوره پیش­بینی، خطای پیش­بینی نیز بیشتر می­شود.     طبقه‌بندی JEL : C22 ، C32 ، C51 ، C53 ، D12 ، Q11     کلیدواژه‌ها:   پیش‌بینی، قیمت، گوشت گاو وگوساله، گوشت گوسفند، شیر، پشم، ARIMA ، شبکه عصبی مصنوعی  }, keywords_fa = {}, url = {http://aead.agri-peri.ac.ir/article_58680.html}, eprint = {http://aead.agri-peri.ac.ir/article_58680_03459c5af75f6a3fef317e5c48c5db1b.pdf} }