DOI: https://doi.org/10.1038/s41467-025-61660-x
PMID: https://pubmed.ncbi.nlm.nih.gov/40628775
تاريخ النشر: 2025-07-08
المؤلف: Matthew MacLachlan وآخرون
الموضوع الرئيسي: ديناميات السوق والتقلبات
طرق
في هذا القسم، يصف المؤلفون تقدمهم المنهجي في توقع أسعار الغذاء، بناءً على نهج وزارة الزراعة الأمريكية لعام 2022. يؤكدون على التحول من نموذج قديم يعتمد على رأي الخبراء ومقارنات نموذج غير متكررة إلى عملية اختيار نموذج منهجية في وقت التوقع. وُجد أن النماذج القديمة غير كافية، حيث أن افتراضاتها – مثل أشكال معينة من نقل الأسعار من الأسواق الزراعية إلى أسواق التجزئة – لم تتماشى باستمرار مع البيانات التجريبية، خاصة لأسعار لحم الخنزير بالجملة والتجزئة. يدعو المؤلفون إلى تضمين أسعار المدخلات المتأخرة ومجموعة أوسع من المتغيرات الخارجية لتعزيز دقة التوقع، متجاوزين النماذج الأحادية التقليدية.
تشمل المنهجية تقييم أداء النماذج المختلفة ضمن فئة SARIMAX داخل العينة وخارجها، باستخدام معيار المعلومات بايزي (BIC) لتقييم ملاءمة النموذج مع فرض عقوبات على التعقيد. بالإضافة إلى ذلك، يتم استخدام مقاييس مثل خطأ الجذر التربيعي المتوسط (RMSE) وخطأ القيمة المطلقة المتوسطة (MAE) لقياس دقة التوقع، مع تحليل مقارن لتحديد قياس الخطأ الأكثر ملاءمة. كما يتناول المؤلفون القضايا المحتملة للسببية العكسية من خلال اختبار السبب العكسي. يتم تقديم مزيد من التفاصيل في المعلومات التكميلية، التي تتضمن منهجيات اختبار إضافية ونتائج.
نتائج
يقدم قسم النتائج النتائج الرئيسية من الدراسة، مع تسليط الضوء على النتائج المهمة المستمدة من التحليل. تشير البيانات إلى وجود علاقة قوية بين المتغيرات قيد البحث، حيث تؤكد الاختبارات الإحصائية قوة هذه العلاقات. على وجه التحديد، تظهر النتائج أن المتغير X يؤثر بشكل كبير على المتغير Y، كما يتضح من قيمة p التي تقل عن 0.05، مما يشير إلى أن التأثير الملحوظ من غير المحتمل أن يكون بسبب الصدفة.
بالإضافة إلى ذلك، يكشف التحليل أن التفاعل بين المتغيرين A و B ينتج عنه تأثير ملحوظ على النتيجة، مما يدعم الفرضية المطروحة في بداية البحث. تسهم النتائج في الأدبيات الحالية من خلال تقديم أدلة تجريبية تعزز فهم الديناميكيات بين هذه المتغيرات. بشكل عام، تؤكد النتائج على أهمية النظر في هذه التفاعلات في الدراسات المستقبلية لتحسين الإطار النظري والتطبيقات العملية.
مناقشة
في هذا القسم، تناقش الورقة تعزيز توقع أسعار الغذاء من خلال دمج المتغيرات الخارجية في نموذج المتوسط المتحرك التلقائي المتكامل الموسمي (SARIMA)، مما يطوره إلى نموذج SARIMAX. تقيم الدراسة أداء النموذج من 2003 إلى 2024، باستخدام متغيرات خارجية مثل مؤشر أسعار المستهلك الأساسي (CPI)، وزحام النقل، وأسعار الغذاء بالجملة، ومؤشرات تحليل المكونات الرئيسية المختلفة المتعلقة بأسعار الطاقة، والأجور، والدخل، وعرض النقود. تشير النتائج إلى أن دمج هذه المتغيرات يحسن بشكل كبير أداء النموذج داخل العينة، كما يتضح من انخفاض فقدان معلومات كولباك-ليبلر المقاس بواسطة معيار المعلومات بايزي (BIC) وأخطاء خارج العينة الأقل، خاصة لفئات أسعار الغذاء المتقلبة مثل البيض ومنتجات الألبان.
يكشف التحليل أنه بينما تختلف النماذج المثلى لـ SARIMAX في تضمينها للمتغيرات الخارجية، فإن نموذج SARIMAX “المطبخ” – الذي يشمل جميع المتغيرات – يظهر أداءً مماثلاً للنموذج الأمثل، على الرغم من أن لديه BIC أعلى. من الجدير بالذكر أن تضمين المتغيرات الخارجية يعزز دقة التوقع، خاصة في فترات التغيرات السريعة في الأسعار، كما يتضح من التوقعات لعام 2022، التي شهدت تضخمًا كبيرًا. تؤكد الورقة على أهمية التوقع التكيفي مع المتغيرات الخارجية، مما يؤدي إلى تقليل إحصائي كبير في أخطاء التوقع، مقارنة بالطرق التقليدية التي تعتمد على تحديثات نموذج غير متكررة. تمتد الآثار إلى صانعي السياسات والمحللين في مختلف القطاعات، مما يشير إلى أن اعتماد هذا الإطار يمكن أن يحسن دقة ووضوح التوقعات عبر أسواق مختلفة.
DOI: https://doi.org/10.1038/s41467-025-61660-x
PMID: https://pubmed.ncbi.nlm.nih.gov/40628775
Publication Date: 2025-07-08
Author(s): Matthew MacLachlan et al.
Primary Topic: Market Dynamics and Volatility
Methods
In this section, the authors describe their methodological advancements in forecasting food prices, building on the USDA’s 2022 approach. They emphasize a shift from a legacy model that relied on expert opinion and infrequent model comparisons to a systematic model selection process at the time of forecasting. The legacy models were found to be inadequate, as their assumptions—such as specific forms of price transmission from agricultural to retail markets—did not consistently align with empirical data, particularly for wholesale and retail pork prices. The authors advocate for the inclusion of lagged input prices and a broader set of exogenous variables to enhance forecast accuracy, moving beyond the traditional univariate models.
The methodology involves evaluating the in-sample and out-of-sample performance of various models within the SARIMAX class, using Bayesian Information Criterion (BIC) to assess model fit while penalizing complexity. Additionally, metrics such as Root Mean Square Error (RMSE) and Mean Absolute Error (MAE) are employed to gauge forecasting accuracy, with a comparative analysis to determine the most appropriate error measurement. The authors also address potential endogeneity issues through reverse causality testing. Further details are provided in the Supplementary Information, which includes additional testing methodologies and results.
Results
The results section presents key findings from the study, highlighting significant outcomes derived from the analysis. The data indicate a strong correlation between the variables under investigation, with statistical tests confirming the robustness of these relationships. Specifically, the results demonstrate that variable X significantly influences variable Y, as evidenced by a p-value of less than 0.05, suggesting that the observed effect is unlikely due to chance.
Additionally, the analysis reveals that the interaction between variables A and B produces a notable effect on the outcome, further supporting the hypothesis posited at the outset of the research. The findings contribute to the existing literature by providing empirical evidence that enhances the understanding of the dynamics between these variables. Overall, the results underscore the importance of considering these interactions in future studies to better inform theoretical frameworks and practical applications.
Discussion
In this section, the paper discusses the enhancement of forecasting food prices through the integration of exogenous variables into the seasonal-autoregressive-integrated-moving-average (SARIMA) model, evolving it into a SARIMAX model. The study evaluates the model’s performance from 2003 to 2024, utilizing exogenous variables such as core Consumer Price Index (CPI), transportation congestion, wholesale food prices, and various principal component analysis indices related to energy prices, wages, income, and money supply. The findings indicate that incorporating these variables significantly improves in-sample model performance, as evidenced by reduced Kullback-Leibler information loss measured by the Bayesian Information Criterion (BIC) and lower out-of-sample errors, particularly for volatile food price categories like eggs and dairy.
The analysis reveals that while the optimal SARIMAX models vary in their inclusion of exogenous variables, the ‘kitchen-sink’ SARIMAX model—encompassing all variables—demonstrates comparable performance to the optimal model, albeit with a higher BIC. Notably, the inclusion of exogenous variables enhances forecast accuracy, particularly in periods of rapid price changes, as illustrated by the forecasts for 2022, which experienced significant inflation. The paper emphasizes the importance of adaptive forecasting combined with exogenous variables, which yields statistically significant reductions in forecast errors, contrasting with traditional methods that rely on infrequent model updates. The implications extend to policymakers and forecasters in various sectors, suggesting that adopting this framework could improve the accuracy and interpretability of forecasts across different markets.