Estimation of cropland prices in Rio Grande do Sul by multiple linear regression and principal component analysis / Estimação do preço das lavouras no Rio Grande do Sul por meio de regressão linear múltipla e análise de componentes principais

ABSTRACT: This study aimed to price croplands in Rio Grande do Sul State (southern Brazil) and point which variables had the most significant impact on prices. The main purpose was achieved using multiple linear regression and principal component analysis. The variables used in this study were planted area, production, price, and yield of the commodities soybean, wheat, and corn. The period under analysis was from January 1994 to December 2017 (biannual observations). Multiple linear regression showed that five variables contributed to land pricing, being three related to soybean and two to wheat. Multivariate analysis grouped the investigated variables into clusters and indicated their influence, in addition to providing information on land prices and reducing variable dimensionality from fourteen original variables to three principal components to be analyzed. The two analyses complemented each other so that the croplands' price was explained by three variables, in which two corroborated in constructing the pricing model for croplands.

RESUMO: Este estudo teve como objetivo a precificação de terra para lavouras no Rio Grande do Sul e apresentar quais variáveis possuem maior impacto no preço. O objetivo foi alcançado por meio da aplicação da análise de regressão linear múltipla e de componentes principais. Variáveis relacionadas às commodities soja, trigo e milho, como a área plantada, produção, cotação e rendimento, formaram o banco amostral para as duas metodologias, compreendendo o período de janeiro de 1994 a dezembro de 2017, em observações bianuais. A regressão linear múltipla mostrou que três variáveis relacionadas à soja e duas ao trigo contribuem na precificação das terras. A análise multivariada agrupou as variáveis investigadas, indicando a influência entre as mesmas, fornecendo informações sobre o preço de terras e diminuindo a dimensionalidade do problema de 14 variáveis originais para três componentes a serem analisados. As duas análises se complementaram de forma que o preço de terras foi explicado por três variáveis e duas corroboraram na construção do modelo de precificação das lavouras.

Estimation of cropland prices in Rio Grande do Sul by multiple linear regression and principal component analysis / Estimação do preço das lavouras no Rio Grande do Sul por meio de regressão linear múltipla e análise de componentes principais

This study aimed to price croplands in Rio Grande do Sul State (southern Brazil) and point which variables had the most significant impact on prices. The main purpose was achieved using multiple linear regression and principal component analysis. The variables used in this study were planted area, production, price, and yield of the commodities soybean, wheat, and corn. The period under analysis was from January 1994 to December 2017 (biannual observations). Multiple linear regression showed that five variables contributed to land pricing, being three related to soybean and two to wheat. Multivariate analysis grouped the investigated variables into clusters and indicated their influence, in addition to providing information on land prices and reducing variable dimensionality from fourteen original variables to three principal components to be analyzed. The two analyses complemented each other so that the croplands' price was explained by three variables, in which two corroborated in constructing the pricing model for croplands.

Este estudo teve como objetivo a precificação de terra para lavouras no Rio Grande do Sul e apresentar quais variáveis possuem maior impacto no preço. O objetivo foi alcançado por meio da aplicação da análise de regressão linear múltipla e de componentes principais. Variáveis relacionadas às commodities soja, trigo e milho, como a área plantada, produção, cotação e rendimento, formaram o banco amostral para as duas metodologias, compreendendo o período de janeiro de 1994 a dezembro de 2017, em observações bianuais. A regressão linear múltipla mostrou que três variáveis relacionadas à soja e duas ao trigo contribuem na precificação das terras. A análise multivariada agrupou as variáveis investigadas, indicando a influência entre as mesmas, fornecendo informações sobre o preço de terras e diminuindo a dimensionalidade do problema de 14 variáveis originais para três componentes a serem analisados. As duas análises se complementaram de forma que o preço de terras foi explicado por três variáveis e duas corroboraram na construção do modelo de precificação das lavouras.

Persistence effect determination of variability in forecasting of agricultural and road machinery national production / Determinação do efeito de persistência da variabilidade na previsão da produção nacional de máquinas agrícolas e rodoviárias

The objective of this research was to forecast the Brazilian national production of agricultural and road machinery in the short term by BOX & JENKINS methodology and determine the persistence effect. Data were obtained at National Association of Automotive Vehicle Manufacturers (ANFAVEA) from January 1960 to October 2019, totaling 718 monthly observations. The Autoregressive Integrated Moving Average (ARIMA) and Autoregressive Conditional Heteroscedasticity (ARCH) methodology were used. The ARIMA (2,1,1)-ARCH (2) model was fitted and persistence of 0.60 was determined, showing that the instability in the series will be for a long period of time.(AU)

O objetivo desta pesquisa é prever a produção nacional de máquinas agrícolas e rodoviárias no Brasil, no curto prazo por meio da metodologia BOX & JENKINS e determinar o efeito de persistência na série. Os dados foram obtidos no site da Associação Nacional dos Fabricantes de Veículos Automotores (ANFAVEA) no período de janeiro de 1960 a outubro de 2019, totalizando 718 observações mensais. Os modelos Autoregressivos Integrados e de Médias Móveis (ARIMA) e de Heteroscedasticidade Condicional Autoregressiva (ARCH) foram utilizados para ajustar a média e a variabilidade da série. O modelo ARIMA(2,1,1) - ARCH(2) foi selecionado por meio das estatísticas de ajustes e a persistência determinada foi de 0,60 mostrando que a instabilidade na série é duradoura.(AU)