JOURNAL AFRICAIN de
STATISTIQUES APPLIQUEES

Théorie des Probabilités et Statistiques Appliquées
Méthods, Codes Informatiques, application aux données dans tous les domaines



Journal contents / Contenu du Journal

Volume 5, Numéro 2 Année 2018

Denis NDANGUZA, Denise UWAMARIYA,
Bayesian inference approach in modeling and forecasting maize production in Rwanda, pp. 503-517
DOI : http://dx.doi.org/10.16929/ajas/503.227
ABSTRACT
ENGLISH Rwanda is the country whose economy relies on agriculture. Therefore, forecast in agriculture sector is very important in Rwanda for future plan. In our study, secondary annual data from the minsitry of agriculture (MINAGRI), spanning from 1960 to 2014, have been used. In the analysis, appropriate model is selected based on the appearance of ACF and PACF of the transformed data. In addition to that, we use the fitted model to provide a four year forecasts of maize production from 2015 to 2018. Through Box--Jenkins methodology, the appropriate model is ARIMA (1,2,1) and fit the data at 91%. From the results and forecast, it is seen that the production of maize in Rwanda will have an increasing trend in the future. To strengthen the model, we also use the MCMC algorithm as an alternative method in parameters estimation. Diagnostics prove the chains' convergence which is the sign of an accurate model.

FRANCAIS Le Rwanda est le pays dont l'économie repose sur l'agriculture. Par conséquent, les prévisions dans le secteur agricole sont très importantes son futur. Dans notre étude, les données annuelles secondaires du ministère de l'agriculure (MINAGRI), couvrant la période allant de 1960 à 2014, ont été utilisés. Dans notre analyse, un modèle approprié est sélectionné en fonction de la apparition de ACF et PACF des données transformées. En plus de cela, nous utilisons le modèle ajusté pour fournir prévisions sur quatre ans de la production de maïs de 2015 à 2018. À travers la méthodologie Box - Jenkins, le modèle approprié est ARIMA(1,2,1) et s'ajuste aux données à 91%. D'après les résultats et les prévisions, il est établi que la production de maïs au Rwanda aura une tendance à la hausse à l'avenir. Pour renforcer le modèle, nous utilisons également l'algorithme MCMC comme méthode alternative pour l'estimation des paramètres. Les diagnostics prouvent la convergence des chaînes, ce qui montre l'efficacité de notre modèle.
Citer cet article
Denis NDANGUZA, Denise UWAMARIYA, (2018). Bayesian inference approach in modeling and forecasting maize production in Rwanda. African Journal of Applied Statistics . Volume 5(2), pp 503-517
Doi : http://dx.doi.org/10.16929/ajas/503.227













JAS
AJAS
...

ok