Development of SARIMA Model to Predict Quarterly Apparel and Textile Export Revenue in Sri Lanka
Notice bibliographique
Résumé
Apparel and textile exports play a significant role in the Sri Lankan economy. The USA, UK, Italy, Germany, and Belgium are the main markets of apparel and textile exports in Sri Lanka. Advanced knowledge of export revenue is vital important for various reasons. A Seasonal Autoregressive Integrated Moving Average (SARIMA) model of the type (1,1,0) x (0,1,1)4 was developed to model apparel and textile export revenue in Sri Lanka using quarterly data from year 2004 quarter 1 (2004Q1 ) to year 2021 quarter 4 (2021Q4 ). The errors of the model were found to be random and have a constant variance. The best fitted model was identified by comparing various statistical indicators, namely, the Akaike info criterion, Schwarz criterion, Hannan-Quinn criterion, Log likelihood criterion and volatility of six possible models decided based on sample ACF and PACF of the stationary series. The model was validated for data from year 2022Q1 to 2023Q1 . The Mean Absolute Percentage Error (MAPE) for the training data set and validation data set were 7.68% and 11.35% respectively. The predicted revenues (Mn USD) for the 2023Q2 to 2024Q4 are 1074.23, 1263.30, 1222.22, 1206.74, 1058.38, 1265.00 and 1216.58, respectively. The forecasted values for short-term periods can be effectively used by the decision makers for various activities. The model developed is easy to use and reliable.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».