Modeling and forecasting construction material time series using dynamic panel data models

Abstract

This thesis investigates the modeling and forecasting of U.S. cement import using dynamic econometric methods, focusing on short- and long-term trends over four central states: California, Florida, North Carolina, and Texas. Our interest stems from the fact that construction materials have always played a critical role in infrastructure planning, while their prices have been characterized by considerable volatility. Our approach is based on the construction of a panel dataset covering the period 2008–2022 and the use of time series and panel data techniques. The use of import volume instead of prices is chosen in this case due to address data availability issues. Besides, imports dynamics reflect the fluctuations of construction activity and, therefore, those of domestic demand and prices of materials. After transforming the data to ensure stationarity, Lasso regression is used for the selection of state-specific predictors. These variables are incorporated into ARIMAX models to improve forecasting performance. We evaluate each model’s predictive ability using metrics such as RMSE, MAE, and Mean Error, with ARIMAX generally producing strong results, particularly in California and Texas. In addition, a number of panel modeling approaches, including Pooled OLS, Fixed Effects, and Seemingly Unrelated Regressions (SUR) are explored. While these models offer interpretive insights, their predictive performance varies across states, with the SUR model examined primarily as an exploratory framework for capturing potential cross-sectional dependencies. The results highlight the effectiveness of combining variable selection and ARIMA modeling for state-level forecasting of construction imports. They also emphasize the importance of adapting model structures to regional characteristics and data behavior, offering guidance for both practitioners and policymakers in the construction and economic planning sectors.

Η παρούσα διπλωματική εργασία διερευνά τη μοντελοποίηση και πρόβλεψη των τιμών εισαγωγών τσιμέντου στις Ηνωμένες Πολιτείες, με χρήση δυναμικών οικονομετρικών μεθόδων και έμφαση στις βραχυπρόθεσμες και μακροπρόθεσμες τάσεις σε τέσσερις βασικές πολιτείες: Καλιφόρνια, Φλόριντα, Βόρεια Καρολίνα και Τέξας. Το ενδιαφέρον εστιάζεται στη σημασία των δομικών υλικών για τον σχεδιασμό υποδομών και στη μεταβλητότητα των τιμών τους. Δημιουργείται ένα panel dataset για την περίοδο 2008–2022 και εφαρμόζονται τεχνικές χρονοσειρών και δεδομένων panel. Η χρήση του όγκου των εισαγωγών στη θέση των τιμών έχει επιλεγεί σε αυτή την περίπτωση για την αντιμετώπιση θεμάτων διαθεσιμότητας στοιχείων. Εξάλλου, η δυναμική των εισαγωγών αντανακλά τις διακυμάνσεις της κατασκευαστικής δραστηριότητας και συνεπώς, αυτές της εσωτερικής ζήτησης και των τιμών των υλικών. Αρχικά εφαρμόζονται μετασχηματισμοί για τη διασφάλιση στασιμότητας των χρονοσειρών. Ακολουθεί η χρήση της μεθόδου Lasso για την επιλογή προβλεπτικών μεταβλητών ανά πολιτεία, οι οποίες ενσωματώνονται σε μοντέλα ARIMAX για τη βελτίωση της προγνωστικής ικανότητας. Η απόδοση αξιολογείται με δείκτες όπως RMSE, MAE και Μέσο Σφάλμα, με τα μοντέλα ARIMAX να παρουσιάζουν ιδιαίτερα ικανοποιητικά αποτελέσματα, ειδικά στην Καλιφόρνια και το Τέξας. Παράλληλα εξετάζονται μοντέλα panel όπως τα Pooled OLS, Fixed Effects και Seemingly Unrelated Regressions (SUR). Αν και τα panel μοντέλα προσφέρουν χρήσιμα ερμηνευτικά στοιχεία, η προγνωστική τους απόδοση διαφοροποιείται μεταξύ των πολιτειών, με το SUR να αξιολογείται κυρίως ως διερευνητικό πλαίσιο. Τα αποτελέσματα αναδεικνύουν την αποτελεσματικότητα του συνδυασμού επιλογής μεταβλητών με ARIMA για πρόβλεψη σε επίπεδο πολιτείας, καθώς και τη σημασία της προσαρμογής των μοντέλων στα χαρακτηριστικά της εκάστοτε περιοχής. Η μελέτη προσφέρει χρήσιμα συμπεράσματα για επαγγελματίες και φορείς χάραξης πολιτικής στον τομέα των κατασκευών και της οικονομικής πρόβλεψης.