Price Forecasting  with  Time-Series
Methods  and Nonstationary Data:
An  Application  to  Monthly
U.S.  Cattle Prices
Hector  0.  Zapata and  Philip Garcia
The  forecasting  performance  of various  multivariate  as well  as  univariate  ARIMA
models  is  evaluated  in the  presence  of nonstationarity.  The  results indicate  the
importance  of identifying  the  characteristics  of the  time  series  by testing for  types of
nonstationarity.  Procedures that permit  model  specifications  consistent  with the
system's  dynamics provide  the  most  accurate  forecasts.
Key  words: Bayesian  forecasting,  cointegration,  nonstationarity,  prices, VARs.