197593_it-IT

liliconcom

ARIMA vs. Smussare i modelli per la previsione

Sto lavorando con un cliente di energia rinnovabile che vuole creare previsioni di energia nel tempo per impianti eolici e solari.  Avevo intenzione di mostrare ARIMA, ma poi ho iniziato a armeggiare con i modelli Smoothing.  Quale è meglio per te nella previsione? Il vantaggio che vedo con ARIMA è la funzione di input.  Ma se non c'è input, Smoothing è migliore? Ho creato modelli con entrambi i dati sul volume di Airline Passenger da cui credo provengano @jiancao .  L'AIC era migliore con il modello ARIMA che ho scelto, ma la differenza tra i valori previsti e quelli effettivi era inferiore con il metodo Winters.  Pensieri? 

Re: ARIMA vs. Smussare i modelli per la previsione

Alisa, il mio pensiero è che è come gli altri modelli di JMP ... Qual è il migliore? Dipende! Il miglioramento di Rsqd / AIC / BIC / ... abbastanza da giustificare previsioni leggermente migliori, o è un modello più semplice (cioè più facile da spiegare), a scapito di una piccola abilità di predizione?

 

Ho avuto un po 'di esperienza con ARIMA nel corso degli anni (anche se non sono un esperto), e lo trovo piuttosto buono nelle previsioni, ma difficile da spiegare cosa succede dietro le quinte.  Alcuni dei modelli di livellamento sono molto più facili da spiegare.

 

Probabilmente lo sapete già, ma per le serie temporali l'equivalente della "colonna di convalida" usata nella maggior parte delle altre piattaforme consiste nel tenere fuori gli ultimi punti della serie, adattare il modello, quindi vedere come si adatta bene agli ultimi punti.  Quindi puoi scegliere il modello che fa il meglio per quei punti, e tornare indietro e rimontare la stessa complessità del modello con quei punti inclusi (quindi sei pronto a prevedere il prossimo modello).

 

Questo aiuta affatto? 

Re: ARIMA vs. Smussare i modelli per la previsione

Sono d'accordo con Jerry sull'uso di "leave-one-out" come validazione nei modelli di previsione. Vorrei aggiungere ulteriori commenti sul confronto di ARIMA con i modelli di livellamento basati su AIC.

 

Ci sono alcuni relazioni di equivalenza per i modelli ARIMA e smoothing, ma sono considerati due diverse famiglie di modelli. Pertanto, AIC non può essere usato per confrontare tra loro perché la verosimiglianza è calcolata in modi diversi. In altre parole, possiamo solo utilizzare AIC per selezionare un modello ARIMA tra i modelli ARIMA candidati o un modello di livellamento tra i modelli di smoothing candidati.

 

I metodi di smoothing sono allettanti perché modellano direttamente i componenti di una serie storica: livello, tendenza, stagionalità e fluttuazioni casuali, Forniscono previsioni rapide e semplici senza dover sviluppare un modello. D'altra parte, i modelli ARIMA possono produrre previsioni più accurate e intervalli di confidenza, ma richiedono più tempo e input dagli utenti. 

 

(A proposito, i dati sui passeggeri delle compagnie aeree provengono dal libro di Box e Jenkins e possono essere trovati nella sottocartella Serie temporali JMP Sample Data Library, chiamata Seriesg. )