ARIMA vs. 用於預測的平滑模型我正在與可再生能源客戶合作，該客戶希望為風能和太陽能發電廠創建能源預測。 我打算展示ARIMA，但後來開始修補Smoothing模型。 您的預測中哪一個更好？我在ARIMA看到的優勢是輸入功能。 但如果沒有輸入，Smoothing會更好嗎？我創建的模型同時包含我認為來自的航空公司乘客量數據 @jiancao 。 使用我選擇的ARIMA模型，AIC更好，但使用Winters方法，預測值和實際值的差異較小。 思考？
回复：ARIMA vs. 用於預測的平滑模型Alisa，我的想法是它就像JMP中的其他型號一樣...... 哪個最好？這取決於！是在Rsqd / AIC / BIC / ...的改善 足以保證稍微好一點的預測，或者更簡單（即更容易解釋）的模型，而犧牲一點預測能力？
多年來我對ARIMA有一點經驗（雖然我不是專家），我發現它在預測方面相當不錯，但很難解釋幕後發生的事情。 一些平滑模型更容易解釋。
您可能已經知道這一點，但對於時間序列而言，大多數其他平台中使用的“驗證列”相當於支持系列中的最後幾個點，使模型適合，然後看看它是否適合最後幾個點。 然後，您可以選擇最適合這些點的模型，然後返回並使用包含的那些點重新設置相同的模型複雜度（這樣您就可以預測下一個模型）。
這些幫助有用？
回复：ARIMA vs. 用於預測的平滑模型我同意傑瑞關於在預測模型中使用“留一出”作為驗證。我想補充一些關於比較ARIMA和基於AIC的平滑模型的評論。
有一些 ARIMA和平滑模型的等價關係，但它們被認為是兩種不同的模型系列。因此，AIC 不能用來比較它們，因為可能性是以不同的方式計算的。換句話說，我們只能使用AIC來選擇候選ARIMA模型之間的ARIMA模型或候選平滑模型之間的平滑模型。
平滑方法很吸引人，因為它們直接模擬時間序列的組成部分：水平，趨勢，季節性和隨機波動，
它們提供快速簡單的預測，無需開發模型。另一方面，ARIMA模型可以產生更準確的預測和置信區間，但它們需要更多時間和用戶的輸入。
（順便說一下，航空公司的乘客數據來自Box和Jenkins的書，可以在JMP示例數據庫的時間序列子文件夾中找到，名為Seriesg。）
