ARIMA vs. Modèles de lissage pour la prévisionJe travaille avec un client d’énergie renouvelable qui souhaite créer des prévisions d’énergie sur une période donnée pour les centrales éoliennes et solaires. J'avais prévu de montrer ARIMA, mais j'ai ensuite commencé à bricoler des modèles de lissage. Lequel est le meilleur dans votre opinion pour la prévision? L'avantage que je vois avec ARIMA est la fonction d'entrée. Mais s'il n'y a pas d'entrée, le lissage est-il meilleur? J'ai créé des modèles avec à la fois des données sur le volume des passagers aériens qui, je crois, provenaient @jiancao . L’AIC était meilleur avec le modèle ARIMA que j’ai choisi, mais la différence entre les valeurs prédites et réelles était moins grande avec la méthode de Winters. Pensées?
Re: ARIMA vs. Modèles de lissage pour la prévisionAlisa, je pense que c'est comme les autres modèles JMP ... Quel est le meilleur? Ça dépend! L’amélioration de Rsqd / AIC / BIC / ... assez pour justifier des prévisions légèrement meilleures, ou un modèle plus simple (c'est-à-dire plus facile à expliquer) est-il meilleur, au détriment d'une petite capacité de prévision?
Au cours des années, j’ai eu une petite expérience d’ARIMA (même si je ne suis pas un expert) et j’ai trouvé cela très bon pour les prédictions, mais difficile à expliquer ce qui se passe dans les coulisses. Certains modèles de lissage sont beaucoup plus faciles à expliquer.
Vous le savez probablement déjà, mais pour les séries chronologiques, l’équivalent de la "colonne de validation" utilisée dans la plupart des autres plates-formes consiste à tenir les derniers points de la série, à ajuster le modèle, puis à voir à quel point il correspond à ces derniers. Ensuite, vous pouvez choisir le modèle qui convient le mieux pour ces points, puis revenir en arrière et ajuster la même complexité de modèle avec ces points inclus (vous êtes donc prêt à prévoir le prochain modèle).
Est-ce que cela vous aide?
Re: ARIMA vs. Modèles de lissage pour la prévisionJe suis d'accord avec Jerry sur l'utilisation de "Leave-one-out" comme validation dans les modèles de prévision. J'aimerais ajouter des commentaires supplémentaires concernant la comparaison d'ARIMA avec des modèles de lissage basés sur l'AIC.
Il y a quelques relations d'équivalence pour les modèles ARIMA et de lissage, mais ils sont considérés comme deux familles différentes de modèles. Par conséquent, AIC ne peut pas être utilisé pour comparer entre elles car la probabilité est calculée de différentes manières. En d'autres termes, nous ne pouvons utiliser AIC que pour sélectionner un modèle ARIMA entre des modèles ARIMA candidats ou un modèle de lissage entre des modèles de lissage candidats.
Les méthodes de lissage sont attrayantes car elles modélisent directement les composantes d’une série chronologique: niveau, tendance, saisonnalité et fluctuations aléatoires, 
Ils fournissent des prévisions simples et rapides sans avoir à développer un modèle. Par ailleurs, les modèles ARIMA peuvent produire des prévisions et des intervalles de confiance plus précis, mais ils nécessitent plus de temps et d’apport des utilisateurs.
(BTW, les données sur les passagers des compagnies aériennes proviennent des livres de Box et Jenkins et se trouvent dans le sous-dossier Séries temporelles de la bibliothèque de données exemple JMP, appelé Seriesg. )
