ARIMA vs. Glättungsmodelle für die PrognoseIch arbeite mit einem Renewable Energy-Kunden zusammen, der im Laufe der Zeit Energieprognosen für Wind- und Solaranlagen erstellen möchte. Ich hatte vor, ARIMA zu zeigen, begann dann aber mit Smoothing-Modellen zu basteln. Welches ist Ihrer Meinung nach besser für Prognosen? Der Vorteil, den ich bei ARIMA sehe, ist die Eingabefunktion. Aber wenn es keine Eingabe gibt, ist Smoothing besser? Ich habe Modelle mit beiden Daten zu Passagiervolumina erstellt, von denen ich glaube, dass sie stammen @jiancao . Die AIC war besser mit dem von mir gewählten ARIMA-Modell, aber der Unterschied zwischen den vorhergesagten Werten und dem tatsächlichen Wert war bei der Winters-Methode geringer. Gedanken?
Re: ARIMA vs. Glättungsmodelle für die PrognoseAlisa, ich denke, es ist wie bei anderen Modellen in JMP ... Welches das Beste ist? Es hängt davon ab, ob! Ist die Verbesserung in Rsqd / AIC / BIC / ... genug, um etwas bessere Vorhersagen zu rechtfertigen, oder ist ein einfacheres (dh leichter zu erklärendes) Modell besser, auf Kosten einer kleinen Vorhersagefähigkeit?
Ich habe im Laufe der Jahre ein wenig Erfahrung mit ARIMA gemacht (obwohl ich kein Experte bin), und ich finde es ziemlich gut in den Vorhersagen, aber es ist schwer zu erklären, was hinter den Kulissen los ist. Einige der Glättungsmodelle sind viel einfacher zu erklären.
Sie wissen dies wahrscheinlich bereits, aber für Time Series ist das Äquivalent der "Validierungsspalte", die in den meisten anderen Plattformen verwendet wird, darin, die letzten paar Punkte der Serie durchzuhalten, in das Modell zu passen und dann zu sehen, wie gut es zu den letzten paar Punkten passt. Dann können Sie das Modell auswählen, das am besten für diese Punkte geeignet ist, und die gleiche Modellkomplexität mit diesen Punkten erneut anpassen (damit Sie das nächste Modell vorhersagen können).
Hilft das überhaupt?
Re: ARIMA vs. Glättungsmodelle für die PrognoseIch stimme mit Jerry darin überein, "Leave-one-out" als Validierung in Prognosemodellen zu verwenden. Ich möchte weitere Kommentare zum Vergleich von ARIMA mit auf AIC basierenden Glättungsmodellen hinzufügen.
Dort sind einige Äquivalenzbeziehungen für die ARIMA- und Glättungsmodelle, Sie gelten jedoch als zwei verschiedene Modellfamilien. Daher AIC Sie können nicht zum Vergleich zwischen ihnen verwendet werden, da die Wahrscheinlichkeit auf unterschiedliche Weise berechnet wird. Mit anderen Worten, wir können AIC nur verwenden, um ein ARIMA-Modell zwischen Kandidaten-ARIMA-Modellen oder ein Glättungsmodell zwischen Kandidaten-Glättungsmodellen auszuwählen.
Glättungsmethoden sind attraktiv, da sie die Komponenten einer Zeitreihe direkt modellieren: Niveau, Trend, Saisonalität und zufällige Schwankungen 
Sie ermöglichen eine schnelle und einfache Prognose, ohne ein Modell entwickeln zu müssen. Andererseits können ARIMA-Modelle genauere Vorhersagen und Vertrauensintervalle erzeugen, erfordern jedoch mehr Zeit und Eingaben von Benutzern.
(Übrigens, die Fluggastdaten stammen aus dem Buch von Box und Jenkins und sind im Time Series-Unterordner der JMP Sample Data Library unter dem Namen Seriesg zu finden. )
