197593_es-ES

liliconcom

ARIMA vs. Modelos de suavizado para el pronóstico

Estoy trabajando con un cliente de Energía Renovable que desea crear pronósticos de energía a lo largo del tiempo para plantas eólicas y solares.  Estaba planeando mostrar ARIMA, pero luego comencé a hacer pequeños retoques con los modelos Smoothing.  ¿Cuál es mejor en su opinión para el pronóstico? La ventaja que veo con ARIMA es la función de entrada.  Pero si no hay entrada, ¿es mejor el alisado? Creé modelos con ambos datos de volumen de Airline Passenger que creo que provienen de @jiancao .  El AIC fue mejor con el modelo ARIMA que elijo, pero la diferencia en los valores pronosticados y reales fue menor con el Método de Winters.  ¿Pensamientos? 

Re: ARIMA vs. Modelos de suavizado para el pronóstico

Alisa, mi pensamiento es que es como otros modelos en JMP ... ¿Cuál es el mejor? ¡Depende! Es la mejora en Rsqd / AIC / BIC / ... ¿Es suficiente para justificar predicciones ligeramente mejores, o es mejor un modelo más simple (es decir, más fácil de explicar), a costa de una pequeña capacidad de predicción?

 

He tenido un poco de experiencia con ARIMA a lo largo de los años (aunque no soy un experto), y me parece bastante bueno en las predicciones, pero es difícil explicar lo que está sucediendo detrás de escena.  Algunos de los modelos de suavizado son mucho más fáciles de explicar.

 

Probablemente ya lo sepa, pero para Time Series el equivalente a la "columna de validación" utilizada en la mayoría de las otras plataformas es mantener los últimos puntos de la serie, ajustar el modelo y luego ver qué tan bien se ajusta a esos últimos puntos.  Luego, puede elegir el modelo que mejor se adapte a esos puntos, y regresar y reajustar la misma complejidad del modelo con esos puntos incluidos (para que esté listo para pronosticar el próximo modelo).

 

¿Eso ayuda en absoluto? 

Re: ARIMA vs. Modelos de suavizado para el pronóstico

Estoy de acuerdo con Jerry sobre el uso de "leave-one-out" como validación en los modelos de pronóstico. Me gustaría agregar comentarios adicionales sobre la comparación de ARIMA con modelos de suavizado basados en AIC.

 

Hay algunos relaciones de equivalencia para los modelos ARIMA y suavizantes, Pero se consideran dos familias diferentes de modelos. Por lo tanto, AIC no se puede utilizar para comparar entre ellos porque la probabilidad se calcula de diferentes maneras. En otras palabras, solo podemos utilizar AIC para seleccionar un modelo ARIMA entre modelos ARIMA candidatos o un modelo de suavizado entre modelos de suavizado candidatos.

 

Los métodos de suavizado son atractivos porque modelan directamente los componentes de una serie de tiempo: nivel, tendencia, estacionalidad y fluctuaciones aleatorias. Proporcionan pronósticos rápidos y simples sin tener que desarrollar un modelo. Por otro lado, los modelos ARIMA pueden producir pronósticos más precisos e intervalos de confianza, pero requieren más tiempo y aportes de los usuarios. 

 

(Por cierto, los datos de los pasajeros de la aerolínea provienen del libro de Box y Jenkins y se pueden encontrar en la subcarpeta de series temporales de la Biblioteca de datos de muestra JMP, llamada Seriesg. )