เมื่อใดจึงต้องใช้ Exponential Smoothing vs ARIMA?


12

เมื่อไม่นานมานี้ฉันได้รับการฟื้นฟูความรู้ที่คาดการณ์ของฉันในขณะที่ทำงานกับการคาดการณ์รายเดือนในที่ทำงานและการอ่านหนังสือของ Rob Hyndman แต่ที่เดียวที่ฉันกำลังดิ้นรนคือเมื่อใช้แบบจำลองการทำให้เรียบชี้แจงแทน มีกฎง่ายๆที่คุณควรใช้วิธีการหนึ่งเทียบกับวิธีอื่นหรือไม่

นอกจากนี้เนื่องจากคุณไม่สามารถใช้ AIC เพื่อเปรียบเทียบทั้งสองคุณเพียงแค่ต้องไปโดย RMSE, MAE เป็นต้น?

ขณะนี้ฉันเพิ่งสร้างแต่ละไม่กี่และเปรียบเทียบมาตรการข้อผิดพลาด แต่ฉันไม่แน่ใจว่ามีวิธีที่ดีกว่าที่จะใช้


เมื่อฉันจำได้จากหนังสือของ Hyndman จุดสำคัญของเทคนิคการปรับให้เรียบคือการทำให้ข้อมูลราบรื่น ไม่ได้คำนึงถึงเสียงรบกวนหรือความผันผวนของเสียง สามารถใช้สำหรับการคาดการณ์ แต่ดูเหมือนจะไม่เป็นประเด็นหลัก
Meh

3
@aginensky การปรับให้เรียบแบบเลขชี้กำลังเป็นเทคนิคการพยากรณ์ที่ได้รับความนิยมและมีประสิทธิภาพแน่นอน ฉันเดาว่าการใช้หลักของแบบจำลองการทำให้เรียบแบบเอ็กซ์โปแนนเชียลนั้นไม่ใช่เรื่องอื่นนอกจากการคาดการณ์
Richard Hardy

นั่นเป็นที่ถูกต้องในความเป็นจริงจนกระทั่งเมื่อเร็ว ๆ ไม่มีสิ่งเช่นเรียบชี้แจงรูปแบบ ; ชี้แจงการปรับให้เรียบเป็นเพียงอัลกอริทึมสำหรับการคาดการณ์การคำนวณไม่มีอะไรอื่น
Chris Haug

คำตอบ:


4

การยกกำลังแบบเอ็กซ์โปเนนเชียลนั้นแท้จริงแล้วเป็นส่วนหนึ่งของแบบจำลอง ARIMA คุณไม่ต้องการสมมติแบบจำลอง แต่สร้างแบบจำลองที่กำหนดเองสำหรับข้อมูล กระบวนการ ARIMA ให้คุณทำเช่นนั้น แต่คุณต้องพิจารณารายการอื่นด้วย คุณต้องระบุและปรับเปลี่ยนค่าผิดปกติด้วย ดูเพิ่มเติมเกี่ยวกับการทำงานของ Tsay กับผู้ผิดกฎหมายที่นี่


1
ในความหมายที่กว้างการปรับให้เรียบแบบเอ็กซ์โปเนนเชียลไม่ได้เป็นส่วนย่อยของแบบจำลอง ARIMA แม้ว่าแบบจำลองการทำให้เรียบแบบเอ็กซ์โปเนนเชียลเชิงเส้นจะเป็นแบบแน่นอน ดู Hyndman & Athanasopoulos "พยากรณ์: หลักการและการปฏิบัติ" มาตรา 8.10
Richard Hardy

ใช่คุณถูกต้อง. เป็นความจริงทั้งหมดที่มีนางแบบ ARIMA ที่ไม่มีรุ่น ETS readbag.com/robjhyndman-research-rtimeseries-handout จะมีชุดข้อมูลตัวอย่างที่คุณสามารถชี้ให้ฉันเห็นได้ว่าจะเป็นเกณฑ์มาตรฐานที่ดีสำหรับเรื่องนี้?
Tom Reilly

ฉันไม่มีชุดข้อมูลที่ดีสำหรับการเปรียบเทียบไม่ใช่
Richard Hardy

ฉันควรเพิ่มว่า Autobox (ซอฟต์แวร์ที่ฉันเป็นส่วนหนึ่ง) ไม่ได้ จำกัด ค่าสัมประสิทธิ์ <1 ดังนั้นสำหรับ Autobox จะเลียนแบบคุณสมบัติที่ไม่ใช่เชิงเส้น ETS จะไม่สนใจ 1) พัลส์การเลื่อนระดับพัลส์ตามฤดูกาลและแนวโน้มเดียวและ 1 เท่านั้น 2) ความแปรปรวนของความคลาดเคลื่อน 3) ความมั่นคงของพารามิเตอร์ในช่วงเวลา
Tom Reilly
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.