Khi nào nên sử dụng Làm mịn theo cấp số nhân so với ARIMA?

Gần đây tôi đã làm mới kiến thức dự báo của mình trong khi thực hiện một số dự báo hàng tháng tại nơi làm việc và đọc cuốn sách của Rob Hyndman, nhưng nơi tôi gặp khó khăn là khi sử dụng mô hình làm mịn theo cấp số nhân so với mô hình ARIMA. Có một quy tắc ngón tay cái mà bạn nên sử dụng một phương pháp so với phương pháp khác?

Ngoài ra, vì bạn không thể sử dụng AIC để so sánh hai thứ bạn phải đi bằng RMSE, MAE, v.v.?

Hiện tại tôi chỉ đang xây dựng một vài phương pháp và so sánh các biện pháp lỗi nhưng tôi không chắc có cách tiếp cận nào tốt hơn không.

forecasting arima exponential-smoothing

— người dùng1723699
nguồn

Khi tôi nhớ lại từ cuốn sách của Hyndman, một điểm chính của kỹ thuật làm mịn là làm mịn dữ liệu. Nó không xem xét tiếng ồn hoặc sự biến động của tiếng ồn. Nó có thể được sử dụng để dự đoán, nhưng dường như đó không phải là điểm chính.

— meh

@aginensky, làm mịn theo cấp số nhân chắc chắn là một kỹ thuật dự báo phổ biến và hiệu quả. Tôi đoán rằng việc sử dụng chính của các mô hình làm mịn theo cấp số nhân không có gì khác ngoài dự báo.

— Richard Hardy

Điều đó đúng, trên thực tế cho đến gần đây, không có thứ gọi là mô hình làm mịn theo cấp số nhân ; làm mịn theo cấp số nhân chỉ là một thuật toán để dự báo tính toán, không có gì khác.

— Chris Haug

Trên thực tế, Smooth Smooth theo cấp số nhân là một tập hợp con của mô hình ARIMA. Bạn không muốn giả sử một mô hình, mà là xây dựng một mô hình tùy chỉnh cho dữ liệu. Quy trình ARIMA cho phép bạn làm điều đó, nhưng bạn cũng cần xem xét các mục khác. Bạn cần xác định và điều chỉnh cho các ngoại lệ cũng. Xem thêm về công việc của Tsay với các ngoại lệ ở đây

— Tom Reilly
nguồn

Theo nghĩa rộng, làm mịn mũ không phải là một tập hợp con của các mô hình ARIMA, mặc dù tuyến tính mô hình làm mịn mũ thực sự đang có. Xem Hyndman & Athanasopoulos "Dự báo: Nguyên tắc và thực hành" Phần 8.10 .

— Richard Hardy

Ư, bạn đung. Tất cả đều đúng là có các mô hình ARIMA không có đối tác ETS. readbag.com/robjhyndman-research-rtimeseries-handout Sẽ có một tập dữ liệu mẫu mà bạn có thể chỉ cho tôi đó sẽ là một điểm chuẩn tốt cho điều này?

— Tom Reilly

Tôi không có một bộ dữ liệu tốt để đo điểm chuẩn, không.

— Richard Hardy

Tôi nên thêm rằng Autobox (phần mềm tôi là một phần của) không hạn chế hệ số <1 vì vậy đối với Autobox, nó bắt chước các thuộc tính phi tuyến tính. ETS cũng bỏ qua 1) Xung, Chuyển mức, Xung theo mùa và một và chỉ 1 xu hướng; 2) hằng số phương sai lỗi; 3) hằng số của các tham số theo thời gian.

— Tom Reilly