Quand utiliser le lissage exponentiel vs ARIMA?

J'ai récemment actualisé mes connaissances en prévision en travaillant sur certaines prévisions mensuelles au travail et en lisant le livre de Rob Hyndman, mais le seul problème que je rencontre est le moment d'utiliser un modèle de lissage exponentiel par rapport à un modèle ARIMA. Existe-t-il une règle générale selon laquelle vous devez utiliser une méthodologie contre une autre?

De plus, comme vous ne pouvez pas utiliser AIC pour comparer les deux, vous n'avez qu'à passer par RMSE, MAE, etc.?

Actuellement, j'en construis juste quelques-unes et compare les mesures d'erreur, mais je ne savais pas s'il y avait une meilleure approche à prendre.

forecasting arima exponential-smoothing

— user1723699
source

Si je me souviens du livre de Hyndman, un point majeur des techniques de lissage est de lisser les données. Il ne prend pas en compte le bruit ou la volatilité du bruit. Il peut être utilisé pour des prédictions, mais cela ne semble pas être le point principal.

— meh

@aginensky, le lissage exponentiel est certainement une technique de prévision populaire et efficace. Je suppose que l'utilisation principale des modèles de lissage exponentiel n'est rien d'autre que des prévisions.

— Richard Hardy

C'est exact, en fait, jusqu'à récemment, il n'existait pas de modèle de lissage exponentiel ; lissage exponentiel était seulement un algorithme pour calculer les prévisions, rien d' autre.

— Chris Haug

Le lissage exponentiel est en fait un sous-ensemble d'un modèle ARIMA. Vous ne voulez pas assumer un modèle, mais plutôt créer un modèle personnalisé pour les données. Le processus ARIMA vous permet de le faire, mais vous devez également prendre en compte d'autres éléments. Vous devez également identifier et corriger les valeurs aberrantes. En savoir plus sur le travail de Tsay avec les valeurs aberrantes ici

— Tom Reilly
source

Au sens large, le lissage exponentiel n'est pas un sous-ensemble des modèles ARIMA, bien que les modèles de lissage exponentiel linéaire le soient. Voir Hyndman & Athanasopoulos "Prévision: principes et pratiques" Section 8.10 .

— Richard Hardy

Oui vous avez raison. Il est vrai qu'il existe des modèles ARIMA sans contrepartie ETS. readbag.com/robjhyndman-research-rtimeseries-handout Auriez -vous un exemple de jeu de données sur lequel vous pouvez me pointer qui serait une bonne référence pour cela?

— Tom Reilly

Je n'ai pas un bon ensemble de données pour l'analyse comparative, non.

— Richard Hardy

Je dois ajouter que Autobox (un logiciel dont je fais partie) ne restreint pas le coefficient <1, donc pour Autobox, il imite les propriétés non linéaires. ETS ignore également 1) les impulsions, les changements de niveau, les impulsions saisonnières et une et une seule tendance; 2) constance de la variance d'erreur; 3) constance des paramètres dans le temps.

— Tom Reilly