Modelos personalizados de suavizado exponencial

Tipo de modelo. Los modelos de suavizado exponencial 1 se clasifican como estacionales o no estacionales. Los modelos estacionales sólo están disponibles si se ha definido una periodicidad para el conjunto de datos activo (véase "Periodicidad actual" a continuación).

  • Simple. Este modelo es apropiado para series en las que no hay tendencia ni estacionalidad. Su único parámetro de suavizado es el nivel. El suavizado exponencial simple es más parecido a un modelo ARIMA con cero órdenes de autorregresión, un orden de diferenciación, un orden de media móvil, y ninguna constante.
  • Tendencia lineal de Holt. Este modelo es apropiado para series en las que hay una tendencia lineal y sin estacionalidad. Sus parámetros de suavizado son el nivel y la tendencia, que no están limitados por los valores del otro. El modelo de Holt es más general que el modelo de Brown, pero puede tardar más en computar para grandes series. El suavizado exponencial de Holt es más parecido a un modelo ARIMA con cero órdenes de autoregresión, dos órdenes de diferenciación, y dos órdenes de media móvil.
  • Tendencia lineal de Brown. Este modelo es apropiado para series en las que hay una tendencia lineal y sin estacionalidad. Sus parámetros de suavizado son el nivel y la tendencia, que se supone que son iguales. El modelo de Brown es, por tanto, un caso especial del modelo de Holt. El suavizado exponencial de Brown es más parecido a un modelo ARIMA con cero órdenes de autoregresión, dos órdenes de diferenciación, y dos órdenes de media móvil, con el coeficiente para el segundo orden de media móvil igual al cuadrado de la mitad del coeficiente para el primer pedido.
  • Tendencia amortiguada. Este modelo es apropiado para series con una tendencia lineal que se está extinguiendo y sin estacionalidad. Sus parámetros de suavizado son el nivel, la tendencia y la tendencia de amortiguación. El suavizado exponencial amortiguado es más parecido a un modelo ARIMA con 1 orden de autoregresión, 1 orden de diferenciación y 2 órdenes de media móvil.
  • Simple estacional. Este modelo es apropiado para series sin tendencia y un efecto estacional que es constante en el tiempo. Sus parámetros de suavizado son el nivel y la estación. El suavizado exponencial estacional simple es más parecido a un modelo ARIMA con cero órdenes de autoregresión, un orden de diferenciación, un orden de diferenciación estacional y órdenes 1, p y p + 1 de media móvil, donde p es el número de periodos en un intervalo estacional (para datos mensuales, p = 12).
  • Aditivo de inviernos. Este modelo es apropiado para series con una tendencia lineal y un efecto estacional que no depende del nivel de la serie. Sus parámetros de suavizado son el nivel, la tendencia y la estación. El suavizado exponencial aditivo de los inviernos es más parecido a un modelo ARIMA con cero órdenes de autoregresión, un orden de diferenciación, un orden de diferenciación estacional, y p + 1 órdenes de media móvil, donde p es el número de períodos en un intervalo estacional (para datos mensuales, p = 12).
  • Multiplicativo de los inviernos. Este modelo es apropiado para series con una tendencia lineal y un efecto estacional que depende del nivel de la serie. Sus parámetros de suavizado son el nivel, la tendencia y la estación. El suavizado exponencial multiplicativo de los inviernos no es similar a ningún modelo ARIMA.

Periodicidad actual. Indica la periodicidad (si la hay) definida actualmente para el conjunto de datos activo. La periodicidad actual se expresa como un número entero (por ejemplo, 12 para la periodicidad anual, donde cada caso representa un mes). El valor Ninguna se muestra si no se ha establecido ninguna periodicidad. Los modelos estacionales requieren una periodicidad. Puede establecer la periodicidad en el cuadro de diálogo Definir fechas.

Transformación de las variables dependientes. Puede especificar una transformación para que se lleve a cabo sobre cada variable dependiente antes de su modelado.

  • Ninguna. No se lleva a cabo ninguna transformación.
  • Raíz cuadrada. Transformación de raíz cuadrada.
  • Log natural. Transformación de logaritmo natural.

Para especificar un modelo de suavizado exponencial personalizado

Esta característica requiere la opción Previsiones.

  1. Seleccione en los menús:

    Analizar > Predicciones > Crear modelo...

  2. En la pestaña Variables, seleccione Suavizado exponencial para Método.
  3. Pulse en Criterios....
  4. Seleccione el tipo de modelo de suavizado exponencial y, si lo desea, elija una transformación para las variables dependientes.
1 Gardner, E. S. 1985. Suavizado exponencial: El estado del arte. Journal of Forecasting, 4, 1-28.