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 adecuado para las series en las que no existe tendencia o estacionalidad. Su único parámetro de suavizado es el nivel. El suavizado exponencial simple es el más similar a un modelo ARIMA con cero órdenes de autorregresión, un orden de diferenciación, un orden de media móvil y sin constante.
• Tendencia lineal de Holt. Este modelo es apropiado para series en las que existe una tendencia lineal y ninguna estacionalidad. Sus parámetros de suavizado son el nivel y la tendencia, y sus valores no se restringen mutuamente. El modelo de Holt es más general que el modelo de Brown pero puede llevar más tiempo de computación con series largas. El modelo de suavizado exponencial de Holt es muy similar a un modelo ARIMA con cero órdenes de autorregresión, dos órdenes de diferenciación y dos órdenes de media móvil.
• Tendencia lineal de Brown. Este modelo es apropiado para series en las que existe una tendencia lineal y ninguna estacionalidad. Sus parámetros de suavizado son el nivel y la tendencia, que se asumen iguales. Por ello, el modelo de Brown es un caso especial del modelo de Holt. El modelo de suavizado exponencial de Brown es muy similar a un modelo ARIMA con cero órdenes de autorregresión, 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 de primer orden.
• Tendencia amortiguada. Este modelo es adecuado para las series con una tendencia lineal que va desapareciendo y sin estacionalidad. Sus parámetros de suavizado son el nivel, la tendencia y la amortiguación de la tendencia. El suavizado exponencial amortiguado es muy similar a un modelo ARIMA con un orden de autorregresión, un orden de diferenciación y dos órdenes de media móvil.
• Estacional simple. Este modelo es adecuado para series con tendencia y un efecto estacional que es constante a lo largo del tiempo. Sus parámetros de suavizado son el nivel y la estación. El modelo de suavizado exponencial simple estacional es muy similar a un modelo ARIMA con cero órdenes de autorregresión, un orden de diferenciación, un orden de diferenciación estacional y órdenes de media móvil 1, p y p + 1, donde p es el número de períodos contenidos en un intervalo estacional (para los datos mensuales, p = 12).
• Aditivo de Winters. Este modelo es adecuado para las series con 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 modelo de suavizado exponencial aditivo de Winters es muy similar a un modelo ARIMA con cero órdenes de autorregresión, un orden de diferenciación, un orden de diferenciación estacional y p +1 órdenes de media móvil, donde p es el número de períodos contenidos en un intervalo estacional (para datos mensuales p = 12).
• Multiplicativo de Winters. Este modelo es adecuado para las series con 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 modelo de suavizado exponencial multiplicativo de Winters 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 desde 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.

• Ninguno. No se lleva a cabo ninguna transformación.

• Raíz cuadrada. Transformación de raíz cuadrada.
• Logaritmo natural. Transformación de logaritmo natural.

Para especificar un modelo de suavizado exponencial personalizado

Esta característica requiere la opción Previsiones.

1. En los menús seleccione:

   Analizar > Previsión > Crear modelo ...

2. En la pestaña Variables, seleccione Suavizado exponencial para Método.
3. Pulse Criterios ....
4. Seleccione el tipo de modelo de suavizado exponencial y, si lo desea, elija una transformación para las variables dependientes.