Nó de série temporal

O nó de série temporal pode ser usado com dados em um ambiente local ou distribuído. Com este nódulo, você pode optar por estimar e construir smoothing exponencial, univariar Sistemas Integrados de Movimentação Integrada (ARIMA), ou modelos multivariados ARIMA (ou função de transferência) para séries temporais, e produzir previsões com base em dados da série temporal.

A suavização exponencial é um método de previsão que usa valores ponderados de observações de séries anteriores para prever valores futuros. Assim, a suavização exponencial não se baseia em um entendimento teórico dos dados. Ela prevê um ponto por vez, ajustando suas previsões conforme novos dados aparecem. A técnica é útil para a previsão de séries que exibem tendência, sazonalidade, ou ambos. É possível escolher entre vários modelos de alisamento exponencial que diferem no tratamento de tendência e sazonalidade.

Os modelos ARIMA fornecem métodos mais sofisticados para modelar tendências e componentes sazonais do que os Modelos de Alisamento Exponencial e, em particular, permitem o benefício adicional de incluir variáveis independentes (preditoras) no modelo. Isso envolve especificar explicitamente as ordens autorregressivas e de média móvel, bem como o grau de diferenciação. É possível incluir variáveis preditoras e definir funções de transferência para qualquer uma ou todas elas, bem como especificar detecção automática de valores discrepantes ou de um conjunto explícito de valores discrepantes.

Nota: Em termos práticos, os modelos ARIMA são mais úteis se você quiser incluir preditores que possam ajudar a explicar o comportamento da série que está sendo prevista, como o número de catálogos que são maqueados ou o número de acessos a uma página web da empresa. Os modelos de suavização exponencial descrevem o comportamento da série temporal sem tentar entender por que ela se comporta dessa maneira. Por exemplo, uma série que historicamente atinge o pico a cada 12 meses provavelmente continuará a ocorrer mesmo que você não saiba por quê.

Uma opção de Modelador Especialista também está disponível, que tenta identificar e estimar automaticamente o modelo ARIMA ou de suavização exponencial de melhor ajuste para uma ou mais variáveis de destino, eliminando assim a necessidade de identificar um modelo apropriado por tentativa e erro. Em caso de dúvida, use a opção Modelador Especialista.

Se variáveis preditoras forem especificadas, o Modelador Especialista seleciona aquelas variáveis que têm um relacionamento estatisticamente significativo com a série dependente para inclusão em modelos ARIMA. As variáveis de modelo são transformadas onde apropriado utilizando a diferenciação e/ou a transformação de raiz quadrada ou de logarítmica natural. Por padrão, o Modelador Especialista considera todos os modelos de suavização exponencial e todos os modelos ARIMA e seleciona o melhor modelo dentre eles para cada campo de destino. É possível, no entanto, limitar o Modelador Especialista para selecionar apenas o melhor dos modelos de suavização exponencial ou somente o melhor dos modelos ARIMA. Também é possível especificar detecção automática de valores discrepantes.