Detalhes estatísticos da previsão

Uma execução de previsão gera previsões e detalhes estatísticos de previsão. Os detalhes estatísticos da previsão estão localizados na bandeja de dados na parte inferior de cada visualização. Há uma única linha de detalhes estatísticos para cada série temporal na visualização. Os detalhes de previsão serão gerados, desde que os pontos de tempo estejam espaçados uniformemente.

As informações de previsão contêm o Status de previsão para a série temporal fornecida. Quando o status é Sucesso, os outros campos fornecem detalhes sobre o modelo e os dados usados para previsão. Quando o status é Falha, alguns dos outros campos, incluindo as Observações, fornecem detalhes a respeito da causa da falha. Os resumos de falhas são sempre fornecidos nos avisos de visualização.

Medidas de precisão

As medidas de precisão do modelo Erro Médio Absoluto (MAE), Erro Médio Escalado Absoluto (MASE), Percentual de Precisão, Erro Quadrático Médio Raiz (RMSE), Erro Médio de Percentual Absoluto (MAPE) e Critério de Informações de Akaike (AIC) são baseadas nos dados da série temporal que são usados para gerar o modelo. Todas as medidas de precisão baseiam-se nos dados históricos. As medidas de precisão também podem ser usadas como indicador da precisão de previsão, mas elas não são transferidas para valores futuros.

Erro Médio Absoluto (MAE)

Calculado como a diferença média absoluta entre os valores ajustados pelo modelo (um passo à frente na previsão de amostra) e os dados históricos observados.

Erro Médio Escalado Absoluto (MASE)

A medida de erro que é usada para obter a precisão de modelo. É o MAE dividido pelo MAE do modelo simples. O modelo simples é aquele que prevê o valor no momento t como o valor de histórico anterior. Escalar por esse erro significa que é possível avaliar o quão bom o modelo é em comparação com o modelo simples. Se o MASE é maior que 1, o modelo é pior do que o modelo simples. Quanto menor for o MASE, melhor será o modelo em comparação com o modelo simples.

Percentual de Precisão (% de Precisão)

O indicador primário da precisão do modelo com base nos valores ajustados. Ele é especificado como a porcentagem de redução do erro absoluto médio em relação ao modelo naive. Ele é calculado subtraindo o MASE de 1 e expressando-o como porcentagem. Se o MASE for maior ou igual a 1, a precisão será definida como 0% porque o modelo não melhora sobre o modelo naive. A precisão superior indica um erro de modelo inferior em relação ao modelo naive.

Erro Quadrático Médio (MSE)

A soma da diferença quadrática entre os valores que são ajustados pelo modelo e os valores observados que são divididos pelo número de pontos históricos, menos o número de parâmetros no modelo. O número de parâmetros no modelo é subtraído do número de pontos históricos para ser consistente com uma estimativa de variância do modelo imparcial.

Erro Quadrático Médio Raiz (RMSE)

A raiz quadrada do MSE. Ele está na mesma escala que os valores de dados observados.

Erro Médio de Percentual Absoluto (MAPE)

A diferença média absoluta de percentual entre os valores que são ajustados pelo modelo e os valores de dados observados.

Critério de Informações de Akaike (AIC)

Uma medida de seleção de modelo. O AIC penaliza modelos com muitos parâmetros e, portanto, tenta escolher o melhor modelo com uma preferência em relação aos modelos mais simples. O AIC é a soma do logaritmo de MSE não ajustado multiplicado pelo número de pontos históricos e o número de parâmetros de modelo e estados de suavização iniciais que são multiplicados por 2.

Parâmetros

O período sazonal detectado e as estimativas para outros parâmetros que são usados no modelo de suavização exponencial selecionado estão disponíveis.

Período sazonal

O número de etapas de tempo em um período sazonal usado no modelo de suavização exponencial.

Alfa

O fator de suavização para os estados de nível no modelo de suavização exponencial. Pequenos valores de alpha aumentam a quantidade de suavização, ou seja, mais história é considerada quando o alpha é pequeno. Valores grandes de alpha reduzem a quantidade de suavizações, o que significa que mais peso é colocado sobre as observações mais recentes. Quando o alpha é 1, todo o peso é colocado sobre a observação atual.

Beta

O fator de suavização para os estados de tendência no modelo de suavização exponencial. Esse parâmetro se comporta de maneira similar ao alpha, mas destina-se à tendência em vez de a estados de nível.

Gama

O fator de suavização para os estados de sazonalidade no modelo de suavização exponencial. Atende à função semelhante como o alpha, mas para o componente sazonal do modelo.

Fi

O coeficiente de amortecimento no modelo de suavização exponencial. As previsões longas podem levar a resultados irrealistas e é útil ter um fator de amortecimento para amortecer a tendência ao longo do tempo e produzir previsões mais conservadoras.

Diagnóstico

As informações incluem Contagem de ausentes, Comprimento da série, Períodos ignorados, Intensidade de tendência, Força da sasonalidade e Intervalo de data/hora.

Contagem ausente

Indica o número de linhas de dados que têm valores ausentes ou pontos de tempo ausentes e que estão posicionadas entre o primeiro e o último valor da série válido. Os pontos de tempo inválidos, bem como os pontos com valores ausentes no primeiro ou nos últimos pontos de tempo histórico não estão incluídos.

Comprimento da série

Indica o número de pontos de dados usados para modelagem de séries temporais. Apenas os pontos entre o primeiro e o último valor de série válido estão incluídos.

Períodos ignorados

Um número inteiro, m, que ignora os últimos m pontos de dados da série ao construir o modelo de suavização exponencial e calcular as previsões. Quaisquer valores ausentes no final de uma parte não ignorada de uma série também serão previstos. O valor padrão para esse parâmetro é 0, o que significa que todos os dados históricos são usados na geração do modelo quando não há valores ausentes. Um potencial máximo de 100 pontos pode ser ignorado. Os períodos ignorados excluem os pontos de dados ao construir um modelo, portanto, a previsão pode falhar devido a fatores como requisitos mínimos de comprimento de dados e proporção de valor ausente que excede 33%.

Força de tendência

Compara o modelo original, M, com o mesmo modelo, mas com o componente de tendência removido. A intensidade da tendência de M é a diferença na precisão entre o modelo M e o modelo M com o componente de tendência removido.

Força de sazonalidade

Compara o modelo original, M, e o mesmo modelo com o componente sazonal removido. A intensidade da sazonalidade de M é a diferença na precisão entre o modelo M e o modelo M com o componente sazonal removido.

Intervalo de data/hora

O intervalo de data/hora representa o intervalo de tempo detectado dos dados classificados cronologicamente. O intervalo de tempo é identificado como a menor diferença entre os pontos vizinhos nos dados quando classificados na ordem cronológica.