3 – Suavizado exponencial con tendencia

Lección 3 del curso Pronósticos de Series de Tiempo con Suavizado Exponencial.

En la lección anterior vimos cómo resolver un problema de pronósticos de series de tiempo usando el suavizado exponencial simple y la librería StatsForecast de Python.

Sin embargo, la principal limitación del suavizado exponencial simple radica en el hecho de que funciona adecuadamente sólo si la Serie no tiene ni tendencia ni estacionalidad.

Así que en esta lección veremos en todo el componente matemático de los modelos de suavizado exponencial con tendencia, que permiten generar pronósticos sobre Series de Tiempo que tienen tendencia pero que no tienen estacionalidad:

Como acabamos de ver, en el caso de los modelos de suavizado exponencial con tendencia tendremos tres ecuaciones para describir el modelo: la ecuación de pronóstico, una ecuación asociada al nivel y otra asociada a la tendencia de la serie.

Y estas dos últimas implican el uso precisamente del suavizado exponencial, razón por la cual este método también se conoce como el suavizado exponencial doble (o también como el método de Holt para la generación de pronósticos).

Una limitación de este método es que asume que la Serie con tendencia incrementa o reduce sus valores de manera indefinida, lo cual no ocurre en el mundo real. Por este motivo, lo que podemos hacer es introducir un factor de amortiguamiento (ϕ) que permite modelar un «techo» o «suelo» en los niveles que alcanzará la Serie a lo largo del tiempo.

Así que teniendo claro todo el componente matemático de este tipo de modelos, en la próxima lección veremos cómo realizar pronósticos de Series de Tiempo usando este suavizado exponencial con tendencia y la librería StatsForecast de Python.

Todas las lecciones del curso Pronósticos de Series de Tiempo con Suavizado Exponencial