Lección 4 del curso Pronósticos de Series de Tiempo con Suavizado Exponencial.
En la lección anterior vimos todo el componente matemático de los modelos de suavizado exponencial con tendencia (o modelos Holt), que permiten generar pronósticos para series que tienen tanto nivel como tendencia.
Así que en esta lección veremos de forma práctica cómo usar la librería StatsForecast de Python para entrenar y generar predicciones con un modelo de suavizado exponencial con tendencia. En este caso particular, veremos cómo pronosticar el crecimiento que tendrá la población de Australia durante los próximos años:
Contenido exclusivo para suscriptores
Si eres suscriptor accede en este enlace ó suscríbete a la Academia Online y accede a todo el contenido (lecciones en video, código fuente, sets de datos y descargas) de todos los cursos, proyectos y tutoriales.
Como acabamos de ver la librería StatsForecast facilita la implementación de modelos Holt, incluyendo pronósticos con un factor de amortiguación.
Para el caso particular de la Serie de Tiempo de esta práctica vimos que el modelo con tendencia simple tenía un desempeño muy similar al modelo con tendencia amortiguada, aunque en ambos casos ese desempeño (medido a través del RMSE y del MAPE) es muy bueno, lo cual se explica no sólo por los modelos utilizados sino también por las características propias de la Serie, la cual exhibe una tendencia prácticamente lineal que resulta ideal para este tipo de modelos.
Así que con esto ya hemos visto este segundo miembro de la familia de modelos de suavizado exponencial. Entonces, en la próxima lección veremos el tercer miembro de esta familia que permite estimar no solo los componentes nivel y tendencia sino adicionalmente el componente estacional.
Así que en la siguiente lección veremos en detalle todo el componente conceptual de los modelos de suavizado exponencial con estacionalidad.
Todas las lecciones del curso Pronósticos de Series de Tiempo con Suavizado Exponencial