Lección 6 del curso Pronósticos de Series de Tiempo con Suavizado Exponencial.
En la lección anterior vimos todo el componente matemático detrás de los modelos de suavizado exponencial con estacionalidad, también conocidos como modelos Holt-Winters o de triple suavizado exponencial.
Así que en esta lección pondremos en práctica estos conceptos y veremos cómo usar la librería StatsForecast de Python para implementar modelos de suavizado exponencial con estacionalidad capaces de pronosticar el comportamiento del número de turistas que visitarán un país en 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 implementación, entrenamiento y validación de modelos de suavizado exponencial con estacionalidad en StatsForecast resulta muy sencilla.
Un requisito inicial en este caso es hacer uso de la función de autocorrelación para caracterizar el componente estacional y de la Serie. Y luego usamos este componente estacional para crear los modelos con estacionalidad aditiva y multiplicativa en StatsForecast.
Además, para evaluar cada modelo hemos usado no sólo la validación cruzada en Series de Tiempo sino también el análisis de residuales que vimos en un curso anterior. En últimas, para este caso particular, no encontramos diferencias abismales entre uno y otro modelo. Es decir que ambos modelos tienen un desempeño similar y la única diferencia está en que el modelo aditivo tiene un intervalo de predicción ligeramente más pequeño que el modelo multiplicativo, lo cual quiere decir que el primero genera pronósticos un poco más confiables.
Así que en este punto ya tenemos los tres principales tipos de modelos de suavizado exponencial que podemos usar al momento de generar pronósticos sobre series de tiempo.
Sin embargo, en la práctica podemos usar diferentes combinaciones de estos modelos, por ejemplo modelos con tendencia aditiva y estacionalidad multiplicativa o con tendencia y estacionalidad multiplicativas, etc. Así que en la próxima lección resumiremos todas estas posibles combinaciones y veremos entonces las diferentes familias de métodos de suavizado exponencial que podremos usar en nuestros proyectos.
Todas las lecciones del curso Pronósticos de Series de Tiempo con Suavizado Exponencial