Lección 7 del curso Pronósticos de Series de Tiempo con Suavizado Exponencial.
En la lección anterior vimos de forma práctica cómo abordar un problema de pronósticos de Series de Tiempo usando modelos de suavizado exponencial con estacionalidad en StatsForecast.
Así que en este punto ya tenemos los principales modelos de suavizado exponencial: el suavizado exponencial simple, el suavizado exponencial con tendencia (o modelo Holt o de suavizado exponencial doble) y el suavizado exponencial con tendencia y estacionalidad (o modelo Holt-Winters o de suavizado exponencial triple).
Pero resulta que podemos combinar de diferentes formas estos componentes de estacionalidad y tendencia (incluyendo la tendencia amortiguada) para obtener diferentes tipos de modelos, todos de suavizado exponencial.
Entonces, en esta lección veremos cómo la combinación de los diferentes componentes de tendencia y estacionalidad en los modelos de suavizado exponencial nos permiten obtener un total de 9 diferentes tipos de modelos de generación de pronósticos de Series de Tiempo:
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.
Muy bien, acabamos de ver los 9 posibles modelos de suavizado exponencial que resultan de usar diferentes combinaciones de tendencia (aditiva o multiplicativa), tendencia amortiguada (aditiva o multiplicativa) o estacionalidad (también aditiva o multiplicativa) y cómo se denominan estas combinaciones en la librería StatsForecast.
Ahora bien, en un problema de construcción de un modelo predictivo para Series de Tiempo, generalmente no sabremos con antelación cuál será el modelo más adecuado para la generación de pronósticos. Así que en la práctica lo que debemos hacer es entrenar y evaluar múltiples modelos «candidatos» y al final escoger aquel que tenga el mejor desempeño al momento de generar los pronósticos. Este procedimiento se conoce precisamente como la selección del mejor modelo.
Así que en la próxima lección veremos de forma práctica cómo realizar la selección de modelos de suavizado exponencial para abordar un problema de pronósticos de Series de Tiempo y haciendo uso de la librería StatsForecast de Python.
Todas las lecciones del curso Pronósticos de Series de Tiempo con Suavizado Exponencial