Pronósticos, Series

de Tiempo y
Regresión
Capítulo 8: Suavización
Exponencial
Temas
1. Introducciòn al tema
2. Suavización exponencial simple
3. Indicios de error
4. Método Holt de la suavización exponencial
corregida de la tendencia
5. Metodos de Holt-Winters
6. Tendencia amortiguada y otros métodos de
suavización exponencial

Introducción
 Queremos formar pronósticos a futuro para
datos sin tendencia, ni estacionalidad.
 Formas de hacerlo:
 promedio de todas las observaciones
 camino aleatorio E(y
t
)=y
t-1
 media móvil
 estimación con varios períodos (lags)
y
t
= β
0

1
y
t-1

2
y
t-2

3
y
t-3
+...+ε
 suavización exponencial

Introducción
0
50
100
150
200
250
300
350
400
450
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Pesca real
Suavización Exponencial
Simple
Todos los períodos influyen en el
pronóstico, pero los más recientes
influyen más.
Si designamos ℓ = pronóstico, entonces

T
= αy
T
+ (1-α)αy
T-1
+(1-α)
2
αy
T-2
+
…+(1-α)
T-1
αy
1
+ (1-α)
T

0
Por ejemplo
 ℓ
3
= αy
3
+ (1-α)αy
2
+ (1-α)
2
αy
1
+ (1-α)
3
α ℓ
0


Suavización Exponencial
Simple
Por ejemplo
 ℓ
3
= αy
3
+ (1-α)αy
2
+ (1-α)
2
αy
1
+ (1-α)
3
α ℓ
0
Si α = 0.1,
 ℓ
3
= 0.1y
3
+ (0.9)0.1y
2
+ (0.9)
2
0.1y
1
+
(0.9)
3
0.1 ℓ
0
 ℓ
3
= 0.1y
3
+ 0.09y
2
+ 0.081y
1
+ 0.0729 ℓ
0
Observa que
 ℓ
4
= αy
4
+ (1-α)αy
3
+ (1-α)
2
αy
2
+ (1-α)
3
α y
1

+ (1-α)
4
α


0


Suavización Exponencial
Simple
Observa que
 ℓ
4
= αy
4
+ (1-α)αy
3
+ (1-α)
2
αy
2
+ (1-α)
3
α y
1

+ (1-α)
4
α


0
 ℓ
4
= αy
4
+ (1-α){αy
3
+ (1-α)αy
2
+ (1-α)
2
α y
1

+ (1-α)
3
α


0
}
Recuerda que
 ℓ
3
= αy
3
+ (1-α)αy
2
+ (1-α)
2
αy
1
+ (1-α)
3
α ℓ
0
Así que
 ℓ
4
= αy
4
+ (1-α) ℓ
3
Suavización Exponencial
Simple
Generalizando,
 ℓ
T
= αy
T
+ (1-α) ℓ
T-1
En la práctica, usamos esta ecuación
 elimina la necesidad de almacenar datos
de una serie de tiempo muy largo.
 α es una constante de suavización
El pronóstico puntual para cualquier
período futuro (T+τ) es
 y
T+τ
(T) = ℓ
T


Suavización Exponencial
Simple
El pronóstico puntual para cualquier
período futuro (T+τ) es
 y
T+τ
(T) = ℓ
T
Un intervalo de predicción de 95%
calculado en el período T para y
T+τ
es


Donde s es el error estándar
| |
( )
2
025 . 0
1 1 o t ÷ + ± s z 
Indicios de error
Señal de la suma acumulativa simple
C(α,T): compara la suma acumulativa
de errores con la desviación absoluta de
la media suavizada.

( ) ( ) ( )
( ) ( ) ( )
) , (
) , (
) , (
1 , 1 ) , (
1 , ) , (
1
T MAD
T Y
T C
T MAD e T MAD
e T Y e T Y
t
T
T
t
t
o
o
o
o o o o o
o o o o
=
÷ ÷ + =
+ ÷ = =
¿
=
Indicios de error
Si C(α,T) es “grande” durante dos o más
periodos consecutivos, hay un problema
con el modelo.
Es grande si C(α,T) > K
Para niveles de confianza de 5% y 1%:
α 0.1 0.2 0.3
K (5%) 5.6 4.1 3.5
K (1%) 7.5 5.6 4.9
Indicios de error
También existe el indicio de error
suavizado S(α,T) , que utiliza

( ) ( ) ( )
( )
( )
( ) T MAD
T E
T S
T E e T E
t
,
,
,
1 , ,
o
o
o
o o o o
=
÷ + =
Método Holt, Suavización
Exponencial Corregida de la
Tendencia
Suponga que la serie sí muestra una
tendencia, pero que ésta puede cambiar
en el tiempo.
Ahora se estiman dos ecuaciones:
 Nivel: ℓ
T
= αy
T
+ (1-α)( ℓ
T-1
+ b
T-1
)
 Tendencia: b
T
= γ(ℓ
T
- ℓ
T-1
) + (1- γ)b
T-1

 Un pronóstico puntual para y
T+τ
es
y
T+τ
(T) = ℓ
T
+τb
T


Ventas de termómetros
1
5
0
2
0
0
2
5
0
3
0
0
3
5
0
y
0 10 20 30 40 50
time
Método Aditivo de Holt-Winters
Se usa cuando la serie tiene una
tendencia, al menos localmente, y un
patrón estacional constante.
Al modelo Holt, se resta el factor
estacional (sn
T-L
, donde L indica el
número de períodos en un año: 4 o 12):
 Nivel: ℓ
T
= α(y
T
– sn
T-L
)+ (1-α)( ℓ
T-1
+ b
T-1
)
 Tendencia: b
T
= γ(ℓ
T
- ℓ
T-1
) + (1- γ)b
T-1
 Factor estacional: sn
T
= δ(y
T
- ℓ
T
)+(1-δ) sn
T-L

Método Aditivo de Holt-Winters
 Nivel: ℓ
T
= α(y
T
– sn
T-L
)+ (1-α)( ℓ
T-1
+ b
T-1
)



 Tendencia: b
T
= γ(ℓ
T
- ℓ
T-1
) + (1- γ)b
T-1



 Factor estacional: sn
T
= δ(y
T
- ℓ
T
)+(1-δ) sn
T-L

observación
compensada
estimación
anterior del
nivel
pendiente
nueva
estimación
anterior de
la pendiente
estimación de la
variación estacional
observada recientemente
Método Multiplicativo de Holt-
Winters
Se usa cuando la serie tiene una
tendencia, al menos localmente, y un
patrón estacional creciente.
Al modelo Holt, se divide por el factor
estacional (sn
T-L
, donde L indica el
número de períodos en un año: 4 o 12):
 Nivel: ℓ
T
= α(y
T
/ sn
T-L
)+ (1-α)( ℓ
T-1
+ b
T-1
)
 Tendencia: b
T
= γ(ℓ
T
- ℓ
T-1
) + (1- γ)b
T-1
 Factor estacional: sn
T
= δ(y
T
/ ℓ
T
)+(1-δ) sn
T-L

Método Multiplicativo de Holt-
Winters
 Nivel: ℓ
T
= α(y
T
/ sn
T-L
)+ (1-α)( ℓ
T-1
+ b
T-1
)



 Tendencia: b
T
= γ(ℓ
T
- ℓ
T-1
) + (1- γ)b
T-1



 Factor estacional: sn
T
= δ(y
T
/ ℓ
T
)+(1-δ) sn
T-L

observación
compensada
estimación
anterior del
nivel
pendiente
nueva
estimación
anterior de
la pendiente
estimación de la
variación estacional
observada recientemente
Método de la tendencia
amortiguada
 Nivel: ℓ
T
= αy
T
+ (1-α)( ℓ
T-1
+ φb
T-1
)
 Tendencia: b
T
= γ(ℓ
T
- ℓ
T-1
) + (1- γ)φb
T-1

 Un pronóstico puntual para y
T+τ
es
y
T+τ
(T) = ℓ
T
+ (φb
T
+ φ
2
b
T
+ ... + φ
T
b
T
)
También existen el método aditivo de
Holt-Winters con tendencia amortiguada
y el método multiplicativo de Holt-
Winters con tendencia amortiguada
(fórmulas en el capítulo—Tabla 8.3)
Ligas
 Dr. Robert F. Nau, Duke University,
http://www.duke.edu/~rnau/411avg.htm
 Dr. J.E. Beasley, Brunel University,
http://people.brunel.ac.uk/~mastjjb/jeb/or/forecast.html
 artículo de Owadally y Haberman
http://imaman.oxfordjournals.org/cgi/content/abstract/14/2
/129?maxtoshow=&HITS=10&hits=10&RESULTFORMA
T=&fulltext=haberman&searchid=1&FIRSTINDEX=0&res
ourcetype=HWCIT

Sign up to vote on this title
UsefulNot useful