algeria_economy <- global_economy |>
filter(Country == "Algeria")
algeria_economy |>
autoplot(Exports) +
labs(y = "% του ΑΕΠ", x = "Έτος", title = "Εξαγωγές: Αλγερία")
Η εκθετική εξομάλυνση (exponential smoothing) προτάθηκε στα τέλη της δεκαετίας του 1950 (Brown, 1959; Holt, 1957; Winters, 1960) και αποτέλεσε κίνητρο για μερικές από τις πιο επιτυχημένες μεθόδους πρόβλεψης. Οι προβλέψεις που παράγονται χρησιμοποιώντας μεθόδους εκθετικής εξομάλυνσης είναι σταθμισμένοι μέσοι προηγούμενων παρατηρήσεων, με τα βάρη να φθίνουν εκθετικά καθώς οι παρατηρήσεις γίνονται παλιότερες. Με άλλα λόγια, όσο πιο πρόσφατη είναι μια παρατήρηση τόσο υψηλότερο είναι το σχετικό βάρος. Αυτό το πλαίσιο δημιουργεί αξιόπιστες προβλέψεις γρήγορα και για ένα ευρύ φάσμα χρονοσειρών, κάτι που αποτελεί μεγάλο πλεονέκτημα και μείζονος σημασίας σε εφαρμογές στη βιομηχανία.
Αυτό το κεφάλαιο χωρίζεται σε δύο μέρη. Στο πρώτο μέρος (Ενότητες 8.1–8.4) παρουσιάζουμε τους μηχανισμούς των πιο σημαντικών μεθόδων εκθετικής εξομάλυνσης και την εφαρμογή τους στην πρόβλεψη χρονοσειρών με διάφορα χαρακτηριστικά. Αυτό μας βοηθά να αναπτύξουμε μια διαίσθηση για το πώς λειτουργούν αυτές οι μέθοδοι. Σε αυτό το πλαίσιο, η επιλογή και η χρήση μιας μεθόδου πρόβλεψης μπορεί να φαίνεται κάπως ad hoc. Η επιλογή της μεθόδου βασίζεται γενικά στην αναγνώριση βασικών συνιστωσών μιας χρονοσειράς (τάση και εποχικότητα) και στον τρόπο με τον οποίο αυτές εισέρχονται στη μέθοδο εξομάλυνσης (π.χ., με προσθετικό, με αποσβεστικό ή πολλαπλασιαστικό τρόπο).
Στο δεύτερο μέρος του κεφαλαίου (Ενότητες 8.5–8.7) παρουσιάζουμε τα στατιστικά μοντέλα που διέπουν τις μεθόδους εκθετικής εξομάλυνσης. Αυτά τα μοντέλα δημιουργούν πανομοιότυπες σημειακές προβλέψεις με τις μεθόδους που συζητήθηκαν στο πρώτο μέρος του κεφαλαίου, αλλά δημιουργούν, επίσης, και διαστήματα πρόβλεψης. Επιπλέον, αυτό το στατιστικό πλαίσιο επιτρέπει μια πραγματική επιλογή μεταξύ ανταγωνιστικών μοντέλων.
Η απλούστερη από τις μεθόδους εκθετικής εξομάλυνσης ονομάζεται όπως είναι φυσικό απλή εκθετική εξομάλυνση (SES)1. Αυτή η μέθοδος είναι κατάλληλη για την πρόβλεψη δεδομένων χωρίς σαφή τάση ή εποχιακό μοτίβο. Για παράδειγμα, τα δεδομένα στο Σχήμα 8.1 δεν παρουσιάζουν ξεκάθαρη τάση ή εποχικότητα. (Υπάρχει μια μείωση τα τελευταία χρόνια, η οποία μπορεί να υπονοεί μια τάση. Θα εξετάσουμε αργότερα σε αυτό το κεφάλαιο το πότε μια μέθοδος που διαχειρίζεται την τάση θα ήταν καλύτερη για αυτήν τη σειρά.) Έχουμε ήδη εξετάσει ως πιθανές μεθόδους για την πρόβλεψη τέτοιων δεδομένων τη μέθοδο naïve και τη μέθοδο του μέσου (Ενότητα 5.2).
algeria_economy <- global_economy |>
filter(Country == "Algeria")
algeria_economy |>
autoplot(Exports) +
labs(y = "% του ΑΕΠ", x = "Έτος", title = "Εξαγωγές: Αλγερία")
Χρησιμοποιώντας την μέθοδο naïve, όλες οι προβλέψεις για το μέλλον είναι ίσες με την τελευταία παρατηρούμενη τιμή της σειράς, \hat{y}_{T+h|T} = y_{T}, για h=1,2,\dots. Ως εκ τούτου, η μέθοδος naïve προϋποθέτει ότι η πιο πρόσφατη παρατήρηση είναι η μόνη σημαντική και όλες οι προηγούμενες παρατηρήσεις δεν παρέχουν πληροφορίες για το μέλλον. Αυτό μπορεί να θεωρηθεί ως σταθμισμένος μέσος όρος όπου όλο το βάρος δίνεται στην τελευταία παρατήρηση.
Χρησιμοποιώντας τη μέθοδο του μέσου, όλες οι μελλοντικές προβλέψεις ισούνται με έναν απλό μέσο όρο των παρατηρούμενων δεδομένων, \hat{y}_{T+h|T} = \frac1T \sum_{t=1}^T y_t, για h=1,2,\dots. Ως εκ τούτου, η μέθοδος του μέσου προϋποθέτει ότι όλες οι παρατηρήσεις είναι εξίσου σημαντικές και τους δίνει ίσα βάρη κατά τη δημιουργία προβλέψεων.
Συχνά θέλουμε κάτι ανάμεσα σε αυτά τα δύο άκρα. Για παράδειγμα, μπορεί να είναι λογικό να χρησιμοποιήσουμε μεγαλύτερα βάρη σε πιο πρόσφατες παρατηρήσεις παρά σε παρατηρήσεις από το μακρινό παρελθόν. Αυτή είναι ακριβώς η ιδέα πίσω από την απλή εκθετική εξομάλυνση. Οι προβλέψεις υπολογίζονται με τη χρήση σταθμισμένων μέσων όρων, όπου τα βάρη μειώνονται εκθετικά καθώς οι παρατηρήσεις πηγαίνουν μακριά στο παρελθόν — τα μικρότερα βάρη σχετίζονται με τις παλιότερες παρατηρήσεις: \hat{y}_{T+1|T} = \alpha y_T + \alpha(1 - \alpha) y_{T-1} + \alpha(1 - \alpha)^2 y_{T-2} + \cdots, \tag{8.1} όπου 0 \le \alpha \le 1 είναι η παράμετρος εξομάλυνσης. Η πρόβλεψη ενός βήματος για τη χρονική στιγμή T+1 είναι ένας σταθμισμένος μέσος όρος όλων των παρατηρήσεων στη σειρά y_1,\dots,y_T. Ο ρυθμός με τον οποίο μειώνονται τα βάρη ελέγχεται από την παράμετρο \alpha.
Ο παρακάτω πίνακας δείχνει τα βάρη που συνδέονται με τις παρατηρήσεις για τέσσερις διαφορετικές τιμές του \alpha πραγματοποιώντας πρόβλεψη χρησιμοποιώντας απλή εκθετική εξομάλυνση. Σημειώστε ότι το άθροισμα των βαρών ακόμη και για μια μικρή τιμή \alpha θα είναι περίπου ένα για οποιοδήποτε εύλογο μέγεθος δείγματος.
| \alpha=0.2 | \alpha=0.4 | \alpha=0.6 | \alpha=0.8 | |
|---|---|---|---|---|
| y_{T} | 0.2000 | 0.4000 | 0.6000 | 0.8000 |
| y_{T-1} | 0.1600 | 0.2400 | 0.2400 | 0.1600 |
| y_{T-2} | 0.1280 | 0.1440 | 0.0960 | 0.0320 |
| y_{T-3} | 0.1024 | 0.0864 | 0.0384 | 0.0064 |
| y_{T-4} | 0.0819 | 0.0518 | 0.0154 | 0.0013 |
| y_{T-5} | 0.0655 | 0.0311 | 0.0061 | 0.0003 |
Για οποιοδήποτε \alpha μεταξύ 0 και 1, τα βάρη που συνδέονται με τις παρατηρήσεις μειώνονται εκθετικά καθώς πηγαίνουμε στο παρελθόν, έτσι εξηγείται και το όνομα “εκθετική εξομάλυνση”. Εάν το \alpha είναι μικρό (δηλαδή κοντά στο 0), δίνεται περισσότερο βάρος σε παρατηρήσεις από το πιο μακρινό παρελθόν. Εάν το \alpha είναι μεγάλο (δηλαδή κοντά στο 1), δίνεται περισσότερο βάρος στις πιο πρόσφατες παρατηρήσεις. Για την ακραία περίπτωση όπου \alpha = 1, ισχύει \hat{y}_{T+1|T} = y_T, οπότε οι προβλέψεις είναι ίσες με τις προβλέψεις που δίνει η μέθοδος naïve.
Παρουσιάζουμε δύο ισοδύναμες μορφές απλής εκθετικής εξομάλυνσης, καθεμία από τις οποίες οδηγεί στην Εξίσωση πρόβλεψης 8.1.
Η πρόβλεψη τη χρονική στιγμή T+1 ισούται με ένα σταθμισμένο μέσο όρο μεταξύ της πιο πρόσφατης παρατήρησης y_T και της προηγούμενης πρόβλεψης \hat{y}_{T|T-1}: \hat{y}_{T+1|T} = \alpha y_T + (1-\alpha) \hat{y}_{T|T-1}, όπου 0 \le \alpha \le 1 είναι η παράμετρος εξομάλυνσης. Ομοίως, μπορούμε να γράψουμε τις προσαρμοσμένες τιμές ως \hat{y}_{t+1|t} = \alpha y_t + (1-\alpha) \hat{y}_{t|t-1}, για t=1,\dots,T. (Θυμηθείτε ότι οι προσαρμοσμένες τιμές είναι απλώς προβλέψεις ενός βήματος των δεδομένων εκπαίδευσης.)
Η διαδικασία πρέπει να ξεκινήσει από κάπου, οπότε αφήσαμε την πρώτη προσαρμοσμένη τιμή τη χρονική στιγμή 1 να υποδηλώνεται με \ell_0 (την οποία θα πρέπει να εκτιμήσουμε). Τότε \begin{align*} \hat{y}_{2|1} & = \alpha y_1 + (1 - \alpha) \ell_0 \\ \hat{y}_{3|2} & = \alpha y_2 + (1 - \alpha) \hat{y}_{2|1} \\ \hat{y}_{4|3} & = \alpha y_3 + (1 - \alpha) \hat{y}_{3|2} \\ \vdots \\ \hat{y}_{T|T-1} & = \alpha y_{T-1} + (1 - \alpha) \hat{y}_{T-1|T-2} \\ \hat{y}_{T+1|T} & = \alpha y_T + (1 - \alpha) \hat{y}_{T|T-1}. \end{align*} Αντικαθιστώντας κάθε εξίσωση στην ακόλουθη εξίσωση παίρνουμε \begin{align*} \hat{y}_{3|2} & = \alpha y_2 + (1 - \alpha) \left[ \alpha y_1 + (1 - \alpha) \ell_0 \right] \\ & = \alpha y_2 + \alpha(1 - \alpha) y_1 + (1 - \alpha)^2 \ell_0 \\ \hat{y}_{4|3} & = \alpha y_3 + (1 - \alpha) [\alpha y_2 + \alpha(1 - \alpha) y_1 + (1 - \alpha)^2 \ell_0] \\ & = \alpha y_3 + \alpha(1 - \alpha) y_2 + \alpha(1 - \alpha)^2 y_1 + (1 - \alpha)^3 \ell_0 \\ & ~~ \vdots \\ \hat{y}_{T+1|T} & = \sum_{j=0}^{T-1} \alpha(1 - \alpha)^j y_{T-j} + (1 - \alpha)^T \ell_{0}. \end{align*} Ο τελευταίος όρος γίνεται πολύ μικρός για μεγάλα T. Έτσι, η σταθμισμένη μορφή του μέσου οδηγεί στην ίδια εξίσωση πρόβλεψης (8.1).
Μια εναλλακτική αναπαράσταση είναι η συνιστώσα μορφή. Για την απλή εκθετική εξομάλυνση, η μόνη συνιστώσα που περιλαμβάνεται είναι το επίπεδο, \ell_t. (Αργότερα σε αυτό το κεφάλαιο θα εξεταστούν άλλες μέθοδοι που μπορεί επίσης να περιλαμβάνουν μια συνιστώσα τάσης b_t και μια εποχική συνιστώσα s_t.) Η αναπαράσταση της συνιστώσας μορφής των μεθόδων εκθετικής εξομάλυνσης περιλαμβάνουν μια εξίσωση πρόβλεψης και μια εξίσωση εξομάλυνσης για κάθε μια από τις συνιστώσες που περιλαμβάνονται στη μέθοδο. Η συνιστώσα μορφή της απλής εκθετικής εξομάλυνσης δίνεται από: \begin{align*} \text{Εξίσωση πρόβλεψης} & & \hat{y}_{t+h|t} & = \ell_{t} \\ \text{Εξίσωση εξομάλυνσης} & & \ell_{t} & = \alpha y_{t} + (1 - \alpha)\ell_{t-1}, \end{align*} όπου \ell_{t} είναι το επίπεδο (ή η τιμή εξομάλυνσης) της σειράς τη χρονική στιγμή t. Το h=1 δίνει τις προσαρμοσμένες τιμές, ενώ το t=T δίνει τις πραγματικές προβλέψεις πέρα από τα δεδομένα εκπαίδευσης.
Η εξίσωση πρόβλεψης δείχνει ότι η τιμή πρόβλεψης τη χρονική στιγμή t+1 είναι το εκτιμώμενο επίπεδο τη χρονική στιγμή t. Η εξίσωση εξομάλυνσης για το επίπεδο (συνήθως αναφέρεται ως εξίσωση επιπέδου) δίνει το εκτιμώμενο επίπεδο της σειράς σε κάθε περίοδο t.
Αν αντικαταστήσουμε το \ell_t με \hat{y}_{t+1|t} και το \ell_{t-1} με \hat{y}_{t|t-1} στην εξίσωση εξομάλυνσης, θα ανακτήσουμε τη σταθμισμένη μορφή του μέσου της απλής εκθετικής εξομάλυνσης.
Η συνιστώσα μορφή της απλής εκθετικής εξομάλυνσης δεν είναι ιδιαίτερα χρήσιμη από μόνη της, αλλά θα είναι η ευκολότερη μορφή αν τη χρησιμοποιήσουμε όταν αρχίσουμε να προσθέτουμε άλλες συνιστώσες.
Η απλή εκθετική εξομάλυνση έχει “επίπεδη” συνάρτηση πρόβλεψης: \hat{y}_{T+h|T} = \hat{y}_{T+1|T}=\ell_T, \qquad h=2,3,\dots. Δηλαδή, όλες οι προβλέψεις παίρνουν την ίδια τιμή, ίση με τη συνιστώσα του τελευταίου επιπέδου. Να θυμάστε ότι αυτές οι προβλέψεις θα είναι κατάλληλες μόνο εάν οι χρονοσειρές δεν έχουν τάση ή συνιστώσα εποχικότητας.
Η εφαρμογή κάθε μεθόδου εκθετικής εξομάλυνσης απαιτεί την επιλογή των παραμέτρων εξομάλυνσης και των αρχικών τιμών. Συγκεκριμένα, για την απλή εκθετική εξομάλυνση, πρέπει να επιλέξουμε τις τιμές των \alpha και \ell_0. Όλες οι προβλέψεις μπορούν να υπολογιστούν από τα δεδομένα μόλις υπολογίσουμε αυτές τις τιμές. Για τις μεθόδους που ακολουθούν συνήθως υπάρχουν περισσότερες από μία παράμετροι εξομάλυνσης και περισσότερες από μία αρχικές συνιστώσες που πρέπει να επιλεγούν.
Σε ορισμένες περιπτώσεις, οι παράμετροι εξομάλυνσης μπορούν να επιλεγούν με υποκειμενικό τρόπο — ο προγνώστης καθορίζει την αξία των παραμέτρων εξομάλυνσης με βάση την προηγούμενη εμπειρία του. Ωστόσο, ένας πιο αξιόπιστος και αντικειμενικός τρόπος να δώσουμε τιμές στις άγνωστες παραμέτρους είναι η εκτίμησή τους από τα παρατηρούμενα δεδομένα.
Στην Ενότητα 7.2, εκτιμήσαμε τους συντελεστές ενός μοντέλου παλινδρόμησης ελαχιστοποιώντας το άθροισμα των τετραγώνων των υπολοίπων (συνήθως γνωστά ως SSE ή “άθροισμα τετραγωνικών σφαλμάτων”). Παρομοίως, οι άγνωστες παράμετροι και οι αρχικές τιμές για οποιαδήποτε μέθοδο εκθετικής εξομάλυνσης μπορούν να εκτιμηθούν ελαχιστοποιώντας το SSE. Τα υπόλοιπα καθορίζονται ως e_t=y_t - \hat{y}_{t|t-1} για t=1,\dots,T. Ως εκ τούτου, βρίσκουμε τις τιμές των άγνωστων παραμέτρων και τις αρχικές τιμές που ελαχιστοποιούν την \text{SSE}=\sum_{t=1}^T(y_t - \hat{y}_{t|t-1})^2=\sum_{t=1}^Te_t^2. \tag{8.2}
Σε αντίθεση με την περίπτωση παλινδρόμησης (όπου έχουμε τύπους που επιστρέφουν τις τιμές των συντελεστών παλινδρόμησης που ελαχιστοποιούν το SSE), αυτό συνεπάγεται ένα μη γραμμικό πρόβλημα ελαχιστοποίησης και πρέπει να χρησιμοποιήσουμε ένα εργαλείο βελτιστοποίησης για να το λύσουμε.
Σε αυτό το παράδειγμα, εφαρμόζεται απλή εκθετική εξομάλυνση για την πρόβλεψη της εξαγωγής αγαθών και υπηρεσιών από την Αλγερία.
# Estimate parameters
fit <- algeria_economy |>
model(ETS(Exports ~ error("A") + trend("N") + season("N")))
fc <- fit |>
forecast(h = 5)Αυτό δίνει εκτιμήσεις των παραμέτρων \hat\alpha=0.84 και \hat\ell_0=39.5, που λαμβάνονται ελαχιστοποιώντας το SSE για περιόδους t=1,2,\dots,58, με τον περιορισμό ότι 0\le\alpha\le1.
Στον Πίνακα 8.1 παρουσιάζουμε τον υπολογισμό χρησιμοποιώντας αυτές τις παραμέτρους. Η προτελευταία στήλη δείχνει το εκτιμώμενο επίπεδο για τις χρονικές στιγμές t=0 έως t=58; Οι τελευταίες σειρές της τελευταίας στήλης δείχνουν τις προβλέψεις για h=1 έως 5 βήματα μπροστά.
| Έτος | Χρόνος | Παρατήρηση | Επίπεδο | Πρόβλεψη |
|---|---|---|---|---|
| t | y_t | \ell_t | \hat{y}_{t\vert t-1} | |
| 1959 | 0 | 39.54 | ||
| 1960 | 1 | 39.04 | 39.12 | 39.54 |
| 1961 | 2 | 46.24 | 45.10 | 39.12 |
| 1962 | 3 | 19.79 | 23.84 | 45.10 |
| 1963 | 4 | 24.68 | 24.55 | 23.84 |
| 1964 | 5 | 25.08 | 25.00 | 24.55 |
| 1965 | 6 | 22.60 | 22.99 | 25.00 |
| 1966 | 7 | 25.99 | 25.51 | 22.99 |
| 1967 | 8 | 23.43 | 23.77 | 25.51 |
| ⋮ | ⋮ | ⋮ | ⋮ | |
| 2014 | 55 | 30.22 | 30.80 | 33.85 |
| 2015 | 56 | 23.17 | 24.39 | 30.80 |
| 2016 | 57 | 20.86 | 21.43 | 24.39 |
| 2017 | 58 | 22.64 | 22.44 | 21.43 |
| h | \hat{y}_{T+h\vert T} | |||
| 2018 | 1 | 22.44 | ||
| 2019 | 2 | 22.44 | ||
| 2020 | 3 | 22.44 | ||
| 2021 | 4 | 22.44 | ||
| 2022 | 5 | 22.44 |
Η μαύρη γραμμή στο Σχήμα 8.2 δείχνει τα δεδομένα, τα οποία έχουν ένα μεταβαλλόμενο επίπεδο με την πάροδο του χρόνου.
fc |>
autoplot(algeria_economy) +
geom_line(aes(y = .fitted), col = "#D55E00", data = augment(fit)) +
labs(y = "% του ΑΕΠ", x = "Έτος", title = "Εξαγωγές: Αλγερία") +
guides(colour = "none", fill_ramp = guide_legend(title = "Επίπεδο"))
Οι προβλέψεις για την περίοδο 2018-2022 παρουσιάζονται στο Σχήμα 8.2. Επίσης, σχεδιάζονται οι προσαρμοσμένες τιμές με ένα βήμα προς τα εμπρός μαζί με τα δεδομένα κατά την περίοδο 1960-2017. Η μεγάλη τιμή του \alpha σε αυτό το παράδειγμα αντικατοπτρίζεται στη μεγάλη προσαρμογή που λαμβάνει χώρα κάθε φορά στο εκτιμώμενο επίπεδο \ell_t. Μια μικρότερη τιμή του \alpha θα οδηγούσε σε μικρότερες μεταβολές με την πάροδο του χρόνου, και έτσι η σειρά των προσαρμοσμένων τιμών θα ήταν πιο ομαλή.
Τα διαστήματα πρόβλεψης που εμφανίζονται εδώ υπολογίζονται χρησιμοποιώντας τις μεθόδους που περιγράφονται στην Ενότητα 8.7. Τα διαστήματα πρόβλεψης δείχνουν ότι υπάρχει σημαντική αβεβαιότητα στις μελλοντικές εξαγωγές κατά την πενταετή περίοδο πρόβλεψης. Επομένως, η ερμηνεία των σημειακών προβλέψεων χωρίς να ληφθεί υπόψη η μεγάλη αβεβαιότητα μπορεί να είναι πολύ παραπλανητική.
Ο Holt (1957) επέκτεινε την απλή εκθετική εξομάλυνση για να επιτρέψει την πρόβλεψη δεδομένων με τάση. Αυτή η μέθοδος περιλαμβάνει μία εξίσωση πρόβλεψης και δύο εξισώσεις εξομάλυνσης (μία για το επίπεδο και μία για την τάση): \begin{align*} \text{Εξίσωση πρόβλεψης} & & \hat{y}_{t+h|t} & = \ell_{t} + hb_{t} \\ \text{Εξίσωση επιπέδου} & & \ell_{t} & = \alpha y_{t} + (1 - \alpha)(\ell_{t-1} + b_{t-1}) \\ \text{Εξίσωση τάσης} & & b_{t} & = \beta^*(\ell_{t} - \ell_{t-1}) + (1 - \beta^*)b_{t-1}, \end{align*} όπου η \ell_t δηλώνει μια εκτίμηση του επιπέδου της σειράς τη χρονική στιγμή t, η b_t υποδηλώνει μια εκτίμηση της τάσης (κλίση) της σειράς τη χρονική στιγμή t, η \alpha είναι η παράμετρος εξομάλυνσης για το επίπεδο, 0\le\alpha\le1 και \beta^* είναι η παράμετρος εξομάλυνσης για την τάση, 0\le\beta^*\le1. (Το δηλώνουμε αυτό ως \beta^* αντί για \beta για λόγους που θα εξηγηθούν στην Ενότητα 8.5.)
Όπως και με την απλή εκθετική εξομάλυνση, εδώ η εξίσωση επιπέδου δείχνει ότι το \ell_t είναι ένας σταθμισμένος μέσος της παρατήρησης y_t και η πρόβλεψη ενός βήματος μπροστά για την εκπαίδευση τη χρονική στιγμή t, όπου εδώ δίνεται από \ell_{t-1} + b_{t-1}. Η εξίσωση τάσης δείχνει ότι το b_t είναι ένας σταθμισμένος μέσος της εκτιμώμενης τάσης τη στιγμή t με βάση το \ell_{t} - \ell_{t-1} και το b_{t-1}, την προηγούμενη εκτίμηση της τάσης.
Η συνάρτηση πρόβλεψης δεν είναι πλέον επίπεδη, αλλά έχει τάση. Η πρόβλεψη κατά h βήματα μπροστά είναι ίση με το τελευταίο εκτιμώμενο επίπεδο συν h φορές την τελευταία εκτιμώμενη τιμή τάσης. Συνεπώς, οι προβλέψεις αποτελούν μια γραμμική συνάρτηση του h.
aus_economy <- global_economy |>
filter(Code == "AUS") |>
mutate(Pop = Population / 1e6)
autoplot(aus_economy, Pop) +
labs(y = "Εκατομμύρια", x = "Έτος", title = "Πληθυσμός Αυστραλίας")
Το Σχήμα 8.3 δείχνει τον ετήσιο πληθυσμό της Αυστραλίας από το 1960 έως το 2017. Θα εφαρμόσουμε σε αυτήν τη σειρά τη μέθοδο του Holt. Οι παράμετροι εξομάλυνσης, \alpha και \beta^*, και οι αρχικές τιμές \ell_0 και b_0 υπολογίζονται ελαχιστοποιώντας το SSE για τα σφάλματα εκπαίδευσης ενός βήματος, όπως στην Ενότητα 8.1.
fit <- aus_economy |>
model(
AAN = ETS(Pop ~ error("A") + trend("A") + season("N"))
)
fc <- fit |> forecast(h = 10)Ο εκτιμώμενος συντελεστής εξομάλυνσης για το επίπεδο είναι \hat{\alpha} = 0.9999. Η πολύ υψηλή τιμή δείχνει ότι το επίπεδο αλλάζει γρήγορα προκειμένου να συλλάβει τις σειρές με τις μεγάλες τάσεις. Ο εκτιμώμενος συντελεστής εξομάλυνσης για την κλίση είναι \hat{\beta}^* = 0.3267. Αυτός είναι σχετικά μεγάλος, πράγμα που δείχνει ότι η τάση μεταβάλλεται, επίσης, συχνά (ακόμη κι αν οι μεταβολές είναι μικρές).
Στον Πίνακα 8.2 χρησιμοποιούμε αυτές τις τιμές για να δείξουμε την εφαρμογή της μεθόδου του Holt.
| Έτος | Χρόνος | Παρατήρηση | Επίπεδο | Κλίση | Πρόβλεψη |
|---|---|---|---|---|---|
| t | y_t | \ell_t | \hat{y}_{t+1\mid t} | ||
| 1959 | 0 | 10.05 | 0.22 | ||
| 1960 | 1 | 10.28 | 10.28 | 0.22 | 10.28 |
| 1961 | 2 | 10.48 | 10.48 | 0.22 | 10.50 |
| 1962 | 3 | 10.74 | 10.74 | 0.23 | 10.70 |
| 1963 | 4 | 10.95 | 10.95 | 0.22 | 10.97 |
| 1964 | 5 | 11.17 | 11.17 | 0.22 | 11.17 |
| 1965 | 6 | 11.39 | 11.39 | 0.22 | 11.39 |
| 1966 | 7 | 11.65 | 11.65 | 0.23 | 11.61 |
| ⋮ | ⋮ | ⋮ | ⋮ | ⋮ | |
| 2014 | 55 | 23.50 | 23.50 | 0.37 | 23.52 |
| 2015 | 56 | 23.85 | 23.85 | 0.36 | 23.87 |
| 2016 | 57 | 24.21 | 24.21 | 0.36 | 24.21 |
| 2017 | 58 | 24.60 | 24.60 | 0.37 | 24.57 |
| h | \hat{y}_{T+h\mid T} | ||||
| 2018 | 1 | 24.97 | |||
| 2019 | 2 | 25.34 | |||
| 2020 | 3 | 25.71 | |||
| 2021 | 4 | 26.07 | |||
| 2022 | 5 | 26.44 | |||
| 2023 | 6 | 26.81 | |||
| 2024 | 7 | 27.18 | |||
| 2025 | 8 | 27.55 | |||
| 2026 | 9 | 27.92 | |||
| 2027 | 10 | 28.29 |
Οι προβλέψεις που δημιουργούνται από τη γραμμική μέθοδο του Holt εμφανίζουν μια επ’ αόριστον σταθερή τάση (αυξάνουσα ή φθίνουσα) στο μέλλον. Εμπειρικά στοιχεία δείχνουν ότι αυτές οι μέθοδοι τείνουν να έχουν υπερβολικές προβλέψεις, ειδικά για μεγαλύτερους ορίζοντες πρόβλεψης. Με αφορμή αυτή την παρατήρηση, ο Gardner & McKenzie (1985) εισήγαγε μια παράμετρο που “αποσβένει” την τάση σε μια επίπεδη γραμμή κάποια στιγμή στο μέλλον. Μέθοδοι που περιλαμβάνουν απόσβεση της τάσης έχουν αποδειχθεί πολύ επιτυχημένες και είναι αναμφισβήτητα οι πιο δημοφιλείς μεμονωμένες μέθοδοι όταν απαιτούνται αυτόματα προβλέψεις για πολλές σειρές.
Σε συνδυασμό με τις παραμέτρους εξομάλυνσης \alpha και \beta^* (με τιμές μεταξύ 0 και 1 όπως στη μέθοδο Holt), αυτή η μέθοδος περιλαμβάνει επίσης μια παράμετρο απόσβεσης 0<\phi<1: \begin{align*} \hat{y}_{t+h|t} & = \ell_{t} + (\phi + \phi^2 + \dots + \phi^{h})b_{t} \\ \ell_{t} & = \alpha y_{t} + (1 - \alpha)(\ell_{t-1} + \phi b_{t-1}) \\ b_{t} & = \beta^*(\ell_{t} - \ell_{t-1}) + (1 - \beta^*)\phi b_{t-1}. \end{align*} Εάν \phi=1, η μέθοδος είναι ίδια με τη γραμμική μέθοδο του Holt. Για τιμές μεταξύ 0 και 1, το \phi αποσβένει την τάση έτσι ώστε να πλησιάζει μια σταθερά κάποια στιγμή στο μέλλον. Στην πραγματικότητα, οι προβλέψεις συγκλίνουν στην \ell_T+\phi b_T/(1-\phi) καθώς το h\rightarrow\infty για οποιαδήποτε τιμή 0<\phi<1. Αυτό σημαίνει ότι οι βραχυπρόθεσμες προβλέψεις έχουν τάση ενώ οι μακροπρόθεσμες προβλέψεις όχι.
Στην πράξη, το \phi σπάνια είναι μικρότερο από 0,8 καθώς η απόσβεση έχει πολύ ισχυρό αποτέλεσμα για μικρότερες τιμές. Για τιμές \phi κοντά στο 1 θα σημαίνει ότι ένα αποσβένον μοντέλο δεν μπορεί να διακριθεί από ένα μη αποσβένον μοντέλο. Για αυτούς τους λόγους, συνήθως περιορίζουμε το \phi στο ελάχιστο 0,8 και το μέγιστο 0,98.
Το Σχήμα 8.4 δείχνει τις προβλέψεις για τα έτη 2018-2032 που δημιουργήθηκαν από τη μέθοδο γραμμικής τάσης του Holt και τη μέθοδο απόσβεσης τάσης.
aus_economy |>
model(
`Μέθοδος του Holt` = ETS(
Pop ~ error("A") +
trend("A") +
season("N")
),
`Μέθοδος του Holt με απόσβεση` = ETS(
Pop ~ error("A") +
trend("Ad", phi = 0.9) +
season("N")
)
) |>
forecast(h = 15) |>
autoplot(aus_economy, level = NULL) +
labs(title = "Πληθυσμός Αυστραλίας", y = "Εκατομμύρια", x = "Έτος") +
guides(colour = guide_legend(title = "Πρόβλεψη"))
Έχουμε ορίσει την παράμετρο απόσβεσης σε σχετικά χαμηλή τιμή (\phi=0.90) για να υπερβάλλουμε το αποτέλεσμα της απόσβεσης για λόγους σύγκρισης. Συνήθως, υπολογίζουμε το \phi μαζί με τις άλλες παραμέτρους. Χρησιμοποιήσαμε επίσης έναν μάλλον μεγάλο ορίζοντα πρόβλεψης (h=15) για να επισημάνουμε τη διαφορά μεταξύ μιας αποσβένουσας και μιας γραμμικής τάσης.
Σε αυτό το παράδειγμα, συγκρίνουμε την απόδοση πρόβλεψης των τριών μεθόδων εκθετικής εξομάλυνσης που έχουμε εξετάσει μέχρι τώρα στην πρόβλεψη του αριθμού των χρηστών που συνδέονται στο Διαδίκτυο μέσω ενός διακομιστή. Τα δεδομένα παρατηρούνται σε ένα διάστημα 100 λεπτών και εμφανίζονται στο Σχήμα 8.5.
www_usage <- as_tsibble(WWWusage)
www_usage |>
autoplot(value) +
labs(x = "Λεπτά", y = "Πλήθος χρηστών",
title = "Χρήση διαδικτύου ανά λεπτό")
Θα χρησιμοποιήσουμε διασταυρούμενη επικύρωση χρονοσειρών για να συγκρίνουμε την ακρίβεια πρόβλεψης ενός βήματος και στις τρεις μεθόδους.
www_usage |>
stretch_tsibble(.init = 10) |>
model(
SES = ETS(value ~ error("A") + trend("N") + season("N")),
Holt = ETS(value ~ error("A") + trend("A") + season("N")),
Damped = ETS(value ~ error("A") + trend("Ad") + season("N"))
) |>
forecast(h = 1) |>
accuracy(www_usage)# A tibble: 3 × 10
.model .type ME RMSE MAE MPE MAPE MASE RMSSE ACF1
<chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
1 Damped Test 0.288 3.69 3.00 0.347 2.26 0.663 0.636 0.336
2 Holt Test 0.0610 3.87 3.17 0.244 2.38 0.701 0.668 0.296
3 SES Test 1.46 6.05 4.81 0.904 3.55 1.06 1.04 0.803
Η μέθοδος απόσβεσης του Holt είναι καλύτερη αν συγκρίνετε τις αντίστοιχες τιμές MAE ή RMSE. Θα προχωρήσουμε λοιπόν με τη μέθοδο απόσβεσης του Holt και θα την εφαρμόσουμε σε ολόκληρο το σύνολο δεδομένων για να λάβουμε προβλέψεις για τα επόμενα λεπτά.
fit <- www_usage |>
model(
Damped = ETS(value ~ error("A") + trend("Ad") + season("N"))
)
# Estimated parameters:
tidy(fit)# A tibble: 5 × 3
.model term estimate
<chr> <chr> <dbl>
1 Damped alpha 1.000
2 Damped beta 0.997
3 Damped phi 0.815
4 Damped l[0] 90.4
5 Damped b[0] -0.0173
Η παράμετρος εξομάλυνσης για την κλίση εκτιμάται ότι είναι σχεδόν ένα, υποδηλώνοντας ότι η τάση μεταβάλεται έτσι ώστε να αντικατοπτρίζει ως επί το πλείστον την κλίση μεταξύ των δύο τελευταίων λεπτών χρήσης του Διαδικτύου. Η τιμή του \alpha είναι πολύ κοντά στο ένα, δείχνοντας ότι το επίπεδο αντιδρά έντονα σε κάθε νέα παρατήρηση.
fit |>
forecast(h = 10) |>
autoplot(www_usage) +
labs(x = "Λεπτά", y = "Πλήθος χρηστών", title = "Χρήση διαδικτύου ανά λεπτό") +
guides(fill_ramp = guide_legend(title = "Επίπεδο"))
Οι προκύπτουσες προβλέψεις φαίνονται λογικές με φθίνουσα τάση, η οποία τελικά σταθεροποιείται λόγω της χαμηλής τιμής της παραμέτρου απόσβεσης (0.815), και σχετικά μεγάλα διαστήματα προβλέψεων που αντικατοπτρίζουν τη διακύμανση στα ιστορικά δεδομένα. Τα διαστήματα πρόβλεψης υπολογίζονται χρησιμοποιώντας τις μεθόδους που περιγράφονται στην Ενότητα 8.7.
Σε αυτό το παράδειγμα, η διαδικασία επιλογής μιας μεθόδου ήταν σχετικά εύκολη καθώς και οι δυο συγκρίσεις με MSE και MAE πρότειναν την ίδια μέθοδο (απόσβεσης του Holt). Ωστόσο, μερικές φορές διαφορετικά μέτρα ακρίβειας θα προτείνουν διαφορετικές μεθόδους πρόβλεψης και τότε απαιτείται απόφαση σχετικά με το ποια μέθοδο πρόβλεψης προτιμάμε να χρησιμοποιήσουμε. Καθώς οι εργασίες πρόβλεψης μπορεί να διαφέρουν ανάλογα με τις διαστάσεις (μήκος ορίζοντα πρόβλεψης, μέγεθος συνόλου δοκιμών, μέτρα σφάλματος πρόβλεψης, συχνότητα δεδομένων κλπ.), είναι απίθανο μια μέθοδος να είναι καλύτερη από όλες τις άλλες για όλα τα σενάρια πρόβλεψης. Αυτό που χρειαζόμαστε από μια μέθοδο πρόβλεψης είναι συνεπείς λογικές προβλέψεις και αυτές θα πρέπει να αξιολογούνται συχνά σε σχέση με την υπό εξέταση εργασία.
Στις εργασίες των Holt (1957) και Winters (1960) επεκτάθηκε η μέθοδος του Holt για να αποτυπώση και την εποχικότητα. Η εποχική μέθοδος των Holt-Winters περιλαμβάνει την εξίσωση πρόβλεψης και τρεις εξισώσεις εξομάλυνσης — μία για το επίπεδο \ell_t, μία για την τάση b_t και μία για την συνιστώσα της εποχικότητας s_t, με αντίστοιχες παραμέτρους εξομάλυνσης \alpha, \beta^* και \gamma. Χρησιμοποιούμε την m για να υποδηλώσουμε την περίοδο της εποχικότητας, δηλαδή, το πλήθος των εποχών σε ένα έτος. Για παράδειγμα, για τριμηνιαία δεδομένα το m = 4, ενώ για μηνιαία το m = 12.
Υπάρχουν δύο παραλλαγές της μεθόδου που διαφέρουν στη φύση της συνιστώσας της εποχικότητας. Η προσθετική μέθοδος προτιμάται όταν οι εποχιακές διακυμάνσεις είναι περίπου σταθερές σε όλη τη σειρά, ενώ η πολλαπλασιαστική προτιμάται όταν οι εποχιακές διακυμάνσεις μεταβάλλονται ανάλογα με το επίπεδο της σειράς. Με την προσθετική μέθοδο, η συνιστώσα της εποχικότητας εκφράζεται σε απόλυτους όρους στην κλίμακα της παρατηρούμενης σειράς και στην εξίσωση επιπέδου η σειρά προσαρμόζεται εποχιακά αφαιρώντας την συνιστώσα της εποχικότητας. Εντός κάθε έτους, η συνιστώσα της εποχικότητας αθροίζεται περίπου στο μηδέν. Με την πολλαπλασιαστική μέθοδο, η συνιστώσα της εποχικότητας εκφράζεται σε σχετικούς όρους (ποσοστά) και η σειρά προσαρμόζεται εποχιακά διαιρώντας με την εποχιακή συνιστώσα. Μέσα σε κάθε χρόνο, η συνιστώσα της εποχικότητας αθροίζεται περίπου στο m.
Η συνιστώσα μορφή της προσθετικής μεθόδου είναι: \begin{align*} \hat{y}_{t+h|t} & = \ell_{t} + hb_{t} + s_{t+h-m(k+1)} \\ \ell_{t} & = \alpha(y_{t} - s_{t-m}) + (1 - \alpha)(\ell_{t-1} + b_{t-1}) \\ b_{t} & = \beta^*(\ell_{t} - \ell_{t-1}) + (1 - \beta^*)b_{t-1} \\ s_{t} & = \gamma (y_{t} - \ell_{t-1} - b_{t-1}) + (1 - \gamma)s_{t-m}, \end{align*} όπου k είναι το ακέραιο μέρος της (h-1)/m, το οποίο διασφαλίζει ότι οι εκτιμήσεις των εποχιακών δεικτών που χρησιμοποιούνται για την πρόβλεψη προέρχονται από το τελευταίο έτος του δείγματος. Η εξίσωση επιπέδου δείχνει έναν σταθμισμένο μέσο μεταξύ της εποχιακά προσαρμοζόμενης παρατήρησης (y_{t} - s_{t-m}) και της μη εποχιακής πρόβλεψης (\ell_{t-1}+b_{t-1}) για τη χρονική στιγμή t. Η εξίσωση τάσης είναι ίδια με τη γραμμική μέθοδο του Holt. Η εποχιακή εξίσωση δείχνει έναν σταθμισμένο μέσο μεταξύ του τρέχοντος εποχιακού δείκτη, (y_{t}-\ell_{t-1}-b_{t-1}) και του εποχιακού δείκτη της ίδιας περσινής εποχής (δηλαδή, πριν από m χρονικές περιόδους).
Η εξίσωση για την συνιστώσα της εποχικότητας εκφράζεται συχνά ως s_{t} = \gamma^* (y_{t}-\ell_{t})+ (1-\gamma^*)s_{t-m}. Αν αντικαταστήσουμε το \ell_t από την εξίσωση εξομάλυνσης με το επίπεδο της παραπάνω συνιστώσας μορφής, παίρνουμε s_{t} = \gamma^*(1 - \alpha) (y_{t} - \ell_{t-1} - b_{t-1}) + [1 - \gamma^*(1 - \alpha)]s_{t-m}, η οποία είναι ίδια με την εξίσωση εξομάλυνσης για τη συνιστώσα της εποχικότητας που καθορίζουμε εδώ, με \gamma=\gamma^*(1-\alpha). Ο σύνηθης περιορισμός των παραμέτρων είναι 0\le\gamma^*\le1, ο οποίος μεταφράζεται σε 0\le\gamma\le 1-\alpha.
Η συνιστώσα μορφή για την πολλαπλασιαστική μέθοδο είναι: \begin{align*} \hat{y}_{t+h|t} & = (\ell_{t} + hb_{t})s_{t+h-m(k+1)} \\ \ell_{t} & = \alpha \frac{y_{t}}{s_{t-m}} + (1 - \alpha)(\ell_{t-1} + b_{t-1}) \\ b_{t} & = \beta^*(\ell_{t} - \ell_{t-1}) + (1 - \beta^*)b_{t-1} \\ s_{t} & = \gamma \frac{y_{t}}{(\ell_{t-1} + b_{t-1})} + (1 - \gamma)s_{t-m}. \end{align*}
Εφαρμόζουμε τη μέθοδο Holt-Winters τόσο με προσθετική όσο και με πολλαπλασιαστική εποχικότητα2 για να προβλέψουμε τριμηνιαίες διανυκτερεύσεις επισκεπτών στην Αυστραλία από ημεδαπούς τουρίστες. Το Σχήμα 8.7 δείχνει δεδομένα από το 1998-2017 και τις προβλέψεις για το 2018-2020. Τα δεδομένα δείχνουν ένα προφανές εποχιακό πρότυπο, με τις κορυφές να παρατηρούνται στο τρίμηνο του Μαρτίου κάθε έτους, που αντιστοιχεί στο καλοκαίρι στην Αυστραλία.
aus_holidays <- tourism |>
filter(Purpose == "Holiday") |>
summarise(Trips = sum(Trips) / 1e3)
fit <- aus_holidays |>
model(
additive = ETS(Trips ~ error("A") + trend("A") + season("A")),
multiplicative = ETS(Trips ~ error("M") + trend("A") + season("M"))
)
fc <- fit |> forecast(h = "3 years")
fc |>
autoplot(aus_holidays, level = NULL) +
labs(
title = "Εγχώριος τουρισμός στην Αυστραλία", y = "Ταξίδια με διανυκτέρευση (σε εκατομμύρια)",
x = "Τρίμηνο"
) +
guides(colour = guide_legend(title = "Πρόβλεψη"))
| Τρίμηνο | Χρόνος | Παρατήρηση | Επίπεδο | Κλίση | Εποχικότητα | Πρόβλεψη |
|---|---|---|---|---|---|---|
| t | y_t | \ell_t | b_t | s_t | \hat{y}_{t+1\vert t} | |
| 1997 Q1 | 0 | 1.5 | ||||
| 1997 Q2 | 1 | -0.3 | ||||
| 1997 Q3 | 2 | -0.7 | ||||
| 1997 Q4 | 3 | 9.8 | 0.0 | -0.5 | ||
| 1998 Q1 | 4 | 11.8 | 9.9 | 0.0 | 1.5 | 11.3 |
| 1998 Q2 | 5 | 9.3 | 9.9 | 0.0 | -0.3 | 9.7 |
| 1998 Q3 | 6 | 8.6 | 9.7 | -0.0 | -0.7 | 9.2 |
| 1998 Q4 | 7 | 9.3 | 9.8 | 0.0 | -0.5 | 9.2 |
| ⋮ | ⋮ | ⋮ | ⋮ | ⋮ | ⋮ | |
| 2017 Q1 | 80 | 12.4 | 10.9 | 0.1 | 1.5 | 12.3 |
| 2017 Q2 | 81 | 10.5 | 10.9 | 0.1 | -0.3 | 10.7 |
| 2017 Q3 | 82 | 10.5 | 11.0 | 0.1 | -0.7 | 10.3 |
| 2017 Q4 | 83 | 11.2 | 11.3 | 0.1 | -0.5 | 10.6 |
| h | \hat{y}_{T+h\vert T} | |||||
| 2018 Q1 | 1 | 12.9 | ||||
| 2018 Q2 | 2 | 11.2 | ||||
| 2018 Q3 | 3 | 11.0 | ||||
| 2018 Q4 | 4 | 11.2 | ||||
| 2019 Q1 | 5 | 13.4 | ||||
| 2019 Q2 | 6 | 11.7 | ||||
| 2019 Q3 | 7 | 11.5 | ||||
| 2019 Q4 | 8 | 11.7 | ||||
| 2020 Q1 | 9 | 13.9 | ||||
| 2020 Q2 | 10 | 12.2 | ||||
| 2020 Q3 | 11 | 11.9 | ||||
| 2020 Q4 | 12 | 12.2 |
| Τρίμηνο | Χρόνος | Παρατήρηση | Επίπεδο | Κλίση | Εποχικότητα | Πρόβλεψη |
|---|---|---|---|---|---|---|
| t | y_t | \ell_t | b_t | s_t | \hat{y}_{t+1\vert t} | |
| 1997 Q1 | 0 | 1.2 | ||||
| 1997 Q2 | 1 | 1.0 | ||||
| 1997 Q3 | 2 | 0.9 | ||||
| 1997 Q4 | 3 | 10.0 | -0.0 | 0.9 | ||
| 1998 Q1 | 4 | 11.8 | 10.0 | -0.0 | 1.2 | 11.6 |
| 1998 Q2 | 5 | 9.3 | 9.9 | -0.0 | 1.0 | 9.7 |
| 1998 Q3 | 6 | 8.6 | 9.8 | -0.0 | 0.9 | 9.2 |
| 1998 Q4 | 7 | 9.3 | 9.8 | -0.0 | 0.9 | 9.2 |
| ⋮ | ⋮ | ⋮ | ⋮ | ⋮ | ⋮ | |
| 2017 Q1 | 80 | 12.4 | 10.8 | 0.1 | 1.2 | 12.6 |
| 2017 Q2 | 81 | 10.5 | 10.9 | 0.1 | 1.0 | 10.6 |
| 2017 Q3 | 82 | 10.5 | 11.1 | 0.1 | 0.9 | 10.2 |
| 2017 Q4 | 83 | 11.2 | 11.3 | 0.1 | 0.9 | 10.5 |
| h | \hat{y}_{T+h\vert T} | |||||
| 2018 Q1 | 1 | 13.3 | ||||
| 2018 Q2 | 2 | 11.2 | ||||
| 2018 Q3 | 3 | 10.8 | ||||
| 2018 Q4 | 4 | 11.1 | ||||
| 2019 Q1 | 5 | 13.8 | ||||
| 2019 Q2 | 6 | 11.7 | ||||
| 2019 Q3 | 7 | 11.3 | ||||
| 2019 Q4 | 8 | 11.6 | ||||
| 2020 Q1 | 9 | 14.4 | ||||
| 2020 Q2 | 10 | 12.2 | ||||
| 2020 Q3 | 11 | 11.7 | ||||
| 2020 Q4 | 12 | 12.1 |
Η εφαρμογή και των δύο μεθόδων (με προσθετική και πολλαπλασιαστική εποχικότητα) παρουσιάζονται στους Πίνακες 8.3 και 8.4 αντίστοιχα. Επειδή και οι δύο μέθοδοι έχουν ακριβώς τον ίδιο αριθμό παραμέτρων για εκτίμηση, μπορούμε να συγκρίνουμε το RMSE της εκπαίδευσης και από τα δύο μοντέλα. Σε αυτήν την περίπτωση, η μέθοδος με την πολλαπλασιαστική εποχικότητα προσαρμόζεται στα δεδομένα ελαφρώς καλύτερα.
Οι εκτιμώμενες συνιστώσες και για τα δύο μοντέλα απεικονίζονται στο Σχήμα 8.8. Η μικρή τιμή του \gamma για το πολλαπλασιαστικό μοντέλο σημαίνει ότι η συνιστώσα της εποχικότητας δεν αλλάζει με την πάροδο του χρόνου. Η μικρή τιμή \beta^{*} σημαίνει ότι η συνιστώσα της κλίσης μεταβάλλεται ανεπαίσθητα με την πάροδο του χρόνου (συγκρίνετε τις κάθετες κλίμακες των συνιστωσών κλίσης και επιπέδου).
Η απόσβεση είναι εφικτή τόσο με την προσθετική όσο και με την πολλαπλασιαστική μέθοδο των Holt-Winters. Μια μέθοδος που συχνά παρέχει ακριβείς και εύρωστες προβλέψεις για εποχιακά δεδομένα είναι η μέθοδος των Holt-Winters με αποσβένουσα τάση και πολλαπλασιαστική εποχικότητα: \begin{align*} \hat{y}_{t+h|t} & = \left[ \ell_{t} + (\phi + \phi^2 + \dots + \phi^{h})b_{t} \right]s_{t+h-m(k+1)} \\ \ell_{t} & = \alpha(y_{t} / s_{t-m}) + (1 - \alpha)(\ell_{t-1} + \phi b_{t-1}) \\ b_{t} & = \beta^*(\ell_{t} - \ell_{t-1}) + (1 - \beta^*)\phi b_{t-1} \\ s_{t} & = \gamma \frac{y_{t}}{(\ell_{t-1} + \phi b_{t-1})} + (1 - \gamma)s_{t-m}. \end{align*}
Η μέθοδος των Holt-Winters μπορεί επίσης να χρησιμοποιηθεί για ημερήσιο τύπο δεδομένων, όπου η εποχιακή περίοδος είναι m=7 και η κατάλληλη μονάδα χρόνου για το h είναι σε ημέρες. Προβλέπουμε, εδώ, την κυκλοφορία των πεζών σε έναν πολυσύχναστο σιδηροδρομικό σταθμό της Μελβούρνης τον Ιούλιο του 2016.
sth_cross_ped <- pedestrian |>
filter(Date >= "2016-07-01", Sensor == "Southern Cross Station") |>
index_by(Date) |>
summarise(Count = sum(Count) / 1000)
sth_cross_ped |>
filter(Date <= "2016-07-31") |>
model(
hw = ETS(Count ~ error("M") + trend("Ad") + season("M"))
) |>
forecast(h = "2 weeks") |>
autoplot(sth_cross_ped |> filter(Date <= "2016-08-14")) +
labs(title = "Ημερήσια κίνηση: Southern Cross", y = "Πεζοί ('000)", x = "Ημερομηνία") +
guides(fill_ramp = guide_legend(title = "Επίπεδο"))
Είναι σαφές ότι το μοντέλο έχει προσδιορίσει το εβδομαδιαίο εποχιακό μοτίβο και την αυξανόμενη τάση στο τέλος των δεδομένων και οι προβλέψεις ταιριάζουν καλά στα δεδομένα αξιολόγησης.
Οι μέθοδοι εκθετικής εξομάλυνσης δεν περιορίζονται σε αυτές που έχουμε παρουσιάσει μέχρι τώρα. Λαμβάνοντας υπόψη τις παραλλαγές από τους συνδυασμούς των συνιστωσών της τάσης και της εποχικότητας, μπορούμε να έχουμε εννέα μεθόδους εκθετικής εξομάλυνσης, όπως καταγράφονται στον Πίνακα 8.5. Κάθε μέθοδος επισημαίνεται με ένα ζεύγος γραμμάτων (T,S) που ορίζει τον τύπο των συνιστωσών «Τάση (Trend)» και «Εποχικότητα (Seasonal)». Για παράδειγμα, (A,M) είναι η μέθοδος με μια προσθετική τάση και μία πολλαπλασιαστική εποχικότητα, (A_d,N) είναι η μέθοδος με αποσβένουσα τάση και χωρίς εποχικότητα, και ούτω καθεξής.
| N | A | M | |
|---|---|---|---|
| (Καμία) | (Προσθετική) | (Πολλαπλασιαστική) | |
| N (Καμία) | (N,N) | (N,A) | (N,M) |
| A (Προσθετική) | (A,N) | (A,A) | (A,M) |
| A_d (Προσθετική με απόσβεση) | (A_d,N) | (A_d,A) | (A_d,M) |
Μερικές από αυτές τις μεθόδους τις έχουμε ήδη δει, χρησιμοποιώντας άλλα ονόματα:
| Συντομογραφία | Μέθοδος |
|---|---|
| (N,N) | Απλή εκθετικη΄εξομάλυνση |
| (A,N) | Γραμμική μέθοδος του Holt |
| (A_d,N) | Προσθετική μέθοδος με αποσβένουσα τάση |
| (A,A) | Προσθετική μέθοδος των Holt-Winters |
| (A,M) | Πολλαπλασιαστική μέθοδος των Holt-Winters |
| (A_d,M) | Αποσβένουσα μέθοδος των Holt-Winters |
Αυτός ο τύπος ταξινόμησης προτάθηκε για πρώτη φορά από τον Pegels (1969), ο οποίος περιέλαβε, επίσης, μια μέθοδο με πολλαπλασιαστική τάση. Αργότερα επεκτάθηκε από τον Gardner (1985) για να συμπεριλάβει μεθόδους με μια προσθετική αποσβένουσα τάση και από τον Taylor (2003) για να συμπεριλάβει μεθόδους με μια πολλαπλασιαστική αποσβένουσα τάση. Δεν εξετάζουμε τις μεθόδους πολλαπλασιαστικής τάσης σε αυτό το βιβλίο, καθώς τείνουν να παράγουν κακές προβλέψεις. Δείτε την εργασία των Hyndman κ.ά. (2008) για μια πιο εμπεριστατωμένη συζήτηση όλων των μεθόδων εκθετικής εξομάλυνσης.
Το Σχήμα 8.10 δίνει τους αναδρομικούς τύπους για την εφαρμογή των εννέα μεθόδων εκθετικής εξομάλυνσης του Πίνακα 8.5. Κάθε κελί περιλαμβάνει την εξίσωση πρόβλεψης για τη δημιουργία προβλέψεων h βημάτων μπροστά και τις εξισώσεις εξομάλυνσης για την εφαρμογή της μεθόδου.
| Τάση | Εποχικότητα | ||
|---|---|---|---|
| N | A | M | |
| N | \hat{y}_{t+h|t} = \ell_t \ell_t = \alpha y_t + (1-\alpha) \ell_{t-1} | \hat{y}_{t+h|t} = \ell_t + s_{t+h-m(k+1)} \ell_t = \alpha (y_t - s_{t-m}) + (1-\alpha) \ell_{t-1} s_t = \gamma (y_t - \ell_{t-1}) + (1-\gamma) s_{t-m} | \hat{y}_{t+h|t}= \ell_ts_{t+h-m(k+1)} \ell_t = \alpha (y_t / s_{t-m}) + (1-\alpha) \ell_{t-1} s_t = \gamma (y_t / \ell_{t-1}) + (1-\gamma) s_{t-m} |
| A | \hat{y}_{t+h|t} = \ell_t+hb_t \ell_t = \alpha y_t + (1-\alpha) (\ell_{t-1}+b_{t-1}) b_t = \beta^* (\ell_t-\ell_{t-1}) + (1-\beta^*) b_{t-1} | \hat{y}_{t+h|t} = \ell_t +hb_t +s_{t+h-m(k+1)} \ell_t = \alpha (y_t - s_{t-m}) + (1-\alpha)(\ell_{t-1}+b_{t-1}) b_t = \beta^* (\ell_t-\ell_{t-1}) + (1-\beta^*) b_{t-1} s_t = \gamma (y_t - \ell_{t-1}-b_{t-1}) + (1-\gamma)s_{t-m} | \hat{y}_{t+h|t}= (\ell_t+hb_t)s_{t+h-m(k+1)} \ell_t = \alpha (y_t / s_{t-m}) + (1-\alpha)(\ell_{t-1}+b_{t-1}) b_t = \beta^* (\ell_t-\ell_{t-1}) + (1-\beta^*) b_{t-1} s_t = \gamma (y_t / (\ell_{t-1}+b_{t-1})) + (1-\gamma)s_{t-m} |
| Ad | \hat{y}_{t+h|t} = \ell_t+\phi_h b_t \ell_t = \alpha y_t + (1-\alpha) (\ell_{t-1}+\phi b_{t-1}) b_t = \beta^* (\ell_t-\ell_{t-1}) + (1-\beta^*) \phi b_{t-1} | \hat{y}_{t+h|t} = \ell_t+\phi_h b_t+s_{t+h-m(k+1)} \ell_t = \alpha (y_t - s_{t-m}) + (1-\alpha) (\ell_{t-1}+\phi b_{t-1}) b_t = \beta^* (\ell_t-\ell_{t-1}) + (1-\beta^*) \phi b_{t-1} s_t = \gamma (y_t - \ell_{t-1}-\phi b_{t-1}) + (1-\gamma)s_{t-m} | \hat{y}_{t+h|t}= (\ell_t+\phi_h b_t)s_{t+h-m(k+1)} \ell_t = \alpha (y_t / s_{t-m}) + (1-\alpha) (\ell_{t-1}+\phi b_{t-1}) b_t = \beta^* (\ell_t-\ell_{t-1}) + (1-\beta^*) \phi b_{t-1} s_t = \gamma (y_t / (\ell_{t-1}+\phi b_{t-1})) + (1-\gamma)s_{t-m} |
Στο υπόλοιπο αυτού του κεφαλαίου, μελετάμε τα στατιστικά μοντέλα που διέπουν τις μεθόδους εκθετικής εξομάλυνσης που έχουμε εξετάσει μέχρι τώρα. Οι μέθοδοι εκθετικής εξομάλυνσης που παρουσιάστηκαν στο Σχήμα 8.10 είναι αλγόριθμοι που παράγουν σημειακές προβλέψεις. Τα στατιστικά μοντέλα σε αυτήν την ενότητα δημιουργούν τις ίδιες σημειακές προβλέψεις, αλλά μπορούν επίσης να δημιουργήσουν διαστήματα πρόβλεψης. Ένα στατιστικό μοντέλο είναι μια στοχαστική (ή τυχαία) διαδικασία δημιουργίας δεδομένων που μπορεί να παράγει μια ολόκληρη κατανομή προβλέψεων. Θα περιγράψουμε επίσης τον τρόπο χρήσης των κριτηρίων επιλογής μοντέλου που εισήχθησαν στο Κεφάλαιο 7 για την επιλογή του μοντέλου με αντικειμενικό τρόπο.
Κάθε μοντέλο αποτελείται από μια μετρική εξίσωση που περιγράφει τα παρατηρούμενα δεδομένα και ορισμένες εξισώσεις κατάστασης που περιγράφουν τον τρόπο με τον οποίο οι μη παρατηρούμενες συνιστώσες ή καταστάσεις (επίπεδο, τάση, εποχικότητα) αλλάζουν με την πάροδο του χρόνου. Ως εκ τούτου, αυτά αναφέρονται ως χώρος καταστάσεων μοντέλων (state space models).
Για κάθε μέθοδο υπάρχουν δύο μοντέλα: ένα με προσθετικά σφάλματα και ένα με πολλαπλασιαστικά. Οι σημειακές προβλέψεις που παράγονται από τα μοντέλα είναι πανομοιότυπες εάν χρησιμοποιήσουν τις ίδιες τιμές των παραμέτρων εξομάλυνσης. Ωστόσο, θα δημιουργήσουν διαφορετικά διαστήματα προβλέψεων.
Για να γίνει διάκριση μεταξύ ενός μοντέλου με προσθετικά σφάλματα και ενός με πολλαπλασιαστικά (και επίσης για να ξεχωρίσουμε τα μοντέλα από τις μεθόδους), προσθέτουμε ένα τρίτο γράμμα στην ταξινόμηση του Πίνακα 8.5. Συμβολίζουμε το χώρο κατάστασης των μοντέλων ως ETS(\cdot,\cdot,\cdot) για (Σφάλμα, Τάση, Εποχικότητα). Αυτός συμβολισμός μπορεί επίσης να θεωρηθεί ότι προκύπτει από την αγγλική έκφραση ExponenTial Smoothing. Χρησιμοποιώντας την ίδια σημειογραφία όπως στον Πίνακα 8.5, οι πιθανές τιμές για κάθε συνιστώσα (ή κατάσταση) είναι: Σφάλμα = \{A,M\}, Τάση = \{N,A,A_d\} και Εποχικότητα = \{N,A,M\}.
Θυμηθείτε ότι η συνιστώσα μορφή της απλής εκθετικής εξομάλυνσης είναι: \begin{align*} \text{Εξίσωση πρόβλεψης} & & \hat{y}_{t+1|t} & = \ell_{t} \\ \text{Εξίσωση εξομάλυνσης} & & \ell_{t} & = \alpha y_{t} + (1 - \alpha)\ell_{t-1}. \end{align*} Εάν αναδιατάξουμε την εξίσωση εξομάλυνσης για το επίπεδο, λαμβάνουμε τη μορφή “διόρθωσης σφάλματος”, \begin{align*} \ell_{t} %&= \alpha y_{t}+\ell_{t-1}-\alpha\ell_{t-1}\\ & = \ell_{t-1} + \alpha( y_{t} - \ell_{t-1}) \\ & = \ell_{t-1} + \alpha e_{t}, \end{align*} όπου e_{t}=y_{t}-\ell_{t-1}=y_{t}-\hat{y}_{t|t-1} είναι το υπόλοιπο τη χρονική στιγμή t.
Τα σφάλματα από τα δεδομένα εκπαίδευσης οδηγούν στην προσαρμογή του εκτιμώμενου επιπέδου καθ’ όλη τη διαδικασία εξομάλυνσης για t=1,\dots,T. Για παράδειγμα, εάν το σφάλμα t ήταν αρνητικό, τότε y_t < \hat{y}_{t|t-1} και επομένως το επίπεδο t-1 έχει υπερεκτιμηθεί. Το νέο επίπεδο \ell_t είναι τότε το προηγούμενο επίπεδο \ell_{t-1} προσαρμοζόμενο προς τα κάτω. Όσο πιο κοντά είναι το \alpha στο ένα, τόσο “πιο τραχιά” είναι η εκτίμηση του επιπέδου (πραγματοποιούνται μεγάλες προσαρμογές). Όσο μικρότερο είναι το \alpha, τόσο “πιο ομαλό” είναι το επίπεδο (πραγματοποιούνται μικρές προσαρμογές).
Μπορούμε επίσης να γράψουμε y_t = \ell_{t-1} + e_t, έτσι ώστε κάθε παρατήρηση να μπορεί να αναπαρασταθεί από το προηγούμενο επίπεδο συν ένα σφάλμα. Για να το μετατρέψουμε σε ένα μοντέλο καινοτόμου χώρου καταστάσεων, το μόνο που χρειάζεται να κάνουμε είναι να καθορίσουμε την κατανομή πιθανότητας για το e_t. Για ένα μοντέλο με προσθετικά σφάλματα, υποθέτουμε ότι τα υπόλοιπα (τα σφάλματα εκπαίδευσης ενός βήματος) e_t είναι συνήθως κανονικά κατανεμημένος λευκός θόρυβος με μέση τιμή 0 και διακύμανση \sigma^2. Μια σύντομη σημείωση για αυτό είναι ότι το e_t = \varepsilon_t\sim\text{NID}(0,\sigma^2), όπου NID σημαίνει “κανονικά και ανεξάρτητα κατανεμημένα (Normally and Independently Distributed)”.
Τότε οι εξισώσεις του μοντέλου μπορούν να γραφτούν ως \begin{align} y_t & = \ell_{t-1} + \varepsilon_t \\ \ell_t & = \ell_{t-1} + \alpha \varepsilon_t. \end{align} \tag{8.3} Αναφερόμαστε στην πρώτη γραμμή αυτών των εξισώσεων ως την εξίσωση μέτρησης (ή παρατήρησης) και στη δεύτερη γραμμή ως εξίσωση κατάστασης (ή μετάβασης). Αυτές οι δύο εξισώσεις, μαζί με τη στατιστική κατανομή των σφαλμάτων, αποτελούν ένα πλήρως καθορισμένο στατιστικό μοντέλο. Συγκεκριμένα, αυτά αποτελούν ένα μοντέλο καινοτόμου χώρου καταστάσεων που βασίζεται στην απλή εκθετική εξομάλυνση.
Ο όρος “καινοτόμος” προέρχεται από το γεγονός ότι όλες οι εξισώσεις χρησιμοποιούν την ίδια διαδικασία τυχαίου σφάλματος, \varepsilon_t. Για τον ίδιο λόγο, αυτή η διατύπωση αναφέρεται επίσης ως μοντέλο “μοναδικής πηγής σφάλματος”. Υπάρχουν εναλλακτικά μοντέλα με πολλαπλές πηγές σφαλμάτων τα οποία δεν παρουσιάζουμε εδώ.
Η μετρική εξίσωση δείχνει τη σχέση μεταξύ των παρατηρούμενων και απαρατήρητων καταστάσεων. Σε αυτή την περίπτωση, η παρατήρηση y_t είναι μια γραμμική συνάρτηση του επιπέδου \ell_{t-1}, του προβλέψιμου μέρους των y_t και του σφάλματος \varepsilon_t, του απρόβλεπτο μέρους, δηλαδή, των y_t. Για άλλα μοντέλα καινοτόμων χώρων καταστάσεων, αυτή η σχέση μπορεί να είναι μη γραμμική.
Η εξίσωση κατάστασης δείχνει την εξέλιξη των καταστάσεων μέσα στο χρόνο. Η επίδραση της παραμέτρου εξομάλυνσης \alpha είναι η ίδια με τις μεθόδους που συζητήθηκαν προηγουμένως. Για παράδειγμα, το \alpha διέπει το μέγεθος της μεταβολής σε διαδοχικά επίπεδα: υψηλές τιμές του \alpha επιτρέπουν γρήγορες αλλαγές στο επίπεδο ενώ χαμηλές τιμές του \alpha οδηγούν σε ομαλές αλλαγές. Εάν \alpha=0, το επίπεδο της σειράς δεν αλλάζει με την πάροδο του χρόνου, ενώ εάν \alpha=1, το μοντέλο ανάγεται σε μοντέλο τυχαίου περιπάτου, y_t=y_{t-1}+\varepsilon_t. (Ανατρέξτε στην Ενότητα 9.1 για μια συζήτηση αυτού του μοντέλου.)
Με παρόμοιο τρόπο, μπορούμε να καθορίσουμε μοντέλα με πολλαπλασιαστικά σφάλματα γράφοντας τα σφάλματα εκπαίδευσης ενός βήματος προς τα εμπρός ως σχετικά σφάλματα \varepsilon_t = \frac{y_t - \hat{y}_{t|t-1}}{\hat{y}_{t|t-1}} όπου \varepsilon_t \sim \text{NID}(0,\sigma^2). Η αντικατάσταση του \hat{y}_{t|t-1}=\ell_{t-1} μας δίνει y_t = \ell_{t-1}+\ell_{t-1}\varepsilon_t και e_t = y_t - \hat{y}_{t|t-1} = \ell_{t-1}\varepsilon_t.
Τότε μπορούμε να γράψουμε την πολλαπλασιαστική μορφή του μοντέλου του χώρου καταστάσεων ως \begin{align*} y_t & = \ell_{t-1}(1 + \varepsilon_t) \\ \ell_t & = \ell_{t-1}(1 + \alpha \varepsilon_t). \end{align*}
Για αυτό το μοντέλο, υποθέτουμε ότι τα σφάλματα εκπαίδευσης ενός βήματος προς τα εμπρός προέρχονται από \varepsilon_t=y_t-\ell_{t-1}-b_{t-1} \sim \text{NID}(0,\sigma^2). Αντικαθιστώντας αυτό στις εξισώσεις διόρθωσης σφάλματος για τη γραμμική μέθοδο του Holt έχουμε \begin{align*} y_t & = \ell_{t-1} + b_{t-1} + \varepsilon_t \\ \ell_t & = \ell_{t-1} + b_{t-1} + \alpha \varepsilon_t \\ b_t & = b_{t-1} + \beta \varepsilon_t, \end{align*} όπου, για απλότητα, έχουμε ορίσει \beta = \alpha \beta^*.
Καθορίζοντας τα σφάλματα εκπαίδευσης για ένα βήμα προς τα εμπρός ως σχετικά σφάλματα έτσι ώστε \varepsilon_t = \frac{y_t - (\ell_{t-1} + b_{t-1})}{(\ell_{t-1} + b_{t-1})} και ακολουθώντας μια προσέγγιση παρόμοια με αυτήν που χρησιμοποιήθηκε παραπάνω, το μοντέλο καινοτόμου χώρου καταστάσεων που βασίζεται στη γραμμική μέθοδο του Holt με πολλαπλασιαστικά σφάλματα καθορίζεται ως \begin{align*} y_t & = (\ell_{t-1} + b_{t-1})(1 + \varepsilon_t) \\ \ell_t & = (\ell_{t-1} + b_{t-1})(1 + \alpha \varepsilon_t) \\ b_t & = b_{t-1} + \beta(\ell_{t-1} + b_{t-1}) \varepsilon_t, \end{align*}
όπου και πάλι \beta=\alpha \beta^* και \varepsilon_t \sim \text{NID}(0,\sigma^2).
Με παρόμοιο τρόπο, μπορούμε να γράψουμε ένα μοντέλο καινοτόμου χώρου καταστάσεων για καθεμία από τις μεθόδους εκθετικής εξομάλυνσης του Σχήματος 8.10. Το Σχήμα 8.11 παρουσιάζει τις εξισώσεις για όλα τα μοντέλα στο πλαίσιο του ETS.
| Μοντέλα προσθετικού σφάλματος | |||
| Τάση | Εποχικότητα | ||
|---|---|---|---|
| N | A | M | |
| N | y_{t} = \ell_{t-1}+\varepsilon_t \ell_t = \ell_{t-1} + \alpha \varepsilon_t | y_{t} = \ell_{t-1} + s_{t-m}+\varepsilon_t \ell_t = \ell_{t-1} + \alpha \varepsilon_t s_t = s_{t-m} + \gamma \varepsilon_t | y_{t} = \ell_{t-1} s_{t-m}+\varepsilon_t \ell_t = \ell_{t-1} + \alpha \varepsilon_t/s_{t-m} s_t = s_{t-m} + \gamma \varepsilon_t/\ell_{t-1} |
| A | y_{t} = \ell_{t-1} + b_{t-1}+\varepsilon_t \ell_t = \ell_{t-1} + b_{t-1} + \alpha \varepsilon_t b_t = b_{t-1} + \beta \varepsilon_t | y_{t} = \ell_{t-1} + b_{t-1} + s_{ t-m}+\varepsilon_t \ell_t = \ell_{t-1} + b_{t-1} + \alpha \varepsilon_t b_t = b_{t-1} + \beta \varepsilon_t s_t = s_{t-m} + \gamma \varepsilon_t | y_{t} = (\ell_{t-1}+b_{t-1})s_{t-m}+\varepsilon_t \ell_t = \ell_{t-1} + b_{t-1} + \alpha \varepsilon_t/s_{t-m} b_t = b_{t-1} + \beta \varepsilon_t/s_{t-m} s_t = s_{t-m} + \gamma \varepsilon_t/(\ell_{t-1}+b_{t-1}) |
| Ad | y_{t} = \ell_{t-1} + \phi b_{t-1}+\varepsilon_t \ell_t = \ell_{t-1} + \phi b_{t-1} + \alpha \varepsilon_t b_t = \phi b_{t-1} + \beta \varepsilon_t | y_{t} = \ell_{t-1} + \phi b_{t-1} + s_{t-m}+\varepsilon_t \ell_t = \ell_{t-1} + \phi b_{t-1} + \alpha \varepsilon_t b_t = \phi b_{t-1} + \beta \varepsilon_t s_t = s_{t-m} + \gamma \varepsilon_t | y_{t} = (\ell_{t-1} + \phi b_{t-1})s_{t-m}+\varepsilon_t \ell_t = \ell_{t-1} + \phi b_{t-1} + \alpha \varepsilon_t/s_{t-m} b_t = \phi b_{t-1} + \beta \varepsilon_t/s_{t-m} s_t = s_{t-m} + \gamma \varepsilon_t/(\ell_{t-1}+\phi b_{t-1}) |
| Μοντέλα πολλαπλασιαστικού σφάλματος | |||
| Τάση | Εποχικότητα | ||
| N | A | M | |
| N | y_{t} = \ell_{t-1}(1 + \varepsilon_t) \ell_t = \ell_{t-1}(1 + \alpha \varepsilon_t) | y_{t} = (\ell_{t-1} + s_{t-m})(1 + \varepsilon_t) \ell_t = \ell_{t-1} + \alpha(\ell_{t-1} + s_{t-m}) \varepsilon_t s_t = s_{t-m} + \gamma (\ell_{t-1} + s_{t-m})\varepsilon_t | y_{t} = \ell_{t-1} s_{t-m}(1 + \varepsilon_t) \ell_t = \ell_{t-1}(1 + \alpha \varepsilon_t) s_t = s_{t-m}(1 + \gamma \varepsilon_t) |
| A | y_{t} = (\ell_{t-1} + b_{t-1})(1 + \varepsilon_t) \ell_t = (\ell_{t-1} + b_{t-1})(1 + \alpha \varepsilon_t) b_t = b_{t-1} + \beta (\ell_{t-1} + b_{t-1}) \varepsilon_t | y_{t} = (\ell_{t-1} + b_{t-1} + s_{ t-m})(1 + \varepsilon_t) \ell_t = \ell_{t-1} + b_{t-1} + \alpha (\ell_{t-1} + b_{t-1}+ s_{ t-m}) \varepsilon_t b_t = b_{t-1} + \beta (\ell_{t-1} + b_{t-1} + s_{ t-m})\varepsilon_t s_t = s_{t-m} + \gamma (\ell_{t-1} + b_{t-1} + s_{ t-m})\varepsilon_t | y_{t} = (\ell_{t-1}+b_{t-1})s_{t-m}(1 + \varepsilon_t) \ell_t = (\ell_{t-1} + b_{t-1})(1 + \alpha\varepsilon_t) b_t = b_{t-1} + \beta (\ell_{t-1}+b_{t-1})\varepsilon_t s_t = s_{t-m}(1 + \gamma \varepsilon_t) |
| Ad | y_{t} = (\ell_{t-1} + \phi b_{t-1})(1 + \varepsilon_t) \ell_t = (\ell_{t-1} + \phi b_{t-1})(1 + \alpha \varepsilon_t) b_t = \phi b_{t-1} + \beta(\ell_{t-1} + \phi b_{t-1})\varepsilon_t | y_{t} = (\ell_{t-1} + \phi b_{t-1} + s_{t-m})(1 + \varepsilon_t) \ell_t = \ell_{t-1} + \phi b_{t-1} + \alpha (\ell_{t-1}+ \phi b_{t-1} + s_{t-m}) \varepsilon_t b_t = \phi b_{t-1} + \beta (\ell_{t-1} + \phi b_{t-1} +s_{t-m})\varepsilon_t s_t = s_{t-m} + \gamma (\ell_{t-1} + \phi b_{t-1} + s_{t-m})\varepsilon_t | y_{t} = (\ell_{t-1} + \phi b_{t-1})s_{t-m}(1 + \varepsilon_t) \ell_t = (\ell_{t-1} + \phi b_{t-1})(1 + \alpha \varepsilon_t) b_t = \phi b_{t-1} + \beta (\ell_{t-1} + \phi b_{t-1})\varepsilon_t s_t = s_{t-m}(1+ \gamma \varepsilon_t) |
Μια εναλλακτική λύση για την εκτίμηση των παραμέτρων ελαχιστοποιώντας το άθροισμα των τετραγωνικών σφαλμάτων είναι η μεγιστοποίηση της “πιθανοφάνειας”. Η πιθανοφάνεια είναι η πιθανότητα των δεδομένων να προκύψουν από το καθορισμένο μοντέλο. Έτσι, μια μεγάλη πιθανοφάνεια σχετίζεται με ένα καλό μοντέλο. Για ένα μοντέλο προσθετικού σφάλματος, η μεγιστοποίηση της πιθανοφάνειας (υποθέτοντας κανονικά κατανεμημένα σφάλματα) δίνει τα ίδια αποτελέσματα με την ελαχιστοποίηση του αθροίσματος των τετραγωνικών σφαλμάτων. Ωστόσο, θα ληφθούν διαφορετικά αποτελέσματα για πολλαπλασιαστικά μοντέλα σφαλμάτων. Σε αυτήν την ενότητα, θα εκτιμήσουμε τις παραμέτρους εξομάλυνσης \alpha, \beta, \gamma και \phi, και τις αρχικές καταστάσεις \ell_0, b_0, s_0,s_{-1},\dots,s_{-m+1}, μεγιστοποιώντας την πιθανοφάνεια.
Οι πιθανές τιμές που μπορούν να πάρουν οι παράμετροι εξομάλυνσης είναι περιορισμένες. Παραδοσιακά, οι παράμετροι έχουν περιοριστεί να κυμαίνονται μεταξύ 0 και 1, έτσι ώστε οι εξισώσεις να μπορούν να ερμηνευθούν ως σταθμισμένοι μέσοι. Δηλαδή, 0< \alpha,\beta^*,\gamma^*,\phi<1. Για τα μοντέλα χώρου καταστάσεων, έχουμε ορίσει \beta=\alpha\beta^* και \gamma=(1-\alpha)\gamma^*. Επομένως, οι παραδοσιακοί περιορισμοί μεταφράζονται σε 0< \alpha <1, 0 < \beta < \alpha και 0< \gamma < 1-\alpha. Στην πράξη, η παράμετρος απόσβεσης \phi συνήθως περιορίζεται περαιτέρω για να αποτρέψει αριθμητικές δυσκολίες στην εκτίμηση του μοντέλου. Στο πακέτο fable, περιορίζεται έτσι ώστε 0.8<\phi<0.98.
Ένας άλλος τρόπος για να δείτε τις παραμέτρους είναι μέσω της εξέτασης των μαθηματικών ιδιοτήτων των μοντέλων του χώρου καταστάσεων. Οι παράμετροι περιορίζονται προκειμένου να αποφευχθούν οι παρατηρήσεις στο μακρινό παρελθόν να έχουν συνεχή επίδραση στις τρέχουσες προβλέψεις. Αυτό οδηγεί σε ορισμένους παραδεκτούς περιορισμούς των παραμέτρων, οι οποίοι είναι συνήθως (αλλά όχι πάντα) λιγότερο περιοριστικοί από την παραδοσιακή περιοχή περιορισμών (Hyndman κ.ά., 2008, σελ149–161). Για παράδειγμα, για το μοντέλο ETS(A,N,N), η παραδοσιακή περιοχή παραμέτρων είναι 0< \alpha <1 αλλά η αποδεκτή περιοχή είναι 0< \alpha <2. Για το μοντέλο ETS(A,A,N), η παραδοσιακή περιοχή παραμέτρων είναι 0<\alpha<1 και 0<\beta<\alpha, αλλά η αποδεκτή περιοχή είναι 0<\alpha<2 και 0<\beta<4-2\alpha.
Ένα μεγάλο πλεονέκτημα του στατιστικού πλαισίου ETS είναι ότι μπορούν να χρησιμοποιηθούν τα κριτήρια πληροφοριών για την επιλογή μοντέλου. Τα AIC, AIC_{\text{c}} και BIC, που εισήχθηκαν στην Ενότητα 7.5, μπορούν να χρησιμοποιηθούν εδώ για να προσδιορίσουν ποια από τα μοντέλα ETS είναι τα πιο κατάλληλα για μια δεδομένη χρονοσειρά.
Για μοντέλα ETS, το Κριτήριο Πληροφοριών του Akaike (AIC) ορίζεται ως \text{AIC} = -2\log(L) + 2k, όπου L είναι η πιθανότητα του μοντέλου και k είναι ο συνολικός αριθμός παραμέτρων και αρχικών καταστάσεων που έχουν εκτιμηθεί (συμπεριλαμβανομένης της διακύμανσης των υπολοίπων).
Το AIC που διορθώθηκε για τα σφάλματα σε μικρή δειγματοληψία ( το AIC_\text{c}) ορίζεται ως \text{AIC}_{\text{c}} = \text{AIC} + \frac{2k(k+1)}{T-k-1}, και το Bayesian Κριτήριο Πληροφοριών (BIC) ορίζεται ως \text{BIC} = \text{AIC} + k[\log(T)-2].
Τρεις από τους συνδυασμούς του (Σφάλμα, Τάση, Εποχικότητα) μπορούν να οδηγήσουν σε αριθμητικές δυσκολίες. Συγκεκριμένα, τα μοντέλα που μπορούν να προκαλέσουν τέτοιες αστάθειες είναι τα ETS(A,N,M), ETS(A,A,M) και ETS(A,A_d,M), λόγω της διαίρεσης από τιμές δυνητικά κοντά στο μηδέν στις εξισώσεις κατάστασης. Συνήθως δεν λαμβάνουμε υπόψη αυτούς τους συγκεκριμένους συνδυασμούς κατά την επιλογή ενός μοντέλου.
Τα μοντέλα με πολλαπλασιαστικά σφάλματα είναι χρήσιμα όταν τα δεδομένα είναι αυστηρά θετικά, αλλά δεν είναι αριθμητικά σταθερά όταν τα δεδομένα περιέχουν μηδενικά ή αρνητικές τιμές. Επομένως, τα μοντέλα πολλαπλασιαστικού σφάλματος δεν θα ληφθούν υπόψη εάν οι χρονοσειρές δεν είναι αυστηρά θετικές. Σε αυτήν την περίπτωση, θα εφαρμοστούν μόνο τα έξι πλήρως προσθετικά μοντέλα.
Χρησιμοποιούμε τώρα το στατιστικό πλαίσιο ETS για να προβλέψουμε τον τουρισμό διακοπών στην Αυστραλία κατά την περίοδο 2016-2019. Αφήνουμε τη συνάρτηση ETS() να επιλέξει το μοντέλο ελαχιστοποιώντας το AICc.
aus_holidays <- tourism |>
filter(Purpose == "Holiday") |>
summarise(Trips = sum(Trips) / 1e3)
fit <- aus_holidays |>
model(ETS(Trips))
report(fit)Series: Trips
Model: ETS(M,N,A)
Smoothing parameters:
alpha = 0.3484
gamma = 1e-04
Initial states:
l[0] s[0] s[-1] s[-2] s[-3]
9.727 -0.5376 -0.6884 -0.2934 1.519
sigma^2: 0.0022
AIC AICc BIC
226.2 227.8 242.9
Το μοντέλο που επιλέχθηκε είναι το ETS(M,N,A) \begin{align*} y_{t} & = (\ell_{t-1} + s_{t-m})(1 + \varepsilon_t) \\ \ell_t & = \ell_{t-1} + \alpha(\ell_{t-1} + s_{t-m})\varepsilon_t \\ s_t & = s_{t-m} + \gamma(\ell_{t-1} + s_{t-m}) \varepsilon_t. \end{align*}
Οι εκτιμήσεις των παραμέτρων είναι \hat\alpha = 0.3484, και \hat\gamma = 0.0001. Η συνάρτηση επιστρέφει επίσης τις εκτιμήσεις για τις αρχικές καταστάσεις \ell_0, s_{0}, s_{-1}, s_{-2} και s_{-3}. Συγκρίνετε αυτές με τιμές που λαμβάνονται για τη μέθοδο Holt-Winters με προσθετική εποχικότητα που παρουσιάζονται στον Πίνακα 8.3.
Το Σχήμα 8.12 δείχνει τις καταστάσεις με την πάροδο του χρόνου, ενώ το Σχήμα 8.14 δείχνει τις σημειακές προβλέψεις και τα διαστήματα πρόβλεψης που δημιουργούνται από το μοντέλο. Οι μικρές τιμές \gamma υποδηλώνουν ότι οι εποχιακές καταστάσεις μεταβάλλονται πολύ λίγο με την πάροδο του χρόνου.
components(fit) |>
autoplot() +
labs(title = "Οι συνιστώσες της ETS(M,N,A)", x = "Τρίμηνο")
Επειδή αυτό το μοντέλο έχει πολλαπλασιαστικά σφάλματα, τα καινοτόμα υπόλοιπα δεν είναι ισοδύναμα με τα κανονικά υπόλοιπα (δηλαδή τα σφάλματα εκπαίδευσης ενός βήματος). Τα καινοτόμα υπόλοιπα δίνονται από \hat{\varepsilon}_t, ενώ τα κανονικά υπόλοιπα ορίζονται ως y_t - \hat{y}_{t|t-1}. Μπορούμε να πάρουμε και τα δύο χρησιμοποιώντας τη συνάρτηση augment(), τα οποία απεικονίζονται στο Σχήμα 8.13.
Οι σημειακές προβλέψεις μπορούν να ληφθούν από τα μοντέλα επαναλαμβάνοντας τις εξισώσεις για t = T + 1,\dots,T + h και θέτοντας όλα τα \varepsilon_t = 0 για t > T.
Για παράδειγμα, για το μοντέλο ETS(M,A,N), y_{T+1} = (\ell_T + b_T )(1+ \varepsilon_{T+1}). Επομένως \hat{y}_{T+1|T}=\ell_{T}+b_{T}. Ομοίως, \begin{align*} y_{T+2} & = (\ell_{T+1} + b_{T+1})(1 + \varepsilon_{T+2}) \\ & = \left[ (\ell_T + b_T) (1 + \alpha\varepsilon_{T+1}) + b_T + \beta (\ell_T + b_T)\varepsilon_{T+1} \right] (1 + \varepsilon_{T+2}). \end{align*} Επομένως, \hat{y}_{T+2|T}= \ell_{T}+2b_{T}, και ούτω καθεξής. Αυτές οι προβλέψεις είναι πανομοιότυπες με τις προβλέψεις της γραμμικής μεθόδου του Holt και επίσης με εκείνες του μοντέλου ETS(A,A,N). Έτσι, οι σημειακές προβλέψεις που λαμβάνονται από τη μέθοδο και από τα δύο μοντέλα που διέπουν τη μέθοδο είναι πανομοιότυπες (υποθέτοντας ότι χρησιμοποιούνται οι ίδιες τιμές παραμέτρων). Οι σημειακές προβλέψεις της ETS που κατασκευάζονται με αυτό τον τρόπο είναι ίσες με τους μέσους των κατανομών πρόβλεψης, εκτός από τα μοντέλα με πολλαπλασιαστική εποχικότητα (Hyndman κ.ά., 2008).
Για να λάβουμε προβλέψεις από ένα μοντέλο ETS, χρησιμοποιούμε τη συνάρτηση forecast() από το πακέτο fable. Αυτή η συνάρτηση θα επιστρέφει πάντα τους μέσους της κατανομής της πρόβλεψης, ακόμα κι αν διαφέρουν από αυτούς των παραδοσιακών σημειακών προβλέψεων.
fit |>
forecast(h = 8) |>
autoplot(aus_holidays) +
labs(title = "Εγχώριος τουρισμός στην Αυστραλία", y = "Διανυκτερεύσεις (σε εκατομμύρια)",
x = "Τρίμηνο") +
guides(fill_ramp = guide_legend(title = "Επίπεδο"))
Ένα μεγάλο πλεονέκτημα των στατιστικών μοντέλων είναι ότι μπορούν επίσης να δημιουργηθούν διαστήματα πρόβλεψης — κάτι που δεν μπορεί να γίνει χρησιμοποιώντας μόνο τις μεθόδους σημειακής πρόβλεψης. Τα διαστήματα πρόβλεψης θα διαφέρουν μεταξύ μοντέλων με προσθετικές και πολλαπλασιαστικές μεθόδους.
Για τα περισσότερα μοντέλα ETS, ένα διάστημα πρόβλεψης μπορεί να γραφτεί ως \hat{y}_{T+h|T} \pm c \sigma_h όπου το c εξαρτάται από την πιθανότητα κάλυψης και \sigma_h^2 είναι η διακύμανση της πρόβλεψης. Οι τιμές για το c δόθηκαν στον Πίνακα 5.1. Για μοντέλα ETS, οι τύποι του \sigma_h^2 μπορεί να είναι περίπλοκοι. Οι λεπτομέρειες δίνονται στο Κεφάλαιο 6 των Hyndman κ.ά. (2008). Στον Πίνακα 8.7 δίνουμε τους τύπους για τα προσθετικά μοντέλα ETS, τα οποία είναι τα πιο απλά.
| Μοντέλο | Διακύμανση πρόβλεψης: \sigma_h^2 |
|---|---|
| (A,N,N) | \sigma_h^2 = \sigma^2\big[1 + \alpha^2(h-1)\big] |
| (A,A,N) | \sigma_h^2 = \sigma^2\Big[1 + (h-1)\big\{\alpha^2 + \alpha\beta h + \frac16\beta^2h(2h-1)\big\}\Big] |
| (A,A_d,N) | \sigma_h^2 = \sigma^2\biggl[1 + \alpha^2(h-1) + \frac{\beta\phi h}{(1-\phi)^2} \left\{2\alpha(1-\phi) +\beta\phi\right\} |
| {} - \frac{\beta\phi(1-\phi^h)}{(1-\phi)^2(1-\phi^2)} \left\{ 2\alpha(1-\phi^2)+ \beta\phi(1+2\phi-\phi^h)\right\}\biggr] | |
| (A,N,A) | \sigma_h^2 = \sigma^2\Big[1 + \alpha^2(h-1) + \gamma k(2\alpha+\gamma)\Big] |
| (A,A,A) | \sigma_h^2 = \sigma^2\Big[1 + (h-1)\big\{\alpha^2 + \alpha\beta h + \frac16\beta^2h(2h-1)\big\} |
| {} + \gamma k \big\{2\alpha+ \gamma + \beta m (k+1)\big\} \Big] | |
| (A,A_d,A) | \sigma_h^2 = \sigma^2\biggl[1 + \alpha^2(h-1) + \gamma k(2\alpha+\gamma) |
| {} +\frac{\beta\phi h}{(1-\phi)^2} \left\{2\alpha(1-\phi) + \beta\phi \right\} | |
| {} - \frac{\beta\phi(1-\phi^h)}{(1-\phi)^2(1-\phi^2)} \left\{ 2\alpha(1-\phi^2)+ \beta\phi(1+2\phi-\phi^h)\right\} | |
| {} + \frac{2\beta\gamma\phi}{(1-\phi)(1-\phi^m)}\left\{k(1-\phi^m) - \phi^m(1-\phi^{mk})\right\}\biggr] |
Για μερικά μοντέλα ETS, δεν υπάρχουν γνωστοί τύποι για διαστήματα πρόβλεψης. Σε αυτές τις περιπτώσεις, η συνάρτηση forecast() χρησιμοποιεί προσομοιωμένα μελλοντικά μονοπάτια δειγμάτων και υπολογίζει τα διαστήματα πρόβλεψης από τα εκατοστημόρια αυτών των προσομοιωμένων μελλοντικών μονοπατιών.
Εξετάστε τον αριθμό των χοίρων που σφαγιάζονται στη Victoria, όπως διατίθεται στο σύνολο δεδομένων aus_livestock.
ETS() για να εκτιμήσετε το αντίστοιχο μοντέλο για την απλή εκθετική εξομάλυνση. Βρείτε τις βέλτιστες τιμές \alpha και \ell_0 και δημιουργήστε προβλέψεις για τους επόμενους τέσσερις μήνες.Γράψτε τη δική σας συνάρτηση για να εφαρμόσετε απλή εκθετική εξομάλυνση. Η συνάρτηση πρέπει να λαμβάνει ως ορίσματα το y (τη χρονοσειρά), το alpha (η παράμετρος εξομάλυνσης \alpha) και το level (το αρχικό επίπεδο \ell_0). Θα πρέπει να επιστρέφει την πρόβλεψη της επόμενης παρατήρησης της σειράς. Δίνει την ίδια πρόβλεψη με την ETS();
Τροποποιήστε τη συνάρτησή σας από την προηγούμενη άσκηση για να επιστρέφει το άθροισμα των τετραγωνικών σφαλμάτων αντί για την πρόβλεψη της επόμενης παρατήρησης. Στη συνέχεια, χρησιμοποιήστε τη συνάρτηση optim() για να βρείτε τις βέλτιστες τιμές των \alpha και \ell_0. Λαμβάνετε τις ίδιες τιμές με αυτές της συνάρτησης ETS();
Συνδυάστε τις δύο προηγούμενες συναρτήσεις σας για να δημιουργήσετε μια συνάρτηση που θα βρίσκει και τις βέλτιστες τιμές \alpha και \ell_0 και θα παράγει μια πρόβλεψη για την επόμενη παρατήρηση της σειράς.
Το σύνολο δεδομένων global_economy περιέχει τις ετήσιες εξαγωγές από πολλές χώρες. Επιλέξτε μια χώρα για ανάλυση.
Προβλέψτε το ΑΕΠ της Κίνας από το σύνολο δεδομένων global_economy χρησιμοποιώντας ένα μοντέλο ETS. Πειραματιστείτε με τις διάφορες επιλογές στη συνάρτηση ETS() για να δείτε πόσο αλλάζουν οι προβλέψεις με αποσβένουσα τάση ή με μετασχηματισμό Box-Cox. Προσπαθήστε να αναπτύξετε μια διαίσθηση για το τι κάνει κάθε επιλογή στις προβλέψεις.
[Σημείωση: χρησιμοποιήστε μια σχετικά μεγάλη τιμή για το h κατά την πρόβλεψη, ώστε να μπορείτε να δείτε ξεκάθαρα τις διαφορές μεταξύ των διαφόρων επιλογών κατά τη σχεδίαση των προβλέψεων.]
Βρείτε ένα μοντέλο ETS για τα δεδομένα φυσικού αερίου από το aus_production και προβλέψτε τα επόμενα χρόνια. Γιατί είναι απαραίτητη η πολλαπλασιαστική εποχικότητα εδώ; Πειραματιστείτε με την απόσβεση της τάσης. Βελτιώνει τις προβλέψεις;
Θυμηθείτε τα δεδομένα των χρονοσειρών λιανικού εμπορίου (από την Άσκηση 7 στην Ενότητα 2.10).
Για τα ίδια δεδομένα λιανικού εμπορίου, δοκιμάστε μια ανάλυση STL που εφαρμόζεται στη μετασχηματισμένη σειρά με Box-Cox, ακολουθούμενη από την ETS στα εποχιακά προσαρμοζόμενα δεδομένα. Πώς συγκρίνεται με τις καλύτερες προηγούμενες προβλέψεις σας στο σύνολο αξιολόγησης;
Υπολογίστε τις συνολικές εγχώριες διανυκτερεύσεις σε όλη την Αυστραλία από το σύνολο δεδομένων tourism.
decomposition_model().)ETS() για να επιλέξετε ένα εποχιακό μοντέλο για τα δεδομένα.Για αυτήν την άσκηση χρησιμοποιήστε τον τριμηνιαίο αριθμό αφίξεων στην Αυστραλία από τη Νέα Ζηλανδία, 1981 Q1 – 2012 Q3, από το σύνολο δεδομένων aus_arrivals.
aus_production). Χρησιμοποιήστε ένα παράθυρο επέκτασης δεδομένων με αρχικό μέγεθος 5 ετών και αυξήστε το παράθυρο κατά μία παρατήρηση.Συγκρίνετε τις ETS(), SNAIVE() και decomposition_model(STL, ???) στις ακόλουθες πέντε χρονοσειρές. Ίσως χρειαστεί να χρησιμοποιήσετε έναν μετασχηματισμό Box-Cox για τις προβλέψεις της ανάλυσης STL. Χρησιμοποιήστε ένα σύνολο αξιολόγησης τριών ετών για να αποφασίσετε τι δίνει τις καλύτερες προβλέψεις.
aus_production.ATC2 == "A10") και κορτικοστεροειδή (ATC2 == "H02") από το PBS.aus_retail.ETS() για να επιλέξετε ένα κατάλληλο μοντέλο για την ακόλουθη σειρά: συνολικός αριθμός ταξιδιών σε ολόκληρη την Αυστραλία χρησιμοποιώντας το tourism, τις τιμές κλεισίματος για τις τέσσερις μετοχές στο gafa_stock και τη σειρά lynx στο pelt. Δίνει πάντα καλές προβλέψεις;Δείξτε ότι οι σημειακές προβλέψεις από ένα μοντέλο ETS(M,A,M) είναι οι ίδιες με αυτές που λαμβάνονται χρησιμοποιώντας την πολλαπλασιαστική μέθοδο των Holt-Winters.
Δείξτε ότι η διακύμανση πρόβλεψης για ένα μοντέλο ETS(A,N,N) δίνεται από \sigma^2\left[1+\alpha^2(h-1)\right].
Καταγράψτε 95% διαστήματα πρόβλεψης για ένα μοντέλο ETS(A,N,N) ως συνάρτηση των \ell_T, \alpha, h και \sigma, υποθέτοντας κανονικά κατανεμημένα σφάλματα.
Σε ορισμένα βιβλία ονομάζεται “ενιαία (single) εκθετική εξομάλυνση”.↩︎
Η υλοποίησή μας χρησιμοποιεί εκτίμηση μέγιστης πιθανοφάνειας, όπως περιγράφεται στην Ενότητα 8.6, ενώ οι Holt και Winters αρχικά ελαχιστοποιούσαν το άθροισμα των τετραγωνικών σφαλμάτων. Για την πολλαπλασιαστική εποχικότητα, αυτό θα οδηγήσει σε ελαφρώς διαφορετικές εκτιμήσεις των παραμέτρων. Η ελαχιστοποίηση του αθροίσματος των τετραγωνικών σφαλμάτων μπορεί να επιτευχθεί θέτοντας opt_crit="mse" στην ETS().↩︎