Como comparar os métodos de previsão?

8

Eu tenho vários dados intermitentes. Com base nesses dados, eu gostaria de comparar vários métodos de previsão (Suavização exponencial, Média móvel, Croston e Syntetos-Boylan) e decidir se Croston ou Syntetos Boylan é melhor que SES ou MA para dados intermitentes ou não. A medida que eu gostaria de comparar é a taxa absoluta média ou a taxa quadrática média proposta por Kourentzes (2014) em vez da medida MAPE, MSE usual, em todos os níveis do parâmetro de suavização \ alpha $, assumindo que o parâmetro de suavização usado para o intervalo entre demandas e o tamanho da demanda em Croston e Syntetos boylan é o mesmo.

Minha pergunta é: 1. Considerando que para todos os dados, existe a possibilidade de que o valor de alfa ideal seja diferente para cada método de suavização; portanto, um valor de alfa em um método pode minimizar o MAR ou MSR e não em outro método , de modo que um método possa ser melhor que outro método para esse valor de alfa e não em outro método. Como alguém resolve esse tipo de problema? minha solução atual é comparar os dois gráficos do MAR para cada nível de alfa entre dois métodos diferentes. minha expectativa é que os dois métodos diferentes mostrem características diferentes quando a análise de perfil for concluída.

  1. Existe alguma solução melhor, como projeto experimental? Estou bastante confuso em como projetar os experimentos. a observação são esses vários dados, o nível está suavizando o parâmetro alfa, o tratamento é esses métodos. e o valor é o MAR. é viável? e lógico para fazer? A hipótese é se existem diferenças em cada tratamento em todos os níveis de alfa ou não. e duvido que a suposição de linearidade seja cumprida aqui.

Edit: Enfim, eu não acho que isso é viável como questão de pesquisa. O fato de a medida de erro depender da escala (se minha definição de dependente da escala estiver correta) tornou o estudo desse problema bastante problemático, pois não há como comparar os diferentes métodos de previsão.

forecasting method-comparison crostons-method intermittent-time-series Fikri
fonte
1
você considerou fora da amostra / realizou testes de suas previsões de diferentes métodos de previsão?
forecaster
Não sei se há algum significado para reter dados de amostra no método Croston. até onde eu sei, as previsões de croston e syntetos boylan precisavam ser avaliadas toda vez que havia uma demanda. portanto, avaliar a previsão mantendo dados de amostra parece estranho para mim.
Fikri
Sim, você pode usar dados retidos para dados intermitentes. Essa é a única maneira de ter certeza se os parâmetros do seu modelo são confiáveis. Se você tiver dados pequenos, eu usaria a validação cruzada ou o methos da faca de jack. Neste artigo, os autores compararam métodos de previsão usando dados de inicialização e teste (espera) para previsão intermitente e o método Croston é um deles.
forecaster
Você pesquisou no Google "comparação de previsões"? Há um monte de investigação neste domínio em econometria, pelo menos desde 1980
Aksakal

Respostas:

0

Modelo: yt+1=f(y0 0,…,yt,uma→)+ϵt

uma→ é um vetor de parâmetros do modelo

O que você está propondo atualmente é essencialmente:

  1. Para cada modelo use algum tipo de Mínimos Quadrados / NLS para ajustar um modelo (encontre )f(y0 0,…,yt,uma→)uma→
  2. Escolha um valorα
  3. Use alguma função para avaliar os modelos.g(f(y0 0,…,yt,uma→),α)
  4. Se o modelo ideal depende principalmente de então ????α

Você pode fazer amostragem endógena? caso, que tal estimar diretamente as funções ótimas (maximização de correção) diretamente para vários valores de . Você pode pegar os modelos e executá-los em paralelo, fazendo uma família de previsões. Você poderia aumentar a probabilidade de amostragem quando os modelos discordassem particularmente de suas previsões. Isso aumentaria a informatividade da amostragem limitada na distinção entre modelos.g(f(y0 0,…,yt,uma→),α)α

BKay
fonte