Recientemente apliqué una serie de métodos de previsión (MEAN, RWF, ETS, ARIMA y MLP) y descubrí que MEAN lo hizo sorprendentemente bien. (MEAN: donde todas las predicciones futuras se predicen como si fueran iguales a la media aritmética de los valores observados). MEAN incluso superó a ARIMA en las tres series que utilicé.
Lo que quiero saber es si esto es inusual. ¿Significa esto que las series de tiempo que estoy utilizando son extrañas? ¿O indica que he configurado algo mal?
Soy un profesional, tanto productor como usuario de previsiones y NO un estadístico formado. A continuación, comparto algunas de mis ideas sobre por qué su previsión media resultó mejor que ARIMA haciendo referencia a un artículo de investigación que se basa en pruebas empíricas. Un libro al que vuelvo a referirme una y otra vez es el Principios de previsión libro de Armstrong y su sitio web que recomendaría como una excelente lectura para cualquier pronosticador, proporciona una gran visión sobre el uso y los principios rectores de los métodos de extrapolación.
Para responder a su primera pregunta - Lo que quiero saber es si esto es inusual.
Hay un capítulo llamado Extrapolación para series temporales y datos transversales que también está disponible gratuitamente en el mismo sitio web . La siguiente es la cita del capítulo
"Por ejemplo, en la competición en tiempo real de M2, que examinó 29 series mensuales, Box-Jenkins demostró ser uno de los menos precisos y su error medio global fue un 17% mayor que el de un método previsión ingenua".
Existe una evidencia empírica de por qué sus previsiones medias fueron mejores que los modelos ARIMA.
También hay un estudio tras otro en las competencias empíricas y la tercera Concurso M3 que muestran que el enfoque Box - Jenkins ARIMA no produce una previsión precisa y carece de pruebas de que funcione mejor para la extrapolación de la tendencia univariante.
También hay otro documento y un estudio en curso de Greene y Armstrong titulado " Previsión simple: Evite las lágrimas antes de acostarse " en el mismo sitio web. Los autores del artículo lo resumen así:
En total identificamos 29 artículos que incorporaban 94 comparaciones formales de la precisión de las previsiones de los métodos complejos con las de los métodos sencillos, pero no en todos los casos sofisticadamente sencillos. En el 83% de las comparaciones se constató que las previsiones de de los métodos simples eran más precisas que las de los métodos complejos, o tenían una precisión similar, las de los métodos complejos. Por término medio, los errores de las previsiones de los métodos de los métodos complejos eran un 32% mayores que los errores de de los métodos simples en los 21 estudios que proporcionan comparaciones de errores
Para responder a su tercera pregunta ¿Indica esto que he configurado algo mal? No, yo consideraría el ARIMA como un método complejo y la previsión media como un método simple. Hay muchas pruebas de que los métodos simples, como la previsión media, superan a los métodos complejos, como el ARIMA.
Para responder a su segunda pregunta : ¿Significa esto que las series de tiempo que estoy usando son extrañas?
A continuación se presentan los que considero expertos en previsión del mundo real:
Todos los investigadores mencionados abogan por la simplicidad (métodos como su previsión media) frente a métodos complejos como ARIMA. Por lo tanto, debería estar seguro de que sus previsiones son buenas y favorecer siempre la simplicidad frente a la complejidad basándose en pruebas empíricas. Todos estos investigadores han contribuido enormemente al campo de la previsión aplicada.
Además de la buena lista de Stephan sobre el método de previsión simple. también hay otro método llamado Método de previsión Theta que es un método muy simple (básicamente el suavizado exponencial simple con una deriva que es igual a la mitad de la pendiente de la regresión lineal) yo añadiría esto a su caja de herramientas. Forecast package in R implementa este método.
Esto es no es nada sorprendente . En la previsión, usted muy a menudo encuentran que métodos extremadamente simples, como
superan a los métodos más complejos. Por eso, siempre hay que probar los métodos con estos puntos de referencia tan sencillos.
Una cita de George Athanosopoulos y Rob Hyndman (que son expertos en la materia):
Algunos métodos de previsión son muy sencillos y sorprendentemente eficaces.
Obsérvese que dicen explícitamente que utilizarán algunos métodos muy sencillos como puntos de referencia.
De hecho, toda su libro de texto gratuito en línea sobre previsión es muy recomendable.
EDIT: Una de las medidas de error de previsión mejor aceptadas, el Error Medio Absoluto Escalado (MASE) de Hyndman & Koehler (véase también aquí ) mide en qué medida una previsión determinada mejora la previsión del paseo aleatorio ingenuo (dentro de la muestra): si MASE < 1, su previsión es mejor que el paseo aleatorio dentro de la muestra. Es de esperar que este límite sea fácil de superar, ¿verdad?
No es así: a veces, incluso el mejor de los múltiples métodos de previsión estándar, como el ARIMA o el ETS, sólo arrojará un MASE de 1,38, es decir, será peor (fuera de la muestra) que la previsión del paseo aleatorio (dentro de la muestra). Esto es lo suficientemente desconcertante como para generar preguntas aquí. (Esa pregunta no es un duplicado de ésta, ya que el MASE compara la precisión fuera de la muestra con la precisión dentro de la muestra de un método ingenuo, pero también es esclarecedor para la presente pregunta).
I-Ciencias es una comunidad de estudiantes y amantes de la ciencia en la que puedes resolver tus problemas y dudas.
Puedes consultar las preguntas de otros usuarios, hacer tus propias preguntas o resolver las de los demás.
