Alternativas al uso de ARIMA para previsiones

Question

He estado trabajando principalmente con datos de series temporales univariantes y me pregunto qué modelos alternativos existen para la previsión en lugar de los procesos ARIMA, ARMA, AR y MA,

Conozco el alisamiento exponencial, pero sólo puede prever un período futuro.

¿Existe algún otro modelo que me permita realizar previsiones con varios periodos de antelación y que no pertenezca a las clases mencionadas anteriormente?

Answer 1

En Rob escribe No estoy seguro de por qué cree que el alisamiento se limita a las previsiones con un paso de antelación.

> predict(HoltWinters(AirPassengers),n.ahead=12)
          Jan      Feb      Mar      Apr      May      Jun      Jul      Aug
1961 453.4977 429.3906 467.0361 503.2574 512.3395 571.8880 652.6095 637.4623
          Sep      Oct      Nov      Dec
1961 539.7548 490.7250 424.4593 469.5315
> plot(forecast(ets(AirPassengers),h=12))

El alisamiento exponencial y el ARIMA son los primeros métodos de previsión que conocerá, pero por supuesto hay muchos más. Algunos son para casos de uso específicos, por ejemplo, Método de Croston para demandas intermitentes, o Modelos bajos para prever la difusión de nuevos productos. Otros son más generales, como la regresión o los modelos lineales dinámicos (DLM) para modelizar efectos causales, o el análisis de espectro singular, o las redes neuronales, o incluso los bosques aleatorios: prácticamente cualquier método de aprendizaje automático para la predicción numérica se ha aplicado ya a las series temporales.

Tal vez le interese un libro de texto sobre previsión, por ejemplo, Ord, Fildes & Kourentzes Principios de previsión empresarial (2ª ed., 2017) . Sin embargo, los libros de texto volverán a centrarse en los métodos "clásicos". También puede consultar los resúmenes en la página Simposio internacional sobre previsión para hacerse una idea de lo que estudian actualmente los investigadores de previsiones.

Answer 2

Estoy de acuerdo con las respuestas de Stephan y el comentario de Rob (humildemente). Mi experiencia con (S)AR/I/MA(x) no es muy buena, probablemente por falta de conocimientos. Tal vez una interesante vía de exploración para usted, como lo es para mí, es mirar en Bayesiano (estructural) métodos, en particular, puede valer la pena experimentar con https://facebook.github.io/prophet/ . Aunque Prophet supuestamente funciona bien para casos de uso específicos (tráfico de Internet), hay algunas ideas interesantes, y la biblioteca podría ser una entrada efectiva de baja barrera en los métodos bayesianos (estructurales) para usted.

Answer 3

Además de los modelos mencionados por Stephan Kolossa (gracias por su gran respuesta) me gustaría añadir algunos otros modelos. Como Stephan y Rob ya se ha mencionado suavizado exponencial no se limita a un período.

Modelos sencillos

A menudo, modelos sencillos como

• el método de la media ( forecast::meanf(y,h) en R)
• el método ingenuo ( forecast::naive(y,h) en R)
• el método ingenuo estacional ( forecast::snaive(y,h) en R)
• el método de la deriva ( forecast::rwf(y,h), drift = TRUE en R)

A menudo producen mejores resultados que los modelos más complejos y sofisticados. También suelen ser un buen punto de referencia para comprobar si su modelo más complicado funciona bien.

Modelos de estacionalidad múltiple

• el modelo de los murciélagos ( forecast::bats() en R)

• el modelo tbats ( forecast::tbats() en R)

Un caso en el que se utilizan estos modelos es para prever datos diarios cuando se dispone de varios años de datos. Hay varios patrones de estacionalidad: algunos aparecen todos los lunes, otros siempre a principios de mes y también puede haber un patrón de estacionalidad al principio de cada año.