Когда использовать экспоненциальное сглаживание против ARIMA?

Недавно я обновлял свои знания в области прогнозирования, работая над некоторыми ежемесячными прогнозами на работе и читая книгу Роба Хиндмана, но я борюсь за то, чтобы использовать модель экспоненциального сглаживания по сравнению с моделью ARIMA. Есть ли эмпирическое правило, где вы должны использовать одну методологию против другой?

Кроме того, поскольку вы не можете использовать AIC для сравнения двух, вам просто нужно идти по RMSE, MAE и т. Д.?

В настоящее время я просто строю несколько из них и сравниваю показатели ошибок, но я не был уверен, есть ли лучший подход.

forecasting arima exponential-smoothing

— user1723699
источник

Как я помню из книги Хиндмана, основной момент методов сглаживания заключается в сглаживании данных. Он не учитывает шум или изменчивость шума. Он может быть использован для прогнозов, но это не главное.

— Мех

@aginensky, экспоненциальное сглаживание, безусловно, популярный и эффективный метод прогнозирования. Я предполагаю, что основное использование моделей экспоненциального сглаживания - это не что иное, как прогнозирование.

— Ричард Харди

Это правильно, ведь до недавнего времени не существовало такого понятия , как экспоненциальное сглаживание модели ; экспоненциальное сглаживание был только алгоритм для вычисления не прогнозы, ничего другого.

— Крис Хауг

Экспоненциальное сглаживание фактически является подмножеством модели ARIMA. Вы не хотите принимать модель, а создаете настроенную модель для данных. Процесс ARIMA позволяет вам сделать это, но вам нужно также рассмотреть другие вопросы. Вы должны также определить и скорректировать выбросы. Смотрите больше о работе Цая с выбросами здесь

— Том Рейли
источник

В широком смысле, экспоненциальное сглаживание не является подмножеством моделей ARIMA, хотя модели линейного экспоненциального сглаживания действительно таковы. См. Hyndman & Athanasopoulos «Прогнозирование: принципы и практика», раздел 8.10 .

— Ричард Харди

Да вы правы. Все верно, что есть модели ARIMA без аналога ETS. readbag.com/robjhyndman-research-rtimeseries-handout Будет ли примерный набор данных, на который вы можете указать мне, который был бы хорошим эталоном для этого?

— Том Рейли

У меня нет хорошего набора данных для бенчмаркинга, нет.

— Ричард Харди

Я должен добавить, что Autobox (программа, частью которой я являюсь) не ограничивает коэффициент <1, поэтому для Autobox он имитирует нелинейные свойства. ETS также игнорирует 1) импульсы, сдвиги уровней, сезонные импульсы и один-единственный тренд; 2) постоянство дисперсии ошибок; 3) постоянство параметров во времени.

— Том Рейли