Previsão com análise de séries temporais

Previsão é um método usado extensivamente em análise de séries temporais para predizer uma variável de resposta como lucro mensal, desempenho dos estoques ou índices de desemprego para um período de tempo especificado. Previsões são baseadas em padrões nos dados existentes. Por exemplo, o gerente de um almoxarifado pode modelar a quantidade de produtos a ser encomendada para os próximos 3 meses com base nos pedidos dos últimos 12 meses.

Você pode usar uma variedade de métodos de séries temporais como análise de tendências, decomposição ou suavização exponencial simples para modelar padrões nos dados e extrapolar esses padrões para o futuro. Escolha um método de análise em função de se os fatores são estáticos (constantes no tempo) ou dinâmicos (mudam com o tempo), a natureza da tendência e componentes sazonais e o quão adiante você deseja fazer a previsão. Antes de gerar previsões, ajuste diversos modelos candidatos aos dados para determinar qual modelo é mais estável e preciso.

Em predição ingênua, a previsão para o tempo t é o valor dos dados no tempo t-1. Você pode calcular previsões ingênuas com a média móvel definindo o comprimento da média móvel para 1, ou com simples suavização exponencial, definindo o peso para 1. Você pode usar a previsão ingênua para estabelecer um ponto de referência para o seu modelo de série temporal. Compare as medidas de precisão do modelo ingênuo e um modelo usando um método diferente. Se o modelo ingênuo apresenta um ajuste melhor, você não deve usar o outro modelo já que o modelo ingênuo é um ajuste melhor e é mais simples.

O valor ajustado no tempo t é a média móvel não centralizada no tempo t-1. As previsões são os valores ajustados na origem da previsão. Se você prevê 10 unidades de tempo à frente, o valor previsto para cada tempo será o valor ajustado na origem. Os dados até a origem são usados para calcular as médias móveis.

Você pode usar o método de médias móveis lineares calculando médias móveis consecutivas. O método de médias móveis lineares é usado frequentemente quando existe uma tendência nos dados. Primeiro calcule e armazene a média móvel da série original. Em seguida, calcule e armazene a média móvel da coluna previamente armazenada para obter uma segunda média móvel.

Em predição sem informações anteriores, a previsão para o tempo t é o valor dos dados no tempo t-1. Usar o procedimento de média móvel com média móvel de comprimento 1 gera previsão sem informações anteriores.

O valor ajustado no tempo t é o valor suavizado no tempo t-1. As previsões são os valores ajustados na origem da previsão. Se você prevê 10 unidades de tempo à frente, o valor previsto para cada tempo será o valor ajustado na origem. Os dados até a origem são usados para a suavização.

Em predição sem informações anteriores, a previsão para o tempo t é o valor dos dados no tempo t-1. Faça a suavização exponencial simples com peso um para efetuar previsão sem informações anteriores.

A suavização exponencial dupla usa os componentes de nível e tendência. A previsão para m períodos à frente de um ponto t no tempo é

L_t + mT_t, onde L_t é o nível e T_t é a tendência no tempo t.

Os dados até o tempo da origem da previsão são usados para a suavização.

O método de Winters usa os componentes de nível, tendência e sazonais para gerar previsões. A previsão para m períodos à frente de um ponto t no tempo é:

L_t + mT_t

onde L_t é o nível e T_t é a tendência no tempo t, multiplicada pelo (ou adicionada ao em um modelo aditivo) componente sazonal para o mesmo período do ano anterior.

O método de Winters usa dados até o tempo da origem da previsão para gerar as previsões.