TEMA 7: MÉTODOS DE ALISADO EXPONENCIAL
1 Introducción
• Limitaciones de los métodos clásicos.
• Posible solución: técnicas de alisado exponencial ( década de los 60).
Objetivo de los métodos de alisado exponencial
• Realizar predicciones de series temporales, principalmente a corto plazo
1
Características de los métodos de alisado exponencial
• Las observaciones más recientes tienen un mayor peso en las predicciones futuras que las ob-
servaciones más antiguas.
• Las estimaciones de la tendencia y estacionalidad se actualizan conforme se obtienen nuevas
observaciones.
2
Varios método de alisado exponencial
(1) Si la serie no presenta estacionalidad:
(a) Método de alisado exponencial simple : se usa cuando la tendencia se considera constante
(localmente).
(b) Método de alisado exponencial doble : se usa cuando la tendencia se considera lineal (lo-
calmente).
(c) Método de Holt : se usa cuando la tendencia se considera lineal (localmente).
(2) Si la serie presenta estacionalidad:
(a) Método de Holt-Winters para modelos multiplicativos : se usa cuando la tendencia se con-
sidera lineal (localmente)
(b) Método de Holt-Winters para modelos aditivos : se usa cuando la tendencia se considera
lineal (localmente)
3
2 Alisado Exponencial Simple
Modelo de aplicación
• Se aplica cuando la serie en estudio no presenta estacionalidad y la tendencia de la serie se
considera constante (localmente):
⎧
⎨X =T +I =a +I modelo aditivo
t t t t t
⎩X =T ×I =a ×I modelo multiplicativo
t t t t t
• at representa el nivel de la serie, es decir la ’’altura’’ de la serie eliminando la componente
irregular.
• Objetivo: estimar el nivel de la serie (at) en cada instante.
4
Definición de la serie alisada
• Dada una serie de observaciones, {Xt}t=1,2,...,n, en el alisado exponencial simple se obtiene
otra serie denominada serie alisada (smoothing series), que denotaremos por {St}t=1,2,...,n, y
que representa la estimación del nivel de la serie (at) en cada instante.
• La serie alisada en cada instante t es:
at = αXt + α(1 − α)Xt−1 + α(1 − α)2Xt−2 + ... + α(1 − α)t−1X1
St = b
donde α ∈ (0, 1) se conoce como parámetro de alisado.
• Es una media ponderada de las observaciones actual y anteriores de la serie original, donde las
observaciones más recientes poseen más peso que las observaciones más antiguas. De hecho,
el peso de las observaciones decrece exponencialmente a medida que nos separamos del último
instante observado.
5
Fórmula recurrente de la serie alisada
• Las series alisadas se pueden obtener de manera recurrente, pudiendo actualizarse cada vez que
disponemos de una nueva observación.
• La serie alisada en el instante t − 1, viene dada por:
St−1 = αXt−1 + α(1 − α)Xt−2 + α(1 − α)2Xt−3 + ... + α(1 − α)t−2X1
de manera que:
(1 − α)St−1 = α(1 − α)Xt−1 + α(1 − α)2Xt−2 + α(1 − α)3Xt−3 + ... + α(1 − α)t−1X1
y se tiene:
St = αXt + (1 − α)St−1 ∀t, con α ∈ (0, 1)
6
Es decir, la estimación del nivel en cada instante se puede obtener de formam recursiva:
at = αXt + (1 − α)at−1 ∀t, con α ∈ (0, 1)
Nota: haciendo abuso de la notación, hemos usado at en la serie alisada para denotar a la
estimación del nivel.
7
Selección de los parámetros y valores iniciales
• Para aplicar la fórmula recursiva necesitamos α, y a0 (nivel inicial de la serie).
• Se suele usar el primer valor de la serie original:
a0 = S0 = X1
o bien la media de las primeras observaciones, es decir:
X1 + ... + Xk
a0 = S0 = con k pequeño
k
• Se ha comprobado empíricamente que un valor de α = 0.2 suele dar buenos resultados.
• Con SPSS podemos seleccionar como parámetro de suavizado α aquel que minimice la suma
de cuadrados de los errores de estimación (búsqueda en rejilla).
8
Predicciones
• Si disponemos de información de la serie hasta el instante T , {Xt}t=1,2,...,T , las predicciones
vienen dadas por:
bT +1/T = aT = ST
X
X bT +2/T = aT = ST
..
bT +m/T = aT = ST
X ∀m = 1, 2, 3, ...
• La predicción de la serie en el instante siguiente viene dada por la estimación del nivel en el
último instante observado.
• A medida que disponemos de nuevas observaciones, se calculan los valores de la serie alisada
para los nuevos instantes y por tanto se revisan las predicciones de manera automática.
9
3 Alisado Exponencial Doble o método de Brown
Modelo de aplicación
• Se aplica cuando la serie en estudio no presenta estacionalidad y la tendencia de la serie se
considera lineal⎧
(localmente):
⎨ X = T + I = (a + b · t) + I modelo aditivo
t t t t t t
⎩ X = T × I = (a + b · t) × I modelo multiplicativo
t t t t t t
• at representa el nivel de la serie, es decir la ’’altura’’ de la serie eliminando la componente
irregular.
• bt representa la pendiente de la tendencia lineal.
• Objetivo: estimar el nivel de la serie (at) y la pendiente de la tendencia (bt) en cada instante.
10
Fórmula recurrente de las series alisadas
• El alisado exponencial doble consiste en realizar dos veces el proceso de alisado sobre la serie
observada.
• Se obtienen dos series alisadas de la siguiente forma:
St = αXt + (1 − α)St−1
(2) (2)
St = αSt + (1 − α)St−1
donde α ∈ (0, 1) es el parámetro de alisado.
• Las dos series obtenidas por alisado exponencial doble sirven para estimar el nivel de la serie
(at) y la pendiente de la tendencia (bt):
(2)
at = 2St − St
³ ´
α (2)
bt = (1−α) St − St
11
Selección de los parámetros y valores iniciales
• Para aplicar la fórmula recursiva necesitamos α, a0 y b0.
• Se suelen tomar la ordenada en el origen (a0 = cte) y la pendiente (b0 = pendiente) de la
recta que ajusta a la serie por mínimos cuadrados usando todos los datos.
• Con SPSS podemos seleccionar como parámetro de suavizado α aquel que minimice la suma
de cuadrados de los errores de estimación (búsqueda en rejilla).
12
Predicciones
• Si disponemos de información de la serie hasta el instante T , {Xt}t=1,2,...,T , las predicciones
vienen dadas por:
bT +1/T = aT + bT · 1
X
X bT +2/T = aT + bT · 2
..
bT +m/T = aT + bT · m
X ∀m = 1, 2, 3, ...
• La predicción de la serie en el instante siguiente viene dada por la estimación del nivel en el
último instante observado más la estimación de la pendiente en el último instante observado.
• A medida que disponemos de nuevas observaciones, se calculan los valores de las series alisadas
para los nuevos instantes y por tanto se revisan las predicciones de manera automática.
13
4 Método de Holt
Modelo de aplicación
• Se aplica cuando la serie en estudio no presenta estacionalidad y la tendencia de la serie se
considera lineal⎧
(localmente):
⎨ X = T + I = (a + b · t) + I modelo aditivo
t t t t t t
⎩ X = T × I = (a + b · t) × I modelo multiplicativo
t t t t t t
• at representa el nivel de la serie, es decir la ’’altura’’ de la serie eliminando la componente
irregular.
• bt representa la pendiente de la tendencia lineal.
• Objetivo: estimar el nivel de la serie (at) y la pendiente de la tendencia (bt) en cada instante.
14
Fórmula recurrente de las series alisadas
• En el método de Holt, la estimación del nivel en el instante t viene dada por la siguiente serie
alisada:
at = αXt + (1 − α) (at−1 + bt−1)
es decir, se obtiene como media ponderada de la última observación y (nivel+pendiente) en el
instante anterior.
• La estimación de la pendiente en el instante t viene dada por la siguiente serie alisada:
bt = γ (at − at−1) + (1 − γ)bt−1
es decir, se obtiene como media ponderada del último incremento de nivel y la pendiente en el
instante anterior.
• A diferencia del AED, en el método de Holt se usan dos parámetros de alisado α ∈ (0, 1) y
γ ∈ (0, 1) .
15
Selección de los parámetros y valores iniciales
• Para aplicar la fórmula recursiva necesitamos α, γ , a0 y b0.
• Se suelen tomar la ordenada en el origen (a0 = cte) y la pendiente (b0 = pendiente) de la
recta que ajusta a la serie por mínimos cuadrados usando todos los datos.
• Con SPSS podemos seleccionar los parámetros de suavizado α y γ que minimicen la suma de
cuadrados de los errores de estimación (búsqueda en rejilla).
16
Predicciones
• Si disponemos de información de la serie hasta el instante T , {Xt}t=1,2,...,T , las predicciones
vienen dadas por:
bT +1/T = aT + bT · 1
X
X bT +2/T = aT + bT · 2
..
bT +m/T = aT + bT · m
X ∀m = 1, 2, 3, ...
• La predicción de la serie en el instante siguiente viene dada por la estimación del nivel en el
último instante observado más la estimación de la pendiente en el último instante observado.
• A medida que disponemos de nuevas observaciones, se calculan los valores de las series alisadas
para los nuevos instantes y por tanto se revisan las predicciones de manera automática.
17
5 Método de Holt-Winters multiplicativo
Modelo de aplicación
• Se aplica cuando la serie en estudio sí presenta estacionalidad, la tendencia se considera lineal
(localmente) y ambas se integran de forma multiplicativa en la serie:
Xt = Tt × Et + It = (at + bt · t) × Et + It modelo multiplicativo (mixto)
• at representa el nivel de la serie, es decir la ’’altura’’ de la serie eliminando la componente
irregular.
• bt representa la pendiente de la tendencia lineal.
• Et representa la componente estacional de la serie que supondremos de período L.
• Objetivo: estimar el nivel de la serie (at), la pendiente de la tendencia (bt) y el factor estacional
(Et) en cada instante.
18
Fórmula recurrente de las series alisadas
• La estimación del nivel en el instante t viene dada por la siguiente serie alisada:
at = α EXt−Lt + (1 − α) (at−1 + bt−1)
• La estimación de la pendiente en el instante t viene dada por la siguiente serie alisada:
bt = γ (at − at−1) + (1 − γ)bt−1
• La estimación del factor estacional en el instante t viene dada por la siguiente serie alisada:
Et = δ · Xatt + (1 − δ) Et−L
• En el método de Holt-Winters multiplicativo se usan tres parámetros de alisado α ∈ (0, 1),
γ ∈ (0, 1) y δ ∈ (0, 1) .
19
Selección de los parámetros y valores iniciales
• Para aplicar la fórmula recursiva necesitamos α, γ , a0, b0, y los factores estacionales iniciales
(E0, E−1, ..., E−L+1).
• Como valores iniciales para el nivel y la pendiente (a0 y b0) se suelen tomar la ordenada en el
origen (a0 = cte) y la pendiente (b0 = pendiente) de la recta que ajusta a la serie desesta-
cionalizada por mínimos cuadrados usando todos los datos.
• Como valores iniciales de los factores estacionales se suelen tomar los índices de variación
estacional (IVE) obtenidos al desestacionalizar la serie (visto en análisis clásico)
• Con SPSS podemos seleccionar los parámetros de suavizado α, γ y δ que minimicen la suma
de cuadrados de los errores de estimación (búsqueda en rejilla).
20
Predicciones
• Si disponemos de información de la serie hasta el instante T , {Xt}t=1,2,...,T , las predicciones
vienen dadas por:
bT +1/T = (aT + bT · 1) × ET +1−L
X
X bT +2/T = (aT + bT · 2) × ET +2−L
..
bT +m/T = (aT + bT · m) × ET +m−L
X ∀m = 1, 2, ..., L
• A medida que disponemos de nuevas observaciones, se calculan los valores de las series alisadas
para los nuevos instantes y por tanto se revisan las predicciones de manera automática.
21
22
6 Método de Holt-Winters aditivo
Modelo de aplicación
• Se aplica cuando la serie en estudio sí presenta estacionalidad, la tendencia se considera lineal
(localmente) y ambas se integran de forma aditiva en la serie:
Xt = Tt + Et + It = (at + bt · t) + Et + It modelo aditivo
• at representa el nivel de la serie, es decir la ’’altura’’ de la serie eliminando la componente
irregular.
• bt representa la pendiente de la tendencia lineal.
• Et representa la componente estacional de la serie que supondremos de período L.
• Objetivo: estimar el nivel de la serie (at), la pendiente de la tendencia (bt) y el factor estacional
(Et) en cada instante.
23
Fórmula recurrente de las series alisadas
• La estimación del nivel en el instante t viene dada por la siguiente serie alisada:
at = α (Xt − Et−L) + (1 − α) (at−1 + bt−1)
• La estimación de la pendiente en el instante t viene dada por la siguiente serie alisada:
bt = γ (at − at−1) + (1 − γ)bt−1
• La estimación del factor estacional en el instante t viene dada por la siguiente serie alisada:
Et = δ · (Xt − at) + (1 − δ) Et−L
• En el método de Holt-Winters aditivo se usan tres parámetros de alisado α ∈ (0, 1), γ ∈ (0, 1)
y δ ∈ (0, 1) .
24
Selección de los parámetros y valores iniciales
• Para aplicar la fórmula recursiva necesitamos α, γ , a0, b0, y los factores estacionales iniciales
(E0, E−1, ..., E−L+1).
• Como valores iniciales para el nivel y la pendiente (a0 y b0) se suelen tomar la ordenada en el
origen (a0 = cte) y la pendiente (b0 = pendiente) de la recta que ajusta a la serie desesta-
cionalizada por mínimos cuadrados usando todos los datos.
• Como valores iniciales de los factores estacionales se suelen tomar los índices de variación
estacional (IVE) obtenidos al desestacionalizar la serie (visto en análisis clásico)
• Con SPSS podemos seleccionar los parámetros de suavizado α, γ y δ que minimicen la suma
de cuadrados de los errores de estimación (búsqueda en rejilla).
25
Predicciones
• Si disponemos de información de la serie hasta el instante T , {Xt}t=1,2,...,T , las predicciones
vienen dadas por:
bT +1/T = (aT + bT · 1) + ET +1−L
X
X bT +2/T = (aT + bT · 2) + ET +2−L
..
bT +m/T = (aT + bT · m) + ET +m−L
X ∀m = 1, 2, ..., L
• A medida que disponemos de nuevas observaciones, se calculan los valores de las series alisadas
para los nuevos instantes y por tanto se revisan las predicciones de manera automática.
26
Nota 1: SPSS tiene implementado el método de alisado de Holt-Winters para el caso multiplica-
tivo. Si la serie observada presentara un esquema aditivo, debe seleccionarse la opción de método
de alisado ’’personalizado’’.
Nota 2: Además de los métodos vistos, SPSS permite realizar predicciones cuando la serie
presenta una tendencia exponencial o amortiguada (localmente), haciendo uso de la opción de
método de alisado ’’personalizado’’.
27
7 Interpretación de los parámetros de alisado
Interpretación aproximada de los parámetros de alisado α, γ y δ :
• Alfa (α) –> Parámetro de suavizado exponencial que controla el peso relativo dado a las ob-
servaciones más recientes a la hora de estimar el nivel de la serie, en contraposición a la media
global de la serie. Cuando alfa toma el valor 1, se utiliza exclusivamente la observación más
reciente; cuando alfa toma el valor 0, las observaciones antiguas cuentan con tanto peso como
las recientes. Alfa se utiliza en todos los métodos de alisado.
• Gamma (γ ). Parámetro de suavizado exponencial que controla el peso relativo dado a las ob-
servaciones recientes a la hora de estimar la tendencia de la serie en el presente. Los valores
próximos a 1 indican un mayor peso para los valores recientes. Gamma se utiliza sólo en los
métodos de suavizado exponencial con una tendencia lineal o exponencial, o una tendencia
amortiguada. No se utiliza en el alisado exponencial simple.
28
• Delta (δ ). Parámetro de suavizado exponencial que controla el peso relativo dado a las ob-
servaciones recientes al estimar la estacionalidad del presente. Los valores próximos a 1 cor-
responden a un mayor peso para las observaciones recientes. La delta se utiliza en todos los
métodos de suavizado exponencial con un componente estacional. No se utiliza en los método
de alisado simple, doble y de Holt.
29
