Suavizamiento exponencial: Tipos y cómo usarlo en Python
El objetivo fundamental de la estadística es reducir la incertidumbre mediante técnicas de modelación y predicción, las cuales dependen intrínsecamente de la naturaleza de los datos. Mientras que la estadística clásica suele asumir que las observaciones son independientes e idénticamente distribuidas (iid), ¿qué sucede cuando estos supuestos no se cumplen?
Las series de tiempo son secuencias de mediciones de una variable de interés capturadas en intervalos constantes (diarios, mensuales, etc.). En este tipo de datos, la observación en el instante $t$ suele depender de los valores previos ($t-1, t-2, \dots$), lo que representa una violación directa al supuesto de independencia.
Componentes de una Serie de Tiempo
En el análisis de series de tiempo, los modelos se descomponen tradicionalmente en tres elementos clave: Tendencia ($T$), Estacionalidad ($S$) y un componente aleatorio o Residuo ($R$).
Dependiendo de cómo interactúan estas componentes, podemos identificar tres estructuras principales:
- Efecto Aditivo: \(X_{t} = T_{t} + S_{t} + R_{t}\)
- Efecto Multiplicativo: \(X_{t} = T_{t} \times S_{t} \times R_{t}\)
- Efecto Mixto: \(X_{t} = T_{t} + S_{t} \times R_{t}\)
Para estos modelos, se asume que $R_{t}$ es una componente aleatoria (ruido blanco) con media $0$ y varianza constante $\sigma^2$.
Métodos de Suavizamiento Exponencial
El suavizamiento exponencial agrupa una serie de procedimientos automáticos de predicción, ampliamente valorados por su simplicidad y eficacia en diversas áreas. A continuación, se describen sus tres variantes principales:
1. Suavizamiento Exponencial Simple (SES)
Este método es útil cuando la serie es relativamente estable y no presenta una tendencia clara ni estacionalidad. Se asume que el proceso sigue la forma: \(X_{t}= \ell_t + \epsilon_t\) Donde $\ell_t$ representa el nivel medio que oscila ocasionalmente en el tiempo y $\epsilon_t$ es el error aleatorio.
2. Suavizamiento Exponencial Doble (Holt)
Este tipo de serie considera una componente de tendencia lineal. La estructura base se define como: \(X_{t}= \ell_t + b_t + \epsilon_t\) Donde $b_t$ representa la pendiente o tendencia en el instante $t$. Es ideal para datos que muestran un crecimiento o decrecimiento sostenido en el tiempo.
3. Suavizamiento de Holt-Winters
A este nivel de suavizamiento se incorpora una componente cíclica, comúnmente llamada estacionalidad. La ecuación toma la forma: \(X_{t}= \ell_t + b_t + s_{t-m} + \epsilon_t\) Donde $s_{t-m}$ representa el efecto estacional de un periodo $m$ atrás. El caso anterior describe un efecto aditivo (interacción lineal), aunque también existe la versión multiplicativa, expresada como: \(X_{t} = (\ell_t + b_t) \times s_{t-m} + \epsilon_t\)
Implementación en Python con Statsmodels
Para aplicar estos modelos, la librería más robusta es statsmodels. A continuación, se muestra un ejemplo básico de cómo cargar un modelo de Holt-Winters (Suavizamiento Exponencial Triple) para realizar predicciones:
import pandas as pd
from statsmodels.tsa.holtwinters import ExponentialSmoothing
# Supongamos que 'df' es un DataFrame con un índice de tiempo y una columna 'ventas'
# 1. Definir el modelo
# Trend: 'add' (aditivo), Seasonal: 'mul' (multiplicativo),
# periods: frecuencia estacional
model = ExponentialSmoothing(df['ventas'],
trend='add',
seasonal='mul',
seasonal_periods=12)
# 2. Ajustar el modelo a los datos
model_fit = model.fit()
# 3. Realizar una predicción para los próximos 12 meses
forecast = model_fit.forecast(12)
print(forecast)
En este repo github hay un ejemplo de estimación por suavizamiento exponencial.
Bibliografía
Rubén Miranda
