Buenas prácticas al hacer pronósticos de series de tiempo

He estado trabajando durante meses en el pronóstico de carga a corto plazo y el uso de datos climáticos / climáticos para mejorar la precisión. Tengo experiencia en informática y por esta razón estoy tratando de no cometer grandes errores y comparaciones injustas al trabajar con herramientas estadísticas como los modelos ARIMA. Me gustaría saber tu opinión sobre un par de cosas:

1. Estoy utilizando los modelos (S) ARIMA y (S) ARIMAX para investigar el efecto de los datos meteorológicos en el pronóstico, ¿cree que sería necesario utilizar también métodos de suavizado exponencial?

2. Con una serie temporal de 300 muestras diarias, comienzo desde las primeras dos semanas y realizo un pronóstico con 5 días de anticipación utilizando modelos construidos con la función auto.arima R (paquete de pronóstico). Luego, agrego otra muestra a mi conjunto de datos y calibro nuevamente los modelos y realizo otro pronóstico de 5 días y así sucesivamente hasta el final de los datos disponibles. ¿Crees que esta forma de operar es correcta?

Gracias por sus sugerencias, aunque el objetivo de nuestro trabajo es un artículo de revista de ingeniería, me gustaría hacer un trabajo lo más riguroso posible desde un punto de vista estadístico.

1. Creo que también valdría la pena explorar modelos de suavizado exponencial. Los modelos de suavizado exponencial son una clase de modelos fundamentalmente diferentes de los modelos ARIMA, y pueden producir resultados diferentes en sus datos.

2. Esto suena como un enfoque válido y es muy similar al método de validación cruzada de series temporales propuesto por Rob Hyndman .

Agregaría el error de validación cruzada de cada pronóstico (suavizado exponencial, ARIMA, ARMAX) y luego usaría el error general para comparar los 3 métodos.

Es posible que también desee considerar una "búsqueda de cuadrícula" para los parámetros de ARIMA, en lugar de usar auto.arima. En una búsqueda de cuadrícula, exploraría cada parámetro posible para un modelo de arima y luego seleccionaría los "mejores" utilizando la precisión del pronóstico.