Necesito automatizar el pronóstico de series temporales, y no sé de antemano las características de esas series (estacionalidad, tendencia, ruido, etc.).
Mi objetivo no es obtener el mejor modelo posible para cada serie, sino evitar modelos bastante malos. En otras palabras, obtener pequeños errores cada vez no es un problema, pero obtener grandes errores de vez en cuando sí lo es.
Pensé que podría lograr esto combinando modelos calculados con diferentes técnicas.
Es decir, aunque ARIMA sería el mejor enfoque para una serie específica, puede que no sea el mejor para otra serie; Lo mismo para el suavizado exponencial.
Sin embargo, si combino un modelo de cada técnica, incluso si un modelo no es tan bueno, el otro acercará la estimación al valor real.
Es bien sabido que ARIMA funciona mejor para series de buen comportamiento a largo plazo, mientras que el suavizado exponencial se destaca con series ruidosas a corto plazo.
- Mi idea es combinar modelos generados a partir de ambas técnicas para obtener pronósticos más sólidos, ¿tiene sentido?
Puede haber muchas formas de combinar esos modelos.
- Si este es un buen enfoque, ¿cómo debo combinarlos?
Una media simple de pronósticos es una opción, pero tal vez podría obtener mejores predicciones si pondera la media de acuerdo con alguna medida de bondad del modelo.
- ¿Cuál sería el tratamiento de la varianza al combinar modelos?