Exponentielles Glätten: Benutzerdefinierte Modelle

Modelltyp. Modelle mit exponentiellem Glätten ¹ werden als saisonal oder nicht saisonal klassifiziert. Saisonale Modelle sind nur verfügbar, wenn für das aktive Dataset eine Periodizität definiert wurde (siehe im Folgenden unter "Aktuelle Periodizität").

• Einfach. Dieses Modell eignet sich für Zeitreihen, bei denen weder ein Trend noch eine Saisonalität vorliegt. Sein einziger Glättungsparameter betrifft das Niveau. Einfaches exponentielles Glätten weist eine sehr große Ähnlichkeit auf mit einem ARIMA-Modell mit Autoregression der Ordnung null, Differenzenbildung der Ordnung 1, gleitenden Durchschnitten der Ordnung 1 und fehlender Konstante.
• Linearer Trend nach Holt. Dieses Modell eignet sich für Zeitreihen, die einen linearen Trend, aber keine Saisonalität aufweisen. Seine Glättungsparameter betreffen Niveau und Trend und es wird angenommen, dass die Werte dieser beiden Elemente unabhängig voneinander sind. Das Holt-Modell ist allgemeiner als das Brown-Modell, aber es kann bei langen Zeitreihen mehr Rechenzeit erfordern. Exponentielles Glätten mit Holt-Modell weist eine sehr große Ähnlichkeit auf mit einem ARIMA-Modell mit Autoregression der Ordnung 0, Differenzenbildung der Ordnung 2 und gleitenden Durchschnitten der Ordnung 2.
• Linearer Trend nach Brown. Dieses Modell eignet sich für Zeitreihen, die einen linearen Trend, aber keine Saisonalität aufweisen. Seine Glättungsparameter betreffen Niveau und Trend und es wird angenommen, dass diese Faktoren gleich sind. Das Brown-Modell ist daher ein Spezialfall des Holt-Modells. Exponentielles Glätten mit dem Brown-Modell weist sehr große Ähnlichkeit auf mit einem ARIMA-Modell mit Autoregression der Ordnung 0, Differenzenbildung der Ordnung 2 und gleitenden Durchschnitten der Ordnung 2; dabei ist bei den gleitenden Durchschnitten der Koeffizient für den Abstand 2 gleich dem Quadrat der Hälfte des Koeffizienten für den Abstand 1.
• Gedämpfter Trend. Dieses Modell eignet sich für Zeitreihen mit einem sich abschwächenden linearen Trend, aber ohne Saisonalität. Seine Glättungsparameter betreffen Niveau, Trend und die Dämpfung des Trends. Exponentielles Glätten mit gedämpftem Trend weist eine sehr große Ähnlichkeit auf mit einem ARIMA-Modell mit Autoregression der Ordnung 1, Differenzenbildung der Ordnung 1 und gleitenden Durchschnitten der Ordnung 2.
• Einfach saisonal. Dieses Modell eignet sich für Zeitreihen ohne Trend, aber mit einem saisonalen Effekt, der über die Zeit gleich bleibt. Seine Glättungsparameter betreffen Niveau und Saison. Einfaches saisonales exponentielles Glätten weist sehr große Ähnlichkeit auf mit einem ARIMA-Modell mit Autoregression der Ordnung 0, Differenzenbildung der Ordnung 1, saisonaler Differenzenbildung der Ordnung 1 und gleitenden Durchschnitten der Ordnung 1, p und p+1, wobei p die Anzahl der Perioden im Saisonintervall ist (bei monatlichen Daten ist p=12).
• Winters-Additiv Dieses Modell eignet sich für Zeitreihen mit einem linearen Trend und einem saisonalen Effekt, der nicht vom Niveau der Zeitreihe abhängt. Seine Glättungsparameter betreffen Niveau, Trend und Saison. Exponentielles Glätten mit dem additiven Winters-Modell weist sehr große Ähnlichkeit auf mit einem ARIMA-Modell mit Autoregression der Ordnung 0, Differenzenbildung der Ordnung 1, saisonaler Differenzenbildung der Ordnung 1 und gleitenden Durchschnitten der Ordnung p+1, wobei p die Anzahl der Zeitpunkte in einem Saisonintervall ist (für monatliche Daten ist p=12).
• Winters ' multiplikativ. Dieses Modell eignet sich für Zeitreihen mit einem linearen Trend und einem saisonalen Effekt, der vom Niveau der Zeitreihe abhängt. Seine Glättungsparameter betreffen Niveau, Trend und Saison. Exponentielles Glätten mit dem multiplikativen Winters-Modell weist keine Ähnlichkeit zu irgendeinem ARIMA-Modell auf.

Aktuelle Periodizität. Gibt die gegenwärtig für das aktive Dataset definierte Periodizität an (sofern vorhanden). Die aktuelle Periodizität wird als Ganzzahl angegeben, z. B. 12 für eine jährliche Periodizität, wobei jeder Fall einen Monat darstellt. Wenn keine Periodizität angegeben wurde, wird der Wert Keine angezeigt. Für saisonale Modelle muss eine Periodizität angegeben werden. Sie können die Periodizität über das Dialogfeld Datum definieren festlegen.

Transformation abhängiger Variablen. Sie können angeben, dass für alle abhängigen Variablen vor der Modellierung eine Transformation durchgeführt wird.

• Keine. Es wird keine Transformation durchgeführt.

• Quadratwurzel. Quadratwurzeltransformation.
• Natürlicher Logarithmus. Transformation mit natürlichem Logarithmus.

So geben Sie ein benutzerdefiniertes Modell mit exponentiellem Glätten an:

Für diese Funktion ist die Option "Forecasting" erforderlich.

1. Wählen Sie in den Menüs Folgendes aus:

   Analysieren > Prognose > Modell erstellen ...

2. Wählen Sie auf der Registerkarte "Variablen" für die Methode Exponentielles Glätten aus.
3. Klicken Sie auf Kriterien.
4. Wählen Sie den Typ des Modells mit exponentiellem Glätten und optional eine Transformation abhängiger Variablen.