MQT-2101 - Analyse et modélisation des données
Les observations récentes peuvent compter davantage sans effacer tout l’historique.
Quel rôle joue le paramètre alpha?
Le lissage exponentiel met à jour un niveau estimé en pondérant la dernière observation et le niveau précédent.
Avec une demande en hausse, alpha = 0,8 se rapproche beaucoup plus vite de la dernière observation que alpha = 0,2.
Alpha est estimé sur l’apprentissage. Les méthodes candidates sont comparées sur la validation. Un test final distinct ne sert pas à retoucher le choix.
\[ \widehat y_{t+h\mid t}=\ell_t+h b_t \]
\[ \widehat y_{t+h\mid t}=\ell_t+(\phi+\cdots+\phi^h)b_t,\quad 0<\phi<1 \]
holt(serie, h = horizon, damped = TRUE) estime les paramètres sur l’apprentissage. Le code est fourni; le calcul manuel des récurrences n’est pas demandé.
1
Le niveau lissé est une prévision révisable.
2
La méthode doit être comparée à une référence.
3
La décision reste liée aux données disponibles.
Comparez qualitativement les effets de alpha = 0,2 et alpha = 0,8 pour une demande récente en hausse.