Previsioni in R

In questo capitolo imparerai strumenti generali utili in molte diverse situazioni di previsione. Descriverà alcuni metodi di riferimento per le previsioni, metodi per verificare se un metodo di previsione ha sfruttato adeguatamente le informazioni disponibili e metodi per misurare l’accuratezza delle previsioni. Ognuno degli strumenti discussi qui verrà riutilizzato nei capitoli successivi mentre svilupperai ed esplorerai una gamma di metodi di previsione.

Le previsioni generate con metodi di smorzamento esponenziale sono medie ponderate delle osservazioni passate, con pesi che decadono esponenzialmente man mano che le osservazioni diventano più vecchie. In altre parole, più recente è l’osservazione, maggiore è il peso associato. Questo approccio permette di ottenere previsioni affidabili in modo rapido e per un’ampia varietà di serie temporali, un grande vantaggio di notevole importanza per le applicazioni aziendali.

I modelli ARIMA offrono un altro approccio alle previsioni di serie temporali. Lo smorzamento esponenziale e i modelli ARIMA sono i due approcci più diffusi per le previsioni di serie temporali e forniscono strategie complementari al problema. Mentre i modelli di smorzamento esponenziale si basano su una descrizione del trend e della stagionalità nei dati, i modelli ARIMA mirano a descrivere le autocorrelazioni presenti nei dati.

I modelli di serie temporali dei capitoli precedenti funzionano bene per molte serie, ma spesso non sono adatti a dati settimanali o orari e non consentono di includere altre informazioni come gli effetti delle festività, l’attività dei concorrenti, cambiamenti normativi, ecc. In questo capitolo vedrai alcuni metodi che gestiscono una stagionalità più complessa e considererai come estendere i modelli ARIMA per includere anche altre informazioni.