Alisamento Exponencial (EWMA) e Holt-Winters

1 - Alisamento Exponencial Simples

Admita-se que pretendemos prever os valores futuros da srie representada no
grfico 1.
Grfico 1

esta srie no apresenta uma tendncia (nvel mdio) nitidamente

ascendente ou descendente; pode ser vista como oscilando em torno de
um nvel "localmente constante". Este nvel no estvel, vai
evoluindo com o tempo!

forma pragmtica de previso: estimar o nvel da srie no final da

amostra, aT ; projectar essa estimativa para o futuro.

Assim, a funo de previso adequada a sries deste tipo ser:

YT

aT , para h 1, 2 ,...

Como estimar o nvel da srie ?

-

como o nvel da srie vai evoluindo ao longo do tempo, utilizar

estimadores que atribuam maior peso aos valores mais recentes da
srie.

mdias mveis: apenas as ltimas N observaes so consideradas

para obter as estimativas do nvel actual da srie.

utilizando uma mdia ponderada de todas as observaes: o

alisamento exponencial simples constitui uma forma de obter
estimativas deste tipo.

Admita-se que:
no momento t-1 dispomos de uma estimava do nvel da srie, at 1 ;
no momento t observamos o valor y t e
pretendemos actualizar a estimativa do nvel.
a nova estimativa poder ser obtida como mdia ponderada de at

e yt

utilizando o estimador recursivo :

at

yt

(1

)at 1 , com 0

1.

este estimador equivalente utilizao de uma mdia mvel

ponderada de todas as observaes com pesos exponencialmente
decrescentes:

at

yt

(1

) yt

)2 y t

(1

(1

)3 y t

o valor da constante de alisamento, , vai determinar a rapidez com que

a informao passada descontada:

valores elevados de

, no intervalo (0,1), descontam a informao

passada de forma rpida mas filtram pouco a componente irregular;

-

valores baixos da constante de alisamento descontam a informao

passada de forma mais lenta e filtram mais a componente irregular.

para utilizar um estimador recursivo necessrio definir um valor inicial

(problema da inicializao) para o nvel da srie na origem, a0 , e
concretizar o valor da constante de alisamento, .

o valor inicial, a0 , poder ser o valor da primeira observao disponvel

ou ento a mdia de alguns valores iniciais.

o valor da constante de alisamento poder ser definido pelo utilizador

tendo em conta uma avaliao das caractersticas da srie e o efeito
dos diferentes valores da constante de alisamento;

em alternativa, e preferencialmente, o valor da constante de alisamento

ser escolhido atravs da minimizao de uma das funes dos erros
de previso na amostra.

2 - Mtodo de Holt
Admita-se, agora, que pretendemos prever os valores de uma varivel com
comportamento semelhante ao exibido pela srie representada no grfico 2.
Grfico 2

a tendncia no exactamente linear mas para observaes adjacentes

a aproximao linear satisfatria (tendncia localmente linear).

para a previso de uma srie com estas caractersticas precisamos de

duas estimativas: uma estimativa do nvel da tendncia (aT ) e uma
estimativa do declive da tendncia ( bT ) no final do perodo.

- funo de previso:
YT

aT

bT .h , para h 1, 2 ,...

Como obter aT e bT ?
mtodo de Holt - uma extenso do alisamento exponencial simples
ao caso de sries com tendncia:

at

yt

(1

)(at

bt

(at

at 1 ) (1

bt 1 ) , com 0

) bt 1, com 0

1.

aspectos prticos:
-

valores de inicializao, a0 e b0 ; podem ser obtidos a partir dos valores

iniciais da srie.

valores para as constantes de alisamento,

e ; podem ser fixados
minizando uma funo dos erros de previso a um passo na amostra.

3 - Mtodo de Holt-Winters
Para sries que apresentam tendncia e componente sazonal,
possivelmente no determinstica, o mesmo princpio da estimao recursiva
pode ser utilizado na estimao dos factores sazonais. Como os padres
sazonais podem ser considerados aditivos ou multiplicativos so utilizadas
duas variantes do mtodo.
Mtodo de Holt-Winters - Sazonalidade Aditiva
Para sries como as do grfico 3, em que um modelo de componentes aditivas
parece mais adequado, os estimadores das componentes e a funo de
previso so:
Grfico 3

Estimadores:
at

( yt

st

bt

(at

at 1 ) (1

st

( yt

at ) (1

Funo de Previso:
para h

L)

YT

)(at

(1

bt 1 ) , com 0

) bt 1, com 0
) st

aT

, com 0

bT .h sT

1
1

h kL

1, 2 ,..., e k 1 para h L , k 2 para L h 2L ...

Mtodo de Holt-Winters - Sazonalidade Multiplicativa

Para sries como as do grfico 4, em que um modelo de componentes
multiplicativas parece mais adequado, os estimadores das componentes e a
funo de previso so:
Grfico 4

Estimadores:
at

( yt / st

bt

(at

st

( y t / at ) (1

Funo de Previso:
para h

(1

L)

at 1 ) (1

YT

)(at

bt 1 ) , com 0

) bt 1, com 0
) st

, com 0

bT .h ).sT

(aT

1
1

h kL

1, 2 ,..., e k 1 quando h L , k 2 quando L h 2L ...

quando a tendncia considerada localmente constante a equao

relativa ao estimador do declive da tendncia deixa de ser utilizada.

necessrio definir valores para inicializar a aplicao dos estimadores

recursivos. Esses valores incluem estimativas iniciais para os factores
sazonais.

as constantes de alisamento a utilizar, , e , podem ser pesquisadas

atravs da minimizao de uma funo dos erros de previso a um
passo na amostra.

4 TENDNCIA AMORTECIDA (DAMPED TRENDS)

Em aplicaes empricas verificou-se que as previses lineares fornecidas pelo
mtodo de Holt tendiam para a sobrestimao quando o horizonte da previso
aumentava. Gardner e McKenzie (1985) sugeriram a introduo de um
parmetro adicional que modera a extrapolao quando o horizonte aumenta.
Esta sugesto parece adequada para sries como a do grfico 5.
Grfico 5

Para amortecer as extrapolaes a funo de previso linear foi modificada

atravs da introduo de um parmetro
que assume valores entre 0 e 1. A
funo de previso passa a ser:

YT

aT

bT

, para h

1, 2 ,...

j 1

estimadores:
at

yt

(1

)(at

bt

(at

at 1 ) (1

bt 1 ) , com 0

) bt 1 , com 0

O mtodo pode ser visto como uma generalizao dos padres de

extrapolao da tendncia da metodologia do alisamento exponencial:

0 o mtodo transforma-se no alisamento exponencial simples;

1) com

2) com

limYT

0
h

aT

bT (
1

extraploo

da

tendncia

amortecida

) . Para valores baixos de a funo de previso

final torna-se, rapidamente, praticamente constante.

3) com

1 temos o mtodo de Holt.

4) com

1 as previses tornam-se explosivas.