Eu tenho vários dados intermitentes. Com base nesses dados, eu gostaria de comparar vários métodos de previsão (Suavização exponencial, Média móvel, Croston e Syntetos-Boylan) e decidir se Croston ou Syntetos Boylan é melhor que SES ou MA para dados intermitentes ou não. A medida que eu gostaria de comparar é a taxa absoluta média ou a taxa quadrática média proposta por Kourentzes (2014) em vez da medida MAPE, MSE usual, em todos os níveis do parâmetro de suavização \ alpha $, assumindo que o parâmetro de suavização usado para o intervalo entre demandas e o tamanho da demanda em Croston e Syntetos boylan é o mesmo.
Minha pergunta é: 1. Considerando que para todos os dados, existe a possibilidade de que o valor de alfa ideal seja diferente para cada método de suavização; portanto, um valor de alfa em um método pode minimizar o MAR ou MSR e não em outro método , de modo que um método possa ser melhor que outro método para esse valor de alfa e não em outro método. Como alguém resolve esse tipo de problema? minha solução atual é comparar os dois gráficos do MAR para cada nível de alfa entre dois métodos diferentes. minha expectativa é que os dois métodos diferentes mostrem características diferentes quando a análise de perfil for concluída.
- Existe alguma solução melhor, como projeto experimental? Estou bastante confuso em como projetar os experimentos. a observação são esses vários dados, o nível está suavizando o parâmetro alfa, o tratamento é esses métodos. e o valor é o MAR. é viável? e lógico para fazer? A hipótese é se existem diferenças em cada tratamento em todos os níveis de alfa ou não. e duvido que a suposição de linearidade seja cumprida aqui.
Edit: Enfim, eu não acho que isso é viável como questão de pesquisa. O fato de a medida de erro depender da escala (se minha definição de dependente da escala estiver correta) tornou o estudo desse problema bastante problemático, pois não há como comparar os diferentes métodos de previsão.