Não parece haver uma maneira padrão de lidar com dados ausentes no contexto da família de modelos de suavização exponencial. Em particular, a implementação R chamada ets no pacote de previsão parece levar a subsequência mais longa sem a falta de dados, e o livro "Forecasting with Exponential Smoothing" de Hyndman et al. parece não falar sobre dados ausentes.
Eu gostaria de fazer um pouco mais, se meus usuários me pedirem explicitamente (e se os dados ausentes não ocorrerem muito próximos ou em muitos períodos com exatamente uma temporada de diferença). Em particular, o que tenho em mente é o seguinte. Durante a simulação, sempre que eu iria encontrar uma falta de valor , eu iria substituir a previsão ponto atual ~ y t para y t , de modo que ε t = 0 . Isso, por exemplo, faria com que o ponto de dados não fosse considerado no processo de otimização de parâmetros.
Uma vez que têm um ajuste razoável para os parâmetros, que pode estimar o desvio padrão dos erros (assumido como sendo normal com média ) e verificar que o uso de valores para ε t gerado a partir de que a distribuição não diminuem a probabilidade por um factor de grande. Eu usaria esses valores para previsão (usando simulação) também.
Existem armadilhas conhecidas com este método?