Intervalos de predicción basados en bootstrapping para un modelo de tipo recursive-multi-step forecaster. Para ilustrar cómo la librería skforecast permite estimar intervalos de predicción en modelos de forecasting multi-step se intenta predecir la demanda de energía para un horizonte de 7 días. Cuando no se puede asumir esta propiedad, dos alternativas comúnmente utilizadas son el bootstrapping y la regresión cuantílica. Más formalmente, un intervalo de predicción define el intervalo dentro del cual se espera encontrar el verdadero valor de la variable respuesta con una determinada probabilidad.Įxisten múltiples formas de estimar intervalos de predicción en modelos de forecasting, la mayoría de las cuales requieren que los residuos (errores) del modelo sigan una distribución normal. Este tipo de forecasting proporciona información muy valiosa ya que permite crear intervalos de predicción, es decir, el rango de valores donde es más probable que pueda estar el valor real. Aunque conocer de antemano el valor esperado de una serie temporal es útil en casi todos los casos de negocio, este tipo de predicción no proporciona información sobre la confianza del modelo ni sobre la incertidumbre de sus predicciones.Įl forecasting probabilístico, a diferencia del point-forecasting, es una familia de técnicas que permiten predecir la distribución esperada de la variable respuesta en lugar de un único valor puntual. Schader (Eds.) Data Analysis, Classification, and Related Methods, Springer-Verlag, Heidelberg: 387–394.Al tratar de anticipar valores futuros de una serie temporal, la mayoría de los modelos de forecasting intentan predecir cuál será el valor más probable, esto se llama point-forecasting. (2000) “A dynamical clustering algorithm for multi-nominal data”, in : H.A.L.
(1997) “Self-validated numerical methods and applications”, in: Brazilian Mathematics Colloquium Monograph, IMPA, Rio de Janeiro, Brazil. (2003) “An introduction to affine arithmetic”, TEMA Tend. Thèse de Doctorat, Université Paris IX Dauphine, Paris, France. (2000) Classification et Modèles Linéaires en Analyse des Données Symboliques. (2001) “Generalization of the principal component analysis to histogram data”, in: Workshop on Symbolic Data Analysis of the 4th European Conference on Principles and Practice of Knowledge Discovery in Data Bases, September 12-16, 2000, Lyon, France. Society for Industrial and Applied Mathematics (SIAM), Philadelphia PA. (1979) Methods and Applications of Interval Analysis. (2012) “Adaptation of interval PCA to symbolic histogram variables”, Advances in Data Analysis and Classification July 6(2): 147–159. Universitè de Montpellier, Montpellier, France. (1976) Structuration des Tableaux à Trois Indices de la Statistique. Lavit, Ch., (1988) Analyse Conjointe de Tableaux Quantitatifs. (1994) “The ACT (STATIS) method”, Computational Statistics & Data Analysis 18: 97–119. (2001) “Principal component analysis of interval data: a symbolic data analysis approach”, Computational Statistics & Data Analysis 15(1): 73–87. Trejos (Ed.) IX Simposio Métodos Matemáticos Aplicados a las Ciencias, UCR-ITCR, Turrialba. (1995) “Algoritmo e implementación del método STATIS”, in: J. Jolivet (Ed.) Biométrie et Temps, Société Française de Biométrie, Paris: 59–76.
(1980) “L’analyse conjointe de plusieurs matrices de données”, in: M.
(1987) “Introduction à l’approche symbolique en Analyse des Données”. (1997) “Extension de l’analyse en composantes principales à des données de type intervalle”, Rev. (2002) “Introduction to Interval Analysis”, Informatics and Mathematical Modelling, Technical University of Denmark, DTU, pp. (2011) “Symbolic principal components for interval-valued observations”, Statistical Analysis and Data Mining 4(2), 229–246.Ĭaprani, O. John Wiley & Sons Ltd., United Kingdom.īillard, L. (2006) Symbolic Data Analysis: Conceptual Statistics and Data Mining. Sage, Thousand Oaks CA: 955–962.īillard, L. (2007) “The STATIS Method”, Neil Salkind (Ed.) Encyclopedia of Measurement and Statistics.
0 kommentar(er)
