Pular para o conteúdo principal

Cookies no Macro by Mark.Usamos cookies essenciais para login, idioma e segurança. Com sua permissão, também usamos cookies opcionais de preferências, para análise e para medição de anúncios com o Pixel da Meta (Facebook). Leia nossa política de cookies.

Macro by MarkMacro by Mark
  • Início
Carregando…
Carregando…
← Modelos
MacroConceitosPolíticaModelos

Modelo ETS (suavização exponencial)

Estrutura de espaço de estados de erro, tendência e sazonalidade que decompõe a série em componentes suavizados e projeta à frente.

Visão geralGráficoMatemáticaReferências

ETS (suavização exponencial): que pergunta macro este modelo ajuda a responder?

Contexto

Estrutura de espaço de estados de erro, tendência e sazonalidade que decompõe a série em componentes suavizados e projeta à frente.

ETS (suavização exponencial) fica em Séries temporais univariadas. Use esta classe quando você precisa de um benchmark para uma série macro e quer que a leitura venha da própria série, não de um sistema mais amplo.

A página deve ser lida como uma referência de método: primeiro o objeto empírico, depois o conjunto de informação, os diagnósticos e os limites da inferência.

Conexões para explorar

Matemática ↗A estrutura e suas condições, passo a passo.Fontes ↗Fontes acadêmicas e orientação de uso.

Como as partes se conectam

ltl_tlt​

Estado de nível

O valor subjacente da série no instante ttt, já sem tendência e sem sazonalidade, atualizado a cada período por uma fração α\alphaα do erro de previsão.

Comece pela série-alvo, frequência, janela da amostra e calendário de revisão. Um modelo empírico perde valor quando a pergunta ignora a safra dos dados.

Um benchmark univariado alternativo ao ARIMA quando tendência e sazonalidade precisam entrar diretamente.

A leitura útil compara o resultado com um benchmark simples, registra onde o erro de previsão aparece e separa sinal estatístico de interpretação causal.

Os componentes e as hipóteses formais abaixo são os do próprio modelo, com a terminologia em português. A notação matemática e os títulos bibliográficos ficam no original, que é como a literatura os identifica.

Premissas

Mantida

Fonte única de erro

Cada observação é movida por uma única inovação εt\varepsilon_tεt​, que entra na equação de medida e ao mesmo tempo atualiza todas as variáveis de estado. Não existe ruído de observação separado do ruído de estado.

Se falhar:Se o processo verdadeiro tem perturbações de observação e de estado separadas (um modelo de múltiplas fontes de erro), o ETS especifica mal a estrutura de erro. A previsão pontual não é afetada, mas os intervalos de previsão ficam errados.

Testável

Distribuição do erro

As inovações εt\varepsilon_tεt​ são i.i.d. gaussianas de média zero. Em modelos de erro aditivo, Var⁡(εt)=σ2\operatorname{Var}(\varepsilon_t) = \sigma^2Var(εt​)=σ2. Em modelos de erro multiplicativo, Var⁡(εt)=σ2\operatorname{Var}(\varepsilon_t) = \sigma^2Var(εt​)=σ2 em termos relativos.

Se falhar:Inovações não gaussianas não afetam a consistência da previsão pontual, mas invalidam as fórmulas analíticas dos intervalos de previsão. Intervalos por bootstrap podem substituí-las.

Mantida

Parâmetros de suavização constantes

Os parâmetros α,β\alpha, \betaα,β, γ\gammaγ e ϕ\phiϕ são constantes ao longo da janela de estimação. A capacidade de resposta de cada componente de estado não muda com o tempo.

Se falhar:Se os pesos ótimos de suavização mudam (por exemplo, ficando mais reativos a choques em recessões), o modelo faz média entre regimes e pode suavizar demais ou de menos em períodos específicos.

Testável

Período sazonal estável

O período sazonal s é fixo e corretamente especificado. O padrão de calendário tem exatamente s períodos por ciclo, sem deriva na duração do ciclo.

Se falhar:Um s mal especificado produz erros sistemáticos de previsão na fase sazonal errada. Para séries com múltiplos períodos sazonais, o ETS padrão trata apenas um; é preciso recorrer a TBATS ou a uma decomposição sazonal múltipla.

Testável

Série não negativa (para modelos multiplicativos)

Em modelos ETS com erro multiplicativo ou sazonalidade multiplicativa, a série precisa ser estritamente positiva em toda a janela de estimação e de previsão.

Se falhar:Modelos multiplicativos podem gerar previsões negativas quando aplicados a séries que cruzam o zero. O seletor automático de ETS exclui as variantes multiplicativas quando a série contém zeros ou valores negativos.

Mantida

Sem regressores exógenos

O ETS é um modelo puramente univariado. A média e a variância condicionais dependem apenas do próprio passado da série, e não de preditores externos.

Se falhar:Se existem preditores exógenos fortes (por exemplo, indicadores antecedentes do PIB), o ETS não consegue usá-los. São necessários ARIMAX, modelos de função de transferência ou regressão com erros ARIMA.

Aplicações

Use esta página para escolher o modelo antes de olhar o resultado: o alvo, a frequência, a janela e o benchmark definem o que a saída pode dizer.

Em monitoramento macro, a comparação com alternativas importa tanto quanto o modelo escolhido. Erro fora da amostra, estabilidade e revisão dos dados devem ficar visíveis.

Troque ou complemente o modelo quando a pergunta exigir identificação causal, contrafactual estrutural, distribuição entre agentes ou uma mudança de regime que a amostra histórica não contém.

Extensões e questões em aberto

Variantes

  • Simple exponential smoothing (SES) - ETS(A,N,N)\text{ETS}(A,N,N)ETS(A,N,N): level only, no trend or seasonality
  • Holt's linear method - ETS(A,A,N)\text{ETS}(A,A,N)ETS(A,A,N): level + additive trend
  • Damped trend - ETS(A,Ad,N): level + damped additive trend
  • Holt-Winters additive - ETS(A,A,A)\text{ETS}(A,A,A)ETS(A,A,A): level + trend + additive seasonality
  • Holt-Winters multiplicative - ETS(M,A,M)\text{ETS}(M,A,M)ETS(M,A,M): multiplicative error and seasonality, additive trend

Questões em aberto

  • The relationship between ETS and ARIMA is well-characterized for some combinations (IMA(1,1) is equivalent to SES; ETS(A,A,A)\text{ETS}(A,A,A)ETS(A,A,A) is a restricted ARIMA(0,1,s+1)(0,1,0)s\text{ARIMA}(0,1,s+1)(0,1,0)_sARIMA(0,1,s+1)(0,1,0)s​, while the airline model has no exact ETS counterpart) but the full mapping across all 30 ETS models and the ARIMA family remains incomplete for multiplicative error models.
  • Whether multiplicative error models are genuinely better than log-transforming the series and applying additive error models is debated. Log-transformation + additive ETS gives approximately the same point forecast but different prediction intervals.
  • The initial state estimation problem is not fully solved. Current implementations optimize over the initial states jointly with smoothing parameters, but the likelihood surface can be multimodal, especially for multiplicative models with many seasonal states.

Continue por aqui

Leia a seguir

Continue com um conceito, modelo ou exemplo relacionado.

Modelo teórico

IS-LM Model

modelo teórico bem conectado a dois passos daqui

Novo ângulo: modelo teórico →
Macro by Mark
Ajuda
Política de PrivacidadeTermos de UsoÉtica e conformidade

© 2026 Mark Jayson Nation LLC