이중 지수 평활(Double Exponential Smoothing)

Holt 방법은 매 기간마다 가중치 alpha로 수준을, 가중치 gamma로 추세를 갱신하며, 수준에 추세의 m배를 더하여 예측합니다. 가중치는 지정하거나 비워 두어 최적의 ARIMA(0,2,2) 가중치를 사용할 수 있으며, 이 값은 타당성 확인이 필요합니다. 출력에는 점점 넓어지는 예측 한계가 포함된 예측값과 MAPE, MAD, MSD가 포함됩니다. 시계열에는 결측이 없어야 하며 값이 4개 이상이어야 합니다.

최종 검토

핵심 요점

이중 지수 평활(Holt 방법)은 시계열을 수준과 추세로 평활하여 예측값이 최근 추세율로 이어지게 합니다. 꾸준한 드리프트가 있고 계절 패턴이 없는 시계열에 사용합니다.

이 페이지 내용
  1. 목적
  2. 주요 기능
  3. 통계적 방법
  4. 입력 항목 및 옵션
  5. 출력 설명
  6. 계산 예제

목적

이중 지수 평활(Holt 방법)은 수준과 추세라는 두 가지 이동 성분으로 시계열을 평활하여, 예측값이 최근 추세율로 계속 상승하거나 하락하게 합니다. 누적 마모, 월별로 증가하는 수요, 서서히 드리프트하는 공정 평균처럼 꾸준한 상승 또는 하락 드리프트가 있고 계절 패턴이 없는 시계열에 사용합니다. 계절성이 있는 데이터에는 Winters 방법이나 분해를 사용하십시오.

주요 기능

  • 사용자가 지정하는 수준 가중치(alpha)와 추세 가중치(gamma), 또는 둘 다 비워 두었을 때 ARIMA(0,2,2) 적합에서 구한 최적 가중치.
  • 데이터에서 구하거나 사용자가 입력한 시작 수준과 추세.
  • 시계열의 끝 또는 이전 행에서부터 최근 추세를 따라가는 예측값과, 앞으로 갈수록 기간마다 넓어지는 예측 한계.
  • MAPE, MAD, MSD 정확도 측도와 데이터, 적합값, 예측값의 그림.
  • 선택적 결과 표(모든 기간의 수준, 추세, 예측, 오차)와 4-in-1 잔차 그림.

통계적 방법

매 기간마다 수준과 추세가 갱신됩니다. Lₜ = α·yₜ + (1 − α)·(Lₜ₋₁ + Tₜ₋₁) 이고 Tₜ = γ·(Lₜ − Lₜ₋₁) + (1 − γ)·Tₜ₋₁ 입니다. 기간 t의 적합값은 Lₜ₋₁ + Tₜ₋₁ 이며, 원점 이후 m 기간의 예측값은 원점에서의 수준과 추세를 사용한 L + m·T 입니다. α가 클수록 수준이 최근 값을 더 가깝게 따라가고, γ가 클수록 추세가 더 빠르게 변합니다.

가중치를 지정하면 시작 수준과 추세는 시간에 대한 데이터의 최소제곱 직선의 절편과 기울기입니다. 가중치를 비워 두면 이 도구는 2차 차분에 ARIMA(0,2,2) 모형을 최소제곱으로 적합하고 그 계수를 변환합니다. α = 1 + θ₂ 이고 γ = (2 − α − θ₁) / α 이며, 시작 수준과 추세는 이 적합에서 역산합니다. 최적 가중치는 0~1 범위를 벗어날 수 있으므로 타당한지 확인해야 합니다. Starting values = User-specified이면 사용자가 입력한 Initial level과 Initial trend를 사용합니다.

예측 한계는 예측값 ± z × dₘ × MAD 입니다. 여기서 z는 신뢰수준에 대한 정규분포 분위수, MAD는 적합값의 평균 절대 오차, dₘ은 앞선 기간 수 m이 늘어남에 따라 커지는 계수(α와 γ 중 큰 값으로 계산)이므로, 먼 미래로 갈수록 한계 구간이 더 넓어집니다. 정확도: MAPE = 평균 |오차 / 데이터| × 100, MAD = 평균 |오차|, MSD = 평균 오차² 입니다. 시계열에는 결측이 없어야 하며 값이 4개 이상이어야 합니다.

입력 항목 및 옵션

항목

설명

Variable (Y)

필수입니다. 시간 순서대로 정렬된 수치 시계열입니다.

Level weight (alpha) / Trend weight (gamma)

0.0001~1입니다. 둘 다 비워 두면 최적의 ARIMA(0,2,2) 가중치를 사용합니다.

Starting values

From the data(기본값): ARIMA 적합(최적 가중치) 또는 시간에 대한 데이터의 회귀(지정한 가중치)에서 역산합니다. 또는 User-specified.

Initial level / Initial trend

Starting values가 User-specified일 때 사용하며, 이 경우 둘 다 필수입니다.

Number of forecasts

기본값은 0(없음)이며 최대 1000입니다.

Confidence level (%) for forecast interval

기본값은 95입니다. 예측값을 요청할 때 활성화됩니다.

Forecast origin (row)

선택 사항이며 예측값을 요청할 때 활성화됩니다. 예측값은 이 행 이후부터 시작되며 이 행까지의 데이터를 사용합니다. 비워 두면 시계열의 끝입니다.

Results to display

Summary table(기본값) 또는 Summary table and results table.

Residual plots (four in one)

기본값은 선택 해제입니다. 정규 확률도, 잔차 대 적합값, 히스토그램, 잔차 대 순서를 보여 줍니다.

Title

출력의 제목입니다. 기본값은 Double Exponential Smoothing입니다.

double-exponential-smoothing-inputs


그림 1 — alpha = 0.2, gamma = 0.05이고 예측값이 12개인 Monthly Sales.

출력 설명

  • Double Exponential Smoothing (graph) — 실제 데이터, 적합값, 예측값, 예측 구간이며, 제목에 MAPE, MAD, MSD가 표시되고 그림 위에 사용한 가중치가 표시됩니다.
  • Method — 데이터 열, 길이, 가중치가 지정된 것인지 최적인지(예측 원점이 설정된 경우 이를 포함).
  • Smoothing Constants — α(수준)와 γ(추세).
  • Accuracy Measures — 정확도 측도인 MAPE, MAD, MSD.
  • Forecasts — 기간, 예측값, 하한과 상한.
  • Results — 선택한 경우: 각 기간의 Period, data, Level, Trend, Predict, Error.
  • Residual Plots — 선택한 경우.
  • Download를 통한 PDF 내보내기.

double-exponential-smoothing-output


그림 2 — 월별 판매량에 적용한 Holt 방법: 2025년 예측값은 점점 넓어지는 95% 구간 안에서 직선으로 상승합니다.

계산 예제

한 가전제품 유통업체에는 매년 증가하는 60개월(2020년 1월~2024년 12월)의 판매 수량이 있습니다. 판매 분석가는 Holt 방법이 찾아내는 월별 증가량과 2025년에 대한 예측값을 알고자 합니다. 분석가는 Variable (Y) = Sales를 선택하고, Level weight (alpha) = 0.2와 Trend weight (gamma) = 0.05를 입력하며(수준은 데이터를 완만하게 따라가고 추세는 천천히 변하므로 계절성이 추세를 흔들지 않습니다), Number of forecasts = 12로 설정합니다.

2024년 말 추세는 월 14.85개이므로, 예측값은 2025년 1월의 1,556에서 2025년 12월의 1,719까지 직선으로 상승합니다. 95% 구간은 앞선 달이 늘어날수록 넓어져, 1월은 1,334~1,778, 12월은 1,431~2,008입니다. MAPE는 8.3%(MAD 90.5)로 단일 평활(9.4%)보다는 낫지만, 이 방법에는 계절성이 없기 때문에 Winters 방법(4.2%)과 분해(2.2%)에는 크게 뒤처집니다. 1월 예측값 1,556은 아마도 너무 높을 것입니다. 매년 판매량은 12월에서 1월로 갈 때 급격히 떨어지기 때문입니다(2024년 12월은 1,759이지만 2024년 1월은 1,261입니다).

두 가중치를 모두 비워 두면 최적의 ARIMA 가중치는 alpha 1.42, gamma 0.0001입니다. 적합은 거의 달라지지 않지만(MAPE 8.3%) 수준이 2024년 12월의 정점에 과잉 반응하기 때문에 예측값은 2025년 12월에 3,301까지 상승합니다. 최적 가중치는 타당성 확인이 필요하며, 여기서는 계절 변동이 이를 왜곡합니다. 의사결정을 위해서는 계절성이 없는 추세에는 Holt 방법을, 이 데이터에는 Winters 방법을 사용하십시오.

자주 묻는 질문

이중 지수 평활은 언제 사용해야 합니까?

누적 마모, 월별로 증가하는 수요, 서서히 드리프트하는 공정 평균처럼 꾸준한 상승 또는 하락 드리프트가 있고 계절 패턴이 없는 시계열에 사용하십시오. 계절성이 있는 데이터에는 Winters 방법이나 분해를 사용하십시오. 계절 판매 데이터에 대한 계산 예제에서 Holt 방법의 MAPE는 8.3%였고 Winters 방법은 4.2%였습니다.

alpha와 gamma 가중치는 무슨 역할을 합니까?

Alpha는 수준 가중치입니다. alpha가 클수록 수준이 최근 값을 더 가깝게 따라갑니다. Gamma는 추세 가중치입니다. gamma가 클수록 추세가 더 빠르게 변합니다. 지정하는 가중치의 범위는 0.0001~1입니다. 둘 다 비워 두면 ARIMA(0,2,2) 적합에서 구한 최적 가중치를 사용하며, 이 값은 0~1 범위를 벗어날 수 있습니다.

Holt 방법에서 예측 한계가 넓어지는 이유는 무엇입니까?

한계는 예측값 ± z x dₘ x MAD 입니다. 여기서 z는 신뢰수준에 대한 정규분포 분위수, MAD는 적합값의 평균 절대 오차, dₘ은 앞선 기간 수가 늘어남에 따라 커지는 계수입니다. 따라서 먼 미래로 갈수록 구간이 더 넓어집니다.

최적 평활 가중치를 신뢰해도 됩니까?

최적 가중치는 타당성 확인이 필요합니다. 예제에서 최적 가중치는 alpha 1.42, gamma 0.0001이었으며, 적합은 거의 달라지지 않았지만 수준이 2024년 12월의 정점에 과잉 반응했기 때문에 예측값이 2025년 12월에 3,301까지 상승했습니다. 계절 변동이 가중치를 왜곡한 것입니다.