Suavização exponencial simples

A suavização exponencial simples suaviza uma série temporal com St = alpha·yt + (1 - alpha)·St-1 e prevê o último nível suavizado para todos os períodos futuros. Use-a em séries que oscilam em torno de um valor estável, sem tendência nem sazonalidade. A série não pode ter lacunas e precisa de pelo menos 4 valores. As saídas são ajustes, previsões com limites de predição, e MAPE, MAD e MSD.

Última revisão

Conclusão principal

A suavização exponencial simples suaviza uma série temporal com um nível atualizado a cada período por uma fração (alfa) do último erro e prevê esse nível para períodos futuros; serve para séries sem tendência nem sazonalidade.

Nesta página
  1. Finalidade
  2. Principais recursos
  3. Métodos estatísticos
  4. Campos de entrada e opções
  5. Descrição da saída
  6. Exemplo prático

Finalidade

A suavização exponencial simples suaviza uma série temporal com um único nível corrente, atualizado a cada período por uma fração do último erro, e prevê esse nível para todos os períodos futuros. Ela é adequada a uma série que oscila em torno de um valor razoavelmente estável, sem tendência nem sazonalidade claras, como a demanda semanal de uma peça de reposição madura, a taxa diária de refugo ou o peso de enchimento de uma linha estável. Para dados com tendência, use a suavização exponencial dupla; para dados com sazonalidade, use o método de Winters ou a decomposição.

Principais recursos

  • Peso de suavização (alfa) que você especifica, ou o peso ótimo de um ajuste ARIMA(0,1,1) quando deixado em branco.
  • Valor inicial a partir dos dados ou um valor que você informa.
  • Previsões com limites de predição no nível de confiança que você escolher, a partir do fim da série ou de uma linha anterior, para testar o método contra dados conhecidos.
  • Medidas de exatidão MAPE, MAD e MSD, e um gráfico dos dados, dos ajustes e das previsões.
  • Tabela de resultados opcional (valor suavizado, predição e erro de cada período) e gráficos de resíduos quatro em um.

Métodos estatísticos

O valor suavizado é Sₜ = α·yₜ + (1 − α)·Sₜ₋₁. O ajuste (predição um passo à frente) do período t é Sₜ₋₁, o valor suavizado ao final do período anterior, e o erro é yₜ menos esse ajuste. Um α pequeno (por exemplo, 0.1–0.3) dá uma linha suave que reage devagar; um α grande acompanha de perto os valores mais recentes.

Com um peso especificado, o valor inicial S₀ é a média das primeiras K observações (K = 6 por padrão). Quando o peso é deixado em branco, a ferramenta ajusta um modelo ARIMA(0,1,1) às primeiras diferenças por mínimos quadrados e define α = 1 − θ, em que θ é o coeficiente MA; o valor inicial vem então desse ajuste. Esse α ótimo pode resultar acima de 1, o que significa que o nível reage em excesso a cada novo valor; trate isso como sinal de que a série tem tendência. Com Starting values = User-specified, o Initial level que você informa é usado como S₀.

Todas as previsões são iguais ao último valor suavizado na origem da previsão. Os limites de predição são previsão ± z × 1.25 × MAD, em que z é o quantil normal do nível de confiança e MAD é o erro absoluto médio dos ajustes; eles têm a mesma largura para todos os períodos à frente. Exatidão: MAPE = média de |erro / dado| × 100, MAD = média de |erro|, MSD = média de erro². A série não pode ter lacunas e deve ter pelo menos 4 valores.

Campos de entrada e opções

Campo

Descrição

Variable (Y)

Obrigatório. A série numérica, em ordem cronológica.

Weight to use in smoothing (alpha)

De 0.0001 a 1. Deixe vazio para usar o peso ótimo do ARIMA(0,1,1).

Starting values

From the data (padrão): o peso ótimo parte do ajuste ARIMA; um peso especificado parte da média das primeiras K observações. Ou User-specified.

Initial level

Usado quando Starting values é User-specified (obrigatório nesse caso).

Initial smoothed value: average of first K observations, K =

Padrão 6. Ativo quando um peso é informado.

Number of forecasts

Padrão 0 (nenhuma), até 1000.

Confidence level (%) for forecast interval

Padrão 95. Ativo quando previsões são solicitadas.

Forecast origin (row)

Opcional, ativo quando previsões são solicitadas. As previsões começam após essa linha, usando os dados até ela; em branco = fim da série.

Results to display

Summary table (padrão) ou Summary table and results table.

Residual plots (four in one)

Desmarcado por padrão. Gráfico de probabilidade normal, resíduos versus ajustes, histograma e resíduos versus ordem.

Title

Título da saída. O padrão é Single Exponential Smoothing.

single-exponential-smoothing-inputs


Figura 1 — Monthly Sales suavizado com alpha = 0.2 e seis previsões.

Descrição da saída

  • Single Exponential Smoothing (gráfico) — dados reais, ajustes, previsões e a faixa de predição, com MAPE, MAD e MSD no título e o peso usado acima do gráfico.
  • Method — coluna de dados, comprimento e se o peso foi especificado ou ótimo (mais a origem da previsão, quando definida).
  • Smoothing Constants — o valor de α usado.
  • Accuracy Measures — MAPE, MAD e MSD.
  • Forecasts — período, previsão, limites inferior e superior.
  • Results — quando escolhido: Period, data, Smooth, Predict e Error de cada período.
  • Residual Plots — quando marcado.
  • Exportação em PDF por meio de Download.

single-exponential-smoothing-output


Figura 2 — A linha suavizada fica atrás das vendas em crescimento, e as seis previsões são iguais, 1,496.7.

Exemplo prático

Um distribuidor de produtos eletrônicos de consumo tem 60 meses de vendas em unidades (de janeiro de 2020 a dezembro de 2024). O analista de vendas experimenta primeiro o método de previsão mais simples para ver o que ele deixa de captar. O analista seleciona Variable (Y) = Sales, informa Weight to use in smoothing (alpha) = 0.2, mantém Starting values = From the data e K = 6 e define Number of forecasts = 6 para janeiro a junho de 2025.

As seis previsões são iguais: 1,496.7 unidades, com intervalo de 95% de 1,234.9 a 1,758.4. O método não tem tendência nem sazonalidade, de modo que não percebe que as vendas crescem e que janeiro e fevereiro são sempre fracos. No gráfico, a linha suavizada fica atrás dos dados em alta e corta os picos e os vales. O MAPE é 9.4% (MAD de 106.8 unidades), o pior ajuste entre as ferramentas de previsão para esses dados: o método de Winters chega a 4.2% e a decomposição, a 2.2%.

Quando o alfa é deixado em branco, o peso ótimo do ARIMA é 1.43, acima de 1: o nível reage em excesso a cada mês na tentativa de acompanhar o crescimento. O MAPE cai para 6.7%, mas todos os meses de 2025 passam a ser previstos em 1,817, o nível deixado pelo pico de dezembro. Os dois resultados dizem a mesma coisa para a decisão: essa série precisa de um método com tendência e sazonalidade. A suavização simples só é a ferramenta certa quando os dados não têm nenhuma das duas.

Perguntas frequentes

Quando usar a suavização exponencial simples?

Use a suavização exponencial simples em uma série que oscila em torno de um valor razoavelmente estável, sem tendência nem sazonalidade claras, como a demanda semanal de uma peça de reposição madura, a taxa diária de refugo ou o peso de enchimento de uma linha estável. Para dados com tendência, use a suavização exponencial dupla; para dados com sazonalidade, use o método de Winters ou a decomposição.

Como escolher o peso de suavização alfa?

Um alfa pequeno, como 0.1 a 0.3, dá uma linha suave que reage devagar, enquanto um alfa grande acompanha de perto os valores mais recentes. Se o alfa for deixado em branco, o peso ótimo vem de um ajuste ARIMA(0,1,1), com alfa = 1 menos o coeficiente MA. Um alfa ótimo acima de 1 é sinal de que a série tem tendência.

Por que todas as previsões da suavização exponencial simples são iguais?

Todas as previsões são iguais ao último valor suavizado na origem da previsão, porque o método tem apenas um nível e nenhum componente de tendência ou sazonal. Os limites de predição são a previsão mais ou menos z vezes 1.25 vezes o MAD, de modo que também têm a mesma largura para todos os períodos à frente.

Como a exatidão da previsão é medida?

A exatidão é informada com três medidas baseadas nos erros entre os dados e os ajustes um passo à frente: MAPE, o erro percentual absoluto médio; MAD, o erro absoluto médio; e MSD, o erro quadrático médio. Valores menores indicam um ajuste mais próximo e podem ser usados para comparar métodos de previsão nos mesmos dados.