7 Método de Winters
Se aplica cuando en la serie de tiempo se presentan los patrones de tendencia y
estacionalidad.
Suaviza los datos por el método exponencial de Holt – Winters. Se recomienda este
método cuando se tienen presentes los componentes de tendencia y estacionalidad
ya sea en forma aditiva o multiplicativa.
El efecto multiplicativo se presenta cuando el patrón estacional en los datos
depende del tamaño de los datos o sea cuando la magnitud del patrón estacional
se incrementa conforme los valores aumentan y decrece cuando los valores de los
datos disminuyen.
El efecto aditivo es mejor cuando el patrón estacional en los datos no depende del
valor de los datos, o sea que el patrón estacional no cambia conforme la serie se
incrementa o disminuye de valor.
El método de Winters calcula los estimados de de tres componentes: nivel,
tendencia y estacionalidad. Calcula estimados dinámicos con ecuaciones para los
tres componentes: nivel, tendencia y estacionalidad. Estas ecuaciones dan una
mayor ponderación a observaciones recientes y menos peso a observaciones
pasadas, las ponderaciones decrecen geométricamente a una tasa constante
La ponderación seleccionada para Nivel, tendencia y estacionalidad es de 0.2 si se
quiere hacer una correspondencia con el modelo ARIMA u otros valores entre 0 y 1
para reducir los errores de estimación.
Tiene una amplitud de pronóstico de corta a media siguiendo una tendencia con un
patrón estacional.
A continuación se muestra una gráfica con sus pronósticos utilizando un
suavizamiento exponencial triple.
El Método de Holt – Winters se puede ejecutar en forma sencilla con ayuda del
paquete estadístico Minitab.
A continuación se muestra un ejemplo comparando los tres métodos:
Ejemplo de pronósticos utilizando el Método de Winters
Se desea predecir el empleo para los siguientes seis meses en la industria
alimenticia usando datos colectados sobre los últimos 60 meses, usando el método
de Winters con el modelo multiplicativo, dado que hay componente estacional y de
tendencia aparente en los datos.
Instrucciones de Minitab
1 Open Worksheet [Link].
2 Ejecutar Stat > Time Series > Winters' Method.
3 En Variable, poner Food. In Seasonal length, 12 .
4 En Model Type, seleccionar Multiplicative.
5 Seleccionar Generate forecasts poner 6 en Number of forecasts. Seleccionar OK.
Winters' Method for Food
Multiplicative Method
Data Food
Length 60
Smoothing Constants
Alpha (level) 0.2
Gamma (trend) 0.2
Delta (seasonal) 0.2
Accuracy Measures
MAPE 1.88377
MAD 1.12068
MSD 2.86696
Forecasts
Period Forecast Lower Upper
61 57.8102 55.0646 60.5558
62 57.3892 54.6006 60.1778
63 57.8332 54.9966 60.6698
64 57.9307 55.0414 60.8199
65 58.8311 55.8847 61.7775
66 62.7415 59.7339 65.7492
Winters' Method Plot for Food
Multiplicative Method
Variable
75 Actual
Fits
Forecasts
70 95.0% PI
Smoothing Constants
Alpha (level) 0.2
65 Gamma (trend) 0.2
Food
Delta (seasonal) 0.2
Accuracy Measures
60
MAPE 1.88377
MAD 1.12068
MSD 2.86696
55
50
1 7 14 21 28 35 42 49 56 63
Index
Interpretación de los resultados
La gráfica muestra los valores de la serie y los valores estimados (un periodo
adelante) y los seis pronósticos.
Los valores de exactitud del modelo MAPE, MAD y MSD utilizando el modelo
Multiplicativo proporcionan un mejor ajuste en dos de los tres indicadores que con
el modelo Aditivo como se muestra a continuación.
Accuracy Measures
Multiplicative Additive
MAPE 1.88377 1.95
MAD 1.12068 1.15
MSD 2.86696 2.67
