Suavizamiento exponencial y modelos ETS: de la suavización simple a Holt-Winters

El suavizamiento exponencial pronostica el siguiente valor como un promedio ponderado del pasado, pero los pesos decaen exponencialmente en lugar de cortarse de golpe — la observación más reciente pesa más, las más antiguas pesan cada vez menos pero nunca cero (FPP3 §8.1). Winters (1960) extendió el método con componentes de tendencia y estacionalidad, y la familia resultante — simple, de Holt, Holt-Winters — es, junto con ARIMA, uno de los dos baselines estándar contra los que se mide toda evaluación de pronóstico.

Suavizamiento exponencial simple

Para una serie sin tendencia ni estacionalidad, la actualización del nivel es:

ℓₜ = α·yₜ + (1 − α)·ℓₜ₋₁

con 0 < α < 1. Un α alto reacciona rápido a cambios recientes (y al ruido); un α bajo suaviza más fuerte. En la práctica, α se ajusta minimizando la suma de errores al cuadrado de un paso, no se elige a mano.

Agregar tendencia y estacionalidad: Holt-Winters

Holt (1957) agregó un componente de tendencia (una segunda serie suavizada que sigue la pendiente); Winters (1960) agregó encima un componente estacional, dando a Holt-Winters dos formas:

• Aditiva — variaciones estacionales de tamaño más o menos constante sin importar el nivel.
• Multiplicativa — variaciones estacionales que escalan con el nivel (una base más grande implica un salto estacional más grande en términos absolutos) — el caso común en datos de demanda con crecimiento fuerte.

ETS: el framework de espacio de estados

ETS significa Error, Trend, Seasonal (Error, Tendencia, Estacionalidad) — cada uno con opciones ninguna/aditiva/multiplicativa, dando hasta 30 variantes de modelo (Hyndman, Koehler, Snyder & Grose, 2002). Plantear el suavizamiento exponencial como un modelo de espacio de estados le da algo que las fórmulas clásicas no tenían por sí solas: una verosimilitud propia, lo que permite selección automática de modelo basada en AICc e intervalos de predicción derivados analíticamente en lugar de solo pronósticos puntuales (Hyndman & Athanasopoulos, FPP3 §8.8). ETSModel de statsmodels y fable::ETS() de R implementan esto y eligen la mejor variante automáticamente.

Cuándo usar ETS sobre ARIMA

Ambos son defaults legítimos: ninguna de las dos clases es universalmente superior (FPP3 §9.10), y la revisión de Gardner de cinco décadas de evidencia empírica encuentra al suavizamiento exponencial notablemente robusto en la práctica, incluidas las competencias M (Gardner, 2006). ETS suele ser el primer intento más simple en series con forma de tendencia/estacionalidad visualmente clara y sin necesidad de modelar directamente errores autocorrelacionados; tampoco requiere preprocesamiento de estacionariedad, a diferencia de ARIMA. Es un baseline por defecto razonable antes de recurrir a algo más complejo.

Checklist

• Empieza simple: sin componente de tendencia/estacionalidad le gana a uno innecesario — compara ambos contra un baseline naïve-estacional.
• Deja que el software elija estacionalidad aditiva vs. multiplicativa (y los parámetros de suavizamiento) vía AICc, no a ojo.
• ETS da intervalos de predicción en forma cerrada — repórtalos siempre junto al pronóstico puntual (ver nuestro post de intervalos de predicción).
• Compara contra ARIMA y contra tu modelo de producción fuera de muestra (CV de origen rodante) antes de elegir un ganador.

ETS es uno de los baselines contra los que Forecast Studio compara cada modelo entrenado, para que veas exactamente cuánto (o qué tan poco) aporta un modelo más complejo — reproducible en el tenant público del plan Free.

Fuentes: Hyndman & Athanasopoulos, FPP3 §8 · Winters (1960), Management Science · Hyndman, Koehler, Snyder & Grose (2002), IJF · Gardner (2006), IJF · statsmodels ETSModel