08. Baselines de previsão

Um modelo complexo precisa demonstrar ganho frente a referências simples e adequadas. Baselines ajudam a detectar se a tarefa contém previsibilidade útil, se a implementação está correta e se o custo adicional compensa. Não são modelos destinados obrigatoriamente a perder: em certos processos, uma regra simples é difícil de superar. Este capítulo apresenta último valor, repetição sazonal, média histórica e drift, com suas fórmulas, hipóteses e limites de comparação.

Quando a ordem do tempo importa, dividir dados aleatoriamente e ignorar dependências produz respostas enganosas. A sequência parte da estrutura temporal e chega à operação contínua das previsões. Este é o capítulo 8 de 20 da disciplina Séries Temporais e Previsão. Ele retoma Divisão temporal e backtesting e utiliza essa base para avançar. Na sequência, estudaremos Métricas pontuais de previsão.

O fio condutor

Ciência de Dados começa com uma pergunta e termina com uma decisão que precisa ser compreendida, avaliada e acompanhada. Entre esses dois pontos, dados são coletados, examinados e transformados; métodos são escolhidos; resultados são validados; e limitações são comunicadas. Nenhuma etapa compensa automaticamente uma falha grave ocorrida na etapa anterior.

Neste capítulo, use Baselines de previsão para acompanhar três dimensões: o problema que se deseja resolver, a evidência disponível e o critério usado para avaliar o resultado. Essa separação ajuda a evitar soluções tecnicamente sofisticadas que não respondem à necessidade real.

Naive

Começamos por Naive, pois essa base organiza os conceitos e exemplos que aparecerão no restante do capítulo.

Naive prevê o último valor observado.

O método naive prevê o último valor observado para qualquer horizonte: ŷT+h|T = yT. Ele não afirma que a série será constante; fornece uma previsão pontual compatível com ausência de mudança média esperada em certos modelos, como passeio aleatório sem drift. A incerteza pode crescer com o horizonte apesar da linha pontual horizontal. O baseline reage integralmente à última observação, portanto um erro de captura no final pode contaminá-lo. Use o último valor realmente disponível e declare como lacunas são tratadas.

Seasonal naive

Depois de compreender Naive, passamos a Seasonal naive. A nova seção acrescenta outra etapa ao mesmo raciocínio e mostra como as decisões anteriores influenciam as próximas.

Seasonal naive repete valor da mesma posição do ciclo anterior.