Exponenzielle Glättung: Unterschied zwischen den Versionen
Markus (Diskussion | Beiträge) Die Seite wurde neu angelegt: „== Kurzbeschriebung == Beschreibung ist::Exponentielle Glättung ist eine Zeitreihenprognosemethode, bei der vergangene Beobachtungen exponentiell abnehmend gewichtet werden. Beschreibung ist::Erweiterungen (Holt, Holt–Winters) modellieren Trend und Saisonalität explizit. == Anwendbarkeit im Gesundheitssektor == Geeignet für kurzfristige Prognosen von Fallzahlen, Belegung oder Verbrauchsdaten sowie als Baseline-Modell. == Sonstiges == Se…“ |
Markus (Diskussion | Beiträge) Keine Bearbeitungszusammenfassung |
||
| (3 dazwischenliegende Versionen desselben Benutzers werden nicht angezeigt) | |||
| Zeile 1: | Zeile 1: | ||
== Kurzbeschriebung == | == Kurzbeschriebung == | ||
[[Beschreibung ist:: | [[Beschreibung ist::Exponenzielle Glättung ist eine Familie zeitreihenbasierter Prognoseverfahren, bei denen vergangene Beobachtungen abnehmend gewichtet werden: Neuere Daten erhalten ein höheres Gewicht als ältere, und die Gewichte fallen exponentiell ab.]] | ||
Der Kernparameter ist der Glättungsfaktor (z. B. <math>\epsilon(0,1)<\math>), der bestimmt, wie stark neue Beobachtungen den aktuellen Schätzwert beeinflussen. | |||
Die einfachste Form ist die Einfache Exponentielle Glättung (SES) für Zeitreihen ohne Trend und Saisonalität. Erweiterungen modellieren zusätzliche Strukturen: | |||
* '''Holt''': Level + Trend | |||
* '''Holt–Winters''': Level + Trend + Saisonalität (additiv oder multiplikativ) | |||
Diese Modelle werden heute oft unter dem ETS-Rahmen (Error–Trend–Seasonal) zusammengefasst, der unterschiedliche Fehlerannahmen systematisch kombiniert. | |||
Die Parameter (Glättungsfaktoren) werden typischerweise durch Optimierung (z. B. Minimierung der quadratischen Fehler oder Maximierung der Likelihood) geschätzt. Exponentielle Glättung ist adaptiv, reagiert schnell auf Niveauänderungen und ist rechnerisch sehr effizient. | |||
== Anwendbarkeit im Gesundheitssektor == | == Anwendbarkeit im Gesundheitssektor == | ||
Im Gesundheitswesen wird exponentielle Glättung häufig für kurzfristige operative Prognosen eingesetzt: z. B. erwartete Notaufnahmebesuche, Belegung von Stationen, Medikamentenverbrauch oder Meldezahlen mit geringer Verzögerung. Ihre Stärke liegt in stabilen, kurzfristigen Vorhersagen, wenn schnelle Aktualisierung wichtig ist. | |||
In Public Health dient sie als Baseline- oder Vergleichsmodell für komplexere Verfahren (Ensembles, mechanistische Modelle). Für saisonale Phänomene (z. B. Influenza) sind Holt–Winters-Varianten besonders geeignet. Die Methode ist nicht kausal; sie beschreibt und extrapoliert Muster in den Daten. | |||
== Sonstiges == | == Sonstiges == | ||
| Zeile 19: | Zeile 30: | ||
Wikidata-Identifikator ist: [[Wikidata ID ist::Q1135401]] | Wikidata-Identifikator ist: [[Wikidata ID ist::Q1135401]] | ||
Deutsche Wikipediaseite ist: [[Wikipedia-de-Seite ist:: | Deutsche Wikipediaseite ist: [[Wikipedia-de-Seite ist::Exponentielle Glättung | ||
]] | ]] | ||
Englische Wikipediaseite ist: [[Wikipedia-en-Seite ist:: | Englische Wikipediaseite ist: [[Wikipedia-en-Seite ist::Exponential smoothing | ||
]] | ]] | ||
Aktuelle Version vom 3. Februar 2026, 14:29 Uhr
Kurzbeschriebung
Exponenzielle Glättung ist eine Familie zeitreihenbasierter Prognoseverfahren, bei denen vergangene Beobachtungen abnehmend gewichtet werden: Neuere Daten erhalten ein höheres Gewicht als ältere, und die Gewichte fallen exponentiell ab.
Der Kernparameter ist der Glättungsfaktor (z. B. <math>\epsilon(0,1)<\math>), der bestimmt, wie stark neue Beobachtungen den aktuellen Schätzwert beeinflussen.
Die einfachste Form ist die Einfache Exponentielle Glättung (SES) für Zeitreihen ohne Trend und Saisonalität. Erweiterungen modellieren zusätzliche Strukturen:
- Holt: Level + Trend
- Holt–Winters: Level + Trend + Saisonalität (additiv oder multiplikativ)
Diese Modelle werden heute oft unter dem ETS-Rahmen (Error–Trend–Seasonal) zusammengefasst, der unterschiedliche Fehlerannahmen systematisch kombiniert.
Die Parameter (Glättungsfaktoren) werden typischerweise durch Optimierung (z. B. Minimierung der quadratischen Fehler oder Maximierung der Likelihood) geschätzt. Exponentielle Glättung ist adaptiv, reagiert schnell auf Niveauänderungen und ist rechnerisch sehr effizient.
Anwendbarkeit im Gesundheitssektor
Im Gesundheitswesen wird exponentielle Glättung häufig für kurzfristige operative Prognosen eingesetzt: z. B. erwartete Notaufnahmebesuche, Belegung von Stationen, Medikamentenverbrauch oder Meldezahlen mit geringer Verzögerung. Ihre Stärke liegt in stabilen, kurzfristigen Vorhersagen, wenn schnelle Aktualisierung wichtig ist.
In Public Health dient sie als Baseline- oder Vergleichsmodell für komplexere Verfahren (Ensembles, mechanistische Modelle). Für saisonale Phänomene (z. B. Influenza) sind Holt–Winters-Varianten besonders geeignet. Die Methode ist nicht kausal; sie beschreibt und extrapoliert Muster in den Daten.
Sonstiges
Sehr schnell und robust
Nicht kausal
Semantik
Wikidata-Identifikator ist: Q1135401
Deutsche Wikipediaseite ist: Exponentielle Glättung
Englische Wikipediaseite ist: Exponential smoothing
Quelle: Hyndman & Athanasopoulos
Behandlung von Unsicherheit in den Ergebnissen der Methode ist implizit
Für die Methode benötigte Datenmenge ist klein;mittel„Klein;mittel“ befindet sich nicht in der Liste (Groß, Mittel, Klein) zulässiger Werte für das Attribut „Für die Methode benötigte Datenmenge ist“.
Zweck der Methode ist Vorhersage„Vorhersage“ befindet sich nicht in der Liste (Voraussage, Inferenz, Simulation, Kausale Analyse) zulässiger Werte für das Attribut „Zweck der Methode ist“.
Methode ist Mitglied der Methodenfamilie Statistisch;Operationale Vorhersage„Statistisch;Operationale Vorhersage“ befindet sich nicht in der Liste (Mechanistisch, Statistisch, Maschinenlernen, Tiefes Lernen, Hybrid, Kausale Inferenz, Simulation, Operationale Vorhersage, Beschreibende und erkundende Analyse, Praktisches Anwendungskonzept, ...) zulässiger Werte für das Attribut „Methode ist Mitglied der Methodenfamilie“.
Interpretierbarkeit der Ergebnisse der Methode ist gut
Webseite: https://otexts.com/fpp3