Exponenzielle Glättung

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: https://de.wikipedia.org/wiki/Exponentielle_Gl%C3%A4ttung

Englische Wikipediaseite ist: https://en.wikipedia.org/wiki/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