Calculadora de suavização exponencial dupla e previsão Holt

Informe as observações, as constantes de suavização de nível e de tendência e a quantidade de períodos futuros. O resultado inclui valores ajustados, a evolução dos dois componentes e a previsão. Ela é indicada quando os dados apresentam uma base variável e uma tendência aproximadamente linear, mas não têm ciclo sazonal, e permite que você examine cada estimativa intermediária em vez de receber apenas a previsão final.

Escolha dados adequados ao método de Holt

A suavização exponencial dupla de Holt foi criada para observações registradas em intervalos regulares quando tanto o nível local quanto uma tendência persistente são relevantes. Exemplos incluem pedidos semanais, assinaturas mensais, volume diário de chamados ou produção anual. Organize os valores em ordem cronológica, do mais antigo para o mais recente, e mantenha intervalos uniformes, pois o algoritmo considera cada etapa um período equivalente. O método não modela sazonalidade. Portanto, uma série com repetições fortes por dia da semana, mês ou trimestre normalmente deve ser ajustada antes ou analisada com um método sazonal. São necessárias pelo menos duas observações, porque a calculadora inicializa a tendência pela diferença entre os dois primeiros valores. Um histórico maior costuma oferecer mais oportunidades de adaptação às estimativas recursivas, embora uma ruptura estrutural possa tornar dados antigos menos representativos. Examine a série antes de aceitar a previsão. Resolva deliberadamente as observações ausentes, sem convertê-las silenciosamente em zero: a calculadora exige que cada item seja um número finito e mantém explícito o significado estatístico da sequência temporal.

Defina as constantes de nível e tendência

A constante de nível, geralmente chamada de alfa, determina o quanto a observação mais recente altera a base estimada. Um valor próximo de um reage rapidamente aos novos dados, enquanto um valor próximo de zero preserva mais da projeção anterior de nível somado à tendência. A constante de tendência, normalmente chamada de beta, controla a velocidade de mudança da inclinação estimada. Uma beta alta acompanha de perto acelerações ou desacelerações recentes; uma beta baixa produz uma tendência mais estável. As duas constantes devem estar entre zero e um, inclusive, e a calculadora rejeita valores fora desse intervalo em vez de extrapolar uma regra de ponderação indefinida. Não existe uma combinação universalmente superior. Você pode comparar pares plausíveis com observações reservadas e escolher aqueles que diminuem o erro no horizonte importante. Evite selecionar parâmetros apenas porque deixam a linha da amostra mais suave: um modelo muito responsivo pode perseguir ruídos, enquanto um modelo muito lento pode ignorar uma mudança real. Os níveis e as tendências retornados mostram o efeito de cada escolha em todas as observações, permitindo comparações auditáveis e mais fáceis de explicar.

Interprete os ajustes e as previsões

Para a primeira observação, a calculadora informa o próprio valor como ajuste inicial. O nível é inicializado com o primeiro dado e a tendência com a primeira diferença. Em cada posição seguinte, o valor ajustado é a estimativa de um passo à frente disponível imediatamente antes daquela observação. Em seguida, o algoritmo atualiza o nível combinando o novo dado com a estimativa anterior de nível mais tendência e atualiza a tendência combinando a mudança de nível mais recente com a inclinação anterior. As previsões futuras prolongam o nível final por um ou mais múltiplos da tendência final. Elas são estimativas pontuais, e não intervalos de confiança; a incerteza costuma crescer com o horizonte solicitado. Compare os ajustes com as observações reais para identificar viés persistente, choques incomuns ou um padrão que o modelo não consegue representar. Ao reproduzir o resultado em outro sistema, confira também as listas de níveis e tendências, que documentam cada estado recursivo. A automação por API custa US$ 0,002 por solicitação, e a versão no navegador usa o mesmo cálculo determinístico. Assim, entradas idênticas geram saídas numéricas idênticas, com arredondamento consistente.