TBATS — Trigonometrische Exponentiële Smoothing voor Complexe Seizoensinvloeden
TBATS is een innovatief state space-voorspellingsmodel, geïntroduceerd door De Livera, Hyndman en Snyder (2011), dat een Box-Cox-transformatie, ARMA-fouten en trigonometrische (Fourier) seizoensgebonden termen combineert. Het is gebouwd om continue tijdreeksen met meerdere geneste seizoenscycli tegelijkertijd te hanteren — bijvoorbeeld urengegevens die ook dagelijks, wekelijks en jaarlijks herhalen.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- De Livera, A. M., Hyndman, R. J. & Snyder, R. D. (2011). Forecasting Time Series with Complex Seasonal Patterns Using Exponential Smoothing. Journal of the American Statistical Association, 106(496), 1513-1527. DOI: 10.1198/jasa.2011.tm09771 ↗
- Hyndman, R. J. & Athanasopoulos, G. (2021). Forecasting: Principles and Practice (3rd ed.). OTexts. link ↗
Deze pagina citeren
ScholarGate. (2026, June 1). Trigonometric, Box-Cox, ARMA, Trend and Seasonal Components Model. ScholarGate. https://scholargate.app/nl/econometrics/tbats
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- ARIMA (Autoregressive Integrated Moving Average) ModelEconometrie↔ compare
- Seizoensgebonden ARIMA (SARIMA)Econometrie↔ compare
- STL-decompositie: Seizoensgebonden-Trenddecompositie met LoessEconometrie↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →