เปรียบเทียบวิธี

	ETS: การปรับให้เรียบแบบเอ็กซ์โพเนนเชียลสำหรับความคลาดเคลื่อน, แนวโน้ม, และฤดูกาล	แบบจำลองปริภูมิสถานะ (ตัวกรองคาลมาน)
สาขาวิชา	เศรษฐมิติ	เศรษฐมิติ
ตระกูล	Regression model	Regression model
ปีกำเนิด	2008	1990
ผู้ริเริ่ม	Hyndman, Koehler, Ord & Snyder (state space framework)	Harvey; Durbin & Koopman (state space treatment); Kalman filter
ประเภท	Exponential smoothing state space model	State space time series model
แหล่งต้นตำรับ	Hyndman, R. J., Koehler, A. B., Ord, J. K. & Snyder, R. D. (2008). Forecasting with Exponential Smoothing: The State Space Approach. Springer.	Harvey, A. C. (1990). Forecasting, Structural Time Series Models and the Kalman Filter. Cambridge University Press.
ชื่อเรียกอื่น	exponential smoothing state space model, innovations state space model, Holt-Winters family, ETS — Hata/Trend/Mevsimsellik Üstel Düzleştirme	state space, Kalman filter, unobserved components model, Durum Uzayı Modeli (State Space / Kalman Filter)
ที่เกี่ยวข้อง	5	4
สรุป	ETS is a comprehensive exponential smoothing framework that automatically selects additive or multiplicative combinations of the error (E), trend (T) and seasonal (S) components of a time series. Formalised as an innovations state space model by Hyndman, Koehler, Ord and Snyder in 2008, it unifies and generalises the Holt-Winters family of forecasting methods.	A state space model is a general time series framework that describes a series through unobserved (latent) state variables linked by a measurement equation and a transition equation, with the states estimated in real time by the Kalman filter. Developed in the state space tradition of Harvey (1990) and Durbin & Koopman (2012), it nests ARIMA and exponential smoothing as special cases.