Method 與 Model (指數平滑法)

對上面表格中 15 個方法中的每一個，都有兩個可能的 state space 模型: 一個對應一個模型有加法誤差；另一個對應一個模型有乘法誤差。 假設使用相同參數值，雖然有不同的預測區間，然而這兩個對應模型給出相同的點預測值。因此，在此分類下就描述有 30 潛在模型。

我們小心去區分指數平滑方法與其下的 state space 模型。 一個指數平滑方法只是一個用來產生點預測的演算法。 而其下隨機的 state space 模型給出相同的點預測，而且提供一個架構用來計算預測區間與其他性質。

一旦指定一個模型，我們可以研究此數列的未來值的機率分布，例如同時找出在給定過去的知識下一個未來觀察值的條件期望值。我們表示為 u-t+h = E(y-t+h|x-t)  這裡 x-t 包含這些無法觀察到的部份，如 在時間 t 的 level、trend 、與 seasonality。對大多數的模型而言，這些條件期望值將與之前給的點預測相等，所以，u-t+h|t = y-hat-t+h。但對於其它的模型，如 乘法的趨勢或乘法的季節性，條件期望值與點預測對未來兩期(h >=2)之後的點預測有些不同。