Trend uppskattning är det praxis att finna mönster i hur kvantitativa data ändras över tiden . Trend uppskattning är en viktig del av prognoser, som används för att underlätta tolkningen av data inom finans , ekonomi , ekonomi, teknik , samhällsvetenskap och naturvetenskap . En central idé i trend uppskattning är att verkliga data avspeglar någon underliggande tendens i kombination med slumpmässigt ” brus ” på grund av felaktigheter i mätningen . Tidsserieanalys
En tidsserie är en sekvens av datapunkter i tid , brukar visas som en graf eller ett diagram . Tidsserier kan analyseras manuellt genom att försöka urskilja någon meningsfull trend . Ett exempel på en tidsserie är en patients hjärtslag. Eftersom utvecklingen av en ”hälsosam ” hjärtslag är känd , kan läkarna använda tidsserieanalys för att kontrollera om oregelbundna hjärtslag . Denna typ av manuell tidsserieanalys är endast lämplig när det finns en ren , brusfri signal och de bakomliggande mekanismerna som genererar signalen är välkända .
Buller och Signal
Trendanalys handlar om att identifiera signalen i data. Signalen är meningsfullt mönster eller en trend i data. I den verkliga världen finns det ofta vissa slumpmässiga störningar eller ”brus” som döljer signalen. Många trend skattningsmetoder är försök att filtrera bort bruset och lämna bakom meningssignalen. Denna signal kan ge en indikation på den framtida utvecklingen av uppgifterna . Addera Enkel glidande medelvärde
enkla glidande medelvärde är en trend uppskattningsteknik som lämpar sig för användning på data som uppvisar regelbundna periodiska förändringar . Den enkla glidande medelvärde används för att avgöra om det finns någon långsiktig trend i data och man har glömt de periodiska förändringar . Ett exempel skulle vara försäljningen av ett leksaksföretag . Denna försäljning skulle tendera till topp varje år runt jul , så de kommer att ställa ut periodicitet på ett år . För att hitta det ( om någon) trend existerar i det långa loppet skulle leksaksföretag använda en enkel glidande medelvärde . Givet en uppsättning n datapunkter 1,2 , … , n – 1 , n k – punkten enkla glidande medelvärde den hittas genom att plotta medelvärdet för varje löpande uppsättning k konsekutiva datapunkter :
( 1,2, …, k- 1 , k) /k , (2,3 , …, k , k + 1 ) /k , …, ( nk , n (k- 1 ) , … , n – 1 , n ) /k .
Detta ger en mindre , smidigare uppsättning data som visar den långsiktiga trenden av data och används främst för att urskilja långsiktiga trender i data samtidigt filtrering ut säsongs .
Weighted Moving Average
den vägda glidande medelvärde liknar den enkla glidande medelvärde , förutom att de genomsnittliga datapunkter varje givet en vikt som speglar hur viktig de tros vara . Fastställandet av denna vikt är en subjektiv beslut på grundval av kunskap om tidigare beteende datamängden . En vanlig metod för att välja den används flitigt inom finans . I denna konvention , om antalet datapunkten är ” n ” då den senaste datapunkten viktas min multipliceras med n , är den tidigare datapunkt vägas enligt n – 1 , och så vidare ända tillbaka till den första data punkt, som är viktad som 1. vägda glidande medelvärde är lämplig för att uppskatta trender när trenderna kommer sannolikt att vara mest påverkade av de nyare rörelserna i data. Detta kan ge mer exakta trend beräkningar i datamängder där nya rörelse starkt påverkar efterföljande rörelser , exempelvis prisuppgifter finansmarknads .
Exponentiell utjämning Model
exponentiell utjämning modellen , även kallad den exponentiella glidande medelvärde, är en trend uppskattningsteknik som applicerar vikter som minskar på ett exponentiellt sätt . Den exponentiella utjämnings modellen förutsäger nästa datapunkt i en serie givna datapunkterna. Detta beräknas genom att multiplicera den senast observerade datapunkt och multipliceras med en viktningskoefficient alfa , sedan lägga detta till ( 1 – alfa) multiplicerat med exponentiell utjämning modellen prognos för den senast observerade datapunkt :
ESM = alpha * X + ( 1 – alfa ) * ( ESM – 1 ) katalog
Var ESM är den förutsagda nästa värde med hjälp av exponentiellt glidande medelvärde , är alfa viktningen konstant är X det senast observerade datavärde och ESM – 1 är den exponentiella glidande medelvärde uppskattning av den senast observerade datapunkt . Den exponentiella utjämningsmodellenförstärker effekten av de senaste värdena på den projicerade trenduppskattning. Det används i situationer där den senaste tidens rörelser datauppsättningen är betydligt viktigare än tidigare rörelser . Addera