Trend becslés a gyakorlat találni minták hogyan mennyiségi adatok idővel változik. Trend becslés kulcsfontosságú része, előrejelzés , amelyet használnak , hogy segítse az adatok értelmezése során a pénzügyi , gazdasági, üzleti , mérnöki , a társadalomtudományok és a természettudományok . A központi gondolat a trend becslés , hogy az valós adatokat tükröző néhány alapvető tendencia együtt random ” zaj ” miatt pontatlanságok mérés . Time Series Analysis : Matton
A idősor sorozata adat időpontokban , általában megjelenik egy grafikon vagy diagram . Idősor lehet elemezni kézzel megpróbálja felfedezni érdemi trend . Egy példa a idősor beteg szívverését. Mivel a trend egy ” egészséges ” szívverés ismert , orvosok használhatják idősorok elemzése , hogy ellenőrizze a szabálytalan szívverés . Ez a fajta kézi idősor elemzés csak alkalmas , ha van egy tiszta , zajmentes jel és az azok hátterében a jel előállítását jól ismertek.
Zaj és jel : Matton
Trend elemzés szól azonosító jel adatokat. A jel az értelmes minta vagy trend az adatokban . A valós világban gyakran van némi random interferencia vagy a ” zaj ” , hogy eltakarja a jelet. Sok trend becslési módszer megpróbálja kiszűrni a zajt , és hagyjuk magunk mögött az értelmes jelet. Ez a jel jelzik a jövőbeni trend az adatok .
Egyszerű Mozgó átlag : Matton
Az egyszerű mozgóátlag a trend becslés módszer alkalmas az adatok mutat a rendszeres változásokat. Az egyszerű mozgóátlag használják annak megállapítására, hogy van-e a hosszú távú trend az adatokban , és nem veszi figyelembe a periodikus változásokat. Egy példa lenne az értékesítés egy játék cég . Ezek az eladások érik el a maximumot minden évben karácsony , így lesz kiállítás periodicitás egy év. Annak érdekében, hogy megtalálja, amit (ha van ilyen ), a tendencia létezik hosszú távon , a játék vállalat egy egyszerű mozgó átlag . Adott egy sor n adatpont 1,2, … , n -1 , n – k pont egyszerű mozgóátlag által talált ábrázolja az átlaga az egyes egymást követő sor egymást követő adatpontok K :
< p> ( 1,2 , …, K – 1, k ) /k , (2,3 , …, K, K + 1) /K, … , (NK , n- ( k -1) , … , n-1 , n) /k .
Ez termel egy kisebb, simább adathalmazt , amely bemutatja a hosszú távú trend az adatok , és elsősorban , hogy felismerjük, a hosszú távú trendek adatok , míg a szűrés ki a szezonalitás .
súlyozott mozgó átlag : Matton
a súlyozott mozgóátlag hasonló az egyszerű mozgóátlag , kivéve, hogy az átlagos adatpontok mindegyike adott súlyt , amely tükrözi, hogy jelentős ők úgy gondolják, hogy . Annak megállapítása során, hogy a tömeg egy szubjektív döntés alapján ismeretek korábbi magatartását az adathalmaz. Egy hagyományos módszer kiválasztásának széles körben használják a finanszírozáshoz. Ebben az egyezmény , ha a szám a adatpont ” n” , akkor a legfrissebb adatok pont súlyozott én megszorozva n , a korábbi adatokkal pont súlyozni n – 1 , és így tovább egészen vissza az első adatok pont , amely a súlyozni 1. A súlyozott mozgó átlag becslésére alkalmas trendeket, amikor a tendenciák valószínűleg a leginkább hatással az újabb mozgalmak az adatokat. Ez így pontosabb trend becslések adathalmazok , ahol a közelmúltban mozgalom erősen befolyásolja a későbbi mozgások , mint például a pénzügyi piaci ár adatok .
Exponenciális Model : Matton
Az exponenciális simítás modellje , más néven az exponenciális mozgóátlag , egy trend becslési technikát alkalmazó súlyok csökken exponenciálisan . Az exponenciális simítás modell jósol a következő adatpont egy sor adott adatpont . Ezt kiszámítani, hogy a legutóbb megfigyelt adatpont és azt megszorozzák a súlyozási együtthatóval alfa , akkor ezt hozzá : (1 – alfa) szorozva az exponenciális simítás modellje előrejelzést a legutóbb megfigyelt adatok pont : Matton
ESM = alpha * X + (1 – alfa) * ( ESM – 1) hungarian
Hol ESM a várható jövő értéket az exponenciális mozgóátlag , alfa súlyozási állandó , X a legutóbb megfigyelt adat értékét és ESM – 1 az exponenciális mozgóátlag becsült legutóbb megfigyelt adatok pont . Az exponenciális simítás modellje felerősíti a hatását a legutóbbi értékek a várható trend becslés . Ezt alkalmazzák olyan esetekben, amikor a közelmúltban mozgását az adathalmaz lényegesen fontosabb, mint a korábbi mozgásokat .
