Een vergelijking van methoden voor Trend Schatting

Trend schatting is de praktijk van het vinden van patronen in de manier waarop de kwantitatieve gegevens veranderingen in de tijd . Trend schatting is een belangrijk onderdeel van de prognose , die wordt gebruikt om te helpen bij de interpretatie van de gegevens in financiën , economie, bedrijfskunde , techniek, de sociale wetenschappen en de natuurwetenschappen . Een centrale gedachte in de trend schatting is dat de echte gegevens weerspiegelen sommige onderliggende tendens in combinatie met "ruis " als gevolg van onnauwkeurigheden in de meting. Tijdreeksanalyse

Een tijdreeks is een reeks van de gegevens in de tijd , meestal weergegeven als een grafiek of tabel . Tijdreeks kan handmatig worden geanalyseerd door te proberen om een zinvolle trend te onderscheiden . Een voorbeeld van een tijdreeks hartslag van een patiënt . Omdat de trend van een "gezonde" hartslag bekend is, kunnen artsen tijdreeks analyse gebruiken om te controleren of een onregelmatige hartslag . Dit soort handleiding tijdreeksanalyse is alleen geschikt als er een schone , ruisvrije signaal en de onderliggende mechanismen genereren van het signaal zijn bekend .
Noise en Signal

Trendanalyse is over het identificeren van het signaal in de data . Het signaal is het zinvol patroon of trend in de data . In de echte wereld is er vaak wat willekeurige inmenging of "ruis" die het signaal verduistert . Veel trend schattingsmethoden zijn pogingen om te filteren op het lawaai en achter de betekenisvol signaal . Dit signaal kan een indicatie van de toekomstige trend van de gegevens te geven .
Simple Moving Average

The simple moving average is een trend schattingstechniek geschikt voor gebruik op gegevens die regelmatige periodieke veranderingen vertoont . De eenvoudige voortschrijdend gemiddelde wordt gebruikt om te bepalen of er een lange termijn trend in de data , terwijl het negeren van de periodieke veranderingen . Een voorbeeld zou zijn van de verkoop van een stuk speelgoed bedrijf. Deze verkopen zouden de neiging om elk jaar een piek rond de kerst , dus ze zullen vertonen periodiciteit van een jaar . Om wat te vinden ( indien van toepassing ) trend bestaat in de lange termijn, zou het speelgoed bedrijf een eenvoudige voortschrijdend gemiddelde te gebruiken. Gegeven een stel n datapunten 1,2 , ... , n - 1 , n de k - point simple moving average wordt gevonden door het uitzetten van het rekenkundige gemiddelde van elk ononderbroken reeks k opeenvolgende gegevenspunten :

( 1,2 , ... , k -1 , k ) /k , ( 2,3 , ... , k , k + 1 ) /k , ... , ( nk , n ( k -1 ) , ... , n - 1 , n ) /k .

Dit levert een kleiner , gladder dataset dat de lange termijn trend van de gegevens blijkt en wordt voornamelijk gebruikt om lange termijn trends in de data , terwijl het filteren onderscheiden uit seizoensinvloeden.
Weighted Moving Average

de gewogen voortschrijdend gemiddelde is vergelijkbaar met de simple moving average , behalve dat de gemiddelde datapunten worden elk een gewicht dat aangeeft hoe belangrijk zij worden geacht te zijn . De bepaling van het gewicht is een persoonlijke beslissing op basis van kennis over het verleden gedrag van de dataset . Een gebruikelijke methode van de selectie van het wordt veel gebruikt in de financiële wereld . In dit verdrag , als het aantal data punt is " n" dan is de meest recente gegevens wijzen wordt gewogen mijn vermenigvuldigen met n , wordt het vorige meetpunt gewogen n - 1 , en dus op de hele weg terug naar de eerste gegevens punt, dat wordt gewogen 1 de gewogen voortschrijdend gemiddelde is geschikt voor het schatten van trends als de trends zijn waarschijnlijk het meest beïnvloed door de meer recente bewegingen in de gegevens. Dit kan nauwkeuriger trend schattingen op in datasets waarbij recente beweging sterk gevolgen latere verplaatsingen , zoals financiële marktprijs gegevens .
Exponentiële Smoothing model

De exponentiële afvlakking model , ook wel de exponentiële voortschrijdend gemiddelde is een trend schatting techniek die gewichten die afnamen in een exponentiële wijze van toepassing . De exponentiële afvlakking model voorspelt de volgende gegevenspunt in een reeks van bepaalde gegevenspunten . Dit wordt berekend door de laatstgenoteerde gegevenspunt vermenigvuldigen en te vermenigvuldigen met een wegingscoëfficiënt alpha , vervolgens toevoegen dit ( 1 - alfa ) vermenigvuldigd met de exponentiële smoothing model voorspelling voor de laatstgenoteerde datapunt :

ESM = alpha * X + ( 1 - alfa ) * ( ESM - 1 )

Waar ESM wordt de voorspelde volgende waarde met de exponentieel voortschrijdend gemiddelde , alpha is de weging constante , X is de meest recent waargenomen data waarde en ESM - 1 is de exponentieel voortschrijdend gemiddelde schatting van het meest recent waargenomen data punt . De exponentiële afvlakking model versterkt de impact van de meest recente waarden op de verwachte trend, schatting. Het wordt gebruikt in situaties waarin de recente bewegingen van de dataset zijn aanzienlijk belangrijker dan eerdere bewegingen .