odhad Trend je prax nájsť vzory v tom, ako kvantitatívne zmeny dát v čase . Odhad Trend je kľúčovou súčasťou prognózovania , ktorý sa používa ako pomoc pri interpretácii údajov v oblasti financií , ekonomiky, obchodu , inžinierstva , sociálnych vied a prírodných vied . Hlavnou myšlienkou pri odhade trendu je , že skutočné údaje odrážajú niektoré základné tendencie v kombinácii s náhodným “ šum “ v dôsledku nepresností v meraní . Analýza časových radov
Časová rad je postupnosť dátových bodov v čase , obvykle zobrazený ako graf alebo graf . Časové rady možno analyzovať manuálne a snaží sa rozpoznať nejaký významný trend . Príkladom časové rady pacienta tep . Vzhľadom k tomu , trend “ zdravý “ , tep je známe, môžu lekári použiť analýzu časových radov na kontrolu nepravidelného srdcového rytmu . Tento druh manuálnej analýzy časových radov je vhodné iba v prípade , že je čistý , bez šumu signálu a súvisiace mechanizmy generujúce signál , sú dobre známe .
Šumu a signálu
Analýza trendov je o identifikácii signál v dátach . Signál je zmysluplné vzor alebo trend v dátach . V reálnom svete je často nejaký náhodný interferencia alebo “ šum “ , ktorý zakrýva signál . Mnoho metód odhadu trendu sú pokusy odfiltrovať šum a nechať za zmysluplný signál . Tento signál môže naznačiť budúci vývoj dát .
Jednoduchý kĺzavý priemer
Jednoduchý kĺzavý priemer je trend odhad technika vhodná pre použitie na základe údajov, ktoré vykazuje pravidelné periodické zmeny . Jednoduchý kĺzavý priemer sa používa na určenie, či existuje dlhodobý trend v dátach , zatiaľ čo ignoruje pravidelné zmeny . Príkladom by mohol byť predaj hračky spoločnosti . Tieto predaja by mal tendenciu vrcholiť každý rok okolo Vianoc , takže budú vykazovať pravidelnosť v dĺžke jedného roka . S cieľom nájsť čo ( ak existuje ) trend existuje v dlhodobom horizonte , hračky spoločnosť by použiť jednoduchý kĺzavý priemer . Vzhľadom k tomu , súbor n dátových bodov 1,2 , … , n – 1, n k – bod jednoduchý kĺzavý priemer sa zistí vynesením priemerné hodnoty každého súboru po sebe idúcich k sebe nasledujúcich dátových bodov : Prihlásiť
( 1,2 , … , k – 1 , k ) /k, ( 2,3 , … , k , k + 1 ) /k , … , ( nk , n ( k – 1 ) , … , n – 1 , n) /k .
To vytvára menšie , hladšie dátový súbor , ktorý ukazuje dlhodobý trend dát a používa sa predovšetkým rozlišovať dlhodobé trendy v dátach , zatiaľ čo filtrovanie mimo sezónnosť .
vážený kĺzavý priemer
vážený kĺzavý priemer je podobný ako jednoduchý kĺzavý priemer , s výnimkou , že priemerné dátové body sú vždy uvedené na váhu , ktorá ukazuje, ako významná oni sú veril byť . Stanovenie tejto váhy je subjektívne rozhodnutie urobené na základe poznatkov o minulé správanie dátového súboru . Jeden bežný spôsob jeho výberu je široko používaný v oblasti financií . V tohto dohovoru , ak je počet dátového bodu je “ n“ , potom najnovšie dátový bod vážený môj vynásobením n , predchádzajúce dátový bod váha n – 1 , a to na celú cestu späť k prvému údajmi bod , ktorý je váha 1. vážený kĺzavý priemer je vhodný pre odhad trendov , kedy je pravdepodobné , že bude najviac ovplyvnená novších pohybov v dátach trendy . To môže priniesť presnejšie odhady trendov v dátových súboroch , kde nedávne hnutia silne dopadov následné činnosti , ako sú údaje o cenách na finančnom trhu .
Exponenciálny vyrovnanie Model
exponenciálny Model vyhladzovanie , tiež volal exponenciálny kĺzavý priemer , je odhad trend technika, ktorá sa týka váhy , ktoré znižujú v exponenciálnym spôsobom . Exponenciálny vyhladzovanie Model predpovedá ďalší dátový bod v sérii daných dátových bodov . Tento údaj sa vypočíta vynásobením naposledy pozorované dátový bod a vynásobením Koeficient alfa , potom sa pridá to ( 1 – alfa ) vynásobí exponenciálnej predikcie vyhladzovanie vzorovej naposledy pozorované dátového bodu : Prihlásiť
ESM = alfa * X + ( 1 – alfa ) * ( ESM – 1 )
Kde ESM je predpovedať ďalšiu hodnotu pomocou exponenciálny kĺzavý priemer , alfa je váha konštantná , X je posledná pozorovaná hodnota údaje a ESM – 1 je exponenciálny kĺzavý priemer odhad naposledy pozorovanej dátového bodu. Exponenciálny Model vyhladzovanie zosilňuje vplyv najnovších hodnôt v zobrazenom odhad trendov . Používa sa v situáciách, keď sú nedávne pohyby súboru dát podstatne významnejšie ako predchádzajúce pohyby .