Ein Vergleich der Methoden zur Trendschätzung

Trend Schätzung ist die Praxis zu finden , wie Muster in quantitative Datenänderungen über die Zeit. Trendschätzung ist ein wichtiger Teil der Prognose , die verwendet wird, um bei der Interpretation der Daten in den Bereichen Finanzen , Wirtschaft, Wirtschaft, Technik , Sozialwissenschaften und den Naturwissenschaften zu unterstützen. Eine zentrale Idee in Trendschätzung ist, dass reale Daten auf eine gewisse Grundtendenz kombiniert mit Zufalls "Rauschen" aufgrund von Ungenauigkeiten in der Messung . Zeitreihenanalyse

Eine Zeitreihe ist eine Folge von Datenpunkten in der Zeit , in der Regel als Grafik oder Diagramm angezeigt . Zeitreihen können manuell durch den Versuch, eine sinnvolle Trend erkennen analysiert werden. Ein Beispiel für eine Zeitreihe Herzschlag eines Patienten. Weil der Trend einer "gesunden" Herzschlag bekannt ist, kann Ärzte Zeitreihenanalyse verwenden, um unregelmäßige Herzschläge zu überprüfen. Diese Art der manuellen Zeitreihenanalyseeignet sich nur , wenn es eine saubere, rauschfreie Signal und die zugrunde liegenden Mechanismen die Erzeugung des Signals sind gut bekannt.
Rauschen und Signal

die Trendanalyse ist die Identifizierung über das Signal in Daten. Das Signal ist die sinnvolle Muster oder Trends in den Daten. In der realen Welt gibt es oft einige zufällige Störungen oder "Rauschen" , der das Signal verdeckt . Viele Trendschätzmethodensind Versuche, filtern den Lärm und hinterlassen den sinnvolles Signal . Dieses Signal kann einen Hinweis auf die zukünftige Entwicklung der Daten zu geben.
Einfachen gleitenden Durchschnitt

Der einfache gleitende Durchschnitt ist ein Trend Schätztechnik für den Einsatz auf Daten, die regelmäßigen Veränderungen aufweist. Der einfache gleitende Durchschnitt wird verwendet, um zu bestimmen , ob es einen langfristigen Trend in den Daten , während die periodischen Veränderungen zu ignorieren . Ein Beispiel wäre der Verkauf einer Spielzeugfirma zu sein . Diese Verkäufe würde dazu neigen, jedes Jahr um die Weihnachtszeit ihren Höhepunkt erreichen , so dass sie Periodizität von einem Jahr aufweisen . Um zu finden, was ( wenn überhaupt) Trend auf lange Sicht vorhanden ist, wäre die Spielzeugfirma einen einfachen gleitenden Durchschnitt verwenden . Gegeben sei eine Menge von n Datenpunkte 1,2, ..., n -1, n der K-Punkt einfachen gleitenden Durchschnitt wird durch Auftragen der mittleren Durchschnitts jeder aufeinanderfolgenden Reihe von k aufeinanderfolgenden Datenpunkte gefunden:

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

Dies erzeugt ein kleiner , glatter Datensatz , der die langfristige Trend der Daten zeigt, und wird vor allem verwendet, um langfristige Trends in Daten zu erkennen , während Filterung Saisonalität aus .
Weighted Moving Average

der gewichtete gleitende Durchschnitt ist ähnlich dem einfachen gleitenden Durchschnitt , außer dass die durchschnittliche Datenpunkte werden jeweils gegebenen ein Gewicht, das zeigt, wie bedeutende sie geglaubt werden, zu sein . Die Bestimmung dieses Gewichts ist eine subjektive Entscheidung auf der Grundlage des Wissens über die Vergangenheit Verhalten des Datensatzes vorgenommen . Eine herkömmliche Verfahren zur Auswahl es ist weit verbreitet in den Bereichen Finanzen . In dieser Konvention , wenn die Anzahl der Datenpunkt ist "n ", dann die letzte Datenpunkt gewichtet meine Multiplikation mit n , wird die vorherige Datenpunkt als n gewichtet - 1 , und so weiter den ganzen Weg zurück an die erste Daten Punkt, der gewichtet ist als 1. der gewichtete gleitende Durchschnitt zum Schätzen Trends , wenn die Trends dürften die meisten der neueren Bewegungen in den Daten beeinträchtigt sein. Dies kann genauere Schätzungen Trend in Datensätzen ergeben Aktuelle Bewegung stark Auswirkungen nachfolgenden Bewegungen, wie Finanzmarktpreisdaten
Modell der exponentiellen Glättung

Die Modell der exponentiellen Glättung . , auch genannt der exponentielle gleitende Durchschnitt ist ein Trendschätzung Technik, die Gewichte, die exponentiell verringern gilt . Die exponentielle Glättung Modell sagt die nächste Datenpunktin einer Reihe von Datenpunkten gegeben . (1 - alpha ), wird dies durch Multiplizieren der zuletzt beobachteten Datenpunkts und Multiplizieren mit einem Gewichtungskoeffizienten alpha, dann Zugeben dieser zu berechnen , multipliziert mit der exponentiellen Glättung Modellvorhersage für die zuletzt beobachtete Datenpunkt :

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

Wo ESM ist der vorhergesagte Wert mit der nächsten exponentiellen gleitenden Durchschnitt ist alpha die Gewichtung konstant , X ist die zuletzt beobachteten Datenwert und ESM -1 ist der exponentielle gleitende Durchschnitt Schätzung der zuletzt beobachteten Datenpunkt. Das Modell der exponentiellen Glättung verstärkt die Auswirkungen der jüngsten Werte auf der projizierten Trendschätzung . Es ist in Situationen, in denen die jüngsten Bewegungen des Datensatzes sind deutlich wichtiger als früher Bewegungen.