en tidsserie er en sekvens af datapunkter i tid , normalt vises som en graf eller diagram. Tidsserier kan analyseres manuelt ved at forsøge at se noget meningsfyldt tendens. Et eksempel på en tidsserie er en patients hjerteslag. Da tendensen i en "sund" hjerteslag er kendt, kan læger bruger tid serie analyse at kontrollere, om uregelmæssige hjerteslag . Denne form for manuel tidsrækkeanalyse er kun egnet , når der er en ren, støjfri signal og de underliggende mekanismer der genererer signalet er kendte.
Støj og Signal
Trend analyse handler om at identificere signalet i data. Signalet er det meningsfyldt mønster eller en tendens i data. I den virkelige verden er der ofte nogle tilfældige interferens eller "støj" , som tilslører signalet. Mange tendens estimationsmetoder er forsøg på at filtrere støjen og efterlade det meningsfulde signal. Dette signal kan give en indikation af den fremtidige udvikling af dataene.
Simpelt glidende gennemsnit
simpelt glidende gennemsnit er en tendens estimering teknik egnet til brug på data , der udviser regelmæssige periodiske ændringer. Det simple glidende gennemsnit bruges til at afgøre , om der er nogen lang trend i dataene sigt , samtidig med at ignorere de periodiske ændringer. Et eksempel kunne være salget af et stykke legetøj selskab . Disse salg vil tendens til at toppe hvert år omkring jul , så de vil udvise periodicitet på et år. For at finde det (hvis nogen) tendens findes i det lange løb , vil legetøjet selskab bruge en simpel glidende gennemsnit. Givet et sæt af n -data peger 1,2, ... , n- 1, n simpelt glidende gennemsnit k- punkt findes ved at plotte gennemsnittet af hver konsekutivt sæt af k på hinanden følgende datapunkter middelværdi : Hej
(1,2 , ..., k -1, k) /k (2,3 , ... , k, k + 1) /k , ..., ( nk , n ( k -1) , ..., n-1 , n) /k .
Dette giver en mindre, blødere datasæt, der viser den lange trend af data sigt og bruges primært til at skelne langsigtede tendenser i data , mens filtrering ud sæsonudsving .
Weighted Moving Average
den vejede gennemsnitlige bevægelse ligner simpelt glidende gennemsnit , bortset fra at de gennemsnitlige datapunkter er hver givet en vægt, der afspejler, hvor vigtig de menes at være. Bestemmelsen af at vægten er en subjektiv beslutning truffet på grundlag af viden om tidligere adfærd datasættet. En traditionel metode til at vælge det er meget udbredt i finansiering. I denne konvention , hvis antallet af datapunkt er " n ", så den seneste datapunkt er vægtet min multiplikation med n , er den tidligere datapunkt vægtes som n - 1 , og så videre hele vejen tilbage til den første data punkt , der vægtes som 1. Den vægtede glidende gennemsnit er egnet til at estimere tendenser når tendenserne er tilbøjelige til at være mest påvirket af de nyere bevægelser i dataene. Dette kan give mere præcise skøn trend i datasæt, hvor den seneste bevægelse stærkt påvirker efterfølgende bevægelser, såsom de finansielle markeder prisdata .
Eksponentiel Smoothing Model
Den eksponentielle udjævning model , også kaldet den eksponentielle glidende gennemsnit , er en tendens estimering teknik, der anvender vægte , der sænker i en eksponentiel måde. Den eksponentielle udjævning modellen forudsiger næste datapunkt i en række givne datapunkter. Dette beregnes ved at gange den senest observerede datapunkt og multiplikation med en justeringskoefficient alfa, derefter tilføje dette til (1 - alpha ) multipliceret med den eksponentielle udjævning model forudsigelse for den senest observerede datapunkt : Hej
ESM = alpha * X + (1 - alpha ) * ( ESM -1)
Hvor ESM er den forudsagte næste værdi ved hjælp af den eksponentielle glidende gennemsnit , alfa er vægtningen konstant , X er den senest observerede dataværdi og ESM -1 er den eksponentielle glidende gennemsnit estimat af den senest observerede datapunkt. Den eksponentielle udjævning model forstærker virkningen af de seneste værdier på den forventede tendens skøn. Det bruges i situationer, hvor de seneste bevægelser i datasættet er væsentligt vigtigere end tidligere bevægelser.
Clipart