odhad Trend je praxe najít vzory v tom, jak kvantitativní změny dat v čase. Odhad Trend jeklíčovou součástí prognózování , který se používá jako pomoc při interpretaci údajů v oblasti financí , ekonomiky, obchodu , inženýrství, sociálních věd a přírodních věd . Hlavní myšlenkou při odhadu trendu je, že skutečné údaje odrážejí některé základní tendence v kombinaci s náhodným „šum “ v důsledku nepřesností v měření. Analýza časových řad
Časová řada je posloupnost datových bodů v čase , obvykle zobrazen jako graf nebo graf . Časové řady lze analyzovat manuálně a snaží se rozpoznat nějaký významný trend. Příkladem časové řady pacienta tep . Vzhledem k tomu,trend „zdravý „, srdeční tep je známo , mohou lékaři použít analýzu časových řad ke kontrole nepravidelného srdečního rytmu . Tento druh manuální analýzy časových řad je vhodné pouze v případě, že je čistý, bez šumu signálu a související mechanismy generující signál, jsou dobře známy.
Šumu a signálu
analýza trendů je o identifikaci signál v datech. Signál jesmysluplné vzor nebo trend v datech . V reálném světě je často nějaký náhodný interference nebo “ šum“ , který zakrývá signál . Mnoho metod odhadu trendu jsou pokusy odfiltrovat šum a nechat za smysluplný signál. Tento signál může naznačit budoucí vývoj dat .
Jednoduchý klouzavý průměr
Jednoduchý klouzavý průměr jetrend odhad technika vhodná pro použití na základě údajů , které vykazuje pravidelné periodické změny . Jednoduchý klouzavý průměr se používá k určení, zda existuje dlouhodobý trend v datech , zatímco ignoruje pravidelné změny . Příkladem by mohl být prodej hračky společnosti. Tyto prodeje by měl tendenci vrcholit každý rok kolem Vánoc , takže budou vykazovat pravidelnost v délce jednoho roku . S cílem nalézt co ( pokud existuje) trend existuje v dlouhodobém horizontu ,hračky společnost by použít jednoduchý klouzavý průměr . Vzhledem k tomu,soubor n datových bodů 1,2, …, n-1 , nk- bod jednoduchý klouzavý průměr se zjistí vynesením průměrné hodnoty každého souboru po sobě jdoucích k sobě následujících datových bodů : Přihlásit
( 1,2 , … , k- 1 , k) /K , ( 2,3 , … , k, k + 1 ) /k , … , ( nk , n ( k- 1 ) , …, n-1 , n) /k .
To vytváří menší , hladší datový soubor , který ukazuje dlouhodobý trend dat a používá se především rozlišovat dlouhodobé trendy v datech , zatímco filtrování mimo sezónnost.
vážený klouzavý průměr
vážený klouzavý průměr je podobný jako jednoduchý klouzavý průměr , s výjimkou , že průměrné datové body jsou vždy uvedeny na váhu, která ukazuje, jak významná oni jsou věřil být. Stanovení této váhy jesubjektivní rozhodnutí učiněno na základě znalostí o minulé chování datového souboru . Jeden běžný způsob jeho výběru je široce používán v oblasti financí . V této úmluvy , pokud je počet datového bodu je “ n „, paknejnovější datový bod vážený můj vynásobením n,předchozí datový bod váha n – 1 , a to na celou cestu zpět k prvnímu údaji bod , který je váha 1.vážený klouzavý průměr je vhodný pro odhad trendů , kdy je pravděpodobné, že bude nejvíce ovlivněna novějších pohybů v datech trendy . To může přinést přesnější odhady trendů v datových souborech , kde nedávné hnutí silně dopadů následné činnosti, jako jsou údaje o cenách na finančním trhu .
Exponenciální vyrovnání Model
exponenciální Model vyhlazování , také volal exponenciální klouzavý průměr , jeodhad trend technika, která se týká váhy, které snižují v exponenciálním způsobem. Exponenciální vyhlazování Model předpovídá další datový bod v sérii daných datových bodů . Tento údaj se vypočítá vynásobením naposledy pozorované datový bod a vynásobením Koeficient alfa , pak se přidá to ( 1 – alfa) vynásobí exponenciální predikce vyhlazování vzorové naposledy pozorované datového bodu : Přihlásit
ESM = alfa * X + (1 – alfa) * ( ESM- 1)
Kde ESM jepředpovědět další hodnotu pomocí exponenciální klouzavý průměr , alfa je váha konstantní, X je poslední pozorovaná hodnota údaje a ESM -1 je exponenciální klouzavý průměr odhad naposledy pozorované datového bodu . Exponenciální Model vyhlazování zesiluje dopad nejnovějších hodnot v zobrazeném odhad trendů. Používá se v situacích, kdy jsou nedávné pohyby souboru dat podstatně významnější než předchozí pohyby .