Vertailu Menetelmät Trend arviointi

Trend arvio onkäytäntö löytää malleja , miten määrälliset tiedot muuttuu ajan mittaan . Trend arviointi onkeskeinen osa ennakointia , jota käytetään apunatulkinnassa tietojen rahoituksen, talouden , liike-elämä, tekniikan,yhteiskuntatieteiden jafysiikan . Keskeinen idea trendi arvio on, että todellinen tiedot kertovat joidenkin taustalla taipumus yhdistää random " kohina" vuoksi epätarkkuuksista mittaukseen . Aikasarja-analyysi

aikasarja ondatasekvenssi ajankohtina , yleensä näkyykuvaajan tai kaavion . Aikasarjat voidaan analysoida manuaalisesti yrittää havaita mitään merkittävää suuntausta . Esimerkkiaikasarja onpotilaan syke . Koskatrendi" terve" syke on tiedossa , lääkärit voivat käyttää aikasarja-analyysin tarkistaa rytmihäiriölääke . Tällainen käsikirja aikasarja-analyysin sopii vain kun onpuhdas , kohinaton signaali jataustalla olevien mekanismien tuottaasignaalin ovat tiedossa .
Häiriöiden ja signaalin

Trendianalyysi on noin tunnistaasignaalin tiedot . Signaali onmielekäs malli tai suuntaustiedot . Todellisessa maailmassa on usein joitakin satunnaisia ​​häiriöitä tai " kohinaa ", joka hämärtääsignaali . Monet trendi arviointimenetelmiä yritetään suodattaa poismelusta ja jättäämielekästä signaali . Tämä signaali voi antaaviitteitätulevasta kehityksestätietoja .
Yksinkertainen liukuva keskiarvo

yksinkertainen liukuva keskiarvo ontrendi estimointitekniikassa soveltuvat käytettäviksi tietoihin , joka esittelee säännöllisiä muutoksia . Yksinkertainen liukuva keskiarvo käytetään määrittämään , onko mitään pitkän aikavälin trenditiedot , kun taas unohdetaanajoittaiset muutokset . Esimerkkinä voidaanmyyntilelu yritys . Näiden myynti pyrkisi huippunsa vuosittain joulun , joten ne voi ilmetä jaksotus yksi vuosi. Jotta löytää mitä ( jos mitään ) suuntaus on olemassa pitkällä aikavälillä ,lelu yritys käyttäisiyksinkertainen liukuva keskiarvo . Kun otetaann: n joukko datapisteet 1,2 , ... , n - 1 , nk - pisteen yksinkertainen liukuva keskiarvo on saapuvat piirtämällä keskimääräisiä kutakin peräkkäistä k peräkkäisen datapisteiden :

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

Tämä tuottaapienempi , pehmeämpi tietokokonaisuus , joka näyttääpitkän aikavälin trenditietoja ja sitä käytetään pääasiassa havaita pitkän aikavälin trendejä tietoja taas suodatus ulos kausiluontoisuutta .
painotettu liukuva keskiarvo

painotettu liukuva keskiarvo on samanlainenyksinkertainen liukuva keskiarvo , paitsi että keskimääräinen datapistettä kullekin annetaanpaino, joka vastaa sitä, kuinka merkittävä niiden uskotaan olevan . Määrittäminen , että paino onsubjektiivinen päätös tehdään sen perusteella, tietoa aikaisemman toiminnankeräämiseen. Eräs perinteinen tapa valita sitä käytetään laajalti rahoitusta . Tämän yleissopimuksen , josmäärä mittauspiste on " n" sittenviimeisimpien tietojen kohta on painotettu minun kertomalla se n ,edellinen datapiste painotetaan n - 1 , ja niin edelleen aina takaisin ensimmäiseen tiedot piste , joka painotetaan 1.painotettu liukuva keskiarvo sopii arvioida suuntauksia , kunsuuntaukset ovat todennäköisesti eniten vaikuttiuudempi liikkeitätiedot . Tämä voi tuottaa tarkempia trendi arvioiden aineistoja missä viime liikkuminen vaikuttaa voimakkaasti myöhempään kehitykseen , kuten rahoitusmarkkinoiden hintatiedot .
Eksponentiaalisen tasoituksen Malli

eksponentiaalisen tasoituksen mallia , jota kutsutaan myöseksponentiaalinen liukuva keskiarvo , ontrendi estimointitekniikassa joka koskee painot väheneeeksponentiaalisesti muotia . Eksponentiaalisen tasoituksen mallia ennustaa seuraavan datapisteensarja tietyn datapisteitä. Tämä lasketaan kertomallaviimeksi havaittu mittauspiste ja kertomalla sepainokerroin alfa , sitten lisätään tämä ( 1 - alfa) kerrottunaeksponentiaalisen tasoituksen mallia ennusteviimeksi havaittu datapisteessä :

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

Jos EVM onennustettu seuraavan arvon käyttäeneksponentiaalinen liukuva keskiarvo , alfa onpainotus vakio, X onviimeksi havaittu data-arvo ja ESM - 1 oneksponentiaalinen liukuva keskiarvo arvionviimeisimpään tietojen piste . Eksponentiaalisen tasoituksen mallia vahvistaavaikutustaviimeisimmät arvotennustettu trendi arvio . Sitä käytetään tilanteissa, joissa äskettäin liikkeet datajoukon ovat huomattavasti tärkeämpiä kuin aikaisemmin liikkeitä .