Una serie temporale è una sequenza di punti dati nel tempo , di solito visualizzato come un grafico o un grafico . Serie temporali possono essere analizzati manualmente cercando di individuare una tendenza significativa . Un esempio di una serie temporale è battito cardiaco del paziente . Poiché l' andamento di un battito cardiaco " sano " è noto , i medici possono utilizzare l'analisi di serie temporali per controllare battiti cardiaci irregolari . Questa sorta di manuale di analisi delle serie temporali è adatto solo quando c'è un segnale pulito , privo di disturbi e meccanismi che generano il segnale sono ben noti .
Rumore e del segnale
l'analisi delle tendenze è di identificare il segnale dati . Il segnale è il modello significativa o tendenza nei dati . Nel mondo reale c'è spesso qualche interferenza casuale o " rumore" che oscura il segnale . Molti metodi di stima tendenza sono tentativi per filtrare il rumore e lasciare alle spalle il segnale significativo . Questo segnale può dare un'indicazione del futuro andamento dei dati .
Simple Moving Average
La media mobile semplice è una tecnica di stima tendenza adatto per l'uso su dati che espone cambiamenti periodici regolari . La semplice media mobile viene utilizzata per determinare se vi è una tendenza a lungo termine nei dati , mentre ignorando le modifiche periodiche . Un esempio potrebbe essere la vendita di una società di giocattoli . Queste vendite tenderebbero a picco ogni anno intorno a Natale , in modo che esporranno la periodicità di un anno . Al fine di trovare ciò che ( se presente) tendenza esiste nel lungo periodo , l' azienda di giocattoli potrebbe utilizzare un semplice media mobile . Dato un insieme di dati n punti 1,2 , ... , n - 1 , n - k il punto di media mobile semplice è trovato riportando la media di ogni serie consecutiva di k punti dati consecutivi :
( 1,2 , ... , k - 1 , k ) /k , ( 2,3 , ... , k , k + 1 ) /k , ... , ( nk , n- ( k - 1 ) , ... , n - 1 , n ) /k .
Questo produce un insieme di dati più liscia più piccolo che mostra la tendenza a lungo termine dei dati e viene utilizzato principalmente per discernere tendenze a lungo termine nei dati , mentre il filtraggio out stagionalità .
Weighted Moving Average
la media mobile ponderata è simile alla media mobile semplice , tranne che i punti dati medi sono ogni dato un peso che riflette quanto sia significativo si crede di essere . La determinazione di quel peso è una decisione soggettiva fatta sulla base della conoscenza del comportamento passato del set di dati . Un metodo convenzionale di selezione è ampiamente utilizzato in finanza . In questa convenzione , se il numero di punti dati è " n ", il più recente punto dati è ponderato mia moltiplicandolo per n , il punto dati precedente è ponderata come n - 1 , e così via per tutto il tragitto per i primi dati punto , che è ponderata come 1 La media mobile ponderata è adatto per stimare le tendenze , quando le tendenze sono suscettibili di essere più influenzato dai movimenti più recenti nei dati . Questo può produrre stime più accurate di tendenza nei set di dati in cui recente movimento fortemente impatti successivi movimenti , come i dati sui prezzi dei mercati finanziari .
Esponenziale Modello
Il modello di livellamento esponenziale , chiamato anche la media mobile esponenziale , è una tecnica di stima tendenza che applica i pesi che diminuiscono in modo esponenziale . Il modello di livellamento esponenziale predice il successivo punto dati in una serie di determinati punti dati . Questo viene calcolato moltiplicando il punto dati più recentemente osservato e moltiplicandolo per un coefficiente di ponderazione alpha , quindi l'aggiunta di questo ( 1 - alfa) moltiplicata per l' esponenziale previsione modello di livellamento per il punto dati più recentemente osservato :
ESM = alpha * X + ( 1 - alfa ) * ( ESM - 1 )
Dove ESM è il valore successivo previsto utilizzando la media mobile esponenziale , alfa è la ponderazione costante , X è il valore più recentemente osservato dati e ESM - 1 è la media mobile esponenziale stima del punto dati più recentemente osservato . Il modello di livellamento esponenziale amplifica l' impatto dei valori più recenti sulla stima tendenza proiettata. E 'utilizzato in situazioni in cui i recenti movimenti del set di dati sono molto più importanti di movimenti precedenti .