Uma série temporal é uma sequência de pontos de dados em tempo, geralmente apresentado como um gráfico ou tabela . Séries temporais podem ser analisados manualmente, tentando discernir qualquer tendência significativa. Um exemplo de uma série de tempo é um batimento cardíaco do paciente . Porque a tendência de um piscar de olhos " saudável " é conhecido , os médicos podem usar análise de séries temporais para verificar batimentos cardíacos irregulares . Este tipo de análise de séries temporais manual é adequado apenas quando há um sinal limpo , livre de ruído e os mecanismos subjacentes que geram o sinal são bem conhecidos.
O ruído eo sinal
a análise de tendências é sobre como identificar o sinal de dados. O sinal é a tendência ou padrão significativo nos dados . No mundo real, muitas vezes há alguma interferência aleatória ou "ruído" que obscurece o sinal. Muitos métodos de estimativa de tendência são tentativas de filtrar o ruído e deixar para trás o sinal significativo. Este sinal pode dar uma indicação da tendência futura dos dados.
Média Móvel Simples
A média móvel simples é uma técnica de estimativa tendência adequado para uso em dados que apresenta alterações periódicas regulares . A média móvel simples é utilizado para determinar se há alguma tendência a longo prazo nos dados , sem ter em conta as variações periódicas . Um exemplo seria as vendas de uma empresa de brinquedos . Estas vendas tenderia a atingir o pico a cada ano em torno do Natal , então eles vão apresentar periodicidade de um ano. A fim de encontrar o que (se houver) existe tendência a longo prazo , a empresa de brinquedos usaria uma média móvel simples. Dado um conjunto de n pontos de dados 1,2, ..., n- 1, n a média móvel simples k ponto é encontrado plotando a média de cada conjunto consecutivo de k pontos consecutivos :
( 1,2 , ... , k - 1 , k ) /k , ( 2,3 , ... , k , k + 1 ) /k , ... , ( nk , n- ( k - 1 ) , ... , n - 1 , n ) /k .
Isto produz um conjunto de dados mais pequena , mais suave , que mostra a tendência a longo prazo dos dados e é usada principalmente para discernir as tendências de longo prazo dos dados , enquanto a filtragem a sazonalidade.
Weighted Moving Average
a média móvel ponderada é semelhante à média móvel simples , exceto que os pontos de dados médios são dadas a cada um peso que reflete o quão significativo acredita-se que seja . A determinação do peso que é uma decisão subjectiva feita com base no conhecimento sobre o comportamento passado do conjunto de dados . Um método convencional de seleção é amplamente utilizado em finanças. Nesta convenção , se o número de pontos de dados é "n ", então o ponto de dados mais recente é ponderado minha multiplicando-o por n, o ponto de dados anterior é ponderado como n - 1 , e assim por diante todo o caminho de volta para os primeiros dados ponto , que é ponderado como 1 a média móvel ponderada é adequada para estimar as tendências quando as tendências tendem a ser mais afetados pelos movimentos mais recentes nos dados. Isso pode gerar estimativas mais precisas de tendência em conjuntos de dados onde movimento recente afectou fortemente os movimentos subsequentes , tais como dados sobre os preços no mercado financeiro
exponencial Modelo
O modelo de suavização exponencial. , também chamado de média móvel exponencial , é uma técnica de estimativa tendência que se aplica pesos que diminuem de forma exponencial. O modelo de amortecimento exponencial prediz o próximo ponto de dados de uma série de pontos de dados apresentados . Este valor é calculado multiplicando-se o ponto de dados mais recentemente observado e multiplicando-o por um alfa coeficiente de ponderação , em seguida, adicionar esta a ( 1 - alfa) multiplicado pela previsão do modelo de suavização exponencial para o ponto de dados mais recentemente observou:
ESM = alfa * X + (1 - alfa) * ( ESM- 1)
Onde ESM é o próximo valor previsto utilizando a média móvel exponencial , alfa é a constante de ponderação , X é o mais recentemente observado valor de dados e ESM- 1 é o móvel exponencial estimativa média do ponto de dados mais recentemente observados. O modelo de suavização exponencial amplifica o impacto dos valores mais recentes sobre a estimativa tendência projetada. Ele é usado em situações em que os recentes movimentos do conjunto de dados são significativamente mais importante do que os movimentos anteriores.