Stima di tendenza è la pratica di trovare schemi in cambiamenti come quantitativi di dati nel corso del tempo. Stima di tendenza è una parte fondamentale di previsione, che viene utilizzata per favorire l'interpretazione dei dati in finanza, economia, business, ingegneria, scienze sociali e scienze fisiche. Un'idea centrale nella stima di tendenza è che i dati reali riflettono certa tendenza sottostante combinato con casuale "rumore" a causa di imprecisioni nella misura.
Analisi di serie temporali
Una serie temporale è una sequenza di punti dati in tempo, in genere visualizzato come un grafico o un diagramma. Serie temporali possono essere analizzati manualmente cercando di discernere alcuna tendenza significativa. Un esempio di una serie temporale è il battito cardiaco del paziente. Poiché è noto che la tendenza di un batter d'occhio "sano", i medici possono utilizzare analisi di serie temporali per controllare i battiti cardiaci irregolari. Questo tipo di analisi di serie temporali manuale è adatto solo quando c'è un segnale pulito, privo di rumore e i meccanismi di fondo genera il segnale sono ben noti.
Segnale e rumore
Analisi delle tendenze sono sull'identificazione del segnale nei dati. Il segnale è il modello significativo o la tendenza nei dati. Nel mondo reale c'è spesso qualche interferenza casuale o "rumore" che oscura il segnale. Molti metodi di stima di tendenza sono tentativi di filtrare il rumore e lasciarsi alle spalle il segnale significativo. Questo segnale può dare un'indicazione della tendenza futura dei dati.
Media mobile semplice
Il simple moving average è una tecnica di stima di tendenza adatto ad uso su dati che presenta cambiamenti periodici regolari. Il simple moving average viene utilizzato per determinare se c'è qualsiasi tendenza a lungo termine dei dati, mentre ignorando le modifiche periodiche. Un esempio potrebbe essere la vendita di un'azienda di giocattoli. Queste vendite tenderebbe a picco ogni anno intorno a Natale, in modo che esporrà la periodicità di un anno. Al fine di trovare quello che (se presente) tendenza esiste nel lungo periodo, l'azienda di giocattoli userebbe una media mobile semplice. Dato un insieme di dati n punti 1,2,..., n-1, n il punto k simple moving average è trovato riportando la media di ogni serie consecutiva di punti di dati consecutivi di k:
(1,2,...,k-1,k)/k, (2,3,...,k,k+1)/k,...,(n-k,n-(k-1),...,n-1,n)/k.
Questo produce un set di dati più piccolo, più liscio che mostra la tendenza di lungo termine dei dati e viene utilizzato principalmente per discernere le tendenze a lungo termine nei dati mentre filtrando la stagionalità.
Media mobile ponderata
La media mobile pesata è simile al simple moving average, tranne per il fatto che i punti dati medi ciascuno sono stato dato un peso che riflette quanto sia significativo si crede di essere. La determinazione di quel peso è una decisione soggettiva fatta sulla base di conoscenza circa il comportamento passato del set di dati. Un metodo convenzionale di selezionandolo è ampiamente usato in finanza. In questa convenzione, se il numero del punto dati è "n" e poi il più recente punto di dati è ponderata mio moltiplicandolo per n, il precedente punto di dati è appesantito come n - 1 e così via tutta la strada fino al primo punto dati, che è ponderato come 1. La media mobile pesata è adatta per stimare le tendenze quando le tendenze sono probabili essere più influenzato dai movimenti più recenti nei dati. Questo può produrre stime più accurate di tendenza in insiemi di dati dove recente movimento influisce fortemente i movimenti successivi, ad esempio dati finanziari prezzo di mercato.
Modello di Smoothing esponenziale
Il modello di smoothing esponenziale, chiamato anche l'esponenziale media mobile, è una tecnica di stima di tendenza che applica pesi che diminuiscono in modo esponenziale. Il modello di smoothing esponenziale predice il prossimo punto di dati in una serie di punti di dati specificati. Questa è calcolata moltiplicando il punto dati più recentemente osservato e moltiplicandolo per un coefficiente alfa coefficiente, quindi l'aggiunta di questo per (1 - alfa) moltiplicato per la stima del modello di smoothing esponenziale per il più recente punto di dati osservati:
MES = alphaX + (1 - alfa)(MES-1)
Dove ESM è il valore successivo previsto utilizzando la media mobile esponenziale, alfa è la costante di ponderazione, X è il valore osservato più recentemente di dati e MES-1 è la stima media mobile esponenziale del punto dati osservato più recentemente. Il modello di smoothing esponenziale amplifica l'impatto dei valori più recenti sulla stima di tendenza prevista. Viene utilizzato in situazioni dove i recenti movimenti del set di dati sono significativamente più importanti movimenti precedenti.