การปรับให้เรียบแบบเอกซ์โปเนนเชียลเป็นเทคนิคในการจัดการข้อมูลจากชุดการสังเกตตามลำดับเวลาเพื่อลดผลกระทบของการเปลี่ยนแปลงแบบสุ่ม การสร้างแบบจำลองทางคณิตศาสตร์การสร้างแบบจำลองเชิงตัวเลขสำหรับชุดข้อมูลมักจะปฏิบัติต่อข้อมูลที่สังเกตว่าเป็นผลรวมของส่วนประกอบสองชิ้นขึ้นไปซึ่งหนึ่งในนั้นคือข้อผิดพลาดแบบสุ่มความแตกต่างระหว่างค่าที่สังเกตและมูลค่าที่แท้จริง เมื่อนำไปใช้อย่างเหมาะสมเทคนิคการปรับให้เรียบจะลดผลกระทบของการเปลี่ยนแปลงแบบสุ่มทำให้ง่ายต่อการมองเห็นปรากฏการณ์ที่เป็นพื้นฐานซึ่งเป็นประโยชน์ทั้งในการนำเสนอข้อมูลและการคาดการณ์มูลค่าในอนาคต พวกเขาจะเรียกว่าเทคนิค "ปรับให้เรียบ" เพราะพวกเขาลบอัพและดาวน์ขรุขระที่เกี่ยวข้องกับการเปลี่ยนแปลงแบบสุ่มและทิ้งไว้ข้างหลังเส้นโค้งหรือเส้นโค้งที่ราบรื่นขึ้นเมื่อข้อมูลกราฟ ข้อเสียของเทคนิคการปรับให้เรียบคือเมื่อใช้อย่างไม่เหมาะสมพวกเขายังสามารถกำจัดแนวโน้มที่สำคัญหรือการเปลี่ยนแปลงของวัฏจักรภายในข้อมูลเช่นเดียวกับการเปลี่ยนแปลงแบบสุ่มและจึงบิดเบือนการทำนายใด ๆ ที่พวกเขาเสนอ
เทคนิคการปรับให้เรียบที่ง่ายที่สุดคือการหาค่าเฉลี่ยในอดีต น่าเสียดายที่สิ่งนี้ยังบดบังแนวโน้มการเปลี่ยนแปลงหรือวัฏจักรภายในข้อมูลอย่างสมบูรณ์ ค่าเฉลี่ยที่ซับซ้อนมากขึ้นจะกำจัดบางส่วน แต่ไม่ทั้งหมดปิดบังและยังมีแนวโน้มที่จะล่าช้าเป็นนักพยากรณ์ไม่ตอบสนองต่อการเปลี่ยนแปลงของแนวโน้มจนกว่าการสังเกตหลายครั้งหลังจากแนวโน้มมีการเปลี่ยนแปลง ตัวอย่างของสิ่งนี้รวมถึงค่าเฉลี่ยเคลื่อนที่ที่ใช้การสังเกตล่าสุดเท่านั้นหรือค่าเฉลี่ยถ่วงน้ำหนักที่ให้ความสำคัญกับการสังเกตมากกว่าบางอย่าง การปรับให้เรียบแบบเอกซ์โพเนนเชียลเป็นความพยายามในการปรับปรุงข้อบกพร่องเหล่านี้
การทำให้เรียบแบบเอ็กซ์โปเนนเชียลอย่างง่ายเป็นรูปแบบพื้นฐานที่สุดโดยใช้สูตรแบบวนซ้ำง่าย ๆ ในการแปลงข้อมูล S 1 ซึ่งเป็นจุดแรกที่ราบเรียบมีค่าเท่ากับ O 1 ซึ่งเป็นข้อมูลที่สังเกตได้ครั้งแรก สำหรับแต่ละจุดที่ตามมาจุดที่ปรับให้เรียบคือการแก้ไขระหว่างข้อมูลที่ปรับให้เรียบก่อนหน้านี้และการสังเกตปัจจุบัน: S n = aO n + (1-a) S n-1 ค่าคงที่ "a" เรียกว่าค่าคงที่ปรับให้เรียบ มันมีค่าระหว่างศูนย์ถึงหนึ่งและกำหนดจำนวนน้ำหนักที่ให้กับข้อมูลดิบและจำนวนข้อมูลที่ราบเรียบ การวิเคราะห์ทางสถิติเพื่อลดข้อผิดพลาดแบบสุ่มโดยทั่วไปจะกำหนดค่าที่เหมาะสมที่สุดสำหรับชุดข้อมูลที่กำหนด
หากสูตรแบบเรียกซ้ำสำหรับ Sn ถูกเขียนใหม่เฉพาะในแง่ของข้อมูลที่สังเกตได้ก็จะให้สูตร S n = aO n + a (1-a) O n-1 + a (1-a) 2 O n-2 + . . . เผยให้เห็นว่าข้อมูลที่ราบรื่นเป็นค่าเฉลี่ยถ่วงน้ำหนักของข้อมูลทั้งหมดที่มีน้ำหนักที่แตกต่างกันชี้แจงในชุดเรขาคณิต นี่คือแหล่งที่มาของเลขชี้กำลังในวลี "การยกกำลังแบบเอ็กซ์โปเนนเชียล" ยิ่งค่าของ "a" ใกล้เคียงกันจะยิ่งตอบสนองต่อการเปลี่ยนแปลงแนวโน้มของข้อมูลที่ราบเรียบได้มากขึ้น แต่ค่าใช้จ่ายก็จะถูกแปรผันตามข้อมูลเช่นกัน
ประโยชน์ของการปรับให้เรียบแบบเอ็กซ์โพเนนเชียลอย่างง่าย ๆ คือมันช่วยให้แนวโน้มในการเปลี่ยนแปลงข้อมูลที่ราบเรียบ อย่างไรก็ตามมันไม่ดีที่แยกการเปลี่ยนแปลงในแนวโน้มจากการเปลี่ยนแปลงแบบสุ่มที่มีอยู่ในข้อมูล ด้วยเหตุนี้จึงมีการใช้การปรับให้เรียบแบบทวีคูณสองเท่าและสามเท่าเป็นการแนะนำค่าคงที่เพิ่มเติมและการเรียกซ้ำที่ซับซ้อนมากขึ้นเพื่ออธิบายแนวโน้มและการเปลี่ยนแปลงของวัฏจักรของข้อมูล
ข้อมูลการว่างงานเป็นตัวอย่างที่ดีของข้อมูลที่ได้รับประโยชน์จากการปรับให้เรียบแบบเอ็กซ์โพเนนเชียลสามเท่า การปรับให้เรียบเป็นสามเท่าช่วยให้ข้อมูลการว่างงานถูกมองว่าเป็นผลรวมของปัจจัยสี่ประการ: ข้อผิดพลาดแบบสุ่มที่หลีกเลี่ยงไม่ได้ในการรวบรวมข้อมูลระดับพื้นฐานของการว่างงานการเปลี่ยนแปลงตามฤดูกาลของวัฏจักรที่มีผลกระทบต่ออุตสาหกรรม เศรษฐกิจ. ด้วยการกำหนดค่าคงที่แบบเรียบให้กับฐานแนวโน้มและความผันแปรตามฤดูกาลการปรับให้เรียบแบบสามครั้งจะช่วยให้คนธรรมดาดูว่าการว่างงานเปลี่ยนแปลงไปตามเวลาได้ง่ายขึ้นอย่างไร ตัวเลือกของค่าคงที่ที่แตกต่างกันจะเปลี่ยนลักษณะที่ปรากฏของข้อมูลที่ราบเรียบซึ่งเป็นหนึ่งในเหตุผลที่นักเศรษฐศาสตร์บางครั้งอาจแตกต่างกันอย่างมากในการคาดการณ์ของพวกเขา
การปรับให้เรียบแบบเลขชี้กำลังเป็นวิธีหนึ่งในหลายวิธีในการแก้ไขข้อมูลทางคณิตศาสตร์เพื่อให้เข้าใจปรากฏการณ์ที่สร้างข้อมูลได้มากขึ้น การคำนวณสามารถดำเนินการกับซอฟต์แวร์สำนักงานที่มีอยู่ทั่วไปดังนั้นจึงเป็นเทคนิคที่ใช้ได้ง่าย ใช้อย่างถูกต้องเป็นเครื่องมือที่ทรงคุณค่าสำหรับการนำเสนอข้อมูลและการคาดการณ์ ดำเนินการอย่างไม่ถูกต้องสามารถปิดบังข้อมูลสำคัญพร้อมกับรูปแบบสุ่มดังนั้นควรใช้ข้อมูลที่ราบรื่น
