Làm mịn theo cấp số nhân là gì?
Làm mịn theo cấp số nhân là một kỹ thuật để điều khiển dữ liệu từ một loạt các quan sát theo thời gian để hạ thấp tác động của biến thể ngẫu nhiên.Mô hình toán học, tạo ra một mô phỏng số cho tập dữ liệu, thường coi dữ liệu được quan sát là tổng của hai hoặc nhiều thành phần, một trong số đó là lỗi ngẫu nhiên, sự khác biệt giữa giá trị quan sát được và giá trị thực cơ bản.Khi được áp dụng đúng cách, các kỹ thuật làm mịn giảm thiểu ảnh hưởng của biến thể ngẫu nhiên, giúp dễ dàng nhìn thấy hiện tượng cơ bản mdash;Một lợi ích cả trong việc trình bày dữ liệu và đưa ra dự báo về các giá trị trong tương lai.Chúng được gọi là kỹ thuật làm mịn vì chúng loại bỏ các thăng trầm bị lởm chởm liên quan đến biến thể ngẫu nhiên và để lại một đường hoặc đường cong mượt mà hơn khi dữ liệu được vẽ đồ thị.Nhược điểm của các kỹ thuật làm mịn là khi được sử dụng không đúng cách, chúng cũng có thể làm giảm các xu hướng quan trọng hoặc thay đổi theo chu kỳ trong dữ liệu cũng như biến thể ngẫu nhiên, và do đó làm biến dạng mọi dự đoán mà họ đưa ra.giá trị trong quá khứ.Thật không may, điều này cũng hoàn toàn che khuất mọi xu hướng, thay đổi hoặc chu kỳ trong dữ liệu.Trung bình phức tạp hơn loại bỏ một số nhưng không phải tất cả sự che khuất này và vẫn có xu hướng chậm trễ là các nhà dự báo, không đáp ứng với những thay đổi trong xu hướng cho đến khi một số quan sát sau khi xu hướng thay đổi.Ví dụ về điều này bao gồm một mức trung bình di chuyển chỉ sử dụng các quan sát gần đây nhất hoặc mức trung bình có trọng số coi trọng một số quan sát nhiều hơn các quan sát khác.Làm mịn theo cấp số nhân thể hiện nỗ lực cải thiện các khiếm khuyết này.
Làm mịn theo cấp số nhân đơn giản là dạng cơ bản nhất, sử dụng công thức đệ quy đơn giản để chuyển đổi dữ liệu.S1, điểm làm mịn đầu tiên, chỉ đơn giản bằng O 1, dữ liệu quan sát đầu tiên.Đối với mỗi điểm tiếp theo, điểm được làm mịn là nội suy giữa dữ liệu được làm mịn trước đó và quan sát hiện tại: S
N' AO N + (1-A) S N-1.Hằng số A được gọi là hằng số làm mịn;Nó có giá trị giữa 0 và một và xác định trọng lượng được cung cấp cho dữ liệu thô và bao nhiêu cho dữ liệu được làm mịn.Phân tích thống kê Để giảm thiểu lỗi ngẫu nhiên thường xác định giá trị tối ưu cho một loạt dữ liệu nhất định. Nếu công thức đệ quy cho s n chỉ được viết lại theo dữ liệu được quan sát, nó sẽ mang lại công thức S N ' AO N + A (1-A) O N-1 + A (1-A) 2
O N-2+...Tiết lộ rằng dữ liệu được làm mịn là trung bình có trọng số của tất cả các dữ liệu với các trọng số khác nhau theo cấp số nhân trong một chuỗi hình học.Đây là nguồn gốc của số mũ trong cụm từ làm mịn theo cấp số nhân.Giá trị của A càng gần một, thì càng phản ứng nhanh với những thay đổi trong xu hướng dữ liệu được làm mịn, nhưng với chi phí cũng có nhiều sự thay đổi ngẫu nhiên trong dữ liệu. Lợi ích của việc làm mịn theo cấp số nhân đơn giản làNó cho phép một xu hướng trong cách các dữ liệu được làm mịn đang thay đổi.Tuy nhiên, nó rất kém trong việc tách các thay đổi trong xu hướng khỏi các biến thể ngẫu nhiên vốn có so với dữ liệu.Vì lý do đó, việc làm mịn theo cấp số nhân và ba lần cũng được sử dụng, giới thiệu các hằng số bổ sung và các đệ quy phức tạp hơn để giải thích cho xu hướng và thay đổi theo chu kỳ trong dữ liệu.Triple Smoothing cho phép dữ liệu thất nghiệp được xem là tổng của bốn yếu tố: lỗi ngẫu nhiên không thể tránh khỏi trong việc thu thập dữ liệu, mức độ thất nghiệp cơ bản, biến thể theo mùa theo chu kỳ ảnh hưởng đến nhiều ngành công nghiệp và xu hướng thay đổi phản ánh sức khỏe củakinh tế.Bằng cách gán các hằng số làm mịn cho cơ sở, xu hướng và biến thể theo mùa, việc làm mịn baLàm thế nào thất nghiệp là khác nhau theo thời gian.Tuy nhiên, sự lựa chọn của các hằng số khác nhau sẽ thay đổi sự xuất hiện của dữ liệu được làm mịn, đó là một trong những lý do khiến các nhà kinh tế đôi khi có thể khác nhau rất nhiều trong dự báo của họ.Hiện tượng tạo ra dữ liệu.Các tính toán có thể được thực hiện trên phần mềm văn phòng thường có sẵn, vì vậy nó cũng là một kỹ thuật dễ dàng có sẵn.Được sử dụng đúng cách, nó là một công cụ vô giá để trình bày dữ liệu và đưa ra dự đoán.Được thực hiện không đúng cách, nó có khả năng che khuất thông tin quan trọng cùng với các biến thể ngẫu nhiên, do đó cần phải cẩn thận với dữ liệu được làm mịn.