平滑

平滑算法通常用于从数据集中去除周期性成分，同时保留长期趋势。例如，每月抽样一次的时间序列数据往往表现出季节性波动。一个12个月移动平均过滤器将去除季节性成分，同时保留长期趋势。

另外，平滑算法可用于生成探索性数据分析的描述性模型。当无法指定描述一组变量之间关系的参数模型时，通常使用此技术。

信号或时间序列平滑技术用于一系列学科，包括信号处理，系统识别，统计学和计量经济学。

常用的平滑算法有:

• 黄土和黄土:基于局部回归模型的非参数平滑方法
• 内核平滑:光滑分布函数建模的非参数方法
• 平滑样条函数:曲线拟合的非参数方法
• 自回归移动平均(ARMA)滤波器:当数据显示串行自相关时使用的滤波器
• Hodrick-Prescott过滤器:通过提取季节分量来平滑计量经济时间序列的滤波器
• Savitzky-Golay平滑滤波器:当信号中含有应保留的高频信息时使用的滤波器
• 巴特沃斯滤波器:滤波器用于信号处理中去除高频噪声

有关平滑的更多信息，请参见统计和机器学习工具箱™，曲线拟合工具箱™，计量经济学工具箱™，系统识别工具箱™,信号处理工具箱™。