从数据集中去除噪声和周期性成分,同时保留底层模式
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™。
例子和方法
-
线性预测与自回归建模(例子)
-
MATLAB中的卡尔曼滤波器设计(例子)
-
{{视频链接}} (视频)