Gebruik van gegevensafronding in voorspellende analyses - dummies

Gegevensvereffening in voorspellende analyses probeert in wezen het "signaal" in de "ruis" te vinden door het weggooien van datapunten die als "luidruchtig" worden beschouwd. Het idee is om de patronen in de gegevens aan te scherpen en trends te markeren waarnaar de gegevens verwijzen.

De implicatie van gegevensvereffening is dat de gegevens uit twee delen bestaan: één deel (bestaande uit kerngegevenspunten ) dat algemene trends of werkelijke trends betekent, en een ander deel dat meestal uit afwijkingen bestaat ( ruis ) - enkele fluctuerende punten die het gevolg zijn van enige volatiliteit in de gegevens. Het gladmaken van gegevens tracht dat tweede deel te elimineren.

De ruis verlagen

Het vloeiend maken van gegevens werkt op basis van verschillende aannames:

• Die fluctuatie in gegevens is waarschijnlijk het meest ruis.

• Dat het rumoerige deel van de gegevens van korte duur is.

• Dat de fluctuatie van de gegevens, ongeacht hoe gevarieerd deze is, geen invloed heeft op de onderliggende trends die worden gerepresenteerd door de kerngegevenspunten.

Geluid in gegevens is meestal willekeurig; de schommelingen ervan mogen geen invloed hebben op de algemene tendensen die worden getrokken uit het onderzoek van de rest van de gegevens. Dus het verminderen of elimineren van ruisige gegevenspunten kan echte trends en patronen in de gegevens verduidelijken - in feite, het verbeteren van de "signaal-ruisverhouding" van de gegevens. “

Als u de ruis correct hebt geïdentificeerd en vervolgens hebt verlaagd, kunt u met gegevensvereffening het volgende waargenomen gegevenspunt voorspellen door eenvoudigweg de belangrijkste trends te volgen die u in de gegevens hebt gedetecteerd.

Het afvlakken van gegevens betreft zichzelf met de meerderheid van de gegevenspunten, hun posities in een grafiek en wat de resulterende patronen voorspellen over de algemene trend van (laten we zeggen) een aandelenkoers, of de algemene richting omhoog, omlaag of zijwaarts is.

Deze techniek voorspelt niet exact de exacte prijs van de volgende transactie voor een bepaalde voorraad, maar het voorspellen van een algemene trend kan krachtiger inzichten opleveren dan de werkelijke prijs of de fluctuaties kennen.

Een prognose op basis van een algemene trend die is afgeleid van afgevlakte gegevens, gaat ervan uit dat de richting die de gegevens tot nu toe hebben gevolgd, zich in de toekomst zal voortzetten op een manier die overeenkomt met de trend. Op de aandelenmarkt bijvoorbeeld zijn prestaties in het verleden geen duidelijke aanwijzing voor toekomstige prestaties, maar het kan zeker een algemene gids zijn voor de toekomstige beweging van de aandelenkoers.

Methoden, voordelen en nadelen van het vloeiend maken van gegevens

Het vloeiend maken van gegevens moet niet worden verward met passend bij een model, dat deel uitmaakt van de gegevensanalyse, bestaande uit twee stappen:

1. Vind een geschikte model dat de gegevens vertegenwoordigt.

2. Zorg dat het model goed past bij de gegevens.

Het vloeiend maken van gegevens richt zich op het vaststellen van een fundamentele richting voor de kerngegevenspunten door (1) eventuele ruisige gegevenspunten te negeren en (2) een vloeiendere curve te tekenen door de gegevenspunten die de kronkelende gegevens overslaan en primaire patronen - trends - in de voorgrond te plaatsen de gegevens, hoe langzaam hun opkomst ook is. Dienovereenkomstig dient in een numerieke tijdreeks het afvlakken van gegevens als een vorm van filtering.

Het vloeiend maken van gegevens kan een van de volgende methoden gebruiken:

• Willekeurig lopen is gebaseerd op het idee dat het volgende resultaat, of toekomstig gegevenspunt, een willekeurige afwijking is van het laatst bekende of huidige gegevenspunt.

• voortschrijdend gemiddelde is een lopend gemiddelde van opeenvolgende, op gelijke afstanden geplaatste perioden. Een voorbeeld is de berekening van een 200-daags voortschrijdend gemiddelde van een aandelenkoers.

• Exponentiële afvlakking wijst exponentieel meer gewicht of belang toe aan recente gegevenspunten dan aan oudere gegevenspunten.

  • Eenvoudig: Deze methode moet worden gebruikt wanneer de tijdreeksgegevens geen trend en geen seizoensgevoeligheid hebben.

  • Lineair: Deze methode moet worden gebruikt wanneer de tijdreeksgegevens een trendlijn hebben.

  • Seizoensgebonden: Deze methode moet worden gebruikt wanneer de tijdreeksgegevens geen trend maar seizoensgebondenheid hebben.

Wat deze verzachtingsmethoden allemaal gemeen hebben, is dat ze een soort middelingsproces uitvoeren op verschillende gegevenspunten. Een dergelijke middeling van aangrenzende gegevenspunten is de essentiële manier om in te zoomen op onderliggende trends of patronen.

De voordelen van het vloeiend maken van gegevens zijn

• Het is eenvoudig te implementeren.

• Het helpt trends te identificeren.

• Het helpt patronen in de gegevens bloot te leggen.

• Hiermee worden gegevenspunten verwijderd waarvan u hebt besloten dat deze niet van belang zijn.

• Het helpt de algemene richting van de volgende waargenomen gegevenspunten te voorspellen.

• Het genereert mooie, vloeiende grafieken.

Maar alles heeft een keerzijde. De nadelen van het vloeiend maken van gegevens zijn

• Het kan geldige gegevenspunten elimineren die het gevolg zijn van extreme gebeurtenissen.

• Dit kan leiden tot onnauwkeurige voorspellingen als de testgegevens alleen seizoensgebonden zijn en niet volledig representatief voor de werkelijkheid die de gegevenspunten heeft gegenereerd.

• Het kan de gegevens verschuiven of scheeftrekken, met name de pieken, wat resulteert in een vertekend beeld van wat er aan de hand is.

• Het kan kwetsbaar zijn voor aanzienlijke verstoringen door uitbijters in de gegevens.

• Dit kan resulteren in een grote afwijking van de oorspronkelijke gegevens.

Als het afvlakken van gegevens niet meer inhoudt dan dat de gegevens slechts een facelift krijgen, kan deze op de volgende manieren een fundamenteel verkeerde indruk maken:

• Het kan fouten introduceren door vervormingen die de afgevlakte gegevens behandelen alsof ze identiek zijn aan het origineel gegevens.

• Het kan de interpretatie vertekenen door risico's die zijn ingesloten in de gegevens te negeren en te verbergen.

• Het kan leiden tot verlies van detail in uw gegevens. Dit is een manier waarop een afgevlakte curve sterk kan afwijken van de oorspronkelijke gegevens.

Hoe ernstig het afvlakken van gegevens van invloed kan zijn op uw gegevens, is afhankelijk van de aard van de gegevens en van de verzachtende techniek die op die gegevens is toegepast.Als de originele gegevens bijvoorbeeld meer pieken bevatten, zal het gladmaken van gegevens leiden tot een grote verschuiving van die pieken in de afgevlakte grafieken - hoogstwaarschijnlijk een vervorming.

Hier zijn enkele voorzichtige punten die u in gedachten moet houden wanneer u de afvlakking van gegevens benadert:

• Het is een goed idee om afgevlakte grafieken te vergelijken met onaangetaste grafieken die de oorspronkelijke gegevens weergeven.

• Gegevenspunten die tijdens het gladmaken van gegevens zijn verwijderd, zijn mogelijk geen ruis; ze kunnen geldige, echte gegevenspunten zijn die het resultaat zijn van zeldzame maar echte gebeurtenissen.

• Het vloeiend maken van gegevens kan met mate helpen, maar overmatig gebruik ervan kan leiden tot een verkeerde voorstelling van uw gegevens.

Door uw professionele inzicht en uw kennis van zakelijke kennis toe te passen, kunt u gegevensvereffening effectief gebruiken. Het verwijderen van ruis uit uw gegevens - zonder de nauwkeurigheid en bruikbaarheid van de originele gegevens negatief te beïnvloeden - is minstens zo kunstwaardig als een wetenschap.