Фильтр скользящего среднего значения

Некоторые временные ряды являются разложимыми на различные компоненты тренда. Чтобы оценить компонент тренда, не делая параметрические предположения, можно рассмотреть использование filter.

Фильтры являются функциями, которые превращают временные ряды в другого. Соответствующим выбором фильтра определенные шаблоны в исходных временных рядах могут быть разъяснены или устранены в новом ряду. Например, фильтр lowpass удаляет высокочастотные компоненты, давая к оценке медленного тренда.

Определенным примером линейного фильтра является moving average. Считайте временные ряды yt, t = 1..., N. Симметричным фильтром скользящего среднего значения (в центре) длины окна 2q + 1 дают

m^t=j=qqbjyt+j,q<t<Nq.

Можно выбрать любые веса bj та сумма одной. Чтобы оценить медленный тренд, обычно q = 2 является хорошим выбором для ежеквартальных данных (скользящее среднее значение с 5 терминами), или q = 6 для ежемесячных данных (скользящее среднее значение с 13 терминами). Поскольку симметричные скользящие средние значения имеют нечетное число условий, разумный выбор для весов bj=1/4q для j = ±q, и bj=1/2q в противном случае. Реализуйте скользящее среднее значение путем свертки к временным рядам с вектором из весов с помощью conv.

Вы не можете применить симметричное скользящее среднее значение к наблюдениям q вначале и концу ряда. Это приводит к потере наблюдения. Одна опция должна использовать асимметричное скользящее среднее значение в концах ряда, чтобы сохранить все наблюдения.

Смотрите также

Связанные примеры

Больше о

Для просмотра документации необходимо авторизоваться на сайте