平滑算法通常用于从数据集中去除周期成分,同时保持长期趋势。例如,每月抽样一次的时间序列数据往往显示出季节性波动。12个月移动平均过滤器将去除季节成分,同时保留长期趋势。
或者,平滑算法可以用来生成描述性模型用于探索性数据分析。当指定描述一组变量之间关系的参数模型不现实时,经常使用这种技术。
信号或时间序列平滑技术被用于一系列学科,包括信号处理、系统识别、统计学和计量经济学。
常用的平滑算法包括:
- 洛斯和黄土:使用局部回归模型的非参数平滑方法
- 内核平滑:光滑分布函数的非参数建模方法
- 平滑样条函数:曲线拟合的非参数方法
- 自回归移动平均滤波器:当数据显示序列自相关时使用的过滤器
- Hodrick-Prescott过滤器:滤波器通过提取季节成分来平滑计量时间序列
- Savitzky-Golay平滑滤波器:当信号具有应保留的高频信息时使用的滤波器
- 巴特沃斯滤波器:信号处理中用于去除高频噪声的滤波器
更多关于平滑的信息,请参阅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™,系统辨识工具箱™,信号处理工具箱™.