平滑算法经常被用来同时保持长期趋势从数据集中删除周期分量。对于每月一次经常表现出季节性波动被采样例如,时间序列数据。同时保持长期趋势一个12个月的移动平均滤波器将去除季节性成分。
可替代地,平滑算法可用于生成用于探索性数据分析的描述性模型。经常使用这种技术时,是不切实际的规定,描述了一组变量之间的关系的参数模型。
信号或时间序列平滑技术范围学科,包括信号处理,系统识别,统计,和计量经济学的使用。
常见的平滑算法包括:
- LOWESS和黄土:利用当地的回归模型非参数平滑方法
- 核平滑:非参数建模方法的平稳分布函数
- 平滑样条曲线:进行曲线拟合非参数统计分析
- 自回归移动平均(ARMA)滤波器:过滤器使用时,数据呈现串行自相关
- Hodrick普里斯科特过滤器:过滤器中使用通过提取季节性部件以平滑的计量时间序列
- Savitzky-Golay平滑滤波器:过滤器使用时的信号具有应当保留高频信息
- 巴特沃斯滤波器:在信号处理中使用的过滤器,以除去高频噪声
有关平滑的更多信息,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™和信号处理工具箱™。