平滑算法通常用于去除数据集中的周期成分,同时保留长期趋势。例如,每月采样一次的时间序列数据往往会出现季节性波动。一个12个月的移动平均滤波器将去除季节性成分,同时保持长期趋势。
另外,平滑算法可用于生成探索性数据分析的描述性模型。当指定一个参数模型来描述一组变量之间的关系是不切实际的时候,这种技术经常被使用。
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,统计和计量经济学。
常见的平滑算法包括:
- 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:当数据显示序列自相关时使用的过滤器
- Hodrick-Prescott过滤器:通过提取季节成分对计量经济时间序列进行平滑滤波
- Savitzky-Golay平滑滤波器:当信号中含有需要保留的高频信息时使用的滤波器
- 巴特沃斯滤波器:在信号处理中用来去除高频噪声的滤波器
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™,信号处理工具箱™。