Lissage moyen mobile

Les économistes utilisent une technique de lissage simple appelée «moyenne mobile» pour aider à déterminer la tendance sous-jacente des permis de logement et d'autres données volatiles. Une moyenne mobile lisse une série en consolidant les points de données mensuels en unités de temps plus longues - à savoir une moyenne de plusieurs mois de données.

1. Quelle est la différence entre la moyenne mobile et la moyenne mobile lissée?
2. Comment calculer la moyenne mobile lissée?
3. Qui est une meilleure moyenne mobile ou un lissage exponentiel?
4. Pourquoi les techniques de lissage moyen mobiles sont-elles utilisées dans la prévision?

Quelle est la différence entre la moyenne mobile et la moyenne mobile lissée?

De plus, dans une moyenne mobile simple, les données de prix les plus anciennes sont supprimées de la moyenne mobile à mesure qu'un nouveau prix est ajouté au calcul. La moyenne mobile lissée utilise une période plus longue pour déterminer la moyenne, en attribuant un poids aux données de prix car la moyenne est calculée.

Comment calculer la moyenne mobile lissée?

La moyenne mobile lissée affiche des données pendant une période donnée (n). La formule de calcul de cette moyenne est la suivante: SMMA (i) = (sum (i-1) - SMMA (i-1) entrée (i)) / n où la première période est une moyenne mobile simple. Voir aussi la moyenne mobile simple.

Qui est une meilleure moyenne mobile ou un lissage exponentiel?

Pour un âge moyen donné (je.e., quantité de décalage), les prévisions simples de lissage exponentielle (SES) sont quelque peu supérieures à la simple prévision de moyenne mobile (SMA) car elle accorde relativement plus de poids sur l'observation la plus récente - je.e., il est légèrement plus "réactif" aux changements qui se produisent dans le passé récent.

Pourquoi les techniques de lissage moyen mobiles sont-elles utilisées dans la prévision?

Moyennes mobiles: les moyennes déplacées se classent parmi les techniques les plus populaires pour le prétraitement des séries chronologiques. Ils sont utilisés pour filtrer le "bruit blanc" aléatoire des données, pour rendre la série chronologique plus fluide ou même pour souligner certains composants d'information contenus dans la série chronologique.