平滑算法通常用于从数据集中删除周期性成分,同时保留长期趋势。例如,每月取样一次的时间序列数据经常出现季节性波动。12个月移动平均滤波器将去除季节成分,同时保留长期趋势。
或者,可以使用平滑算法生成用于探索性数据分析的描述性模型。当指定描述一组变量之间关系的参数模型不切实际时,经常使用这种技术。
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。
常用的平滑算法有:
- 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:非参数方法建模一个平滑的分布函数
- 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:通过提取季节成分来平滑计量时间序列的滤波器
- Savitzky-Golay平滑滤波器:当一个信号有高频信息时所使用的滤波器
- 巴特沃斯滤波器:在信号处理中用于去除高频噪声的滤波器
有关平滑的更多信息,请参见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™。