6 votos

Pesos negativos en una media móvil

Un buen número de conocidos los promedios móviles, tales como la de Spencer de 15 puntos en el MA, y Henderson medias móviles han negativo de pesos en los promedios.

¿Qué significa esto en un sentido conceptual? ¿Qué información está tratando de obtener a partir de los datos correspondientes a los términos? ¿Por qué esto es más sensible que acaba de ponderación de los términos = 0, y la reducción de algunas de las pesas en el más central términos proporcionalmente?

Aclaración: Como Emre señala correctamente, estos pesos negativos satisfacer un criterio matemático. Pero esto plantea la pregunta: ¿qué es el mundo real estadístico y conceptual efecto de que la matemática requisito? ¿Tiene sentido lógico negativamente a los datos de peso que usted sabe que no está dando "negativo" de la información (es decir. datos que no está mintiendo)?

2voto

Jeff Hengesbach Puntos 1639

Resumen

Los pesos son seleccionados para lograr un matemático final. En Spencer caso, el objetivo es permitir que cúbicos tendencias de pasar a través del filtro no esté falseada. Esto significa que si se descompone la entrada de $X_t$ en el determinismo de la componente de tendencia polinómica $m(t) \equiv c_3 t^3 + c_2 t^2 + c_1 t + c_0$ y una centrada en el componente estocástico $Y_t$, de tal manera que $X_t \equiv m(t) + Y_t$, $\mathcal F \left[ X_t \right] \to m_t$ $\sigma_Y \to 0$ donde $\mathcal F$ es la operación de filtrado.

Ejemplo

Aquí está un ejemplo se ilustra el uso de Mathematica. Voy a comparar Spencer del filtro con un 15-grifo de doble cara simétrica, la media móvil.

n = 101; c = RandomReal[{-1, 1}, 4]; x = RandomVariate[NormalDistribution[0, .1], n];   
result = GraphicsGrid@{{ ListPlot@MovingAverage[x + Table[c.{1, t, t^2, t^3}, 
{t, -1, 1, 2/(n - 1)}], {-3, -6, -5, 3, 21, 46, 67, 74, 67, 46, 21, 3, -5, -6, -3}/230], 
ListPlot@MovingAverage[ x + Table[c.{1, t, t^2, t^3}, {t, -1, 1, 2/(n - 1)}], 15]}, 
{ListPlot@Table[c.{1, t, t^2, t^3}, {t, -1, 1, 2/(n - 1)}], 
ListPlot@{x + Table[c.{1, t, t^2, t^3}, {t, -1, 1, 2/(n - 1)}]}}}

Example with c={-0.26988, -0.34137, 0.670082, 0.820887}

Las agujas del reloj desde la parte superior izquierda: la salida de Spencer del filtro, la salida de la simetría del filtro, el ruido de entrada ($X_t$), la tendencia cúbica ($m_t$). Esto es con $c=\{-0.26988, -0.34137, 0.670082, 0.820887\}$ (el polinomio de coeficientes, en orden ascendente de grado).

Discusión

Como se puede ver, de Spencer filtro es más sensible que la simetría del filtro, debido a la negativa de pesos. El paso bajo el efecto de la simetría del filtro es buena para la eliminación de ruido (estamos comparando la norma de la diferencia):

Part[#2, 8 ;; -8] - MovingAverage[#1 + #2, 15] & [x, 
Table[c.{1, t, t^2, t^3} , {t, -1, 1, 2/(n - 1)}]] // Norm

> 0.197244

por la simetría del filtro de frente

Part[#2, 8 ;; -8] - MovingAverage[#1 + #2, 
{-3, -6, -5, 3, 21, 46, 67, 74, 67, 46, 21, 3, -5, -6, -3}/230] & 
[x, Table[c.{1, t, t^2, t^3} , {t, -1, 1, 2/(n - 1)}]] // Norm

> 0.411789

para Spencer. Sin embargo, también distorsiona la tendencia (la misma prueba sin el ruido):

Part[#2, 8 ;; -8] - MovingAverage[#2, 15] & [x, 
Table[c.{1, t, t^2, t^3} , {t, -1, 1, 2/(n - 1)}]] // Norm

> 0.097972

frente a

Part[#2, 8 ;; -8] - MovingAverage[#2, 
{-3, -6, -5, 3, 21, 46, 67, 74, 67, 46, 21, 3, -5, -6, -3}/230] & 
[x, Table[c.{1, t, t^2, t^3} , {t, -1, 1, 2/(n - 1)}]] // Norm

> 4.05378*10^-16

Leer más

Estas notas de la conferencia ir a la derivación. Usted también puede encontrar residente de usuario Rob Hyndman del artículo sobre los promedios móviles útil.

i-Ciencias.com

I-Ciencias es una comunidad de estudiantes y amantes de la ciencia en la que puedes resolver tus problemas y dudas.
Puedes consultar las preguntas de otros usuarios, hacer tus propias preguntas o resolver las de los demás.

Powered by:

X