ค่าเบี่ยงเบนมาตรฐานของค่าเฉลี่ยถ่วงน้ำหนักแบบเอ็กซ์โปเนนเชียล

ฉันเขียนฟังก์ชันง่าย ๆ ใน Python เพื่อคำนวณค่าเฉลี่ยถ่วงน้ำหนักชี้แจง:

def test():
  x = [1,2,3,4,5]
  alpha = 0.98
  s_old = x[0]

  for i in range(1, len(x)):
    s = alpha * x[i] + (1- alpha) * s_old
    s_old = s

  return s

อย่างไรก็ตามฉันจะคำนวณ SD ที่เกี่ยวข้องได้อย่างไร

standard-deviation python exponential-smoothing

— Mariska
แหล่งที่มา

คุณหลังจากข้อผิดพลาดมาตรฐานของค่าเฉลี่ยหรือประมาณค่าเบี่ยงเบนมาตรฐานของกระบวนการหรือไม่

— Glen_b -Reinstate Monica

@Glen_b ฉันพยายามใช้สิ่งนี้เพื่อดูว่าราคาหุ้นเบี่ยงเบนจากค่าเฉลี่ยถ่วงน้ำหนักชี้แจงโดยหลาย ๆ ค่าของ "ส่วนเบี่ยงเบนมาตรฐาน" คุณจะแนะนำแบบไหน

— Mariska

จากสิ่งที่ฉันเห็นมีความขัดแย้งพื้นฐาน (หรือความไม่สอดคล้องกัน) ที่แฝงอยู่ในคำถามนี้ ผู้คนใช้ EWM เมื่อพวกเขาไม่สนใจวิเคราะห์ข้อมูลเพื่อระบุลักษณะและปริมาณความสัมพันธ์แบบอนุกรม แต่เพื่อที่จะตอบคำถามนี้จะต้องมีการประมาณความสัมพันธ์แบบอนุกรม แต่ทำไมคุณถึงใช้ EWM ตั้งแต่แรก?

— whuber

คุณสามารถใช้สูตรการทำซ้ำต่อไปนี้:

$\sigma_i^2 = S_i = (1 - \alpha) (S_{i-1} + \alpha (x_i - \mu_{i-1})^2)$

ที่นี่ $x_i$ $i$ $\mu_{i-1}$ $S_{i-1}$

— Roman Shapovalov
แหล่งที่มา

ใช้สูตรข้างต้นและรายการ [1,2,3,4,5] ฉันได้ SD = 0.144 ในขณะที่ SD ตัวอย่างปกติคือ 1.58 มีปัจจัย 10x ระหว่างสอง SD ที่แตกต่างกัน เป็นเรื่องปกติหรือไม่

— Mariska

การใช้

คุณจะได้รับค่าเฉลี่ย = 4.98 ซึ่งก็ไร้ประโยชน์เช่นกัน :) การใช้สัมประสิทธิ์เช่นนี้คุณให้น้ำหนักเกือบทั้งหมดในการวัดครั้งสุดท้าย ค่าที่สมจริงยิ่งกว่าของ

นั้นใกล้กับศูนย์ในกรณีนั้นค่าเฉลี่ยระยะยาว สำหรับตัวอย่างของคุณลอง

α = 0.98

$\alpha = 0.98$

α

$\alpha$

α = 0.2

$\alpha = 0.2$

α = 0.01

$\alpha = 0.01$