डेटा स्मूथिंग परिभाषा
डेटा चौरसाई क्या है?
डेटा सेट से शोर को हटाने के लिए एल्गोरिथ्म का उपयोग करके डेटा स्मूथिंग किया जाता है । यह महत्वपूर्ण पैटर्न को और अधिक स्पष्ट रूप से बाहर खड़ा करने की अनुमति देता है।
डेटा स्मूथिंग का उपयोग रुझानों की भविष्यवाणी करने में मदद करने के लिए किया जा सकता है, जैसे कि प्रतिभूतियों की कीमतों में पाए जाने वाले, साथ ही आर्थिक विश्लेषण में जो मौसमी के प्रभाव को ध्यान में रख सकते हैं या जो एक बार के आउटलेर्स को अनदेखा कर सकते हैं।
चाबी छीन लेना
- डेटा चौरसाई एक डेटा सेट से शोर को हटाने के लिए एक एल्गोरिथ्म का उपयोग करती है, जिससे महत्वपूर्ण पैटर्न बाहर खड़े हो सकते हैं, और प्रतिभूतियों की कीमतों में पाए जाने वाले रुझानों की भविष्यवाणी करने के लिए इसका उपयोग किया जा सकता है।
- अलग-अलग डेटा चौरसाई मॉडल में चलती औसत का उपयोग यादृच्छिक विधि शामिल है।
- हालांकि डेटा चौरसाई कुछ रुझानों की भविष्यवाणी करने में मदद कर सकती है, यह स्वाभाविक रूप से नमूने में कम जानकारी को जन्म देगी जिससे कुछ डेटा बिंदुओं को अनदेखा किया जा सकता है।
डेटा चौरसाई समझाया
जब डेटा संकलित किया जाता है, तो इसे किसी भी अस्थिरता, या किसी अन्य प्रकार के शोर को हटाने या कम करने के लिए हेरफेर किया जा सकता है । इसे डेटा स्मूथिंग कहते हैं।
डेटा चौरसाई के पीछे का विचार यह है कि यह विभिन्न रुझानों और पैटर्न की भविष्यवाणी करने में मदद करने के लिए सरलीकृत परिवर्तनों की पहचान कर सकता है। यह सांख्यिकीविदों या व्यापारियों के लिए एक सहायता के रूप में कार्य करता है, जिन्हें बहुत सारे आंकड़ों को देखने की आवश्यकता होती है – जो कि अक्सर पचाने के लिए जटिल हो सकते हैं – पैटर्न को खोजने के लिए जो वे अन्यथा नहीं देखेंगे।
एक दृश्य प्रतिनिधित्व के साथ समझाने के लिए, कंपनी एक्स के स्टॉक के लिए एक साल के चार्ट की कल्पना करें। स्टॉक के लिए चार्ट पर प्रत्येक व्यक्तिगत उच्च बिंदु को सभी निचले बिंदुओं को ऊपर उठाते हुए कम किया जा सकता है। यह एक चिकना वक्र बनाता है, इस प्रकार एक निवेशक को भविष्य में स्टॉक कैसे प्रदर्शन कर सकता है, इसके बारे में भविष्यवाणियां करने में मदद करता है।
स्मूद किए गए डेटा को आमतौर पर अर्थशास्त्रियों द्वारा पसंद किया जाता है क्योंकि यह अनम्यूट डेटा की तुलना में ट्रेंड में बेहतर बदलावों की पहचान करता है, जो अधिक अनिश्चित दिखाई दे सकते हैं और गलत सिग्नल पैदा कर सकते हैं।
डेटा चौरसाई तरीके
अलग-अलग तरीके हैं जिनमें डेटा स्मूथिंग किया जा सकता है। इनमें से कुछ में रैंडमाइजेशन विधि, एक यादृच्छिक चलना का उपयोग करना, एक चलती औसत की गणना करना, या कई घातीय चौरसाई तकनीकों में से एक का संचालन करना शामिल है।
एक साधारण मूविंग एवरेज (एसएमए) हाल की कीमतों और ऐतिहासिक दोनों पर समान वजन रखता है, जबकि एक घातीय मूविंग एवरेज (ईएमए) हाल के मूल्य डेटा पर अधिक भार डालता है।
यादृच्छिक वॉक मॉडल का उपयोग आमतौर पर स्टॉक जैसे वित्तीय साधनों के व्यवहार का वर्णन करने के लिए किया जाता है। कुछ निवेशकों का मानना है कि सुरक्षा की कीमत और उसके भविष्य के आंदोलन में पिछले आंदोलन के बीच कोई संबंध नहीं है। रैंडम वॉक स्मूथिंग मानती है कि भविष्य के डेटा पॉइंट पिछले उपलब्ध डेटा पॉइंट और एक रैंडम वैरिएबल के बराबर होंगे। तकनीकी और मौलिक विश्लेषक इस विचार से असहमत हैं; उनका मानना है कि भविष्य के आंदोलनों को अतीत के रुझानों की जांच करके अलग किया जा सकता है।
अक्सर तकनीकी विश्लेषण में उपयोग किया जाता है, चलती औसत मूल्य कार्रवाई को सुचारू करता है जबकि यह यादृच्छिक मूल्य आंदोलनों से अस्थिरता को फ़िल्टर करता है। यह प्रक्रिया अतीत की कीमतों पर आधारित है, जो इसे एक प्रवृत्ति-निम्नलिखित या लैगिंग-संकेतक बनाती है। जैसा कि नीचे दिए गए मूल्य चार्ट में देखा जा सकता है, चलती औसत (ईएमए) में कैंडलस्टिक्स द्वारा दर्शाए गए अंतर्निहित दैनिक मूल्य डेटा का सामान्य आकार और प्रवृत्ति है। जितने अधिक दिन मूविंग एवरेज में शामिल होते हैं, उतनी ही स्मूथ लाइन बन जाती है।
पेशेवरों और डेटा चौरसाई के विपक्ष
अर्थव्यवस्था में रुझानों की पहचान करने में मदद करने के लिए डेटा स्मूथिंग का उपयोग किया जा सकता है, प्रतिभूतियों जैसे स्टॉक, उपभोक्ता भावना या अन्य व्यावसायिक उद्देश्यों के लिए।
उदाहरण के लिए, एक अर्थशास्त्री कुछ संकेतकों जैसे खुदरा बिक्री के लिए मौसमी समायोजन करने के लिए डेटा को सुचारू कर सकता है, जो हर महीने छुट्टियों या गैस की कीमतों की तरह भिन्नता को कम कर सकता है।
हालांकि, इस उपकरण का उपयोग करने के लिए पतन हैं। डेटा चौरसाई हमेशा उन रुझानों या पैटर्न की व्याख्या प्रदान नहीं करता है जो इसे पहचानने में मदद करता है। यह कुछ डेटा बिंदुओं को अनदेखा कर सकता है जो दूसरों पर जोर देते हैं।
पेशेवरों
-
डेटा से शोर को समाप्त करके वास्तविक रुझानों की पहचान करने में मदद करता है
-
आर्थिक आंकड़ों के मौसमी समायोजन की अनुमति देता है
-
चलती औसत सहित कई तकनीकों के माध्यम से आसानी से हासिल किया
विपक्ष
-
डेटा को निकालना हमेशा विश्लेषण के लिए कम जानकारी के साथ आता है, विश्लेषण में त्रुटियों का खतरा बढ़ जाता है
-
चौरसाई विश्लेषकों के पूर्वाग्रहों पर जोर दे सकती है और ऐसे आउटलेयर को अनदेखा कर सकती है जो सार्थक हो सकते हैं
वित्तीय लेखांकन में डेटा चौरसाई का उदाहरण
व्यवसाय लेखांकन में डेटा चौरसाई का अक्सर उद्धृत उदाहरण एक संदिग्ध अवधि के लिए एक रिपोर्टिंग अवधि से दूसरे में खराब ऋण व्यय को बदलने के लिए संदिग्ध खातों के लिए एक भत्ता बनाना है । उदाहरण के लिए, एक कंपनी को उम्मीद है कि दो लेखा अवधि में कुछ सामानों के लिए भुगतान नहीं मिलेगा; पहली रिपोर्टिंग अवधि में $ 1,000 और दूसरी रिपोर्टिंग अवधि में $ 5,000।
यदि पहली रिपोर्टिंग अवधि में उच्च आय होने की उम्मीद है, तो कंपनी उस रिपोर्टिंग अवधि में संदिग्ध खातों के लिए भत्ते के रूप में कुल $ 6,000 की राशि शामिल कर सकती है। इससे आय विवरण पर खराब ऋण व्यय $ 6,000 बढ़ जाएगा और शुद्ध आय 6,000 डॉलर घट जाएगी। इससे आय में कमी करके उच्च आय की अवधि समाप्त हो जाएगी। कंपनियों के लिए किसी भी खाते को समायोजित करते समय निर्णय और कानूनी लेखांकन विधियों का उपयोग करना महत्वपूर्ण है।