Eksponentno glajenje je tehnika za manipuliranje podatkov iz serije kronoloških opazovanj, da bi zmanjšali učinke naključnih variacij. Matematično modeliranje, ustvarjanje numerične simulacije za niz podatkov, pogosto obravnava opazovane podatke kot vsoto dveh ali več komponent, od katerih je ena naključna napaka, razlike med opazovano vrednostjo in osnovno resnično vrednostjo. Ob pravilni uporabi tehnike glajenja minimizirajo učinek naključne variacije, kar olajša opazovanje osnovnega pojava – korist tako pri predstavitvi podatkov kot pri napovedovanju prihodnjih vrednosti. Imenujejo jih tehnike “glajenja”, ker odstranijo nazobčane vzpone in padce, povezane z naključnimi variacijami, in pustijo za seboj bolj gladko črto ali krivuljo, ko so podatki grafični. Pomanjkljivost tehnik glajenja je, da lahko ob nepravilni uporabi zgladijo tudi pomembne trende ali ciklične spremembe znotraj podatkov ter naključne variacije in s tem izkrivijo vse napovedi, ki jih ponujajo.
Najenostavnejša tehnika glajenja je vzeti povprečje preteklih vrednosti. Žal pa to tudi popolnoma zakrije vse trende, spremembe ali cikle znotraj podatkov. Bolj zapletena povprečja odpravljajo nekaj, vendar ne vsega tega zakrivanja in še vedno zaostajajo kot napovedovalci, ki se ne odzivajo na spremembe trendov, dokler se ne opazi več opazovanj po spremembi trenda. Primeri tega vključujejo drseče povprečje, ki uporablja samo najnovejša opažanja, ali tehtano povprečje, ki nekatera opažanja vrednoti bolj kot druga. Eksponentno glajenje predstavlja poskus izboljšanja teh napak.
Enostavno eksponentno glajenje je najbolj osnovna oblika, ki uporablja preprosto rekurzivno formulo za preoblikovanje podatkov. S1, prva zglajena točka, je preprosto enaka O1, prvi opazovani podatek. Za vsako naslednjo točko je zglajena točka interpolacija med prejšnjimi zglajenimi podatki in trenutnim opazovanjem: Sn = aOn + (1-a)Sn-1. Konstanta “a” je znana kot gladilna konstanta; vrednoti se med nič in ena in določa, kolikšna teža je dana neobdelanim in koliko zglajenim podatkom. Statistična analiza za zmanjšanje naključne napake na splošno določa optimalno vrednost za dano serijo podatkov.
Če rekurzivno formulo za Sn prepišemo samo glede na opazovane podatke, dobimo formulo Sn = aOn + a(1-a)On-1 + a(1-a) 2On-2 + . . . razkriva, da so zglajeni podatki tehtano povprečje vseh podatkov z utežmi, ki se eksponentno spreminjajo v geometrijski seriji. To je vir eksponente v frazi »eksponentno glajenje«. Bližje kot je vrednost “a” eni, bolj se bodo zglajeni podatki odzivali na spremembe trenda, vendar na račun tega, da bodo bolj podvrženi naključnim variacijam podatkov.
Prednost preprostega eksponentnega glajenja je, da omogoča trend spreminjanja zglajenih podatkov. Slabo pa ločuje spremembe trenda od naključnih variacij, ki so neločljivo povezane s podatki. Zaradi tega se uporabljata tudi dvojno in trojno eksponentno glajenje, ki uvaja dodatne konstante in bolj zapletene rekurzije, da se upošteva trend in ciklična sprememba podatkov.
Podatki o brezposelnosti so odličen primer podatkov, ki imajo koristi od trojnega eksponentnega glajenja. Trojno glajenje omogoča, da se podatki o brezposelnosti obravnavajo kot vsota štirih dejavnikov: neizogibna naključna napaka pri zbiranju podatkov, osnovna raven brezposelnosti, ciklična sezonska nihanja, ki vpliva na številne industrije, in spreminjajoči se trend, ki odraža zdravje ljudi. gospodarstvo. Z dodeljevanjem gladilnih konstant bazi, trendu in sezonskim variacijam, trojno glajenje olajša laiku, da vidi, kako se brezposelnost sčasoma spreminja. Izbira različnih konstant bo spremenila videz zglajenih podatkov, kar pa je eden od razlogov, da se ekonomisti včasih lahko močno razlikujejo v svojih napovedih.
Eksponentno glajenje je ena od mnogih metod za matematično spreminjanje podatkov, da bi dobili bolj smisel za pojav, ki je ustvaril podatke. Izračuni se lahko izvajajo na splošno dostopni pisarniški programski opremi, zato je tudi lahko dostopna tehnika. Ob pravilni uporabi je neprecenljivo orodje za predstavitev podatkov in za napovedovanje. Če se izvaja nepravilno, lahko skupaj z naključnimi spremembami prikrije pomembne informacije, zato je treba paziti na zglajene podatke.