Eksponentiaalinen tasoitus on menetelmä kronologisten havaintojen tietojen manipuloimiseksi satunnaisvaihtelun vaikutusten pienentämiseksi. Matemaattinen mallinnus, numeerisen simulaation luominen tietojoukolle, käsittelee havaittuja tietoja usein kahden tai useamman komponentin summana, joista yksi on satunnainen virhe, havaitun arvon ja sen taustalla olevan arvon väliset erot. Oikein käytettynä tasoitustekniikat minimoivat satunnaisvaihtelun vaikutuksen, mikä helpottaa taustalla olevan ilmiön näkemistä – hyötyä sekä tietojen esittämisessä että tulevien arvojen ennustamisessa. Niitä kutsutaan “tasoitustekniikoiksi”, koska ne poistavat satunnaiseen vaihteluun liittyvät rosoiset ylä- ja alamäet ja jättävät jälkeensä tasaisemman viivan tai käyrän, kun tiedot piirretään. Tasoitustekniikoiden haittana on, että väärin käytettynä ne voivat myös tasoittaa tärkeitä trendejä tai suhdannevaihteluja tiedoissa sekä satunnaisvaihtelua ja vääristää siten niiden tarjoamia ennusteita.
Yksinkertaisin tasoitustekniikka on ottaa keskiarvo aiemmista arvoista. Valitettavasti tämä myös peittää täysin kaikki datan suuntaukset, muutokset tai syklit. Monimutkaisemmat keskiarvot poistavat osan tästä hämärtävästä, mutta eivät kaikkea, ja niillä on edelleen taipumus jäädä ennustajiksi. Esimerkkejä tästä ovat liukuva keskiarvo, joka käyttää vain viimeisimpiä havaintoja, tai painotettu keskiarvo, joka arvostaa joitakin havaintoja enemmän kuin toiset. Eksponentiaalinen tasoitus edustaa yritystä parantaa näitä vikoja.
Yksinkertainen eksponentiaalinen tasoitus on yksinkertaisin muoto, jossa käytetään yksinkertaista rekursiivista kaavaa tietojen muuntamiseen. S1, ensimmäinen tasoitettu piste, on yksinkertaisesti yhtä suuri kuin O1, ensimmäinen havaittu data. Tasoitettu piste on jokaisen seuraavan pisteen osalta interpolointi edellisen tasoitetun datan ja nykyisen havainnon välillä: Sn = aOn + (1-a) Sn-1. Vakio “a” tunnetaan tasoitusvakiona; se on nollan ja yhden välissä ja määrittää, kuinka paljon painoa raakatiedolle ja kuinka paljon tasoitetulle datalle annetaan. Tilastollinen analyysi satunnaisvirheen minimoimiseksi määrittää yleensä tietyn tietosarjan optimaalisen arvon.
Jos Sn: n rekursiivinen kaava kirjoitetaan vain havaittujen tietojen perusteella, saadaan kaava Sn = aOn + a (1-a) On-1 + a (1-a) 2On-2 +. . . paljastaa, että tasoitettu data on kaikkien tietojen painotettu keskiarvo, jonka painot vaihtelevat eksponentiaalisesti geometrisessa sarjassa. Tämä on eksponentiaalin lähde lauseessa “eksponentiaalinen tasoitus”. Mitä lähempänä a -arvoa on yhtä, sitä tasaisemmat tiedot reagoivat trendin muutoksiin, mutta samalla kustannuksella, että ne ovat alttiimpia tietojen satunnaiselle vaihtelulle.
Yksinkertaisen eksponentiaalisen tasoituksen etu on, että se mahdollistaa trendin tasoitetun datan muuttuessa. Se ei kuitenkaan pysty erottamaan trendin muutoksia datan luontaisiin vaihteluihin. Tästä syystä käytetään myös kaksinkertaista ja kolminkertaista eksponentiaalista tasoitusta, jotka tuovat lisää vakioita ja monimutkaisempia rekursioita tietojen trendin ja suhdannevaihtelun huomioon ottamiseksi.
Työttömyysdata on erinomainen esimerkki tiedoista, jotka hyötyvät kolminkertaisesta eksponentiaalisesta tasoituksesta. Kolminkertainen tasoitus mahdollistaa työttömyystietojen katsomisen neljän tekijän summana: väistämätön satunnainen virhe tietojen keräämisessä, työttömyyden perustaso, kausivaihtelu, joka vaikuttaa moniin toimialoihin, ja muuttuva suuntaus, joka heijastaa talous. Määrittämällä tasoitusvakioita pohjaan, trendiin ja kausivaihteluun, kolminkertainen tasoitus helpottaa maallikon nähdä kuinka työttömyys vaihtelee ajan mittaan. Eri vakioiden valinta muuttaa tasoitettujen tietojen ulkonäköä, mikä on yksi syy siihen, miksi taloustieteilijät voivat joskus poiketa suuresti ennusteissaan.
Eksponentiaalinen tasoitus on yksi monista menetelmistä tietojen muuttamiseksi matemaattisesti, jotta dataa tuottanut ilmiö olisi järkevämpi. Laskut voidaan suorittaa yleisesti saatavilla olevilla toimisto -ohjelmistoilla, joten se on myös helposti saatavilla oleva tekniikka. Oikein käytettynä se on korvaamaton työkalu tietojen esittämiseen ja ennusteiden tekemiseen. Väärin suoritettu se voi mahdollisesti peittää tärkeät tiedot satunnaismuunnelmien ohella, joten tasoitetuista tiedoista on huolehdittava.