监测预警基础6-究竟什么是指数加权移动平均？指数含义直观理解！|基线|平均值|移动平均|系数

系列简介

这是我们一系列原创技术贴，从易到难，每天学习一点。所有内容均为疾控数据分析、科研论文相关，或者说很多和现在的热门监测预警相关，所以我们这个系列就叫“监测预警基础”。

今天是第6节，前面讲了很多的关于算数移动平均的应用，今天算是新的内容，讲一讲指数加权移动平均，系统学习一下究竟什么是指数加权！

在传染病监测预警中，我们常常面临这样的困境：传统的简单移动平均对近期变化的反应不够灵敏，而单周数据又波动太大、容易误报。

今天，我们聚焦一种在疾控监测中极具价值的高级工具——指数加权移动平均（The Exponentially Weighted Moving Average,EWMA）。它能够更敏锐地捕捉疫情的早期变化，为防控决策赢得宝贵时间。

EWMA是由美国贝尔实验室的S. W. Roberts博士于1959年提出。原有简单控制图法在处理小波动或趋势变化时存在不足，Roberts博士开始探索新的方法，其在简单移动平均的基础上引入了权重的思想。

核心思想就是距今越近，数据权重越大；距今越远，数据权重越小；随着时间的推移呈指数形式递减。

EWMA的优势就是它会给近期数据更高权重，让监测系统对新变化更敏感，同时对历史数据“逐渐淡忘”，实现动态追踪。

所以EWMA最重要参数就是，为权重因子， 0<<1，决定递减速度。

我们通过比较就能发现指数加权移动平均的精髓

计算指数加权之后的病例数：

Zt：今天（t时刻）的指数加权之后的病例数，也就是EWMA值

Xt：今天的新观测值，原始数据

Z(t-1)：昨天的EWMA值，它包含了昨天之前的所有历史信息

λ：平滑系数，或者交权重系数、衰减因子，这就是我们要说的的“指数”，它决定了新数据的权重和遗忘的速度，范围在0到1之间。

额外说明一下，这个初始值，也就是第一个EWMA值，通常直接用第一个数据点或目标的平均值。

此外，从操作方法上看这个方法似乎只是移动指数加权，但其本质是对所有历史数据做的加权平均，它代表一个“位置”或“中心趋势”：就像算术平均值代表一组数据的中心一样，EWMA值代表了近期而且含历史影响过程水平的估计中心，所以叫指数加权移动平均！

λ的含义：λ是衡量“新数据的权重”
λ越大（接近1，如0.9）：当前新数据的权重越大，这意味着模型更信任新数据，更不信任历史记忆。因此，它对新变化反应极快，曲线会紧跟原始数据的波动，灵敏度高，但稳定性差，更容易被噪声干扰。

λ越小（接近0，如0.1）：新数据的权重越小，历史记忆的权重越大。这意味着模型更信任长期建立的历史基线，对新数据持保守态度。因此，它对新变化反应温和，曲线非常平滑，能有效过滤短期波动，稳定性强，但灵敏度低，对微小变化反应滞后。

λ大灵敏度高，λ小稳健性强。如果还没有很理解，接下来我们直接上数据看看，不同λ大小画出来的线究竟有啥区别！

我们对以下数据做7日移动平均、λ为0.8的移动加权和λ为0.3的移动加权。

画出折线图如下

这样就可以比较清楚的看出

黑色线（日病例数）：这是实际每天报告的病例数，是“真相”，但充满噪声，日报告波动、周末效应等。

黄色线（λ=0.8 的 EWMA）：它几乎紧贴着黑色线上下起伏。每当黑色线在12月3日、17日出现尖峰，黄线都几乎同步地出现一个陡峭的突起。因为 λ=0.8 赋予了新数据（今日病例数）高达80%的权重，所以它像一个“实时跟踪器”，极度敏感，几乎无滞后，但也因此继承了原始数据的大部分波动。它适合用于需要分钟级、小时级反应的高频监控场景，在日数据层面则显得“躁动”。

绿色线（λ=0.3 的 EWMA）：它是最平滑、最沉稳的一条线。它完全无视了12月3日的单日小尖峰，对于12月中下旬的整体上升趋势，它呈现出一条清晰、坚定、无抖动的上升斜坡。因为 λ=0.3 赋予新数据的权重仅30%，而70%依赖于历史（昨天的EWMA值）。这使它拥有强大的“惯性”和“记忆力”，稳定性更强，能有效过滤掉偶然的日度波动，只将持续、一致的趋势变化纳入曲线。

红色线（7日移动平均）：其平滑度介于黄绿之间，像一个标准的“趋势基线”，7日移动平均的主要问题是会完全忘掉7天之前的数据。它的行为在数学上近似于一个 λ 约等于 0.25 的 EWMA，所以其平滑和稳健的特性与绿线（λ=0.3）相似，但因为是固定窗口的简单平均，在趋势转折时可能略有一点不同。

好了，这些应该明白指数加权移动平均怎么计算以及λ的影响了吧！

那么，λ是怎么确定的呢，这么说吧，λ 是通过“基于目标的计算”得到一个初始建议值，然后通过“手动调整”来最终确定的，它不是凭空试出来的，但也不是一个固定公式能完全算死的。λ的“最终值”确定必须通过结合自身历史数据反复测试、调整，以达到误报和漏报间最佳平衡。