在包含数千个数据点的数据集中，我正在测试基于 5 个滚动数据点一直到 100 个滚动数据点的不同短期和长期数据输出（每个值都是 excel 中的单独列：5、6 ,..., 100)。
我开发的测试（对整个事情有基本的了解）是检查哪些是这些滚动数据输出的更好“拟合”（有点像移动平均线，但不完全是），换句话说，如果第 5、17 或 98 列. 理论上，在常规计算中，更好的拟合应该产生更低的标准偏差。
更好理解的类比是这样的：如果我对 5 周期正弦波进行 5 点移动平均，输出应该为零或平坦，对于 6 周期正弦波的 6 点移动平均，输出应该是相同的，等等一直到 100。这与说每种情况下的标准偏差应该为零是一样的。
因此，测试实际上是在从 5 一直到 100 的每列中选择最低标准偏差，然后应该提供最佳“拟合”（回到类比，与“正弦波”拟合）。
然而，正如统计学家会很快注意到的那样（恐怕我肯定不是其中之一），这种方法存在两个主要困难：
- 较长的数据集，即接近 100 个滚动数据点，具有较大的绝对偏差，因此产生较高的标准偏差。因此，较短的数据系列中较低的标准偏差可能并不表示更好的“拟合”，只是较低的绝对偏差；
- 每列都有不同数量的滚动数据点，因此列之间的数字和统计拟合可能无法比较。
所以我的问题是：有没有比我上面使用的标准偏差更好的统计方法，这样它对绝对偏差和数据点的数量不敏感？
谢谢！