外推
| 此条目没有列出任何参考或来源。 (2019年10月13日) |
在数学中，外推（英语：extrapolation）是指从已知数据的孤点集合中构建新的数据的方法。与内插类似，但其所得的结果意义更小，而且更加受不确定性影响。
在市场学中，这种方法被用来预测未来产业走向。
外推算法
| 此章节需要扩充。 (2019年10月13日) |
线性外推
线性外推在已知数据末端创建一条切线，并将其延伸。仅当用于延展近似线性的函数或延展区域离已有数据不远时，线性外推才是有效的。
如果使用离 点最近的两个数据点 和 插值，线性外推的公式为：
此公式与线性内插是一样的。只是线性内插时， ；线性外推时， 或 。线性外推可能使用超过两个点，使用类似回归的技术，对选择包括的数据点进行线性插值的斜率平均化。这类似于线性预测。
多项式外推
构建贯穿所有已知数据或只在终点附近的多项式曲线（两点为线性外推（Linear extrapolation），三点为二次外推（Quadratic extrapolation）），构建的曲线可以延展到所有已知数据外。多项式外推通常使用拉格朗日内插法（Lagrange interpolation）或牛顿有限差分法（Newton's method of finite differences）实现，产生的多项式可以用于外推数据。
高阶的多项式外推必须谨慎使用，例如对于右图的数据，任何高于一阶（线性）的外推方法都可能产生不可用的值。外推值的误差会随着多项式的阶而增长，这与Runge现象有关。