预测结果的评价方法_sas如何用代码表示arima的平均相对误差-CSDN博客

本文链接：https://blog.csdn.net/m0_73384617/article/details/135921065

本文介绍了如何通过Python计算预测结果的评价指标，包括平均绝对误差(MAD)、相对误差绝对值的平均值(AARE)、方差(S^2)以及希尔不等系数(TheilIC)和修正的不等系数(RIC)，这些指标帮助衡量预测精度并确定模型性能。

摘要由CSDN通过智能技术生成

假设有 n 个历史数据 $y_{j} (j=1,2,\cdots,n)$ ，通过某种预测方法得到其模拟值 $\widehat{y_{j}} (j=1,2,\cdots,n)$ ，对此，可以通过以下方法来评价预测结果：

1.平均绝对误差MAD

$MAD=\frac{1}{n}\sum_{j=1}^{n}|e_{j}|=\frac{1}{n}\sum_{j=1}^{n}|\widehat{y_{j}}-y_{j}|$

Python代码实现：

import numpy as np

def calculate_mad(y_hat, y):
    n = len(y)
    e = np.abs(y_hat - y)
    mad = np.sum(e) / n
    return mad

# 定义已知数据
y = np.array([y1, y2, ..., yn])  # 已知向量 y
y_hat = np.array([y_hat1, y_hat2, ..., y_hatn])  # 已知向量 y_hat

# 计算 MAD
mad = calculate_mad(y_hat, y)
print("MAD 的值为：", mad)

2.相对误差绝对值的平均值AARE

$AARE=\frac{1}{n}\sum_{j=1}^{n}|\widetilde{e_{j}}|=\frac{1}{n}\sum_{j=1}^{n}|\frac{\widehat{y_{j}}-y_{j}}{y_{j}}|$

预测精度的接收程度参考标准
AARE范围	预测模型精度
10%以下	精度较高
10%~20%	精度良好
20%~50%	预测较为可行
50%以上	预测不可行

Python代码实现：

import numpy as np

def calculate_aare(y_hat, y):
    n = len(y)
    e = np.abs((y_hat - y) / y)
    aare = np.sum(e) / n
    return aare

# 定义已知数据
y = np.array([y1, y2, ..., yn])  # 已知向量 y
y_hat = np.array([y_hat1, y_hat2, ..., y_hatn])  # 已知向量 y_hat

# 计算 AARE
aare = calculate_aare(y_hat, y)
print("AARE 的值为：", aare)

3.方差 $S^{2}$

$S^{2}=\frac{1}{n}\sum_{j=1}^{n}{e_{j}}^{2}=\frac{1}{n}\sum_{j=1}^{n}(\widehat{y_{j}}-y_{j})^{2}$

Python代码实现：

import numpy as np

def calculate_squared_error(y_hat, y):
    n = len(y)
    squared_error = np.sum((y_hat - y) ** 2) / n
    return squared_error

# 定义已知数据
y = np.array([y1, y2, ..., yn])  # 已知向量 y
y_hat = np.array([y_hat1, y_hat2, ..., y_hatn])  # 已知向量 y_hat

# 计算 S^2
squared_error = calculate_squared_error(y_hat, y)
print("S^2 的值为：", squared_error)

4.希尔不等系数Theil IC

$IC=\frac{\sqrt{\frac{1}{n}\sum_{j=1}^{n}(\widehat{y_{j}}-y_{j})^{2}}}{\sqrt{\frac{1}{n}\sum_{j=1}^{n}\widehat{{y_{j}}}^{2}}+\sqrt{\frac{1}{n}\sum_{j=1}^{n}{y_{j}}^{2}}}$

IC的值介于0和1之间，越接近0说明预测精度越高。

Python代码实现：

import numpy as np

def calculate_IC(y_hat, y):
    n = len(y)
    numerator = np.sqrt(np.sum((y_hat - y)**2) / n)
    denominator = np.sqrt(np.sum(y_hat**2) / n) + np.sqrt(np.sum(y**2) / n)
    IC = numerator / denominator
    return IC

# 示例数据
y_hat = np.array([1, 2, 3, 4, 5])
y = np.array([2, 4, 6, 8, 10])

# 计算IC
ic_value = calculate_IC(y_hat, y)
print("IC值:", ic_value)

5.修正的不等系数RIC

$RIC=\frac{\sqrt{\sum_{j=1}^{n}(\widehat{y_{j}}-y_{j})^{2}}}{\sqrt{\sum_{j=1}^{n}{y_{j}}^{2}}}$

RIC的值介于0和 $\infty$ 之间，越接近0说明预测精度越高，RIC=0称为完美预测。

Python代码实现：

import numpy as np

def calculate_RIC(y_hat, y):
    numerator = np.sqrt(np.sum((y_hat - y)**2))
    denominator = np.sqrt(np.sum(y**2))
    RIC = numerator / denominator
    return RIC

# 示例数据
y_hat = np.array([1, 2, 3, 4, 5])
y = np.array([2, 4, 6, 8, 10])

# 计算RIC
ric_value = calculate_RIC(y_hat, y)
print("RIC值:", ric_value)