平均相对误差的计算公式
平均相对误差（Mean Relative Error, MRE）是一种衡量预测值与实际值之间差异程度的统计指标。它通常用于评估模型的预测性能，特别是在回归分析和时间序列预测中。以下是平均相对误差的计算公式及其详细解释：
计算公式
平均相对误差（MRE）的计算公式为：
[ \text{MRE} = \frac{1}{n} \sum_{i=1}^{n} \left| \frac{y_i - \hat{y}_i}{y_i} \right| ]
其中：
- $ n $ 是数据点的总数；
- $ y_i $ 是第 $ i $ 个实际观测值；
- $ \hat{y}_i $ 是第 $ i $ 个预测值或模型估计值；
- $ |x| $ 表示绝对值函数，确保误差总是非负的；
- $ \frac{y_i - \hat{y}_i}{y_i} $ 计算的是每个数据点的相对误差。
详细步骤
- 计算每个数据点的相对误差：对于每一个实际观测值 $ y_i $ 和对应的预测值 $ \hat{y}_i $，计算其相对误差 $\frac{y_i - \hat{y}_i}{y_i}$。注意这里要取绝对值以确保误差是非负的。
- 求所有相对误差的绝对值之和：将所有数据点的相对误差绝对值相加，得到总和。
- 计算平均值：将总和除以数据点的总数 $ n $，得到平均相对误差。
应用场景
平均相对误差常用于以下场景：
- 回归分析：评估回归模型对连续变量的预测精度。
- 时间序列分析：衡量时间序列预测模型的准确性。
- 需求预测：在供应链管理、销售预测等领域，评估预测模型的有效性。
注意事项
- 零值处理：当实际观测值 $ y_i $ 为零时，相对误差无法定义（因为分母为零）。在实际应用中，需要特别处理这种情况，例如通过设定一个小的正数作为替代值，或者忽略这些特定的数据点。
- 敏感性：平均相对误差对极端值较为敏感，因为它依赖于每个数据点的相对误差。在某些情况下，可能需要使用其他误差度量方法（如均方根误差RMSE）来更全面地评估模型性能。
通过以上介绍和计算公式，您可以更好地理解和应用平均相对误差来评估您的预测模型或数据分析结果。
