[资料] 时间序列分析与预测的常用误差统计指标

平均误差：ME  (mean error)

平均百分比误差：MPE  (Mean Percentage Error)

平均绝对比例误差：MASE  (Mean Absolute Scaled Error)

平均绝对误差：MAE  (mean absolute error)

均方误差：MSE  (mean squared error)

均方根误差：RMSE (root mean squared error)

平均绝对相对误差：MARE  (mean absolute relative error)

均方相对误差：MSRE  (mean squared relative error)

均方根相对误差：RMSRE  (root mean squared relative error)

平均绝对百分比误差：MAPE  (mean absolute percentage error)

均方误差百分比：MSPE  (mean squared percentage error)

均方根百分比误差：RMSPE  (root mean squared percentage error)

最大误差：Emax  (误差绝对值的最大值, maximum of absolute value of error)。尽管这个量不是统计量。

陆续抄袭来的误差计算公式：

感谢有关人员！

   傻以为：对于时间序列预测，平均误差ME、均方相对误差RMSE、最大误差Emax，是三个必须的误差值。

参考资料：

[1] 久未见, 2020-03-07, 评价指标RMSE、MSE、MAE、MAPE、SMAPE 、R-Squared——python+sklearn实现

https://www.e-learn.cn/topic/3481165

[2] 手撕机, 2019-02-21, 预测评价指标RMSE、MSE、MAE、MAPE、SMAPE

https://blog.csdn.net/guolindonggld/article/details/87856780

https://www.cnblogs.com/think90/articles/11786016.html

[3] Data Science, MAD vs RMSE vs MAE vs MSLE vs R2: When to use which?

https://datascience.stackexchange.com/questions/42760/mad-vs-rmse-vs-mae-vs-msle-vs-r%c2%b2-when-to-use-which

[4] MathWorks, Error related performance metrics

https://www.mathworks.com/matlabcentral/fileexchange/15130-error-related-performance-metrics

[5] Rob Hyndman, Accuracy measures for a forecast model

https://pkg.robjhyndman.com/forecast/reference/accuracy.html

[6] BL-Graphics, Forecast KPI: Bias, MAE, MAPE & RMSE

https://supchains.com/article/forecast-kpi-bias-mae-mape-rmse/

[7] Computer Age Statistical Inference: Algorithms, Evidence and Data Science
https://web.stanford.edu/~hastie/CASI/

相关链接：

[1] 2021-02-05，[笔记] 时间序列预测里的一些“专业术语”

http://blog.sciencenet.cn/blog-107667-1270762.html

[2] 2019-06-08，[学习资料搜集] 时间序列（time series）学习书籍

http://blog.sciencenet.cn/blog-107667-1183775.html

[3] 2018-08-18，“大数据”时期，更渴望“小样本数理统计学”

http://blog.sciencenet.cn/blog-107667-1129894.html

[4] 2016-09-01，Crosswavelet and Wavelet Coherence 小波分析的程序网址

http://blog.sciencenet.cn/blog-107667-1000091.html

[5] 2016-09-01，支持向量机 Support Vector Machine 程序网址

http://blog.sciencenet.cn/blog-107667-1000087.html

感谢您的指教！

感谢您指正以上任何错误！

感谢您提供更多的相关资料！