¿Cuáles son las deficiencias del error de porcentaje absoluto medio (MAPE)?


29

El error porcentual absoluto medio ( ) es una medida de precisión o error común para series de tiempo u otras predicciones,

MAPE=100nt=1n|AtFt|At%,

donde son reales y predicciones o predicciones correspondientes.AtFt

El MAPE es un porcentaje, por lo que podemos compararlo fácilmente entre series, y las personas pueden entender e interpretar fácilmente los porcentajes.

Sin embargo, escuché que el MAPE tiene inconvenientes. Me gustaría entender mejor estos inconvenientes para poder tomar una decisión informada sobre si usar el MAPE o alguna alternativa como el MSE ( ), el MAE ( ) o el MASE ( ).

Respuestas:


45

Deficiencias del MAPE

  • El MAPE, como porcentaje, solo tiene sentido para valores donde las divisiones y las relaciones tienen sentido. No tiene sentido calcular porcentajes de temperaturas, por ejemplo, por lo que no debe usar el MAPE para calcular la precisión de un pronóstico de temperatura.

  • Si un solo real es cero, UNAt=0 0 , entonces se divide por cero al calcular el MAPE, que no está definido.

    Resulta que, sin embargo, algunos software de pronóstico informan un MAPE para tales series, simplemente al eliminar períodos con cero reales ( Hoover, 2006 ). No es necesario decir que esta no es una buena idea, ya que implica que no nos importa en absoluto lo que pronosticamos si el real fuera cero, pero un pronóstico de Ft=100 y uno de Ft=1000 puede tener diferentes implicaciones Así que verifique qué hace su software.

    Si solo aparecen unos pocos ceros, puede usar un MAPE ponderado ( Kolassa y Schütz, 2007 ), que sin embargo tiene sus propios problemas. Esto también se aplica al MAPE simétrico ( Goodwin y Lawton, 1999 ).

  • Pueden producirse MAPE superiores al 100%. Si prefiere trabajar con precisión, que algunas personas definen como 100% -MAPE, entonces esto puede conducir a una precisión negativa, que las personas pueden tener dificultades para comprender. ( No, la precisión truncada en cero no es una buena idea ) .

  • Si tenemos datos estrictamente positivos que deseamos pronosticar (y según lo anterior, el MAPE no tiene sentido de otra manera), entonces nunca pronosticaremos por debajo de cero. Lamentablemente, MAPE trata las predicciones anteriores de manera diferente a las predicciones previas: una predicción inicial nunca contribuirá más del 100% (por ejemplo, si Ft=0 0 y UNAt=1 ), pero la contribución de una predicción previa no tiene límites (por ejemplo, si Ft=5 5 y UNAt=1 ). Esto significa que el MAPE puede ser menor para sesgos que para pronósticos no sesgados. Minimizarlo puede conducir a pronósticos con un sesgo bajo.

Especialmente la última viñeta merece un poco más de reflexión. Para esto, debemos dar un paso atrás.

Para empezar, tenga en cuenta que no conocemos el resultado futuro a la perfección, ni lo sabremos nunca. Entonces el resultado futuro sigue una distribución de probabilidad. Nuestro llamado pronóstico puntual Ft es nuestro intento de resumir lo que sabemos sobre la distribución futura (es decir, la distribución predictiva ) en el tiempo t usando un solo número. El MAPE es, entonces, una medida de calidad de una secuencia completa de tales resúmenes de un solo número de distribuciones futuras en los momentos t=1,...,norte .

El problema aquí es que la gente rara vez dice explícitamente qué es un buen resumen de un número de una distribución futura.

FtFt

Aquí está el problema: minimizar el MAPE generalmente no nos incentivará a generar esta expectativa, sino un resumen de un número bastante diferente ( McKenzie, 2011 , Kolassa, 2020 ). Esto sucede por dos razones diferentes.

  • (μ=1,σ2=1)

    lognormal

    Las líneas horizontales dan los pronósticos de puntos óptimos, donde la "óptima" se define como minimizar el error esperado para varias medidas de error.

    • Ft=exp(μ+σ22)4.5 4.5
    • Ft=expμ2.7
    • Ft=exp(μ-σ2)=1.0β=-1

    Vemos que la asimetría de la distribución futura, junto con el hecho de que el MAPE penaliza diferencialmente las predicciones excesivas e insuficientes, implica que minimizar el MAPE conducirá a pronósticos muy sesgados. ( Aquí está el cálculo de pronósticos de puntos óptimos en el caso gamma )

  • UNAtt

    tirar el dado

    En este caso:

    • Ft=3.5

    • 3Ft4 4

    • Ft=2

    Una vez más, vemos cómo minimizar el MAPE puede conducir a un pronóstico sesgado, debido a la penalización diferencial que aplica a las predicciones excesivas y subestimadas. En este caso, el problema no proviene de una distribución asimétrica, sino del alto coeficiente de variación de nuestro proceso de generación de datos.

    En realidad, esta es una ilustración simple que puede usar para enseñar a las personas sobre las deficiencias del MAPE: simplemente entregue a sus asistentes unos dados y haga que rueden. Ver Kolassa y Martin (2011) para más información.

Preguntas relacionadas con CrossValidated

Código R

Ejemplo lognormal:

mm <- 1
ss.sq <- 1
SAPMediumGray <- "#999999"; SAPGold <- "#F0AB00"

set.seed(2013)
actuals <- rlnorm(100,meanlog=mm,sdlog=sqrt(ss.sq))

opar <- par(mar=c(3,2,0,0)+.1)
    plot(actuals,type="o",pch=21,cex=0.8,bg="black",xlab="",ylab="",xlim=c(0,150))
    abline(v=101,col=SAPMediumGray)

    xx <- seq(0,max(actuals),by=.1)
    polygon(c(101+150*dlnorm(xx,meanlog=mm,sdlog=sqrt(ss.sq)),
      rep(101,length(xx))),c(xx,rev(xx)),col="lightgray",border=NA)

    (min.Ese <- exp(mm+ss.sq/2))
    lines(c(101,150),rep(min.Ese,2),col=SAPGold,lwd=3,lty=2)

    (min.Eae <- exp(mm))
    lines(c(101,150),rep(min.Eae,2),col=SAPGold,lwd=3,lty=3)

    (min.Eape <- exp(mm-ss.sq))
    lines(c(101,150),rep(min.Eape,2),col=SAPGold,lwd=3,lty=4)
par(opar)

Ejemplo de lanzamiento de dados:

SAPMediumGray <- "#999999"; SAPGold <- "#F0AB00"

set.seed(2013)
actuals <- sample(x=1:6,size=100,replace=TRUE)

opar <- par(mar=c(3,2,0,0)+.1)
    plot(actuals,type="o",pch=21,cex=0.8,bg="black",xlab="",ylab="",xlim=c(0,150))
    abline(v=101,col=SAPMediumGray)

    min.Ese <- 3.5
    lines(c(101,150),rep(min.Ese,2),col=SAPGold,lwd=3,lty=2)

    min.Eape <- 2
    lines(c(101,150),rep(min.Eape,2),col=SAPGold,lwd=3,lty=4)
par(opar)

Referencias

Gneiting, T. Elaboración y evaluación de pronósticos de puntos . Revista de la Asociación Americana de Estadística , 2011, 106, 746-762

Goodwin, P. y Lawton, R. Sobre la asimetría del MAPE simétrico . Revista Internacional de Pronósticos , 1999, 15, 405-408

Hoover, J. Medición de la precisión del pronóstico: omisiones en los motores de pronóstico de hoy y el software de planificación de la demanda . Previsión: The International Journal of Applied Forecasting , 2006, 4, 32-35

Kolassa, S. Por qué el "mejor" pronóstico del punto depende del error o la medida de precisión (Comentario invitado sobre la competencia de pronóstico M4). International Journal of Forecasting , 2020, 36 (1), 208-211

Kolassa, S. y Martin, R. Los porcentajes de errores pueden arruinar su día (y Rolling the Dice muestra cómo) . Previsión: The International Journal of Applied Forecasting, 2011, 23, 21-29

Kolassa, S. y Schütz, W. Ventajas de la relación MAD / Media sobre el MAPE . Previsión: The International Journal of Applied Forecasting , 2007, 6, 40-43

McKenzie, J. Error porcentual absoluto medio y sesgo en el pronóstico económico . Cartas de economía , 2011, 113, 259-262


44
Excelentes preguntas y respuestas. Añadiría que todas estas métricas tienen dos grandes suposiciones subyacentes: la serie es iid y estacionaria. Si uno o ambos de estos supuestos no se cumplen, lo que sucede con frecuencia en la práctica, entonces su validez es cuestionable.
Mike Hunter

Sin embargo, estoy de acuerdo con la mayoría de esto, ¿no sería legítimo lidiar con las relaciones de temperaturas siempre que estén en su escala adecuada (es decir, la escala Kelvin)?
Vuelva a instalar Mónica

2
@Ben: en ese caso, no dividiremos por cero. Sin embargo, la asimetría sigue siendo un pequeño problema. Si su pronóstico es 293K y el actual es 288K, tiene un APE de 1.74%, y si el pronóstico es 288K mientras que el real es 293K, el APE es 1.71%, por lo que el segundo pronóstico se ve mejor, aunque ambos están apagados en 5K . (Convierta a C o F según sea necesario). Esencialmente, los mismos errores absolutos se penalizan más fuertemente por los datos reales más bajos. Además, la interpretación de los errores porcentuales para las temperaturas no es fácil.
S. Kolassa - Restablece a Monica el

1
@Ben Los porcentajes de temperatura absoluta son legítimos, pero las diferencias de temperatura son más fáciles de entender, al menos, cuando tratamos con temperaturas en el rango diario; al pronosticar la temperatura central de la estrella, puede ser al revés.
Pere
Al usar nuestro sitio, usted reconoce que ha leído y comprende nuestra Política de Cookies y Política de Privacidad.
Licensed under cc by-sa 3.0 with attribution required.