Что такое средневзвешенная абсолютная ошибка в процентах и как она рассчитывается
Бизнес-профессионалы, специалисты по данным и финансовым аналитикам, а также бухгалтеры используют модели прогнозирования, чтобы предсказать, как все изменится в течение определенного периода. Чтобы обеспечить точность своих моделей, эти специалисты измеряют, насколько модель похожа на фактические данные. Для этого они могут использовать средневзвешенную абсолютную процентную ошибку или WMAPE. Знание того, что такое WMAPE и как его рассчитать, может помочь вам делать более точные прогнозы будущих данных и финансовых тенденций. В этой статье мы обсудим, что такое WMAPE, рассмотрим способы его использования и рассмотрим, как рассчитать WMAPE для выборки данных.
Что такое средневзвешенная абсолютная ошибка в процентах?
Средневзвешенная абсолютная процентная ошибка, обычно называемая WMAPE, представляет собой способ измерения точности финансовых и статистических прогнозов по сравнению с фактическими или реальными результатами для выборки. Например, если вы предсказали, что продадите пять автомобилей, и действительно продали пять автомобилей в этот день, то ваш WMAPE будет равен 0 %, поскольку в вашем прогнозе не было ошибок. Если бы вы продали три автомобиля, то ваш WMAPE составил бы 66,6%, потому что в прогнозе был указан один результат, а реальный результат был другим. Различные части WMAPE:
Взвешенный: это означает, что есть компонент, по которому вы измеряете результат расчета.
Среднее: это означает, что ваш результат для этого расчета является средним показателем точности ваших прогнозов.
Абсолют: это означает, что независимо от того, был ли реальный результат больше или меньше прогноза, ваш расчет даст положительное число.
Процент: это означает, что результат вашего расчета представлен в процентном формате для простоты использования.
Ошибка: это означает, что результат вашего расчета является мерой разницы между вашим прогнозом и вашим реальным результатом.
Как используется средневзвешенная абсолютная процентная ошибка?
Вы можете использовать WMAPE для исследования средней ошибки ваших прогнозов с течением времени по сравнению с тем, что происходит на самом деле. Как правило, вы используете WMAPE для сравнения прогнозов за более длительный период, потому что это показывает общую тенденцию правильности ваших прогнозов, а не конкретный день или час. Вы также можете использовать WMAPE в сочетании с другими измерениями прогнозирования, чтобы получить представление о точности и скорости отклика ваших моделей данных.
Как рассчитывается средневзвешенная абсолютная ошибка в процентах?
Формула для расчета WMAPE:
(1/n) x Σ(|Факт. – Прогноз|) x 100 / |Факт.| = WMAPE
Где части формулы:
n = размер выборки
Σ = сумма всех значений в скобках
|х| = символы, представляющие абсолютное значение чисел между ними
Факт = реальная стоимость за данный период
Прогноз = ожидаемое значение для данного периода
Например, если у вас есть следующие прогнозируемые и фактические значения:
Прогноз**Фактический**53101555Следующие шаги могут помочь вам найти WMAPE для вашего набора данных:
1. Найдите все значения для |Факт – Прогноз|
Чтобы найти эти значения, вы можете ввести каждое значение прогнозируемого и фактического в уравнение. Например:
|3 – 5| = 2
|15 -10| = 5
|5 – 5| = 0
Это удовлетворяет части формулы |Факт – Прогноз| и может помочь вам рассчитать вес каждого значения. Примечательно, что в первом уравнении используются символы абсолютных значений |x| и преобразует отрицательное число два в значение положительного числа два. Это связано с тем, что символы абсолютного значения заботятся о расстоянии числа от нуля, а не о его реальном значении. Здесь минус два — это два от нуля.
2. Разделите каждое значение на фактическое значение.
После того как вы рассчитали абсолютные значения фактических и прогнозируемых данных, вы можете разделить эти данные на фактическое значение. Например:
2/3 = 0,66
5/15 = 0,33
0 / 5 = 0
Это удовлетворяет части уравнения /|Actual|. Каждый из результатов вычислений является положительным числом из-за использования символов абсолютного значения. Это может помочь вам рассчитать вес для каждого значения в вашем наборе данных.
3. Умножить на 100 и разделить на фактическое значение
После того, как вы нашли результаты своих предыдущих расчетов, вы можете умножить каждый из них на 100. Это гарантирует, что все ваши значения находятся в той же шкале, что и фактические значения, удовлетворяет части уравнения x 100 и может помочь вам определить каждое значение. масса. Например:
0,66 х 100 = 66
0,33 х 100 = 33
0 х 100 = 0
После того, как вы завершили приведенные выше расчеты, вы можете разделить каждый результат на исходное фактическое значение. Например:
66/3 = 22
33/15 = 2,2
0 / 5 = 0
Эти числа представляют веса каждого вычисления, которые используются в следующих шагах. Для этого шага вы также можете присвоить веса на основе важных моментов в вашем наборе данных. Например, если понедельник — лучший день продаж на неделе, а все остальные дни равны, то понедельнику можно присвоить вес, равный шести, а другим дням — один. Это означает, что понедельник имеет 60% веса, а все остальные дни имеют 10% веса.
4. Рассчитать сумму фактических значений и сумму весов
Теперь, когда вы вычислили веса каждого набора значений, вы можете вычислить сумму фактических значений. Вы можете сделать это, добавив каждое фактическое значение к другим. Например:
3 + 15 + 0 = 18
После того, как вы подсчитали сумму фактических значений, вы можете сложить свои веса. Например:
22 + 2,2 = 24,2
5. Рассчитайте средневзвешенную абсолютную процентную ошибку.
Наконец, вы можете рассчитать средневзвешенную абсолютную процентную ошибку, разделив сумму весов на сумму фактических значений. Например:
24,2/18 = 1,34
Преобразованное в проценты, это значение составляет 1,34%, что равно средневзвешенной абсолютной процентной ошибке значений. Это относительно низкая процентная ошибка, означающая, что модели прогнозирования были почти на 100% точными.