ARDL模型预测的评估指标怎么看

Question

写毕业论文的时候遇到点问题，我用eviews做的ARDl模型，到最后一步模型的预测，预测了未来七天的值，结果显示MAE是3点几，MAPE是没有的，这个是不是不太合适呀？能不能看别的指标来判断呀

Answer 1

引自免费微信小程序：皆我百晓生

在您的毕业论文中，您使用EViews软件对ARDL模型进行了预测，并对预测结果进行了评估。您关注的是模型预测性能的评价指标，特别是针对MAE（Mean Absolute Error，平均绝对误差）和MAPE（Mean Absolute Percentage Error，平均绝对百分比误差）。您指出MAE为3点几，而MAPE未显示。对此，您可以从以下几个方面进行深入分析和评估：

MAE的理解与解释：

MAE是衡量预测值与实际值之间绝对差异的平均值，它直观地反映了模型预测的平均偏差程度。您提到的MAE为3点几，具体数值取决于您的数据单位和实际应用背景，但一般来说，较低的MAE表示模型预测较为准确。不过，单独依赖MAE来判断模型预测效果是否合适并不充分，因为MAE并未考虑数据的波动范围和分布特性。

MAPE缺失的原因及替代指标：

MAPE计算的是预测误差相对于实际值的百分比，适用于数据具有明显趋势变化且各观测值差异较大的情况。然而，MAPE存在一些局限性，例如当实际值接近零时，计算结果可能产生异常大或无穷大的值。EViews或其他统计软件在处理这类情况时可能会选择不显示MAPE。如果您发现MAPE未显示，可以尝试以下操作：

1. 检查数据：确保没有接近零或负的实际观测值，这些可能导致MAPE计算问题。
2. 选用替代指标：如RMSE（Root Mean Square Error，均方根误差）或MAPE的修正版本如WAPE（Weighted Absolute Percentage Error，加权绝对百分比误差）等，它们在一定程度上克服了MAPE的局限性。在EViews中计算这些指标，一般可以通过编程实现或利用内置的函数（如@rmse）。

综合评价模型预测性能：

除了上述误差度量外，您还可以结合以下方法全面评估模型预测性能：

1. 图形可视化：绘制预测值与实际值的时间序列图，直观对比两者走势是否吻合。若模型预测曲线能较好地跟随实际数据变化，可视其为具有一定预测能力。

2. 残差分析：检查模型残差（预测值与实际值之差）的统计特性（如均值、方差、自相关性等），以验证模型假设的合理性。残差应近似独立同分布，无明显异方差或序列相关性。

3. 交叉验证：将样本数据划分为训练集和测试集，通过多次训练-测试循环，观察模型在不同子样本上的预测表现，以降低过拟合风险并提高模型泛化能力。

4. 信息准则与统计检验：查看模型的AIC（Akaike Information Criterion）、BIC（Bayesian Information Criterion）等信息准则，以及F统计量、t统计量等，评估模型的显著性和解释力。

代码示例（以Python为例，假设您已得到预测值y_pred和实际值y_true）：

import numpy as np
from sklearn.metrics import mean_absolute_error, mean_squared_error

# 计算MAE、RMSE
mae = mean_absolute_error(y_true, y_pred)
rmse = np.sqrt(mean_squared_error(y_true, y_pred))

print("MAE:", mae)
print("RMSE:", rmse)

# 画出预测值与实际值时间序列图
import matplotlib.pyplot as plt

plt.figure(figsize=(10, 6))
plt.plot(y_true, label='Actual')
plt.plot(y_pred, label='Predicted')
plt.legend()
plt.title('Actual vs Predicted Values')
plt.show()

# 残差分析（此处仅展示残差直方图）
residuals = y_true - y_pred
plt.hist(residuals, bins=20, edgecolor='black', alpha=0.7)
plt.title('Residual Histogram')
plt.xlabel('Residuals')
plt.ylabel('Frequency')
plt.show()

综上所述，当面对MAPE未显示的问题时，您可以检查数据、选用替代误差度量指标、进行图形可视化和残差分析等方法，以多角度、全方位地评估您的ARDL模型预测性能。同时，结合其他信息准则和统计检验结果，有助于您更准确地判断模型预测是否合适。