MAE
Mean Absolute Error (MAE) misst die durchschnittliche Größe von Fehlern in einer Reihe von Prognosen, ohne deren Richtung zu berücksichtigen. MAE wird häufig genutzt, um die Genauigkeit von Prognosemodellen zu bewerten. Die Kennzahl ist besonders nützlich, wenn die Größe der Fehler wichtiger ist als deren Richtung.
Wie MAE funktioniert
MAE bietet eine einfache Methode zur Bewertung von Prognosegenauigkeit:
- Absolute Fehler berechnen: Für jede Beobachtung wird die Differenz zwischen Prognosewert und tatsächlichem Wert gebildet und als absoluter Wert verwendet.
- Absolute Fehler summieren: Alle absoluten Fehler werden addiert.
- Durchschnitt bilden: Die Summe wird durch die Anzahl der Beobachtungen geteilt.
Stärken und Grenzen
MAE ist hilfreich, wenn eine klar verständliche durchschnittliche Fehlergröße benötigt wird. Allerdings kann MAE irreführend sein, wenn seltene, aber sehr große Fehler besonders relevant sind, da größere Abweichungen weniger stark gewichtet werden als beim Root Mean Squared Error (RMSE). RMSE kann in solchen Fällen eine ergänzende Kennzahl sein.
Anwendung in der Rohstoffpreisprognose
In Rohstoffmärkten wird MAE genutzt, um die Genauigkeit von Preisprognosen für Märkte wie Öl oder Erdgas zu bewerten. Die Kennzahl hilft Analysten, die typische Fehlergröße eines Modells einzuschätzen und Modelle für bessere Prognosen zu vergleichen.
