Ennustustarkkuutta

Ennustustarkkuus kuvaa sitä, kuinka hyvin ennuste vastaa todellisia havaintoja. Se on keskeinen käsite tilastollisissa ja päätöksenteon tukemisessa käytettävissä malleissa. Ennuste voi olla pistetulos (point forecast), jolla pyritään arvaamaan tuleva arvo, tai todennäköisyyspohjainen ennuste, jossa ilmoitetaan todennäköisyydet tapahtumille.

Pistetarkkuutta arvioidaan yleisesti mittareilla kuten MAE (keskimääräinen absoluuttinen virhe) ja RMSE (juuri keskimääräinen neliöllinen virhe). Probabilistisia ennusteita arvioidaan todennäköisyyksiin perustuvilla mittareilla kuten Brierin piste, logaritminen tappio sekä CRPS (continuous ranked probability score). Calibration (soveltuvuus) ja discrimination (erottelukyky) ovat tärkeitä, jotta voidaan arvioida sekä ohjaako ennuste todellisia tapahtumia oikein että erotellaanko erilaiset tapahtumat toisistaan.

Arviointi tehdään yleensä käyttämällä erillistä testiaineistoa tai aikaperusteista lähestymistapaa, kuten backtestingia aikajärjestelmissä. Yleensä malleja verrataan perustasoihin ja raportoidaan sekä absoluuttinen että suhteellinen suoritus, sekä ennustettuun epävarmuuteen liittyviä ominaisuuksia.

Tekijät, jotka vaikuttavat ennustustarkkuuteen, ovat datan laatu ja määrä, havaintoihin liittyvät virheet, mallin oikeellisuus sekä mahdollinen yliveto. Lisäksi ajan mittaan tapahtuvien rakenteellisten muutosten (nonstationaarisuus), ulkoiset tekijät sekä ennustettavan aikavälin pituus voivat heikentää tarkkuutta. Epävarmuuden kommunikaatio ja läpinäkyvyys ovat olennaisia sanoen tulosten tulkinnassa.

Sovelluksia ovat sääennusteet, talous- ja rahoitusennusteet sekä epidemiologiset mallit ja julkisen terveyden seuranta. Ennustustarkkuuden ymmärtäminen yhdistää tilastollisen ajattelun käytännön päätöksentekoon.