Vorhersagequalität

Vorhersagequalität bezeichnet die Güte oder Zuverlässigkeit von Vorhersagen in Bezug auf den bekannten Zielwert. Sie umfasst die Fähigkeit eines Vorhersagesystems, Schätzungen zuverlässig, akkurat und zielkonform unter Berücksichtigung der Unsicherheit zu liefern. Vorhersagen können deterministisch (Punktwerte) oder probabilistisch (Wahrscheinlichkeiten, Verteilungen) sein. Die Vorhersagequalität hängt von Modell, Daten, Annahmen und der Behandlung von Unsicherheit ab und ist kontextabhängig sowie zeitlich begrenzt.

Zur Quantifizierung werden Verification Metrics genutzt. Für binäre Ereignisse (z. B. Regen ja/nein) gelten Brier-Score, Log-Loss, Zuverlässigkeitsdiagramme (Calibration-Plots) und PIT-Histogramm, sowie ROC AUC. Für stetige Zielgrößen (Temperatur, Preise) kommen RMSE, MAE, MAPE und CRPS zum Einsatz. Probabilistische Prognosen werden oft mit sogenannten proper scoring rules bewertet, die die Güte ganzer Verteilungen quantifizieren. Diskriminierung, Kalibrierung und Schärfe (Sharpness) gelten als zentrale Qualitätsdimensionen.

Wichtige Einflussfaktoren sind Datenqualität, Modellkomplexität, die Repräsentation von Unsicherheit sowie Lead Time und räumliche/zeitliche Auflösung. Ensemble-Verfahren erhöhen die Vorhersagequalität, indem sie Unsicherheit besser ausdrücken. Kalibrierungstechniken wie isotone Regression oder Platt-Skalierung verbessern die Zuverlässigkeit von Wahrscheinlichkeiten. Validierung erfolgt üblicherweise out-of-sample oder durch hindcasting, um die Generalisierbarkeit zu prüfen.

In unterschiedlichen Anwendungsfeldern wie Meteorologie, Medizin oder Wirtschaft unterscheiden sich Standards und Erwartungen an die Vorhersagequalität. Grundsätzlich bedeutet eine hohe Vorhersagequalität, dass das Vorhersagesystem verlässlich Informationen liefert, die im jeweiligen Kontext sinnvoll genutzt werden können.