Métricas de precisión de pronóstico: MAPE, sMAPE y MASE

Las métricas de precisión de los pronósticos convierten los errores de predicción en resúmenes, pero cada uno enfatiza propiedades diferentes. El error absoluto medio promedia los errores absolutos en las unidades del objetivo. MAPE promedia el error absoluto dividido por el valor real absoluto, a menudo multiplicado por 100. Es fácil de leer como porcentaje, pero no está definido cuando los valores reales son cero y pueden estar dominados por valores reales pequeños. También trata los errores de pronóstico excesivo y insuficiente de manera asimétrica en algunos entornos porque los datos reales aparecen sólo en el denominador. sMAPE intenta obtener un porcentaje simétrico escalando el error absoluto en relación con las magnitudes real y prevista. Existen varias fórmulas, algunas usan un factor de dos y otras no, y los casos de cero sobre cero requieren convenciones. A pesar de su nombre, sMAPE puede comportarse inesperadamente alrededor de cero y no garantiza comparaciones justas en todas las escalas. Indique siempre la implementación exacta. El error escalado absoluto medio (MASE) divide el MAE del conjunto de pruebas de un modelo por el MAE en la muestra de un pronóstico ingenuo, generalmente el pronóstico de persistencia de un paso para datos no estacionales. Para datos estacionales, un denominador sin estacionalidad puede ser más apropiado. Un MASE inferior a uno significa que el error absoluto promedio del modelo en los casos de evaluación es menor que la escala ingenua elegida en la muestra. Esto no significa que el modelo siempre supere la línea de base en cada observación y que el denominador pueda ser cero para datos de entrenamiento perfectamente constantes. Utilice un período de evaluación que refleje el horizonte de pronóstico previsto, preserve el orden temporal y compare modelos en casos idénticos. Informe definiciones de métricas, unidades, tratamiento de ceros, ponderaciones de agregación y línea de base. Si se combinan muchas series, los errores porcentuales promedio pueden dar a las series de volumen pequeño una influencia desproporcionada. Combine una métrica principal con distribuciones de errores y costos comerciales, como desabastecimientos versus exceso de existencias. Ninguna métrica captura la calibración de los intervalos de predicción, el sesgo, el riesgo de cola y el impacto operativo a la vez.