Anda sekarang telah melihat dua prakiraan alternatif dari Indeks Sentimen Konsumen Universitas

Michigan. Ramalan mana yang terbaik tergantung pada tahun atau tahun tertentu yang Anda lihat.
Misalnya, model pertama melakukan pekerjaan yang lebih baik dalam meramalkan indeks untuk
April-06, sedangkan model kedua melakukan pekerjaan yang lebih baik untuk Mei-06. Lihat Tabel 1.3
untuk seluruh rangkaian prakiraan. Dalam retrospeksi, mudah untuk mengatakan ramalan mana
yang lebih baik untuk satu periode. Namun, jarang menemukan satu model yang selalu terbaik untuk
kumpulan data bisnis atau ekonomi tertentu. Tetapi kita memerlukan beberapa cara untuk
mengevaluasi keakuratan model peramalan selama beberapa periode sehingga kita dapat
mengidentifikasi model yang umumnya bekerja dengan baik. Di antara sejumlah kemungkinan
kriteria yang dapat digunakan, tujuh yang umum adalah kesalahan rata-rata (ME), kesalahan absolut
rata-rata (MAE), kesalahan persentase rata-rata (MPE), kesalahan persentase absolut rata-rata
(MAPE), kesalahan rata-rata. squared error (MSE), root-mean-squared error (RMSE), dan Theil's U.
Untuk mengilustrasikan bagaimana masing-masing dihitung, mari

Pada nilai aktual dalam periode t

Nilai perkiraan Ft pada periode t

n Jumlah periode yang digunakan dalam perhitungan

Model tanpa perubahan yang digunakan dalam menghitung . Theil's U adalah model peramalan naif
dasar yang dijelaskan di atas, di mana Ft At 1. Untuk kriteria satu sampai enam, nilai yang lebih
rendah lebih disukai daripada yang lebih tinggi. Untuk

Nilai U yang sama dengan nol berarti model terramalkan dengan sempurna (tidak ada kesalahan
pembilang). Jika U 1, model meramalkan lebih baik daripada model naif nochange periode
berurutan; jika U 1, model tidak hanya serta model naif tanpa perubahan periode berturut-turut;
dan jika U 1, model tidak meramalkan serta model naif periode-berturut-turut. Nilai untuk ukuran
ini, untuk kedua prakiraan Indeks Sentimen Konsumen Universitas Michigan, ditunjukkan pada Tabel
1.3. Dari hasil ini kita melihat bahwa untuk ketujuh ukuran, ramalan pertama adalah ramalan yang
lebih akurat. Seringkali Anda dapat mengharapkan hasil yang beragam, di mana tidak ada satu model
yang berkinerja terbaik seperti yang diukur oleh ketujuh ukuran tersebut. Kesalahan rata-rata (ME)
dan kesalahan persentase rata-rata (MPE) tidak sering digunakan sebagai ukuran akurasi ramalan
karena kesalahan positif yang besar (At Ft) dapat diimbangi dengan kesalahan negatif yang besar (At
Ft). Faktanya, model yang sangat buruk dapat memiliki ME atau MPE nol. ME dan MPE,
bagaimanapun, sangat berguna sebagai ukuran bias prakiraan. ME atau MPE negatif menunjukkan
bahwa, secara keseluruhan, model peramalan melebih-lebihkan perkiraan, sementara ME atau MPE
positif menunjukkan perkiraan yang umumnya terlalu rendah. Ukuran lainnya (MAE, MAPE, MSE,
RMSE, dan Theil's U) paling baik digunakan untuk membandingkan model peramalan alternatif untuk
seri tertentu. Karena unit yang berbeda digunakan untuk berbagai seri, hanya MAPE dan Theil's U
yang harus ditafsirkan

lintas seri. Misalnya, seri penjualan mungkin dalam ribuan unit, sedangkan tingkat bunga utama
adalah persentase. Dengan demikian, MAE, MSE, dan RMSE akan lebih rendah untuk model yang
digunakan untuk meramalkan tarif utama daripada yang digunakan untuk meramalkan penjualan.
 1. Kesalahan rata-rata biasanya menghasilkan angka yang tidak membantu karena positif dan
negatif saling menghilangkan. Misalnya, dua kesalahan +100 dan -100 akan menghasilkan
kesalahan rata-rata nol:

Mean Error (ME) menjumlahkan varians dan membagi hasilnya dengan n(n Jumlah periode
yang digunakan dalam perhitungan). Kesalahan dalam konteks ini adalah ketidakpastian atau
perbedaan antara nilai yang diukur dan nilai yang benar/benar.

ME sulit untuk menentukan kesalahan suatu data secara keseluruhan dan tepat karena
terdapatnilaipositif dan negatif yang akan saling mengurangi atau menambahkan nilai
kesalahan.
2. MPE adalah kesalahan persentase rata-rata (atau penyimpangan). Ini adalah ukuran relatif
yang pada dasarnya menskalakan ME dalam satuan persentase satuan variabel. Keuntungan
utama MPE adalah memungkinkan membandingkan varians antara data dengan skala
berbeda.

3. MAE (Mean Absolute Error) adalah rata-rata selisih mutlak nilai sebenarnya

(aktual) dengan nilai prediksi (peramalan).

MAE digunakan untuk mengukur keakuratan suatu model statistik dalam

melakukan prediksi atau peramalan.

MAE bersama dengan MAPE (Mean Absolute Percentage Error) merupakan

ukuran keakuratan yang paling sering digunakan dalam analisis deret waktu
(time series).

n adalah ukuran sampel

A_iAi adalah nilai data aktual ke-ii
F_iFi adalah nilai data peramalan ke-ii

Berdasarkan rumus MAE, komponen \left| A_i - F_i \right|∣Ai−Fi∣ menunjukkan

nilai kesalahan atau perbedaan nilai sebenarnya dengan nilai peramalan. Perbedaan
(kesalahan) yang diharapkan tentu saja adalah kesalahan yang terkecil.

Nilai MAE seringkali digunakan dalam membandingkan dua model dalam melakukan
peramalan.

Semakin kecil nilai MAE, semakin baik model tersebut dalam melakukan peramalan.

Oleh karena itu, dalam melakukan perbadingan dua atau beberapa model statistik,
maka model terbaik adalah model yang memiliki nilai MAE terkecil.