Définition d'une erreur quadratique moyenne

Définition

• Une façon simple de penser à MSE est un critère de sélection d'un estimateur approprié: dans les modèles statistiques, les modélisateurs doivent choisir entre divers estimateurs potentiels. En termes pratiques, MSE est égale à la somme de la variance et le carré du biais de l'estimateur. Un estimateur est utilisé pour déduire la valeur d'un paramètre inconnu dans un modèle statistique. Le biais est la différence entre la valeur attendue de cet estimateur et la valeur réelle du paramètre estimé.

Usage

• 
  
  
  
  

  Dans la modélisation statistique, le MSE est utilisé pour déterminer dans quelle mesure le modèle ne correspond pas aux données, ou si le retrait de certains termes pourrait simplifier le modèle de façon bénéfique. Le MSE fournit un moyen de choisir le meilleur estimateur: un MSE minimale souvent, mais pas toujours, indique variance minimale, et donc un bon estimateur. Prendre la racine carrée de l'écart MSE rendements Root Mean Square, qui est une bonne mesure de la précision, et est également connu comme le quadratique moyenne.

Interprétation

• Avoir une erreur quadratique moyenne de zéro (0) est idéal, mais dans la plupart des situations jamais possible. Un MSE de 0 signifie l'estimateur prédit observations avec une précision parfaite.

Critique

• MSE met plus de poids sur les grandes erreurs que sur les petits (à la suite de la quadrature chaque période), soulignant ainsi les données aberrantes d'une manière incompatible avec la médiane des données d'échantillon.