实测值与预测值相减吗(标签-ar|关键词-时间序列)

时间序列预测，误差的Pearson相关性分析，这个误差指的是什么误差？实测值与预测值相减吗？

首先，直接相减是不好的，因为有的值大，有的值小，相减得到的差再累计，那么正负抵消，体现不出误差
然后，你会想，那么我们用绝对值好了，的确，绝对值不会抵消，但是它也有缺点，那就是体现不出误差的比例。比如说100和95的误差，和10和5的误差，都是5，但是显然后者更严重，当然，有时候这个也有人用，这个叫做均值误差（MAE）
然后，你就再改进，用平方差代替绝对值，那么就体现比例了，这就是最最流行的均方误差（MSE）
恭喜你，你已经自己知道怎么计算误差了，可见，根本不用看书，自己琢磨也能想明白。
当然，还有别的误差计算方法，比如 RMSE、MAPE，反正万变不离其宗。

【以下回答由 GPT 生成】

对于时间序列预测问题，"误差"一词通常指的是实测值与预测值之间的差异。在分析这种误差的Pearson相关性时，我们可以采取以下步骤：

1.首先，确保你已经安装了Python的Scipy库，该库提供了Pearson相关性的计算函数。

pip install scipy

2.导入需要的库：

import numpy as np
from scipy.stats import pearsonr

3.准备数据：将实测值和预测值分别存储在两个numpy数组中。

# 实测值
actual_values = np.array([1, 2, 3, 4, 5])
# 预测值
predicted_values = np.array([1.1, 1.9, 3.2, 4.1, 4.9])

4.计算误差：通过计算实测值与预测值之间的差异，得到误差值。

# 计算误差
errors = actual_values - predicted_values

5.计算Pearson相关性：使用Scipy库中的pearsonr函数计算误差的Pearson相关性。

# 计算Pearson相关性
corr, _ = pearsonr(actual_values, errors)

6.输出结果：打印计算得到的Pearson相关性。

# 输出结果
print("Pearson相关性：", corr)

这样，你就可以得到时间序列预测误差的Pearson相关性。请注意，这只是一个简单的示例，实际应用中可能会有更多的数据处理和分析步骤。

如有任何问题，请随时提问。

【相关推荐】

• 这篇文章：关于Pearson相关系数是否要事先标准化数据的问题 也许有你想要的答案，你可以看看
• 除此之外, 这篇博客: 皮尔森（pearson）相关系数代码实现中的 3.手动实现 部分也许能够解决你的问题。