平均绝对误差

平均绝对误差 (Mean Absolute Error, MAE)

平均绝对误差（Mean Absolute Error，简称 MAE）是统计学与计量经济学中衡量预测模型精度的基础指标。它定义为预测值与实际观测值之间绝对偏差的算术平均，公式为：

其中 $y_i$ 为第 $i$ 个观测的真实值，$\hat{y}_i$ 为模型预测值，$n$ 为样本量。MAE 的量纲与原始变量一致，因此具有直观的可解释性：它代表了预测误差绝对值的"典型"大小。

与 MSE 和 RMSE 的比较

MAE 与均方误差（MSE）和均方根误差（RMSE）是三大主流预测误差度量。三者的核心区别在于损失函数的形式：

• MSE = $\frac{1}{n}\sum_{i=1}^{n} (y_i - \hat{y}_i)^2$：平方损失，对离群值极其敏感，大误差被平方放大。
• RMSE = $\sqrt{\text{MSE}}$：MSE 的平方根，恢复原量纲，但仍继承了对大误差的敏感性。
• MAE：绝对值损失，对离群值稳健，所有误差等权重。

选择 MAE 还是 RMSE 取决于应用场景。当关注典型误差且不希望少数极端偏差主导评估时，MAE 更合适；当大误差的代价不成比例地高昂时（如金融风险管理），RMSE 更合适。从数学性质看，MAE 最优预测值是条件中位数，而 MSE 最优预测值是条件均值——这意味着 MAE 对偏态分布数据更为稳健。

统计性质

MAE 作为损失函数对应 $L_1$ 范数，具有以下性质：非负性（$\text{MAE} \geq 0$，仅当所有预测完美时为零）；尺度依赖性（量纲与原始变量相同，不适合跨量纲比较，此时应使用MAPE等相对指标）；不可微性（绝对值函数在零处不可导，导致基于梯度的优化在理论上存在困难，但实践中可通过次梯度方法或平滑近似如Huber损失解决）。

对于独立同分布样本，MAE 是样本外绝对误差期望的一致估计量：$\text{MAE} \xrightarrow{p} \mathbb{E}[|Y - \hat{Y}|]$。其渐近方差可通过Delta方法推导，在大样本下可用于构建预测精度的置信区间。

在机器学习中的应用

在机器学习中，MAE 常被用作回归模型的评估指标与训练损失函数。与 MSE 相比，MAE 的梯度恒为 $\pm 1$（除零点外恒为常数），这意味着梯度下降更新步长不随误差大小缩放：对已拟合较好的样本，MAE 的梯度与拟合极差的样本相同。这一特性既是不足（收敛速度可能慢于 MSE）也是优势（不会被离群值"挟持"梯度方向）。

MAE 与分位数回归存在天然联系：MAE 最小化等价于中位数回归（$\tau = 0.5$ 的分位数回归）。推广到非对称绝对损失可得任意分位数的估计，这构成了分位数回归的理论基础。

经济学与实证研究中的应用

在经济学实证研究中，MAE 广泛用于评估时间序列预测模型的样本外表现，如通货膨胀预测、GDP增长预测和股票收益率预测。与Diebold-Mariano检验配合，MAE 可用于比较两个预测模型是否具有统计显著的精度差异。

在因果推断中，MAE 也用于评估匹配方法（如倾向得分匹配）的协变量平衡质量——匹配后处理组与对照组的协变量标准化均值差异越小（MAE 越低），匹配质量越高。此外在合成控制法中，预处理时期的 MAE 是选择最优预测变量权重的重要依据。

局限性

MAE 的主要局限在于：缺乏对误差方向的区分（同样大小的正负误差惩罚相同），在某些决策理论情境下不对称的损失函数更合理（如库存管理中缺货成本高于过剩成本）；不能反映误差的分布特征（两个模型可能有相同的 MAE 但完全不同的误差模式）；在模型选择中，MAE 不满足一致性（即随着样本量增大，MAE 不一定能选出真实模型），这与基于似然的准则如AIC、BIC形成对比。

尽管有上述局限，MAE 因其简洁性、稳健性和直观可解释性，仍然是科学研究和实际应用中最常用的预测精度指标之一。