KNOWECON WIKI

ARTICLE

Root Mean Squared Error

均方根误差 (Root Mean Squared Error, RMSE) 均方根误差 (Root Mean Squared Error, RMSE) 是衡量预测模型或估计量精度的核心指标，广泛应用于计量经济学、统计预测和机器学习领域。它度量了预测值（或估计值）与真实观测值之间的偏差程度，数值越小表示模型的预测能力越强。RMSE 的基本思想是：首先计算每个预

浏览 0 更新 2026-06-29

均方根误差 (Root Mean Squared Error, RMSE)

均方根误差 (Root Mean Squared Error, RMSE) 是衡量预测模型或估计量精度的核心指标，广泛应用于计量经济学、统计预测和机器学习领域。它度量了预测值（或估计值）与真实观测值之间的偏差程度，数值越小表示模型的预测能力越强。RMSE 的基本思想是：首先计算每个预测误差的平方，然后取所有平方的平均值，最后再开平方根，从而使最终结果的量纲与原始数据保持一致。

数学定义

设有 nn 个观测值，其中 yi (i=1,2,…,n)y_i\ (i=1,2,\ldots,n) 为真实值，y^i\hat{y}_i 为对应的预测值。则 RMSE 定义为：

RMSE=1n∑i=1n(yi−y^i)2\text{RMSE} = \sqrt{\frac{1}{n}\sum_{i=1}^{n}(y_i - \hat{y}_i)^2}

在回归分析中，若基于普通最小二乘法 (OLS) 的参数估计，有 y^i=xi′β^\hat{y}_i = x_i'\hat{\beta}，则 RMSE 等价于残差标准差 (Residual Standard Error, RSE) 在有截距项时的形式：

RMSEOLS=1n∑i=1nϵ^i2\text{RMSE}_{\text{OLS}} = \sqrt{\frac{1}{n}\sum_{i=1}^{n}\hat{\epsilon}_i^2}

其中 ϵ^i=yi−xi′β^\hat{\epsilon}_i = y_i - x_i'\hat{\beta} 为回归残差。值得注意的是，当在样本内评估模型拟合时，RSE 通常使用自由度调整的分母 n−p−1n-p-1（pp 为解释变量个数），而 RMSE 通常直接使用 nn 作为分母，但这种区分在不同领域的惯例中可能有所差异。

误差分解：偏差-方差权衡

预测误差的期望平方可以分解为三个正交分量——偏差项、方差项和不可约误差项，这是理解模型性能的理论基石：

E[(y−f^(x))2]=(Bias[f^(x)])2+Var[f^(x)]+σϵ2\mathbb{E}[(y - \hat{f}(x))^2] = \left(\text{Bias}[\hat{f}(x)]\right)^2 + \text{Var}[\hat{f}(x)] + \sigma_\epsilon^2

其中 Bias[f^(x)]=E[f^(x)]−f(x)\text{Bias}[\hat{f}(x)] = \mathbb{E}[\hat{f}(x)] - f(x) 表征模型类别的系统性偏差，Var[f^(x)]\text{Var}[\hat{f}(x)] 反映模型对训练样本变动的敏感度，而 σϵ2\sigma_\epsilon^2 是数据固有的噪声方差（不可约误差）。RMSE 正是该期望的样本类似物，在实践中同时捕捉了偏差和方差两方面的信息。

RMSE 与相关指标的比较

  1. 与 MSE 的关系：RMSE 是均方误差 (MSE=1n∑i=1n(yi−y^i)2\text{MSE} = \frac{1}{n}\sum_{i=1}^{n}(y_i - \hat{y}_i)^2) 的平方根。MSE 虽然数学性质更简洁（可导性有助于优化算法），但其量纲为原始单位的平方，难以直观解释。RMSE 则凭借与原始数据一致的单位更便于直接理解。
  2. 与 MAE 的比较：平均绝对误差 (MAE=1n∑i=1n∣yi−y^i∣\text{MAE} = \frac{1}{n}\sum_{i=1}^{n}|y_i - \hat{y}_i|) 是另一常用指标。关键区别在于：RMSE 对离群值更敏感——平方运算对大误差施加了不成比例的惩罚。因此，若业务场景对大幅偏离的容忍度极低（如金融风险价值 VaR 的评估），RMSE 优于 MAE；若离群值仅为数据噪声，MAE 的稳健性更强。
  3. 与 R2R^2 的关系：决定系数 R2=1−∑ϵ^i2∑(yi−yˉ)2R^2 = 1 - \frac{\sum \hat{\epsilon}_i^2}{\sum (y_i - \bar{y})^2} 本身并非衡量绝对值偏差的指标，但 RMSE 与 R2R^2 可通过因变量的总变异相关联：RMSE=σy1−R2\text{RMSE} = \sigma_y\sqrt{1-R^2}（其中 σy2\sigma_y^2 为 yy 的无偏方差，此处近似）。这一关系揭示了 RMSE 的尺度依赖性——同样的模型拟合优度，在不同量级的因变量下会产生截然不同的 RMSE 值。

RMSE 的尺度依赖性与归一化

RMSE 的一个关键局限是尺度依赖性：它直接以原始变量的单位表示，因此无法直接跨不同数据集或不同因变量比较模型表现。为克服这一局限，研究者提出了若干归一化变体：

  • NRMSE (Normalized RMSE)：NRMSE=RMSEyˉ\text{NRMSE} = \frac{\text{RMSE}}{\bar{y}}（除以均值）或 NRMSE=RMSEymax⁡−ymin⁡\text{NRMSE} = \frac{\text{RMSE}}{y_{\max} - y_{\min}}（除以极差）。NRMSE 消除了尺度影响，使得不同模型的精度可横向比较。
  • CV-RMSE (Coefficient of Variation of RMSE)：CV-RMSE=RMSEyˉ\text{CV-RMSE} = \frac{\text{RMSE}}{\bar{y}}，本质上是预测误差的变异系数。在农业实验和生物统计中，CV-RMSE 小于 10\% 通常被视为模型可接受的阈值。
  • RMSE\%：以百分比形式表示，RMSE%=RMSEyˉ×100%\text{RMSE\%} = \frac{\text{RMSE}}{\bar{y}} \times 100\%，在经济预测中常见。

理论动机：正态性与极大似然

从统计推断的视角看，RMSE 的广泛使用并非偶然。当误差项服从均值为零、方差为 σ2\sigma^2 的正态分布时，最小化 MSE（等价于最小化 RMSE）与极大似然估计 (MLE) 完全等价。具体而言，在正态性假设下，对数似然函数为：

ℓ(β,σ2)=−n2ln⁡(2πσ2)−12σ2∑i=1n(yi−xi′β)2\ell(\beta, \sigma^2) = -\frac{n}{2}\ln(2\pi\sigma^2) - \frac{1}{2\sigma^2}\sum_{i=1}^{n}(y_i - x_i'\beta)^2

最大化 ℓ\ell 等价于最小化 ∑ϵ^i2\sum\hat{\epsilon}_i^2——也就是最小化 MSE。这一联系赋予了 RMSE 深厚的统计基础：当正态性假设成立时，基于 RMSE 的模型选择等价于基于似然的选择。然而，当误差分布呈现厚尾特征时（如金融收益率数据），需审慎对待该等价关系，此时分位数回归或 Huber 损失函数等稳健方法可能更为适宜。

在计量经济学中的应用

RMSE 在计量经济学建模流程中扮演多重角色：

  1. 模型选择：在非嵌套模型的比较中（如比较线性模型与对数线性模型对同一因变量的预测能力），RMSE 是最直接的评判依据。但需注意，若因变量经过变换（如取对数），则需要通过逆变换将预测还原至原始尺度后再计算 RMSE。
  2. 预测评估：在时间序列分析的伪样本外预测 (pseudo-out-of-sample forecasting) 中，RMSE 与平均绝对百分比误差 (MAPE) 和泰尔不等式系数 (Theil's U) 一并构成标准评估体系。对于宏观经济变量的预测（如 GDP 增速、通胀率），RMSE 衡量的是预测偏离实际值的典型幅度。
  3. 交叉验证：在 kk-折交叉验证中，RMSE 在每折的验证集上计算后取平均，作为模型泛化能力的估计。当 RMSE 在训练集和验证集之间出现显著差异时，通常标志着过拟合的存在。

实践中的注意事项

  • 离群值敏感性：平方运算使 RMSE 对极端误差高度敏感。在存在数据记录错误或极端事件（如金融危机期间的资产收益率观测）时，建议同时报告 MAE 和 RMSE，以便读者判断离群值对结论的影响程度。
  • 不应单独使用：RMSE 衡量的是平均意义上的误差幅度，但无法揭示模型是否系统性地高估或低估（这需通过平均预测误差 MPE 来评估），也无法说明误差的分布形态。好的实践是同时报告 RMSE、MAE 与残差诊断图。
  • 与预测区间的关联：在正态性假设下，约 68\% 的预测误差落在 ±RMSE\pm \text{RMSE} 范围内，约 95\% 落在 ±2×RMSE\pm 2 \times \text{RMSE} 范围内。这为 RMSE 提供了概率性的直观解释——RMSE 近似于预测误差的标准差。

总结

RMSE 凭借其清晰的数学性质和直观的量纲解释，成为建模实践中不可替代的评估标准。但其对离群值的敏感性与尺度依赖性要求使用者结合具体场景审慎解读，并在汇报时辅以其他互补指标——MAE 以提供稳健参照，NRMSE 或 R2R^2 以消解尺度差异，残差图以揭示系统性偏差——从而构成对模型预测能力的全面描述。