Key points are not available for this paper at this time.
Die am häufigsten verwendeten Maße zur Überprüfung von Prognosen oder Simulatoren kontinuierlicher Variablen sind der Root-Mean-Squared Error (RMSE) und die Anomaliekorrelation. Einige Nachteile dieser Maße werden aufgezeigt. Vorhandene Bewertungssysteme für kategoriale Prognosen werden kurz diskutiert. Ein alternatives, unverzerrtes Verifizierungsmaß wird entwickelt, bekannt als der lineare Fehler im Wahrscheinlichkeitsraum (LEPS)-Score. Der LEPS-Score kann verwendet werden, um Prognosen sowohl für kontinuierliche als auch für kategoriale Variablen zu bewerten und hat einige Vorteile gegenüber RMSE und Anomaliekorrelation. Die Eigenschaften der hier diskutierten Version von LEPS werden überprüft und mit einer früheren Form von LEPS verglichen. Eine Skill-Score-Version von LEPS kann verwendet werden, um ein insgesamt Maß für die Fähigkeit einer Reihe von Prognosen zu erhalten. Dieser Skill-Score ist verzerrt, aber die Verzerrung ist vernachlässigbar, wenn die Anzahl der effektiv unabhängigen Prognosen oder Simulationen groß ist. Einige Beispiele werden gegeben, in denen der LEPS-Skill-Score mit RMSE und Anomaliekorrelation verglichen wird.
Potts et al. (Mon,) untersuchten diese Frage.