Vi har två prognosmakare A och B som gör prognoser över inflationstakten. Om alla avvikelser summeras och delas på antalet prognoser får vi fram medelfelet.
Beräkning av medelfel
| Avvikelse A | Avvikelse B |
Prognos 1 | -2,00 | 1,00 |
Prognos 2 | 2,00 | 1,00 |
Prognos 3 | 0,00 | 2,00 |
Medelfel | 0,00 | 1,33 |
Källa: Ekonomifakta
I detta fall får prognosmakare A ett medelfel på 0. Det får det att låta som att samtliga prognoser varit perfekta trots att både den första och andra prognosen slog fel. Medelfelet kan inte ta hänsyn till att prognoser ibland överskattar och ibland underskattar den verkliga utvecklingen. För att avhjälpa detta kan vi använda oss av absolutmedelfelet. Felet beräknas som medelvärdet av de absoluta avvikelserna.
Beräkning av absolutmedelfel
| Absolut avvikelse A | Absolut avvikelse B |
Prognos 1 | 2,00 | 1,00 |
Prognos 2 | 2,00 | 1,00 |
Prognos 3 | 0,00 | 2,00 |
Absolutmedelfel | 1,33 | 1,33 |
Källa: Ekonomifakta
Nu får prognosmakarna samma absolutmedelfel på 1,33. När det gäller prognoser så är det dock i regel sämre om prognoserna avviker kraftigt från verkligheten under en enskild period, jämfört med om de missar målet med små marginaler under flera perioder. Därför beräknar vi rotmedelkvadratfelet som är roten ur medelvärdet av de kvadrerade avvikelserna.
Beräkning av rotmedelkvadratfel
| Avvikelse^2 A | Avvikelse^2 B |
Prognos 1 | 4,00 | 1,00 |
Prognos 2 | 4,00 | 1,00 |
Prognos 3 | 0,00 | 4,00 |
Rotmedelkvadratfel | 1,63 | 1,41 |
Källa: Ekonomifakta
Vi ser nu att Prognosmakare B har skapat mer träffsäkra prognoser om vi väger stora avvikelser under enskilda år tyngre, jämfört med mindre avvikelser av samma totala storlek. Jämfört med medelfelet, där prognosmakare A framstår som helt perfekt är måttets fördelar tydliga.