季節調整

7.1.10

季節調整

最終更新 2020-06-03 読了時間 4 分

経済データの季節調整 #

総務省統計局の公開している「家計調査（家計収支編）　時系列データ（二人以上の世帯）」のデータを分析します。

参考文献：経済産業省鉱工業指数(生産・出荷・在庫、生産能力・稼働率)、製造工業生産予測指数季節調整手法

データの前処理 #

配布されているデータには空白のセルや複数にまたがるセルが含まれていて、このまま処理するのは難しいです。必要な範囲だけを切り取り数値に変換した new_df を用意します。

1
2
3
4
import pandas as pd

df = pd.read_csv("./支出金額.csv", encoding="cp932")
df.head(15)

	二人以上の世帯_支出金額[円]	Unnamed: 1	Unnamed: 2	Unnamed: 3	Unnamed: 4	Unnamed: 5	1	2	3	4	...	260	261	262	263	264	265	266	267	268	269
0	NaN	NaN	NaN	NaN	NaN	NaN	2000年	NaN	NaN	NaN	...	NaN	NaN	NaN	NaN	NaN	2022年	NaN	NaN	NaN	NaN
1	NaN	NaN	NaN	NaN	NaN	NaN	(平成12年)	NaN	NaN	NaN	...	NaN	NaN	NaN	NaN	NaN	(令和4年)	NaN	NaN	NaN	NaN
2	表側連番	階層	大分類	中分類	小分類	品目分類	1月	2月	3月	4月	...	8月	9月	10月	11月	12月	1月	2月	3月	4月	5月
3	1	-	-	-	-	世帯数分布(抽出率調整)	10000	10000	10000	10000	...	10000	10000	10000	10000	10000	10000	10000	10000	10000	10000
4	2	-	-	-	-	集計世帯数	7887	7942	7934	7922	...	7397	7378	7407	7411	7416	7353	7315	7369	7357	7391
5	3	-	-	-	-	世帯人員(人)	3.32	3.32	3.32	3.32	...	2.93	2.93	2.93	2.93	2.92	2.92	2.92	2.92	2.91	2.91
6	4	-	-	-	-	18歳未満人員(人)	0.74	0.75	0.75	0.75	...	0.55	0.56	0.56	0.55	0.55	0.55	0.55	0.54	0.55	0.55
7	5	-	-	-	-	65歳以上人員(人)	0.52	0.53	0.53	0.52	...	0.85	0.83	0.84	0.84	0.85	0.84	0.85	0.84	0.84	0.84
8	6	-	-	-	-	うち無職者人員(人)	0.41	0.41	0.41	0.41	...	0.68	0.67	0.68	0.67	0.67	0.67	0.68	0.66	0.67	0.67
9	7	-	-	-	-	有業人員(人)	1.51	1.51	1.51	1.52	...	1.33	1.33	1.33	1.34	1.33	1.33	1.31	1.33	1.33	1.34
10	8	-	-	-	-	世帯主の年齢(歳)	52.4	52.6	52.7	52.6	...	60.1	59.9	59.9	59.9	60.2	60	60.2	60.1	60	60
11	9	-	-	-	-	持家率(％)	76	76.3	76.2	75.8	...	84.1	84.1	84.4	84.4	84.1	83.9	84	84.4	85	84.8
12	10	-	-	-	-	家賃・地代を支払っている世帯の割合(％)	22.1	22	22.6	22.2	...	14.9	14.6	13.9	14	14.8	14.6	14.9	13.8	13.4	13.8
13	11	1	-	-	-	消費支出	309621	290663	335341	335276	...	266638	265306	281996	277029	317206	287801	257887	307261	304510	287687
14	12	2	1	-	-	食料	73580	73309	79726	77344	...	81412	76673	79543	78490	99518	75974	71655	79982	77014	82066

15 rows × 275 columns

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
new_df = pd.DataFrame(
    {
        "日付": pd.date_range(start="2000/1/1", end="2022/5/1", freq="MS"),
        "消費支出": pd.to_numeric(df.iloc[13][6:]),
    }
)
new_df = new_df.set_index("日付")
new_df["消費支出"] = (new_df["消費支出"] / new_df["消費支出"].mean()) * 100.0

new_df.head(10)

	消費支出
日付
2000-01-01	105.629546
2000-02-01	99.161881
2000-03-01	114.404119
2000-04-01	114.381944
2000-05-01	105.269625
2000-06-01	101.544867
2000-07-01	111.381122
2000-08-01	105.756457
2000-09-01	101.138548
2000-10-01	105.483531

データをプロットしてみる #

1
2
3
4
5
6
7
8
import japanize_matplotlib as jm
import matplotlib.pyplot as plt
import seaborn as sns

sns.set(rc={"figure.figsize": (15, 8)})
jm.japanize()
sns.lineplot(data=new_df, x="日付", y="消費支出")
plt.show()

データをプロットしてみる figure

傾向変動を取り除く #

人口増加などの要因による長期間にわたる変動傾向。移動平均線を用いたり、最小二乗法による直線・曲線のフィッティングなど、統計データによって手法は異なる。

参考：numpy.polyfit — NumPy v1.23 Manual

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
import numpy as np

idx = [i for i in range(new_df.shape[0])]

傾向変動の関数の係数 = np.polyfit(idx, new_df["消費支出"], 3)
傾向変動の関数 = np.poly1d(傾向変動の関数の係数)
new_df["傾向変動"] = 傾向変動の関数(idx)
new_df["傾向変動調整分"] = new_df["消費支出"] - 傾向変動の関数(idx) + np.mean(傾向変動の関数(idx))

sns.set(rc={"figure.figsize": (15, 8)})
jm.japanize()
sns.lineplot(data=new_df, x="日付", y="消費支出", label="消費支出")
sns.lineplot(data=new_df, x="日付", y="傾向変動", label="傾向変動")
# sns.lineplot(data=new_df, x="日付", y="傾向変動調整分", label="傾向変動調整分")
plt.show()

23 Manual figure

循環変動 #

キチンサイクルなど、数年周期の変動を指すことが多い。

季節変動 #

一年を周期とした周期的な変動を総称して「季節変動」と呼ぶ。月別平均法・連環比率法など。

①過去の複数年の月別平均値を求める #

1
2
3
new_df["月"] = new_df.index.month
季節ごとの平均値 = new_df.groupby("月").mean()["消費支出"]
季節ごとの平均値

月
1     100.083036
2      92.102619
3     107.280556
4     104.477264
5      97.832924
6      94.348753
7      98.973205
8      99.165835
9      95.138160
10     99.351828
11     96.230671
12    114.934402
Name: 消費支出, dtype: float64

②月別平均値の合計を求める #

1
2
月別平均値の合計 = 季節ごとの平均値.sum()
print(f"月別平均値の合計 = {月別平均値の合計}")

月別平均値の合計 = 1199.9192545557726

③修正係数を計算する #

1
2
修正係数 = 1200.0 / 月別平均値の合計
print(f"修正係数 = {修正係数}")

修正係数 = 1.0000672923981517

④月別平均に修正係数を乗じる #

1
修正済みの季節ごとの平均値 = 修正係数 * 季節ごとの平均値

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
# 各月のデータから修正済みの季節ごとの平均値を引いています
new_df["季節変動調整分"] = new_df["消費支出"] - new_df["月"].apply(lambda m: 修正済みの季節ごとの平均値[m])
new_df.to_csv("支出金額_加工済みデータ.csv", encoding="utf-8-sig")

# グラフを作成
sns.set(rc={"figure.figsize": (15, 8)})
jm.japanize()
sns.lineplot(data=new_df, x="日付", y="消費支出", label="消費支出")
sns.lineplot(data=new_df, x="日付", y="傾向変動", label="傾向変動")
sns.lineplot(data=new_df, x="日付", y="季節変動調整分", label="季節変動調整分")
plt.show()

④月別平均に修正係数を乗じる figure