04.3.1
季節サブシリーズプロット
series[series.index.month == month] で切り出した各月を ax.plot(monthly.index.year, monthly.values) で描きます。読み終えると、12 枚の線がほぼ平行なら季節パターンは年をまたいで安定、1 枚だけ形が崩れていればその月に異常年や欠損がある、と判断できるようになります。月ごとに切り出した系列を年の軸で並べると、「毎年 7 月は高い」という季節性の安定度と、「2020 年の 4 月だけ落ちた」という年ごとの崩れを同じ図で見分けられます。
直感 #
5 年分の折れ線を 1 本で描くと、年周期の波が 5 回繰り返すだけで、「4 月の高さは毎年同じか」「2020 年は他の年とどこが違うか」という問いには答えられません。そこで時間軸を一度ばらし、1 月の日々の値だけを 2018 年から 2022 年まで横に並べ、同じことを 2 月、3 月、…と 12 枚作ります。各枚の線が右上がりで傾きがそろっていればトレンドが全月に均等に乗っている証拠で、各枚の高さの違い(4 月の枚は高く 10 月の枚は低い)が季節性そのものです。月別ボックスプロット が年をつぶして月の分布を見る図なら、こちらは年を残して月ごとの変化を見る図です。
何が起きているか(ステップで見る) #
コードを読む前に、この手法が図の上で何をしているかを追ってみましょう。「再生」を押すか、スライダーを動かすと 1 手順ずつ進みます。
見るポイント:曜日ごとに色分け・平均すると、ノイズに隠れた週のパターンが取り出せる。
Python で描く #
次のコードは、水準 100 に 1 日 0.05 のトレンド、振幅 8 の年周期、標準偏差 2.0 のノイズを足した 5 年分(1,825 日)の系列を作り、1 月から 12 月までの 12 枚のサブプロットに年ごとの推移を描きます。
| |
実行結果の読み方 #
12 枚とも点の束が右上がりに並び、傾きがそろっています。これは 0.05/日 のトレンドが全月に同じだけ乗っている証拠で、季節パターンは 5 年間崩れていないと読みます。枚どうしを見比べると 4 月の束がいちばん高く、10 月の束がいちばん低い位置にあり、この高さの差 16 が仕込んだ年周期の振幅 8 の 2 倍にあたります。各年の点の縦の広がりはノイズの標準偏差 2.0 に由来し、どの年もほぼ同じ幅です。実データで 1 枚だけ傾きが違う、あるいは特定の年だけ束が大きく外れていれば、その月のその年に異常(制度変更、欠損、イベント)があったと判断し、月別ボックスプロット で外れ値として出ていないか確かめます。
使いどころと落とし穴 #
この図が答えるのは「季節性を 1 つの固定パターンとして扱ってよいか」です。12 枚が平行なら seasonal_decompose(model="additive") や固定の月ダミーで十分、傾きが月ごとに違うなら季節性がトレンドに比例して膨らんでいる可能性があり、model="multiplicative" や対数変換を検討します。落とし穴は年数の少なさで、2 年分では各枚に点の束が 2 つしかなく、平行かどうかの判断はほぼできません。最低 3 年、できれば 5 年以上の系列で描きます。年末年始や月末の締め処理が特定の月に集中するデータでは、その月の束だけ広がるので、束の幅の違いを季節性の崩れと取り違えないよう、原因となる日付を monthly[monthly > monthly.quantile(0.99)] で確認してから結論を出します。
- 月別ボックスプロット — 月別の中央値・四分位・外れ値を比較
- 季節成分とトレンドの分解 — トレンド・季節性・残差に分解して検証
- 曜日別の平均 — 曜日効果をバーグラフで評価