04.6
クラシカル時系列モデル
まとめ
この章では、時系列予測の出発点となる 4 つの線形モデルを扱います。AR は「過去 \(p\) 日の値」、MA は「過去 \(q\) 日の予測誤差」で次の値を説明し、ARMA はその 2 つを 1 本の式に足し合わせ、ARIMA はさらに \(d\) 回の差分でトレンドを消して非定常な系列にも対応します。どのページも \(\phi = 0.7\) や \(\theta = 0.6\) のように係数を決めた人工データを作り、
statsmodels の AutoReg や ARIMA(order=(p, d, q)) で推定して 20 日先の予測を描くので、推定された係数が正解にどれだけ近いかを自分で検算できます。ACF と PACF の形から次数を決める手順まで通して学ぶのがこの章のゴールです。直感 #
時系列予測の出発点は、過去の値や過去の誤差から未来を推定するシンプルな線形モデルです。AR は「昨日の値の \(\phi\) 倍が今日に残る」、MA は「昨日の予測の外れの \(\theta\) 倍が今日に効く」という仮定を置き、ARIMA はこれらに差分を組み合わせて、1 日 0.3 ずつ増えるようなトレンドを持つ系列にも対応します。LightGBM や LSTM のような複雑なモデルに進む前に、まず ARIMA(1,1,1) 程度のベースラインを作って誤差の基準を持つと、複雑なモデルの改善幅を数値で語れるようになります。
詳細な解説 #
このチャプターで学べること #
- 自己回帰(AR)モデルの仕組みとAutoRegによる短期予測の実装
- 移動平均(MA)モデルによるショック(突発的な揺らぎ)の表現
- ARMAモデルでARとMAを組み合わせた予測
- ARIMAモデルによる差分・自己回帰・移動平均の統合的な予測
これがわかるとできること #
- ACF/PACFの診断結果から、AR/MA/ARIMAの次数を合理的に選択できる
- statsmodelsを使って各モデルを実装し、予測結果を可視化できる
- 複雑なモデルと比較するためのベースライン予測を素早く構築できる
学習の進め方 #
まず自己回帰 (AR) モデルで、係数 \(\phi\) が予測を \(\phi^h\) の速さで平均へ戻す仕組みと、lags の決め方を学びます。次に移動平均 (MA) モデルで、影響が \(q\) 日で切れる MA 成分の役割を確かめます。そのうえでARMA モデルで両者を 1 本の式に組み合わせ、最後にARIMA モデルで差分 \(d\) を加えた実践的な予測と残差診断に進みます。