K_DM Book
用語集
対象者 標準
対象者別の入口 →

対象者の設定はこのブラウザの中にだけ保存されます。

言語 JA

ARMA モデルで周期とショックを同時に捉える

中級

04.6.4

ARMA モデルで周期とショックを同時に捉える

最終更新 2020-06-27 読了時間 3 分
まとめ
ARMA(p, q) モデルは、「過去 \(p\) 日の値」を使う自己回帰(AR)と「過去 \(q\) 日の予測誤差」を使う移動平均(MA)を 1 本の式に足し合わせたモデルで、ゆっくり続く依存と数日で消えるショックの余韻を同時に表せます。statsmodels では ARIMA(train, order=(p, 0, q)) と差分回数を 0 にして推定します。このページでは \(\phi = 0.6, \theta = 0.5\) の ARMA(1,1) 過程を 220 日分作り、先頭 200 日で学習して残り 20 日を予測し、予測線が \(0.6^h\) の速さで平均へ戻る様子を確かめます。読み終えると、ACF と PACF がどちらもゆっくり減衰する系列に ARMA を選ぶ理由が分かります。

自己回帰 (AR) モデル で係数 \(\phi\) が持続性を、移動平均 (MA) モデル で係数 \(\theta\) がショックの余韻を担うことを先に見ておくと、2 つを足した ARMA の式がそのまま読めます。

直感 #

ある商品の日次売上を考えます。昨日よく売れた日の翌日は「客足が続く」ので 6 割ほど勢いが残り(AR の部分)、さらに昨日の売上が予測より上に外れたなら、その外れの 5 割が今日にも効きます(MA の部分)。AR だけでは「予測の外れが翌日に響く」動きを表すのに高い次数が必要になり、MA だけでは「勢いが何日も続く」動きを表せません。ARMA(1,1) は \(\phi = 0.6\) と \(\theta = 0.5\) の 2 つの係数だけで両方を表現し、純粋な AR や MA より少ない係数で同じ系列を説明できます。

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:φ が 1 に近いほど前の値を引きずり、波がゆっくりになる。負なら 1 期ごとに符号が反転しやすい。ARMA ではこの AR の波の上に、θ による 1 期だけのショックの余韻が重なる。

式で書くと何を推定しているか #

ARMA(1,1) は AR(1) と MA(1) の右辺を足した

$$ y_t = c + \phi\, y_{t-1} + \varepsilon_t + \theta\, \varepsilon_{t-1} $$

で、このページのデータは \(c = 0,\ \phi = 0.6,\ \theta = 0.5\)、\(\varepsilon_t \sim N(0, 1)\) です。自己相関はラグ 1 で \((1 + \phi\theta)(\phi + \theta)/(1 + 2\phi\theta + \theta^2) \approx 0.77\) と高く、ラグ 2 以降は \(\rho_k = \phi, \rho_{k-1}\) で 0.6 倍ずつ減ります。MA(1) 単独なら ラグ 2 で 0 になり、AR(1) 単独ならラグ 1 から \(\phi = 0.6\) で始まるので、「ラグ 1 が φ より高く、その後は幾何級数的に減る」形が ARMA(1,1) の目印です。\(h\) 日先の予測は 1 日先だけ \(\theta, \hat\varepsilon_T\) の補正が入り、2 日目以降は \(\phi^{h-1}\) 倍で平均へ向かいます。

Python で ARMA(1,1) を学習して 20 日先を予測する #

次のコードは、\(\phi = 0.6, \theta = 0.5\) の ARMA(1,1) 過程を 220 日分シミュレーションし、先頭 200 日で ARIMA(order=(1, 0, 1)) を学習して残り 20 日を予測し、実測の上に重ねます。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.tsa.arima.model import ARIMA

rng = np.random.default_rng(22)
dates = pd.date_range("2020-01-01", periods=220, freq="D")
values = []
prev = 0.0
errors = rng.normal(0, 1, len(dates))
for t in range(len(dates)):
    prev_error = errors[t - 1] if t - 1 >= 0 else 0
    prev = 0.6 * prev + errors[t] + 0.5 * prev_error
    values.append(prev)

series = pd.Series(values, index=dates)
train = series.iloc[:-20]
test_index = series.index[-20:]

model = ARIMA(train, order=(1, 0, 1)).fit()
forecast = model.forecast(steps=20)

fig, ax = plt.subplots(figsize=(7, 4))
ax.plot(series.index, series, color="#cbd5f5", label="実測値(全体)")
ax.plot(train.index, train, color="#2563eb", linewidth=1.2, label="学習区間")
ax.plot(test_index, forecast, color="#f97316", linewidth=1.6, label="ARMA(1,1) 予測")
ax.set_title("ARMA モデルによる予測")
ax.set_xlabel("日付")
ax.set_ylabel("値")
ax.legend()
ax.grid(alpha=0.3)

fig.tight_layout()
fig.savefig("static/images/timeseries/arma_model.svg")

ARMA モデルで周期とショックを同時に捉えるの図

実行結果の読み方 #

青の系列は平均 0 のまわりでゆるい波(AR の \(\phi = 0.6\) による)を作りながら、1 日単位の跳ね(MA の \(\theta = 0.5\) による)が重なった形で、標準偏差はおよそ 1.6 です。橙の予測線は学習区間の末尾から始まり、1 日目で MA の補正を受けた後、0.6 倍ずつ縮んで 8 日目前後には 0 付近の水平線になります。戻る速さは φ で決まります。AR(1) 単独の予測(0.7 倍ずつ)よりやや速く、MA(2) 単独の予測(2 日で水平)よりは遅く平均へ戻る、という中間の形です。model.params で ar.L1 と ma.L1 の推定値が 0.6・0.5 からどれだけずれたかを確認すると、200 点で推定したときの精度の感覚がつかめます。

使いどころと落とし穴 #

ARMA を選ぶ目印は、ACF と PACF の両方がどちらも急に切れずにゆっくり減衰することです。ACF だけがラグ \(q\) で切れるなら MA(q)、PACF だけがラグ \(p\) で切れるなら AR(p) で足り、両方が尾を引くときに ARMA(p, q) を試して AIC で order を比べます。AR 係数が「連続性」を、MA 係数が「ショックへの追従」を担っていると覚えると、残差診断で修正すべき側が判断しやすくなります。平均が時間とともに動く非定常な系列には ARMA は当てられないので、先に d=1 の差分を取って ARIMA に進むか、季節性があれば SARIMA へ発展させてください。