04.6.4
ARMA モデルで周期とショックを同時に捉える
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。
| |
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。
- 自己回帰 (AR) モデル — 過去の値から短期予測を行う
- 移動平均 (MA) モデル — 誤差項の線形結合で将来を予測
- ARIMA モデル — 差分を加えて非定常系列にも対応