04.7
状態空間と分解モデル
まとめ
この章では、時系列を「水準・傾き・季節・残差」のような成分に分けて扱うモデルを学びます。前半は平滑化の系譜で、単純指数平滑法の係数 α だけで水準を追うところから、Holt-Winters で傾き β と季節 γ を足し、ETS で誤差の型まで含めて 3 文字で分類するところまで段階的に広げます。後半は分解の系譜で、
SARIMAX が季節差分と外生変数 exog を扱い、seasonal_decompose と STLForecast がトレンド・季節・残差を分けて予測し、UnobservedComponents が状態空間モデルとしてレベル・季節・サイクルを同時に推定します。どのページも人工データで成分の正解を知ったうえで推定結果を検算できる構成です。直感 #
ARIMA 系のモデルは季節性やトレンドを差分で消してから扱うため、「傾きは月いくらか」「8 月の季節効果はいくらか」を直接は答えてくれません。状態空間モデルや分解モデルは、これらを明示的な成分として推定し、Holt-Winters なら α・β・γ の 3 つの係数で水準・傾き・季節を更新し、UCM ならカルマンフィルターで各成分を逐次推定します。成分を分けて見ると、予測が外れたときに「季節係数が古いのか」「傾きの推定が過大なのか」と原因を特定しやすく、exog に気温やプロモーションを渡せば外部要因の効き方も係数として読めます。
詳細な解説 #
このチャプターで学べること #
- 単純指数平滑法の仕組みと平滑係数αの役割
- Holt-Winters法でトレンドと季節性を同時に平滑化する手法
- ETSモデル(Error-Trend-Seasonal)による誤差・トレンド・季節性の組み合わせ
- SARIMAXによる季節ARIMAと外生変数の統合
- STL分解とSTLForecastによる季節性の分離と予測
- UCM(構造時系列モデル)によるレベル・トレンド・季節の状態空間表現
これがわかるとできること #
- 加法モデルと乗法モデルの違いを理解し、データに合った方を選べる
- プロモーションや天候などの外生変数をモデルに組み込める
- トレンド・季節性・残差を個別に検証し、改善すべき成分を特定できる
学習の進め方 #
まず単純指数平滑法で、α = 0.3 の更新式が過去の値にどう重みを配るかを押さえます。次にホルト・ウィンター法とETS モデルで、傾き β と季節 γ を足した 3 成分の更新と、加法・乗法の選び方を学びます。そのうえでSARIMAXと外生変数付き SARIMAXで季節差分と exog の使い方を、季節成分とトレンドの分解・STL 分解とフォーキャスト・構造時系列 (UCM) モデルで成分分解の 3 つの方法を順に確かめます。