04.8
多変量と因果分析
まとめ
この章では、売上と広告費、気温と電力需要のように互いに影響し合う複数の系列をまとめて扱います。VAR(ベクトル自己回帰)は各系列を「全系列の過去 p 期の線形結合」で表し、
statsmodels.tsa.api.VAR の fit と forecast で 2 系列以上を同時に予測します。グレンジャー因果性検定は、x の過去を加えると y の予測誤差が有意に減るかを F 検定で調べ、grangercausalitytests の p 値をラグごとに棒グラフで比べます。2 ページを読むと、系列間の影響の向きと強さを係数と p 値で説明できるようになります。直感 #
売上だけを見て来月の売上を予測するより、先月の広告費も VAR の説明変数に使った方が当たるはずです。VAR はこの発想を対称にして、売上の式に広告費の過去を、広告費の式に売上の過去を入れ、全系列を同時に回帰します。グレンジャー因果性検定はその係数が意味を持つかを問うもので、「広告費の過去を入れたら売上の予測誤差(残差二乗和)が有意に減ったか」を F 統計量と p 値で判定します。p 値が 0.05 を下回れば「広告費は売上をグレンジャー的に予測する」と言えますが、これは予測の改善であって原因の証明ではない点を章を通して確認します。
詳細な解説 #
このチャプターで学べること #
- VARモデルの仕組みと、2系列以上の相互依存を考慮した予測の実装
- グレンジャー因果性検定の手順とp値の解釈方法
- 検定結果の棒グラフによる可視化と、因果方向の判断
これがわかるとできること #
- 複数の時系列を同時にモデル化し、単変量より精度の高い予測を構築できる
- 系列間の因果関係の有無を p 値 0.05 の基準で統計的に判断し、施策立案の根拠にできる
- どの系列がどの系列に影響しているかを VAR の係数とラグごとの棒グラフで可視化して報告できる
学習の進め方 #
まず VAR モデルの多変量予測 で、2 系列を VAR(df).fit(2) に当てはめて 6 か月先を forecast で同時に予測する流れを追います。次に グレンジャー因果性検定 で、同じ発想のモデルの係数が有意かを grangercausalitytests のラグ 1〜6 の p 値で判定し、x → y と y → x の両方向を比べる手順を学びます。