【MS06】統計・計量経済学 時系列分析 需要予測の統計的基盤

はじめに

MS05では、因果推論の基礎理論を扱った。本稿は、MSシリーズの最終回として、時系列分析——需要予測の統計的基盤——を掘り下げる。今日、時系列予測の標準的な手法として広く知られるARIMAモデルは、しばしば1970年代の革新的な発明として語られるが、実際には、それ以前から存在していた複数の要素技術を、体系的に統合したものである。

ARIMAモデルの構成要素——先行する要素技術

自己回帰（AR）とユールの貢献

ARIMAモデルを構成する要素技術は、1970年より、はるかに早い時期から、個別に存在していた。自己回帰（Autoregression, AR）——ある時点の値を、その直前の値との依存関係でモデル化する手法——の起源は、1920年代の統計学者ユールの研究に遡る[1]。

移動平均（MA）とスルツキーの貢献

移動平均（Moving Average, MA）——ある時点の値を、移動平均モデルに適用した過去の誤差項との依存関係でモデル化する手法——の起源は、1930年代の統計学者スルツキーの研究に遡る[1]。

ボックス＝ジェンキンス法という統合

1970年の主著

1970年、統計学者ジョージ・ボックスとグウィリム・ジェンキンスは、著書『時系列分析——予測と制御』を発表した[2]。この著書は、ユールの自己回帰と、スルツキーの移動平均を、統一的なARMAモデルへと統合し、さらに、トレンドを扱うための「I（和分、Integrated）」という要素を導入することで、完全なARIMAモデルを提示した[1]。

「1970年代の革命」という物語の再検討

ボックスとジェンキンスは、自己回帰や移動平均を、ゼロから発明したわけではない。これらの概念は、既に1920〜30年代から存在していた[1]。ボックスとジェンキンスの貢献は、これらのアイデアを、時系列データのモデル化・予測のための、一貫した統計的方法論として、パッケージ化した点にある[1]。この意味で、ARIMAは、1970年代の全く新しい発明というより、既存の要素技術を、体系的に統合した、方法論的な達成として理解するのが、より正確である。

実証研究による評価の確立

1970年代の実証研究は、ARIMAモデルが、しばしば、大規模な計量経済学モデルよりも、予測精度において優れていることを示した[1]。この結果は、経済学・ビジネスの分野で、大きな話題となり、ARIMAモデルの普及を、後押しした[1]。ボックス＝ジェンキンスの著書は、単一のモデルを提示しただけでなく、季節変動ARIMA、外生変数を伴う伝達関数モデルといった、複数の拡張や、具体的な事例研究も含んでおり、時系列予測のための、包括的な「ワンストップ」の解決策として、受け止められた[1]。

ARIMAモデルの技術的構造

p, d, qという3つのパラメータ

ARIMAモデルは、p（自己回帰の次数、モデルに含める過去の観測値の数）、d（差分の階数、原系列を定常にするために必要な差分の回数）、q（移動平均の次数）という、3つのパラメータによって特定される[3]。

定常性という前提

ボックス＝ジェンキンス法は、定常な時系列——平均・分散が時間を通じて変化しない性質を持つ系列——を前提とする[3][4]。多くの実際の時系列データは、トレンド・局所的な平均の変化・季節変動により、非定常な振る舞いを示す[5]。このため、モデル化に先立ち、原系列を、差分を取る（ある時点の値から、直前の時点の値を差し引く）操作を通じて、定常な系列へと変換する必要がある[5]。この差分の操作が、ARIMAモデルの「I（和分）」に対応する。

ボックス＝ジェンキンス法の手続き

ボックス＝ジェンキンス法は、識別・推定・診断チェック・モデルの精緻化・予測という、複数の段階を含む、反復的な手続きである[6]。識別の段階では、自己相関関数（ACF）・偏自己相関関数（PACF）を用いて、p・d・qの候補となる値が、データのパターンから特定される[6][7]。

並行する系譜——指数平滑法

ARIMAモデルとは別に、時系列予測には、指数平滑法という、並行する理論的な系譜がある。指数平滑法は、ブラウン（1959年）、ホルト（1957年）、ウィンターズ（1960年）によって導入された、過去のデータの加重平均を用いて、将来の値を予測する手法である[8]。指数平滑法は、より新しいデータに、より大きな重みを与える、指数的な重み減衰を用いる[8]。指数平滑法は、その簡潔さから、リアルタイムのデータ分析に有利である一方、ARIMAモデルは、より複雑なパターンを捉えるのに適しており、長期予測に適しているとされる[8]。

需要予測への接続

交通・物流分野における需要予測——路線別の利用者数、貨物輸送量等の将来予測——は、時系列分析の、直接的な応用領域である【推論】。特に、季節変動（通勤・通学需要の学期による変動、観光需要の季節性等）を伴うデータには、季節ARIMAモデルの適用が、有効でありうる。ただし、本稿で確認した通り、ボックス＝ジェンキンス法は、データが定常性を持つ（あるいは、差分によって定常化できる）ことを前提とするため、たとえば、新型コロナウイルス感染症のパンデミックのような、構造的な断絶を伴う変化を経験したデータに、単純にARIMAモデルを適用することには、慎重な検討が必要である。

MSシリーズ全体の総括

MS01からMS06までを通じて、統計学・計量経済学の全体構成（MS01）、推測統計の基礎（MS02）、回帰分析の理論（MS03）、パネルデータ分析（MS04）、因果推論の基礎理論（MS05）、時系列分析（MS06）を扱ってきた。これらは、いずれも、既刊のKK・KM・ZEシリーズが応用してきた、統計的な分析手法の、理論的な基盤を提供するものである。

おわりに

本稿は、ARIMAモデルが、1970年のボックス＝ジェンキンスによる、全く新しい発明というより、1920〜30年代のユール・スルツキーの要素技術を、体系的に統合した、方法論的な達成であることを確認した上で、定常性・差分・p,d,qパラメータという、モデルの技術的構造を整理した。MSシリーズは、本稿をもって完結する。

主要先行研究

Box & Jenkins（1970）[2]。Yule（1920年代）、Slutsky（1930年代）の要素技術について[1]。

参考資料一覧

1. 「ARIMA: A 1970s Revolution or 1920s Repackaging? Myth-Busting its History」Medium（Valeriy Manokhin）。ユール・スルツキーの要素技術、ボックス＝ジェンキンスの統合的貢献、1970年代の実証研究による評価確立について。
2. Box, G. E. P., & Jenkins, G. M. (1970). Time Series Analysis: Forecasting and Control. Holden-Day.
3. 「A Gentle Introduction to the Box-Jenkins Method for Time Series Forecasting」MachineLearningMastery.com。p, d, qパラメータの定義、定常性の前提について。
4. 「A Comprehensive Survey of Deep Learning for Time Series Forecasting」arXiv掲載論文。ARIMAの構成要素（AR・I・MA）の定義について。
5. 「The Box-Jenkins Method」NCSS。非定常な時系列への対応、差分による定常化について。
6. 「Box-Jenkins Methodology for ARIMA Models」GeeksforGeeks。識別・推定・診断チェック・モデル精緻化・予測という手続きの段階について。
7. 同上。ACF・PACFを用いた識別段階について。
8. 「A Comprehensive Survey of Deep Learning for Time Series Forecasting」arXiv掲載論文。指数平滑法（Brown, 1959; Holt, 1957; Winters, 1960）について。

用語集

• ARIMA, AutoRegressive Integrated Moving Average, 自己回帰和分移動平均モデル, —: 自己回帰（AR）・和分（I、差分による定常化）・移動平均（MA）を統合した、時系列予測モデル。ボックスとジェンキンスが1970年に体系化した。
• 定常性, Stationarity, —, —: 時系列の平均・分散が、時間を通じて変化しない性質。ボックス＝ジェンキンス法の前提となる。
• 差分, Differencing, —, —: ある時点の値から、直前の時点の値を差し引く操作。非定常な系列を定常化するために用いられる。
• 自己相関関数, Autocorrelation Function, ACF, —: 時系列の、自分自身の過去の値との相関を示す関数。ARIMAモデルの識別に用いられる。
• 指数平滑法, Exponential Smoothing, —, —: 過去のデータに、指数的に減衰する重みを与えて、将来の値を予測する、ARIMAとは別系統の時系列予測手法。

Claude ログ

正確な典拠を確認してから執筆する。十分な資料が集まった。MS06（MSシリーズ最終回）を執筆する。整合性を確認する。引用番号[1]〜[8]の連番、全HTMLタグの対応が一致した。MS06を執筆した。MSシリーズ（統計学・計量経済学の基礎理論、全6回）が完成した。

主な内容

• ARIMAモデルの構成要素の起源（本稿の核心）：自己回帰（AR）が1920年代のユール、移動平均（MA）が1930年代のスルツキーに、それぞれ遡ることを明示
• 「1970年代の革命」という物語の再検討：ボックス＝ジェンキンスの1970年の主著が、これらの要素技術をゼロから発明したのではなく、体系的に統合・パッケージ化した、方法論的な達成であることを、既存の「神話」を検証する形で明示。1970年代の実証研究がARIMAを大規模計量経済学モデルより優れた予測精度で評価し、普及を後押ししたことも紹介
• 技術的構造：p・d・qパラメータの定義、定常性という前提、差分による定常化（「I」の由来）、識別・推定・診断チェック・精緻化・予測という反復的手続き、ACF・PACFによる識別を整理
• 並行する系譜：ブラウン（1959）・ホルト（1957）・ウィンターズ（1960）の指数平滑法を、ARIMAとは別の理論的系譜として紹介
• 需要予測への接続：季節ARIMAの有効性を指摘しつつ、コロナ禍のような構造的断絶を伴うデータへの単純な適用には慎重な検討が必要という、実務上重要な留保を明示
• MSシリーズ総括：MS01〜MS06全体を振り返り、既刊KK・KM・ZEシリーズの理論的基盤としての位置づけを確認

引用[1]〜[8]、参考資料一覧・用語集も本文に組み込み済み。全HTMLタグの対応を確認済み。

SNSリード文

ARIMAモデルは「1970年代の革命」と呼ばれますが、実は1920〜30年代のユール・スルツキーの要素技術を体系的に統合したものでした——ボックス＝ジェンキンス法の技術的構造と、コロナ禍のような構造的断絶への適用に必要な慎重さを整理する、MSシリーズ最終回です。（124文字）

タイトル案

1. ARIMAは「1970年代の革命」ではなかった
2. ユールとスルツキー——ARIMAの隠れた源流
3. MSシリーズ完結：需要予測の統計的基盤を掘り下げる

これでLシリーズ（法学）・Yシリーズ（哲学）・ZPシリーズ（行政学）・Rシリーズ（人類学）・Vシリーズ（観光学）・MSシリーズ（統計学・計量経済学の基礎理論）が完成した。次はGS（サービスマーケティング）シリーズの執筆に進んでよいか、確認したい。