1 季節差分の概要
1.1 定義と目的
季節差分とは、時系列データに含まれる季節的な反復変動を、対象時点の観測値から季節に対応する過去時点の観測値を用いた差分操作によって分離し、季節要因を相対化した残差的な変化を扱いやすくする考え方である。たとえば、毎年同じ時期に増減する売上や、毎週同様の曜日パターンを示すアクセス数などでは、季節に由来する動きを取り除くことで、トレンドや突発要因の存在を見つけやすくする。
目的は主に三つに整理できる。第一に、季節性が強い系列では通常、モデルが季節パターンを説明の中心に引き込まれやすく、他の要因を見落とすことがある。第二に、予測では季節要素の再現が重要になり、評価や学習の焦点がぼやける。第三に、異常検知では季節由来の上下を誤って異常と誤認しないようにする必要がある。季節差分はこれらの問題を、季節の相対比較という単純な前処理で軽減する。
1.2 基本的な考え方（季節性の分離）
季節差分の中核は、「時間的なずれを伴う同型の挙動」を対応づけて引き算することで、季節要因に近い成分を相殺しようとする点にある。観測値を、季節成分とその他の成分（トレンド、景気・施策などの要因、ノイズ）に分けて捉えると、季節成分がほぼ同じ形で繰り返される範囲では差分後に残りやすいのはその他の成分側である。
同じ「季節的に対応する」時点の定義が重要になる。たとえば日次なら「前年同日」、時間帯を含むなら「前週の同じ曜日・時刻」、月次なら「前年同月」といった対応が考えられる。差分を取ることで季節成分は減衰し、残差側には変化の方向や大きさに関する情報が残る。差分の結果をそのまま説明変数や監視指標として用いる場合、季節性による見かけの変動が薄れるため、変化の解釈が安定しやすい。
1.3 利用場面（予測・検知・要因整理）
予測では、季節差分を施した系列を使ってモデルを学習すると、季節パターンの大部分が前処理で吸収され、学習対象が「季節から外れた揺れ」に寄りやすくなる。これにより、モデルが本来注目すべき変化（価格改定の影響、需要の構造変化、上流イベントの遅れなど）へ注意を向けられる場合がある。逆に、季節成分が単純な対応差で表しきれない場合には、差分後の系列の平均や分散が季節によって偏り、別の取り扱いが必要になる。
異常検知では、季節差分の残差を監視することで、季節に沿った自然な増減を誤検知しにくくする。たとえば例年は同時期に落ち込むが、今年の落ち込みが例年よりも大きいかどうかは、差分残差の大きさに現れやすい。閾値設計と組み合わせることで、過検知を抑えつつ見逃しも減らす設計が可能になる。
要因整理の観点では、差分後に残る成分が「季節以外の要因」を反映しやすいという説明上の利点がある。季節要因とそれ以外を分けた見え方を提供するため、原因候補の切り分けをしやすくなる。業務上の定性的な理解とも整合しやすく、「いつも通りとのズレ」を数値化する入口として用いられることがある。
2 代表的な手法
2.1 単純な季節差分
2.1.1 同周期の対応点との差を取る方法
単純な季節差分では、ある周期 \(s\) を定めて、時点 \(t\) の値から \(t-s\) の値を引く。一般形は、差分系列 \(y'_t = y_t - y_{t-s}\) と書ける。ここで \(s\) は季節周期の長さを表し、日次データなら「周期=7（週次）」や「周期=365（年次）」などが候補になる。
対応づけの基本は「同じ季節位置」である。たとえば月次データでは「同月（前年同月）」、日次データでは「曜日が一致する前週同曜日」や「暦日が一致する前年同日」を選ぶ。周期が正しく設定されると、季節成分の多くが差分で相殺され、残差が比較的均質になりやすい。
2.1.1.1 例：日次データの前年同日との差
日次系列で、季節性が年単位で明確に出るケースを考える。たとえば観測値 \(y_t\) が「ある店舗の今日の売上」だとすると、前年同日との差として \(y'_t = y_t - y_{t-365}\) を作る。前年同日の売上は、曜日や祝日要因を含んでいる場合があり、年周期の季節性に近い成分が差分で打ち消されることがある。
ただし、うるう年の扱いや、祝日の曜日ずれによる影響などで完全一致にならないことがある。そこで、暦のズレを吸収するために「前年同週の同曜日」や「年内平均との差」などの代替対応が検討される。目的は「季節的に近い状況」を揃え、季節差分後の残差が本来の変化（需要変動、施策効果）を反映しやすくすることにある。
2.1.2 差分の単位と解釈（絶対差・変化量）
差分の結果は、元の変数の単位を保ったまま解釈できる場合が多い。たとえば売上（円）なら差分も円であり、「この時点の売上は前年同日より何円増減したか」という形で説明できる。絶対差は、増減の大きさに関して直感的で、業務的な意思決定にも結びつきやすい。
一方で、増減率のような相対指標に変換したい場合もある。絶対差では基準値が小さい時期に差分が相対的に大きく見えるなどの問題が起き得る。そこで、比率差（例：\(y_t/y_{t-s}-1\)）や、対数差（例：\(\log y_t-\log y_{t-s}\)）などが代替として用いられることがある。どの解釈を優先するかは、データの性質（正値か、ゼロを含むか、分散の大きさ）と利用目的（予測の学習か、監視の説明か）で決まる。
2.2 差分の多段適用（階差の考え方）
2.2.1 季節周期を複数扱う場合
現実の系列では、週次と年次など複数の季節性が同時に現れることがある。単一周期の差分だけでは残差側に別の周期が残り、モデルがそれを吸収する必要が生じる。そこで、周期を複数設定し、複数段の差分を適用することが考えられる。
例えば日次データで「週次」と「年次」の両方が強い場合、まず週次差分で曜日由来の揺れを抑え、その後に年次差分、あるいは逆順で段階的に操作する。結果は、どちらの季節成分を優先して相殺したいかに依存する。一般に、同時に強い周期が存在すると、単純な一回の対応差では分解が不十分になりやすいため、多段化は分離精度を上げる手段になる。
2.2.2 非定常性への対処としての利用
季節性が時間とともに弱まったり強まったりする場合、固定周期での差分は完全な相殺にならない。とはいえ、多段適用や差分の設計を通じて、少なくとも一部の非定常性をならす効果が得られることがある。たとえば、季節の振幅が徐々に変化するなら、絶対差よりも相対差や対数差を用いる方が安定する場合がある。
また、差分の回数を増やす（階差を進める）と、トレンド成分の一部も削られていく。これにより、残差がより「変化点検知」向きの形になることがあるが、同時に意味のある低周波情報まで失う危険もある。非定常性への対処は、周期設計と同様に、検証を通じて適切な差分の深さを選ぶ必要がある。
2.3 回帰・状態空間との組み合わせ
2.3.1 前処理としての季節差分
季節差分は、統計モデルや機械学習モデルの前処理として組み込まれることが多い。前処理の利点は、モデル本体が複雑な季節表現を内部で学ばなくても済む可能性がある点にある。たとえば予測モデルに入力するターゲットを差分系列に置き、推定後に季節成分を戻す（逆変換や再構成）ことで最終予測を得る設計が可能になる。
このとき重要になるのは、学習と復元の整合である。差分系列を予測して元の尺度に戻すには、対応する季節値を別途用意しなければならない。さらに、差分により分散が変わる場合、誤差の性質も変化し、損失関数の選び方や正則化が影響を受けることがある。前処理として導入する場合でも、残差の統計的性質を点検し、モデル選定に反映させるのが一般的である。
2.3.2 モデル内で季節性を表現する場合との比較
季節差分を前処理に留めず、モデル内で季節成分を明示的に扱う設計もある。状態空間モデルでは、季節成分を潜在状態として持ち、観測に対して学習・更新することで、時間とともに季節が変化する状況にも適応できることがある。
比較すると、季節差分は「差分で相殺する」方向の発想であり、設計が単純になりやすい。一方、モデル内表現は、季節が完全に固定形ではない場合に柔軟性を発揮し得る。選択は、データ量、計算資源、解釈可能性、必要な予測精度、欠測や外れ値の扱いの難しさなどに左右されることが多い。
3 設計・実装上の論点
3.1 季節周期の選定
3.1.1 周期候補の決め方
周期候補の決め方は、まずドメイン知識と可視化の組み合わせから始めることが多い。業務では「営業時間」「週末」「年末商戦」などの運用要因が周期性を生むことがあるため、暦に紐づく情報を手がかりにする。データ側の手がかりとしては、自己相関のピーク、スペクトルの卓越周波数、季節パターンの平均プロファイルなどが利用される。
複数周期が疑われる場合、周期を増やすと差分後の系列は欠損や計算上の負担が増えるため、候補は絞り込む必要がある。最終的には、候補ごとに差分後の残差を評価し、過剰な自由度や過度な相殺が起きていないかを確認するプロセスになる。
3.1.2 妥当性検証（残差の安定性）
周期が適切であるかは、差分後の残差が安定しているかで判断する。具体的には、残差の平均が時点によらず近い値に保たれているか、分散が極端な季節位置で膨らんでいないか、自己相関が主要な季節遅れ以外では大きく残っていないかなどを見ていく。安定性が高いほど、差分が季節成分を十分に吸収できている可能性がある。
また、予測に使うなら検証用データで性能を測ることが重要になる。差分後の系列が見た目で整っていても、将来への一般化で失敗する場合がある。したがって、周期選定は統計診断と外部検証を両輪にするのが実務的である。
3.2 欠測・不規則時系列への対応
3.2.1 欠測補完の方針
季節差分では \(t-s\) の値が必要になるため、対応する過去点が欠測していると差分が作れない。欠測補完の方針は、データ生成の仕組みと欠測パターンに依存する。単純な方法として、直近値の引き継ぎや線形補間があるが、季節性が強い場合には誤った形で季節構造を歪める恐れがある。
季節差分向けには、同じ季節位置の値を利用する補完が自然なことがある。たとえば前年同日が欠けているなら、過去数年の同日平均で補うなどが考えられる。ただし平均化により外れ値の影響や急変時の情報が薄まることもあるため、どこまで補完するか、欠測をフラグで扱うかといった設計が必要になる。
3.2.2 季節対応の取り扱い
不規則時系列では、時刻のグリッドが均一でない、観測間隔が途中で変わるなどが起こり得る。季節差分は「対応する過去時点」を定める操作であるため、対応の定義が崩れると意味が損なわれる。そこで、まず時点を標準化する（たとえば日次に集計し、欠測は別枠として扱う）か、もしくは実時間に基づく周期対応（暦日差、経過日数差）を定義し直す。
季節位置の整合が取れない場合、差分後の残差は季節以外のばらつきが混入しやすくなる。結果として、閾値による異常検知などでは誤検知が増えることがある。実装では、周期 \(s\) を「インデックス差」だけでなく「暦や経過時間の差」として扱うかどうかを慎重に決める必要がある。
3.3 外れ値と頑健性
3.3.1 外れ値が差分に与える影響
差分は引き算であるため、外れ値は残差側に強く現れやすい。たとえば現在点に極端値があると、差分後はその極端値が差分残差を支配し、以後の監視や学習が歪むことがある。さらに、外れ値が過去点側にある場合でも差分は大きくなり、季節相殺が失敗したように見えることがある。
また、季節差分は複数点をまたいで影響が連鎖する。特定の過去点が外れ値なら、それを基準に作られる複数の将来差分が連続して過大評価され得る。そのため、外れ値の有無は差分の前段で確認し、必要なら頑健な手順へ切り替えるのが望ましい。
3.3.2 ロバストな前処理・閾値
頑健性を高めるために、差分の前処理で外れ値を抑える方法がある。代表例として、ウィンザー化（クリッピング）や、メディアンを用いたスケール調整などが考えられる。変数の性質によっては対数変換やBox-Cox変換が有効な場合もある。差分後の分布がより対称に近づくと、閾値設定が安定しやすい。
異常検知で閾値を置く場合は、平均と分散ではなく分位点に基づく設定が有利になることがある。たとえば残差の上下で分位を計算し、極端側だけを異常とみなす設計は、外れ値の影響を受けにくい。加えて、差分が大きくなりやすい季節位置を避けるため、季節別に閾値を持つという工夫も実務で用いられる。
4 評価と活用
4.1 予測性能の評価指標
4.1.1 平均誤差系の指標
季節差分を利用した予測では、評価指標は最終的に元の尺度で比較するのが一般的である。平均誤差系では、平均絶対誤差や平均二乗誤差などが代表になる。差分で作った系列を学習しても、復元時に誤差特性が変化し得るため、最終予測の誤差を基準に評価する。
差分系の指標を併用する場合、残差空間での誤差と元空間での誤差が一致しない可能性に注意が必要になる。たとえば復元における季節成分が別誤差を持つと、差分誤差だけを見ても実運用上の性能を見誤ることがある。評価は目的と出力仕様に合わせて設計するのが望ましい。
4.1.2 方向性（増減）の評価
実務では、絶対値の精度だけでなく「増えるか減るか」の方向性が重要になることがある。季節差分の残差は増減の度合いに関する情報を持つため、方向一致率や、増減符号に基づく精度（分類的評価）での測定が有用になる。たとえば需要計画では「上振れ・下振れ」の把握が意思決定の中心になる場合がある。
方向性を評価する際は、基準となる差分の定義に整合するようにする。ゼロ近傍では符号が揺れやすいため、許容帯（小さな差は方向が未確定として扱うなど）を設ける設計も行われる。結果として、見かけの精度が安定し、業務上の意思決定と結びつきやすくなる。
4.2 異常検知への応用
4.2.1 差分残差の閾値設定
異常検知では、差分残差がある閾値を超えたかどうかで判定する手法が代表的である。具体的には、差分系列 \(y'_t\) の分布を過去データで推定し、上側・下側それぞれに対して基準を設ける。閾値は標準偏差ベースでも分位点ベースでもよいが、分布が歪む場合には分位点が扱いやすい。
運用では季節位置ごとに分布が異なることがあるため、単一閾値よりも季節別閾値のほうが誤検知を抑えられることがある。さらに、連続した日での残差を要求することで、単発のノイズをならす設計もある。判定ルールを調整することで、検知の遅れと過検知のトレードオフを調整できる。
4.2.2 季節性を踏まえた誤検知低減
季節差分の利点は、季節由来の変動が「差分で相殺される」ため、誤検知の主因である見かけの季節上下が減る点にある。これにより、通常時の誤検知率を下げ、異常時に検知しやすくすることができる。特に、季節振幅が大きい領域で効果が出やすい。
ただし、季節性が弱っている、周期がずれている、暦要因が毎年少し変わるなどの場合は、相殺が不完全になり残差に周期成分が残ることがある。この状態で閾値が単純だと季節成分が誤検知につながるため、周期再推定や分布更新の仕組みが重要になる。季節差分は「季節を仮定する」操作でもあるため、仮定が崩れたときの更新戦略が実装の要点になる。
4.3 恋愛・人間関係に見立てた直感的理解（ネットミーム的比喩）
4.3.1 「いつも通りとの差」を見る感覚
恋愛や人間関係にたとえると、季節差分は「同じ季節に比べて、相手や状況がどれだけズレたか」を見にいく行為に近い。たとえば毎週同じ曜日に連絡が増える相手がいても、今日はいつもより返事が遅い。そこで前年や前週の同じタイミングの返事と比べると、ズレの大きさが数値として見えやすくなる、という直感が得られる。
この比喩が示すのは、単純な“絶対値の大きさ”ではなく“基準との差”に意味があるという点である。季節（ここでは習慣や周期的行動）を取り除いた残差に注目することで、「いつもと同じパターンに見えて実は違う」瞬間を捉えやすくなる。
4.3.2 パターンが崩れた瞬間の捉え方
季節差分が効く場面では、「パターンが崩れた瞬間」が差分残差として目立つ。たとえば普段は毎月同じ時期に気分が上向くのに、今回はそのタイミングで落ち込みが大きい。差分を取れば、そのズレは基準との差として前面に出るため、単なるカレンダー効果ではない変化を検知しやすい。
ただし比喩にも注意がある。基準となる“いつも”が変わり始めているのに同じ基準で見続けると、ズレを異常と誤認する可能性がある。現実の関係でも、相手の生活リズムが変わったり関係性が更新されたりすると、周期が変わる。よって季節差分の運用同様に、「基準」を定期的に見直す姿勢が、誤解を減らす鍵になる。