1 定常性の基本概念
定常性とは、対象として扱う量の統計的なふるまいが、時間の経過によって大きく変わらない（あるいは変化が定義域内で問題にならない）という考え方である。とくに確率過程や時系列に対して、観測される平均的な傾向や変動の大きさ、結びつきの強さといった性質が時間に依存しない形で表されるときに用いられる。
定常性が成立すると、過去から推定した統計量を将来の時点へ比較的そのまま持ち込みやすくなる。その結果、推定・検証・予測の手続きが単純になり、モデルの評価や意思決定のための基準を与えられる。
1.1 定常性の直観的な意味
直観的には、「時間軸をずらして見ても、現れ方が大きく変わらない」状態を指す。たとえば、ある時刻の前後で平均レベルが大きく上下しない、振れ幅が拡大・縮小しない、遠い過去と現在の結びつきが時間により変質しない、などが該当しうる。
厳密な定義は後続の節で述べるが、まずは「観測した統計的特徴が、始点に依存せず同じ型で繰り返される」という感覚として捉えられることが多い。
1.2 定式化の対象（確率過程・時系列）
定式化の中心となるのは、連続または離散の時間でインデックス付けされる確率過程である。離散時間の例では、時刻 \(t\) における確率変数 \(X_t\) が対象となり、連続時間の例では \(X(t)\) が対象となる。
時系列としては、観測された系列 \( \{x_t\} \) を確率過程の実現とみなして統計量を計算し、「理想化した母集団が定常性を満たすか」を検討する流れになる。したがって定常性は、データというよりも、データ生成過程の性質として議論されることが基本である。
1.3 定常性が必要となる理由
定常性が重要になる主な理由は、統計推論やモデル化が「時間全体で同じ性質をもつ」という仮定に支えられる場合が多いためである。具体的には、推定量の性質（例：大標本での安定性）、検定の参照分布、予測誤差の評価などで、時間依存が強いと手続きが破綻しやすい。
加えて、定常性は「どこまでが同じ統計的状況とみなせる期間か」を境界づける役割も持つ。期間を誤って選ぶと、統計量が平均化されて歪み、相関や分散の構造の解釈が難しくなる。
2 種類と階層（強い定常性・弱い定常性など）
定常性は単一の概念ではなく、満たすべき性質の強さに階層がある。階層が上ほど制約が強く、成立条件を満たしにくい一方で、性質の保証範囲が広がる傾向がある。
実務では、目的（予測の精度重視か、推論の厳密性重視か）と利用可能なデータ量・質に応じて、最も適合しやすい定義を選ぶことが多い。
2.1 強い定常性（厳密な定義）
強い定常性は、確率過程の分布そのものの時間シフトに対する不変性を要求する。離散時間 \(X_t\) の場合、任意の有限次元分布に関して、時間を \(k\) だけ平行移動しても同じ分布が得られることがポイントになる。
この条件が成り立つと、平均や分散といった低次の統計量だけでなく、より複雑な分布の形や高次の従属性まで、時間ずれに対して安定しているとみなせる。
2.1.1 統計的性質の時間シフト不変性
統計的性質の時間シフト不変性とは、時刻の基準点を変えても、観測される並びの分布が変わらないことを意味する。たとえば、ある期間の \( (X_{t_1},\dots,X_{t_m}) \) の同時分布が、基準を \(k\) ずらした \( (X_{t_1+k},\dots,X_{t_m+k}) \) と一致するような状況である。
この性質は、時系列の生成過程が時間的に均質であることを示唆する。結果として、理論解析では扱いやすさが増すが、現実データでは季節性や制度変更などにより完全には満たされないことも多い。
2.2 弱い定常性（第二次までの性質）
弱い定常性は、「平均・分散・自己相関」といった第二次の統計量に着目し、それらが時間に対して安定であることを要請する考え方である。強い定常性ほど分布全体の一致を要求せず、計算・検証が現実的になりやすい。
ただし、平均や分散が落ち着いていても、分布形状（裾の厚さや非対称性）が時間とともに変化する場合がありうる。そのようなケースでは弱い定常性だけでは不十分になることがある。
2.2.1 平均の時間不変性
平均の時間不変性とは、期待値 \(E[X_t]\) が \(t\) に依存しないことを指す。すなわち、どの時点を基準にしても同程度の中心位置を持つことになる。
実データでは、観測系列の平均を期間ごとに比較し、緩やかなドリフトがないかを確認することが多い。理想化では厳密な一致が求められるが、実務では許容範囲を設けて判断する場合がある。
2.2.2 分散の時間不変性
分散の時間不変性は、\(\mathrm{Var}(X_t)\) が時間によって変わらないという要請である。これが満たされると、変動の強さが時間軸で一定になり、リスク評価や誤差見積りが安定する。
分散が時間とともに増大・減衰する場合は、生成過程に局所的な環境変化（需要の急増、観測条件の変更など）が含まれている可能性があるため、前処理や別モデルが必要になることがある。
2.2.3 自己相関の時間差依存
弱い定常性では自己相関について、時刻そのものより「時間差」にのみ依存する形を求める。具体的には \(\mathrm{Cov}(X_t, X_{t+h})\) が \(t\) に依存せず、ラグ \(h\) の関数として表されることが中心となる。
この条件により、系列の「現在と過去（あるいは未来）」の結びつきが、基準時点を動かしても同じ強さで再現される。結果として、ラグごとの依存構造を推定してモデルに反映しやすくなる。
2.3 差分定常性とその位置づけ
差分定常性は、元の系列が定常でない場合でも、その差分系列が定常性を満たすならば扱いやすい、という考え方である。たとえば、レベルにはトレンドが含まれているが、増分（差分）には安定した統計特性があるような状況が該当しうる。
この性質は単位根を含むモデル化（例：ランダムウォーク的挙動）とも関係し、非定常性の原因が「位置の移動」にあるのか「変動の形の変化」にあるのかを切り分ける手がかりになる。
3 解析・検証の考え方
定常性の確認は、理想的には母集団の性質を直接確かめることではなく、観測データから定常性仮説を評価する作業として行われる。従って、どの定義（強い／弱い、差分定常など）を想定するかが最初に定まっていることが重要になる。
検証は、観測のばらつきや有限標本ゆえの誤差を踏まえたうえで、実務的な意思決定につながる形で設計される。
3.1 観測データからの適合確認
観測系列 \(x_t\) からは、推定された平均や分散、自己相関などを計算し、理論上期待される時間不変性と整合するかを確認する。時間窓を分割して比較する方法は直感的であり、変化点の探索にもつながる。
ただし、サンプル長が短いと推定誤差が大きくなり、変化がないのか検出力不足なのかが判別しにくくなる。そのため、データ量、欠損、外れ値の影響を事前に把握しておく必要がある。
3.2 グラフによる初期評価（視覚的診断）
可視化は初期診断として有効である。たとえば、系列プロットは中心の移動、分散の拡大縮小、季節的な揺らぎの存在を直感的に捉えるのに役立つ。
さらに、移動平均や移動分散を重ねると、統計量の時間変化が見えやすい。相関についても、ラグ別の推定値がラグに応じて安定しているかを確認することで、弱い定常性の見通しを得られることがある。
3.3 統計的検定・指標の利用
統計的検定では、定常性（または非定常性）に関する帰無仮説を設定し、検定統計量の値により棄却可能性を評価する。選択する検定は、想定する定義（平均不変性、分散不変性、自己相関の安定性、差分定常など）に対応している必要がある。
指標としては、変化の大きさを要約する統計量や、モデル残差に対する診断値が用いられることが多い。検定結果はサンプル条件に左右されるため、単発の判断に留めず、複数の観点を組み合わせる運用が望ましい。
3.3.1 平均や分散の変化検出
平均の変化は、期間ごとの平均差やドリフトの有無を扱う手法で評価される。分散の変化は、区間分割後のばらつき比較や、時変分散を示唆する特徴量を用いて検出する。
実務では、変化が局所的に起きている場合（ある時点以降だけ挙動が変わるなど）に検出が困難になることがある。そのため、窓の大きさや検証単位を変えて感度を確かめることがある。
3.3.2 相関構造の変化検出
相関の検出では、ラグ \(h\) ごとの依存の安定性を評価する。たとえば、窓ごとに推定した自己相関が同じ形状を示すか、あるいは結びつきが特定の時点から急に弱まる／強まるかを調べる。
相関は推定誤差も大きいため、複数ラグを同時に扱う指標や、残差に対して再検討する流れがよく採られる。相関構造が変化しているのに平均や分散が安定している場合、依存メカニズムの変更（外生ショックや制御則の更新など）が疑われる。
3.4 モデル化における定常性の前提
時系列モデルは、構造の一部で定常性を前提に設計されることがある。たとえば、係数推定や予測分布の導出において、時間不変の統計構造が暗黙または明示的に使われる。
前提が崩れると、パラメータの解釈や推定の安定性が損なわれ、予測誤差の過小評価につながることがある。したがって、モデル適用の前には、必要とする定義（弱いか、差分で良いか）を特定し、残差診断まで含めて整合性を確認する手順が重要になる。
4 定常性とモデル・予測
定常性は予測の前提条件として扱われることが多く、モデルが想定する依存の仕方が時間とともに変化しないかが鍵になる。適切な変換や前処理によって定常性を回復できる場合もある。
一方で、現実のデータには季節性、制度変更、構造的な断絶など、定常性を破る要因が含まれうる。そこで、原因別に対処方針を選ぶ必要がある。
4.1 ARMA型モデルと定常性
ARMA型の枠組みでは、系列が定常であることがモデルの基盤として重要になる。自己回帰と移動平均の組合せは、定常性のもとでインパルス応答や分散構造が適切に定義される。
もし原系列が強く非定常なら、同じARMA形を当てはめても係数が不安定になりやすい。その場合、差分やトレンド除去などの変換を行い、モデルの仮定に近づけるのが一般的な戦略となる。
4.2 分解・前処理（トレンド除去、季節性処理）
トレンドや季節性が原因で非定常性が現れている場合、分解や前処理により変動の源を分ける方法がとられる。トレンド成分を取り除くことで、平均の時間変化を縮め、残差側をより定常に近づけることができる。
季節性は周期的なパターンとして現れることが多いため、周期成分を推定して除去したり、季節差分を施したりすることで、自己相関の安定化が期待できる。前処理の選択は、データの見え方やドメイン知識に依存する。
4.3 非定常性がもたらす影響
非定常性は、予測の信頼性に直接影響する。たとえば平均が変化しているのに定常モデルを使うと、予測の中心がずれ、長期の誤差が累積しやすい。
分散が時変の場合も問題で、同じモデル誤差として扱うと、外れ値や急変期の扱いが過小評価される。さらに相関構造が時間とともに変化していると、将来の依存関係を誤って学習し、遅れの効き方が実態とずれる可能性がある。
4.4 実務上の運用指針（確認手順の設計）
運用指針としては、まず目的に応じて必要な定義を決めることが出発点になる。予測にARMA系が適するのか、差分での定常性が十分か、あるいはより強い要件が要るのかを整理する。
次に、可視化で大まかな変化要因を特定し、必要に応じて変換（トレンド除去、差分、季節性処理）を行う。続いて、選んだ定義に対応する検定や診断を実施し、残差が安定しているかまで確認する。最後に、窓を変えた再評価やバックテストによって頑健性を検査すると、判断の偏りを減らしやすい。