1 広義定常の概要
1.1 定常性の基本的な考え方
定常性とは、対象となる現象を時間の推移に沿って観測したときに、統計量の振る舞いが大きくは変わらない、あるいは変化があっても分析上同等に扱える、という考え方である。典型例は時系列において、平均やばらつきといった要約指標が時間に対して概ね一定になる状況を指す。理論的には、厳密な定義に基づく条件設定と、その条件を満たすかどうかを検証する枠組みとして整理されることが多い。
広義定常では、こうした「統計的に同じ」という関係を、応用上必要な範囲で緩めて捉える。つまり、対象の真の生成過程が完全には変わっていない場合に限らず、変化の仕方が分析目的にとって致命的でない場合や、前処理や変換で実質的に同等に見なせる場合も含めて「定常として扱う」立場をとる。
1.2 「広義」という位置づけ
1.2.1 狭義定常との違い
狭義の定常性は、確率過程の厳密な条件（たとえば分布の時間シフト不変性など）に基づくことが多い。一方、広義定常は、これらの強い前提を全面的に要求せず、推定・予測・検証の実務に耐える範囲で「同等性」を設ける。結果として、狭義の定常性を満たすケースは広義にも含まれるが、逆は必ずしも成り立たない。
実務的には、統計モデルが期待する性質（誤差の独立性や分散の安定性など）に注目し、それらが概ね維持されているかどうかを根拠に定常的な扱いを採用する。ここでの「広義」は、理論の完全性よりも、目的に対応した妥当性を優先する方向性として位置づけられる。
1.2.2 応用で許容される変形
広義定常を実装する際には、いくつかの許容可能な変更が議論される。たとえば、トレンドや季節性が支配的な場合でも、それらを回帰や差分などで除去した後の残差過程が安定しているなら、分析対象を「定常的」とみなすことがある。また、観測時間が有限である現実に合わせて、統計量の変動を厳密な等号ではなく近似として扱う。
さらに、推定手順との整合性の観点から、実際の検定や推定が必要とする条件だけを満たすようにデータを加工する運用が行われる。広義定常はこの種の「条件の局所化・目的化」を含む概念であり、どこまで変形を認めるかは分析目的と検証設計に依存する。
1.3 対象となるデータや過程の種類
広義定常の枠組みは、必ずしも一次元の時系列に限らない。代表的には、連続量を観測する時系列、離散的なカウントデータ、複数変数の同時観測（多変量時系列）などがある。加えて、時点間の関係が非線形であっても、要約統計や残差の性質が安定していれば、定常として扱える可能性がある。
また、生成過程が明示的に確率過程としてモデル化されていない場合でも、経験的に「時間に対して似た形の変動」が確認される対象では、広義定常の考え方が応用されやすい。要点は、分析目的にとって重要な統計的安定性（平均、分散、相関構造など）が、観測範囲で大きく損なわれていないかに置かれる。
2 数理的な定式化
2.1 統計的性質の同一性
定式化において中心となるのは、「時間が進んでもある統計量が同じ振る舞いをする」という考えを数学的に表現することである。広義定常では完全な分布一致を要求しない場合が多いが、それでも平均や分散、あるいは共分散といった主要な統計量の安定性を指標として設定することが多い。
2.1.1 平均に関する条件
平均に関する条件としては、時間に依存しない期待値が置かれることが多い。具体的には、時刻 \(t\) における観測 \(X_t\) について \(E[X_t]\) が時間シフト後も変わらない、あるいは変化が小さく近似的に一定とみなせることが要請される。広義定常の文脈では、平均が微増微減していても、分析目的の精度要件に対して影響が小さい範囲なら「実質的に一定」として処理する発想が採られうる。
実務では、平均の不安定性はしばしばトレンドとして現れるため、回帰による除去や差分で取り除いた後に残差の平均安定性を確認する、という手順がとられることが多い。
2.1.1.1 時間不変性の扱い
時間不変性は、厳密には「時刻の違いが統計量に反映されない」性質を意味する。広義定常では、この性質を完全一致としてではなく、推定誤差や観測ノイズを含めた範囲で実質的に満たすこととして扱う場合がある。結果として、平均の推移を統計的に評価し、一定性が支持される区間を「定常として扱う区間」とする運用が一般的である。
2.1.2 分散・共分散に関する条件
ばらつきに相当する分散が時間で変わらないことは、多くのモデル（たとえば一定分散誤差を仮定する回帰など）の妥当性に直結する。広義定常では、分散が厳密に一定でなくても、ある帯域や期間では概ね安定であるなら十分とみなすことがある。分散の安定性が満たされない場合、変換（対数、差分など）や分散を条件づけたモデル化が必要になることが多い。
共分散については、時間差に依存する形が要求されることが多い。すなわち、相関の構造が「時刻そのもの」ではなく「ラグ（ずれ）」にのみ依存する形で安定している、という条件である。広義定常では、相関構造が完全に不変でなくても、予測や推定の目的に対して重要なラグ範囲で同等性が保たれているかを重視する。
2.2 定義の運用上の注意
2.2.1 観測窓の取り扱い
定常性の評価は観測窓（サンプル区間）に強く依存する。短い期間では偶然として一定に見えることがある一方、長い期間では構造変化が混入して見かけの安定性が崩れることがある。広義定常の立場では、目的に必要な時間スケールに対応する窓を選び、その範囲内で統計量の安定性が検証されることが重要になる。
実務では、窓を固定して評価する方法と、時間をずらしながら評価する方法（移動窓検証）が併用される。後者は、定常性が「局所的に」成り立つ領域を特定するのに適している。
2.2.2 推定手順との整合
定義としての定常性と、適用する推定・検証手順は整合している必要がある。たとえば、ある検定が「誤差項の一定分散」や「相関の弱さ」を仮定しているなら、広義定常として採用した根拠（分散安定や共分散の扱い）が、その仮定を十分に支える形になっていなければならない。
また、前処理や変換を行う場合、その変換が統計量の性質をどのように変えるかを理解することが重要である。変換後の残差に対して定常性を議論するのか、元の系列に対して議論するのかによって、結論の意味が変わるため、運用では前提を明示するのが望ましい。
2.3 関連概念との整理
2.3.1 構造変化との関係
構造変化とは、データ生成の仕組みが時間とともに切り替わるような変化を指す。広義定常では、構造変化があってもそれが分析にとって小さい、あるいは前処理で吸収できるなら定常的に扱える場合がある。一方、変化が統計量の安定性を直接破る場合は、定常性の仮定が崩れて推定の信頼性が損なわれる。
そのため実務では、変化点の存在を疑う検討（残差の系統的偏り、分散の急変、相関の形の変化など）と、対処（期間分割、モデルの拡張、変換の見直し）がセットで行われる。
2.3.2 規則性とランダム性
定常性は、規則性とランダム性の境界を扱う概念として理解されることがある。完全に規則的な信号だけでなく、ランダム性を含む場合でも統計的な枠組みが保たれるなら、分析上の予測可能性や推定可能性が残る。広義定常の考え方は、規則性の強さを求めるよりも、ランダム性の性質（散らばり方、相関の持続時間など）が時間に対して過度に変わらない点を重視する。
ただし、ランダム性の形が変化した場合（分散の変調、相関の減衰速度の変化など）は、見かけの定常性が破綻する。よって、観測に含まれるノイズの性質まで含めて評価する姿勢が必要になる。
3 社会科学での捉え方
3.1 時系列データへの適用
3.1.1 経済・金融指標の分析
経済・金融指標は、景気、制度、期待など多様な要因で揺れやすい。そのため広義定常は、「短期的な変動の統計的性質が概ね安定である区間」を見つける目的で利用されることがある。たとえば、季節性を除去した後の変化量や、外れ値を扱った残差に対して平均・分散の安定性が確認できれば、時系列モデルを適用しやすくなる。
ただし、金融では分散の時間変化が顕在化しやすいことも知られている。広義定常の枠組みでは、一定分散を前提にしない設計や、条件付き分散を扱うモデル選択と組み合わせることで実務上の整合性を保つ。
3.1.2 世論・行動の時系列
世論や行動のデータでは、出来事の影響が時点をまたいで現れることが多い。広義定常は、そうした影響がある程度なら定常的な残差として扱える場合や、注目する指標の変動が特定の時間スケールで安定している場合に適用される。
例えば、長期のトレンドが強い場合には、トレンド除去後の揺らぎだけを分析対象とすることで、統計的な枠組みを維持できる可能性がある。逆に、大規模な制度変更や大事件のように急激な分布変化が起こると、定常的仮定は成立しにくくなるため、区間設計が重要となる。
3.2 集団特性の定常性
3.2.1 人口構成の変化と補正
人口統計では、構成（年齢層、属性分布）が時間とともに変化しうる。広義定常の考え方では、構成の変化をそのまま「対象の性質の変化」とみなすだけでなく、補正や標準化によって、比較可能な条件を揃えた上で同等性を評価する。これにより、観測された差が構成要因によるものか、行動や制度の変化によるものかを切り分けやすくなる。
たとえば、年齢調整の考え方は、平均や分布の見かけの変化を統計的に整理する代表例である。補正後の指標が安定していれば、広義定常として扱う動機が強くなる。
3.2.2 習慣・制度の安定性
習慣や制度は、明確な断絶がなくても緩やかに変わる。広義定常では、制度や慣行の変化が統計的指標に与える影響が限定的である間は、一定の推定枠組みを維持できると考える。たとえば、制度が変化していない期間を抽出して比較する、あるいは制度変更をダミー変数として取り込み、残差の性質が安定しているかを確認する、といった方針がとられる。
一方で、制度の実質が変わっているのに観測データが遅れて反映される場合もある。この場合、見かけの定常性は一時的なものになりやすく、検証のタイミングと窓の長さが結果に影響する。
3.3 実務上の判断基準
3.3.1 モデル選択の観点
広義定常は「どのモデルが適切か」を選ぶ際の土台になる。平均や分散が安定とみなせるなら、比較的単純な回帰や自己回帰型モデルが妥当になりやすい。逆に、ばらつきが変化するなら、変換や条件付き分散を組み込む拡張が必要になる。
また、多変量の文脈では、各系列間の相関が時間とともに大きく崩れないかが重要になる。相関が時間帯で異なるなら、同じ係数構造を共有するモデルは不適合になる可能性が高い。したがって、広義定常の確認はモデルの仮定検討と不可分である。
3.3.2 検証可能性と説明責任
社会科学の実務では、定常性の仮定を採用したこと自体が説明責任に関わる。広義定常は柔軟性がある分、どの統計量を同等とみなし、どの範囲でのみ成立すると判断したのかを明示する必要がある。そうすることで、読者や関係者がモデルの適用範囲を理解し、結果の解釈を適切に行える。
検証可能性の観点では、残差診断、安定性を確かめるための補助的検定、感度分析（窓幅変更や前処理の違いによる頑健性の評価）などが有効である。結論が一つの前提に強く依存している場合は、その依存性を示すことが望ましい。
4 検証・推定・実例
4.1 検定・診断の基本
4.1.1 視覚的診断
視覚的診断は、広義定常の初期確認に有用である。特に、系列そのものの動きだけでなく、平均との差や残差の振る舞いを見ることで、時間に対する安定性の欠如を早期に検出できることがある。
4.1.1.1 移動平均と残差の観察
移動平均は、局所的な水準変化を捉える手法として使われる。移動平均が大きく傾く場合、平均の時間変化が示唆される。残差の観察では、モデル化した後の誤差がランダムに散らばっているか、特定の期間で偏りが系統的に出ていないかを確認する。
残差プロットで特定の時間帯に分散が大きくなる、あるいは特定のラグで相関が残っているように見える場合、広義定常としての仮定が弱い可能性がある。その場合は前処理やモデルの見直しが検討される。
4.1.2 概念に基づく統計的検定
統計的検定は、視覚的所見を形式化する役割を持つ。代表的には、平均の一定性や自己相関の安定性を評価する検定が利用されることがある。広義定常では、厳密な性質の完全な支持を求めるより、分析上問題ない程度に仮定が妥当であることを確認する目的に寄せる。
ただし、検定の結果は標本数や前処理条件に依存する。したがって、単一の検定統計量に依存せず、複数の診断（残差診断、自己相関の確認、分散の推移に関する見え方など）を組み合わせて解釈するのが一般的である。
4.2 前処理と変換
4.2.1 差分・対数変換
前処理は、非定常性の原因を分解して扱うために重要である。差分はトレンド成分の除去に使われることがあり、変化量として系列を再定義することで平均の安定性を得る狙いがある。対数変換は、成長率の解釈をしやすくし、ばらつきの大きさが水準に依存している場合に分散の安定化へ寄与する場合がある。
広義定常では「どの変換が目的に合うか」を評価することが中心になる。変換後も残差に系統的偏りが残るなら、別の処理やモデル改良が必要になる。
4.2.2 トレンド除去と季節性処理
トレンド除去は、長期の水準変化を切り離し、残差に対して定常的な枠組みを適用するために行われる。季節性処理は、周期的な変動が強いデータでとりわけ重要である。季節性を除去することで、残差の分布や相関構造が時間帯に依存しにくくなる場合がある。
実務では、回帰で季節ダミーを含める方法、周期成分をフィルタリングする方法、差分と季節ラグ差分を併用する方法などが選択される。広義定常の評価は、これらの処理後の残差に対して行うのが一般的である。
4.3 典型的な適用例
4.3.1 政策効果がある場合の扱い
政策効果が存在すると、処置開始の前後で平均や分布が変わり、定常性の仮定が破られやすい。広義定常では、効果を明示的にモデルへ組み込む、あるいは処置区間を分割してそれぞれで安定性を評価する、といった方針が採られる。重要なのは、政策開始後も「誤差項の統計的性質」が安定しているかである。
たとえば、介入を説明変数として入れた後の残差が、時間帯に対して似たばらつきを持ち、自己相関が許容範囲に収まるなら、残差過程については広義定常が成り立つ可能性がある。逆に、効果の持続や相互作用が未モデルのまま残差に混入していると、診断結果が不安定になりやすい。
4.3.2 変動の小さい領域での運用
データ全体では安定しなくても、一部の期間では統計量がほぼ一定に見えることがある。広義定常は、このような局所性を許容し、安定性が確認できる領域に分析を限定することで有用性を保つ。運用では、窓の切り方を恣意的にしない工夫（外部事情に基づく区間設定、複数窓での頑健性確認など）が求められる。
この考え方は、予測や計画の目的に適合しやすい。短期の判断が必要であって、長期の構造変化よりも短期の変動パターンが意思決定に直結する場合、局所的な定常的近似は合理的になり得る。
4.4 よくある誤解と注意点
4.4.1 「定常＝変化しない」の誤解
広義定常は、必ずしも値が時間で全く変わらないことを意味しない。観測値そのものは揺れるのが通常であり、問題になるのは統計量の安定性である。平均がわずかに動く、分散が小幅に増減するなど、完全な不変性を破る要素があっても、分析上の許容範囲に収まるなら定常的近似として運用できる。
したがって「変化があるから定常ではない」と短絡するのではなく、どの統計的側面が、どの程度まで変化しているかを分解して確認する必要がある。
4.4.2 データ欠損による見かけの定常性
欠損があると、サンプルの欠け方が時間依存の場合に、統計量が歪むことがある。結果として、本来は変化しているのに欠損により変化が観測されず、定常に見える場合がある。逆に、特定の期間に欠損が集中すると、分散や相関の推定が不安定になり、誤った結論につながることもある。
対策としては、欠損の発生機構を検討し、補完方法や除外基準が推定に与える影響を感度分析で確認することが重要である。広義定常の評価では、欠損を単なる前処理上の問題として扱うのではなく、統計的性質の推定に及ぼす影響を意識する必要がある。