1 基本概念
1.1 定義と特徴
時系列データ（Time Series Data）とは、時間の経過に伴って順序立てて観測または記録されたデータ点の集合である。各データ点は特定の時点に紐づけられ、通常は等間隔（日次、月次、四半期、年次など）で取得される。時系列データの核心的な特徴は、観測値間の時間的依存関係にある。すなわち、過去の値が将来の値に影響を与える可能性があり、この自己相関構造が他の種類のデータ（断面データなど）と異なる点である。時系列データは、経済指標、気象観測、センサー記録など、現実世界の多くのプロセスを表現する基本的な形式である。
1.2 構成要素
時系列データは、複数の潜在的な構成要素に分解できる。これらの要素はデータの変動パターンを理解するための枠組みを提供する。
1.2.1 トレンド（傾向変動）
トレンドは、時系列が長期間にわたって示す上昇、下降、または横ばいの全体的な方向性を指す。トレンドは線形または非線形であり、経済の成長、人口の増加、技術の進歩などの長期的な要因を反映する。
1.2.2 季節性（季節変動）
季節性は、固定かつ既知の周期（1年、1週間、1日など）で繰り返される規則的な変動パターンである。例えば、小売売上高は年末に増加し、気温は夏に高く冬に低い。季節性はその周期が一定である点で周期性と区別される。
1.2.3 周期性（循環変動）
周期性は、トレンドからの変動で、季節性のように固定された周期ではなく、数年から数十年にわたる不規則な周期で現れる。景気循環（好況と不況の交互）が典型例である。周期性は経済的・社会的要因に影響される。
1.2.4 不規則変動（残差）
不規則変動（残差）は、トレンド、季節性、周期性を除去した後に残るランダムな変動成分である。これは予測不可能なノイズとして扱われ、偶然の出来事や測定誤差などに起因する。
1.3 種類
時系列はその統計的性質、特に平均と分散の時間不変性に基づいて分類される。
1.3.1 定常時系列
定常時系列は、平均、分散、自己共分散が時間の経過に関係なく一定である性質を持つ。定常性は多くの時系列モデル（ARMAなど）の前提条件であり、厳密な定常性と弱定常性に分かれる。例えば、ホワイトノイズは最も単純な定常過程である。
1.3.2 非定常時系列
非定常時系列は、平均や分散が時間とともに変化する。多くの経済指標や自然現象の生データは非定常である（例：GDPの成長トレンド）。非定常時系列はしばしば差分や対数変換などの手法で定常化されてから分析される。
2 分析方法
2.1 記述的分析
記述的分析は、データの可視化と基本統計量の計算を通じて、時系列の全体的な特徴を把握するための初期的な分析段階である。
2.1.1 プロットと可視化
視覚化は時系列データのパターン（トレンド、季節性、異常値）を直感的に検出するために不可欠である。
2.1.1.1 折れ線グラフ
折れ線グラフは最も基本的な可視化手法で、時間を横軸、観測値を縦軸に取り、データ点を線で結ぶ。これにより、全体的なトレンド、季節的な山と谷、突発的な変化を一目で確認できる。
2.1.1.2 自己相関図（ACFプロット）
自己相関図（ACFプロット）は、異なるラグ（時間差）における時系列の自己相関係数を棒グラフで表示する。これにより、データ内の依存構造（例えば、AR過程では指数関数的に減衰する自己相関）を診断できる。
2.1.2 基本統計量
平均、中央値、標準偏差、最小値、最大値などの基本統計量に加え、時系列特有の統計量として、自己相関係数やラグ間の相関行列が用いられる。これらの統計量はデータの中心傾向、散らばり、時間的な連続性を要約する。
2.2 推測的分析
推測的分析は、データの背後にあるパターンを抽出し、将来の値を予測するための手法群である。
2.2.1 移動平均法
移動平均法は、一定のウィンドウ内の観測値の平均を計算し、時系列を平滑化することで短期的な変動を除去し、トレンドを明らかにする。単純移動平均、加重移動平均などがある。予測には、最新の移動平均値を将来の推定値として用いる。
2.2.2 指数平滑法
指数平滑法は、過去の観測値に対して指数関数的に減少する重みを割り当てて平滑化する手法である。最も単純な単一指数平滑法はトレンドや季節性のないデータに適し、Holt-Winters法はトレンドと季節性を同時に扱える。
2.2.3 分解法（加法的モデル、乗法的モデル）
分解法は、時系列をトレンド・季節性・残差に分離する。加法的モデル（観測値 = トレンド + 季節性 + 残差）は季節変動の振幅がトレンドに依存しない場合に用いられ、乗法的モデル（観測値 = トレンド × 季節性 × 残差）は季節変動の振幅がトレンドに比例する場合に適する。
3 分析モデル
3.1 古典的モデル
古典的モデルは、線形確率過程を基礎とする時系列モデルの基礎である。
3.1.1 ARモデル（自己回帰モデル）
ARモデル（自己回帰モデル）は、現在の値が過去の p 個の値の線形結合とホワイトノイズ誤差項で表されるモデルである。次数 p の AR(p) モデルは、Y_t = c + φ_1 Y_{t-1} + ... + φ_p Y_{t-p} + ε_t と記述される。
3.1.2 MAモデル（移動平均モデル）
MAモデル（移動平均モデル）は、現在の値が過去 q 個のホワイトノイズ誤差項の線形結合で表される。次数 q の MA(q) モデルは、Y_t = μ + ε_t + θ_1 ε_{t-1} + ... + θ_q ε_{t-q} と定式化される。
3.1.3 ARMAモデル
ARMAモデルは、ARモデルとMAモデルを組み合わせたもので、AR(p)とMA(q)の両方の項を含む。ARMA(p,q)モデルは、自己回帰成分と移動平均成分の両方で時系列の構造を捉える。定常時系列に適用されることが前提である。
3.2 発展的モデル
発展的モデルは、非定常性や季節性、分散変動といった現実データの複雑な特徴に対応するために開発された。
3.2.1 ARIMAモデル
ARIMAモデル（自己回帰和分移動平均モデル）は、非定常時系列を扱うためにARMAモデルに差分を導入したものである。ARIMA(p,d,q)の形式で表され、dは差分の回数である。
3.2.1.1 差分による定常化
差分（ΔY_t = Y_t - Y_{t-1}）は、トレンドなどの非定常性を除去するための基本的な手法である。階差（1次差分）により線形トレンドが除去され、必要に応じて2次差分などが用いられる。
3.2.1.2 モデル次数の決定
ARIMAモデルの次数 p, d, q は、自己相関図（ACF）と偏自己相関図（PACF）の分析、または情報量基準（AIC、BIC）に基づいて選定される。ACFの減衰パターンやPACFのカットオフが次数決定の手がかりとなる。
3.2.2 SARIMAモデル（季節性ARIMA）
SARIMAモデルは、ARIMAモデルに季節成分を追加したもので、SARIMA(p,d,q)(P,D,Q)_s と表記される。sは季節周期（例：月次データのs=12）であり、季節差分や季節AR・MA項を含む。これにより、複数の季節周期を持つデータをモデル化できる。
3.2.3 GARCHモデル（分散変動モデル）
GARCHモデル（一般化自己回帰条件付き分散不均一モデル）は、時系列の分散が時間とともに変動する現象（ボラティリティ・クラスタリング）をモデル化する。金融時系列（株価収益率など）で頻繁に用いられ、条件付き分散が過去の誤差の2乗と過去の分散に依存する。GARCH(1,1)が最も基本的な形である。
4 応用分野
4.1 経済・金融
4.1.1 株価予測
株価や株価指数の将来動向を予測するために、ARIMAやGARCHモデルが広く利用される。ボラティリティの予測にはGARCH系モデルが優れ、リスク管理やオプション価格評価に応用される。
4.1.2 GDP成長率分析
四半期ごとのGDPデータに時系列分解法やARIMAモデルを適用し、景気循環の局面や長期的な成長トレンドを分析する。これにより政策立案や経済予測の基礎が提供される。
4.2 気象・環境
4.2.1 気温・降水量予測
気象庁や研究機関は、過去の気温や降水量の時系列データを用いて、季節性ARIMAモデルや機械学習手法により短期・中期の気象予測を行う。気候変動のトレンド分析にも活用される。
4.2.2 大気汚染指数解析
PM2.5やオゾン濃度などの大気汚染指標の時系列データを解析し、季節パターンや突発的な汚染イベントの影響を評価する。これにより警報システムの改善や対策の効果検証が可能となる。
4.3 工学・信号処理
4.3.1 音声信号解析
音声信号は時系列データであり、自己回帰モデル（線形予測符号化）やフーリエ解析を用いて、音声認識、ノイズ除去、音源分離などの処理が行われる。
4.3.2 センサーデータ解析
工場のセンサー（温度、振動、圧力など）から得られる時系列データは、異常検知、故障予知、品質管理に用いられる。ARIMAモデルや機械学習による予測モデルが実装されている。
5 注意点と限界
5.1 過学習のリスク
複雑な時系列モデル（高次のARIMAやGARCH）を使用すると、訓練データに過度に適合し、新たなデータへの予測性能が低下する過学習が発生しやすい。モデルの複雑さと汎化性能のバランスを取るため、情報量基準や交差検証によるモデル選択が重要である。
5.2 外挿の危険性
時系列モデルは、学習データがカバーする範囲外の未来（外挿）に対しては予測精度が急激に低下する。特に構造変化（政策変更、技術革新、自然災害など）が生じた場合、過去のパターンが将来に継続するという前提が崩れるため、外挿予測は慎重に行う必要がある。
5.3 データの欠損処理
時系列データは測定機器の故障やイベントの欠落により欠損値が生じることがある。欠損をそのまま放置すると分析結果が歪むため、線形補間、前後の値による補完（forward fill/backward fill）、移動平均による補完、あるいは状態空間モデルによる推定などの適切な処理が必要である。また、欠損パターンがランダムでない場合（Missing Not at Random）は、より高度な手法が求められる。