相関構造

1 定義と基本概念

1.1 相関構造の定義

相関構造とは、複数の確率変数間、または同一変数の異なる観測時点・空間点間における線形依存関係の規則的なパターンを指す。統計モデルにおいて、観測値が独立でない場合にこの依存関係を適切に表現するために導入される。相関構造はデータの生成過程や収集方法に依存し、誤差項の相関をモデル化することで偏りのない推定と妥当な統計的推論を可能にする。

1.2 相関行列と共分散行列

相関行列は、複数の確率変数間のペアワイズな相関係数を要素として持つ対称行列である。対角要素は1、非対角要素は-1から1の間の値をとる。共分散行列は各変数の分散と共分散を要素とし、相関行列は共分散行列を標準化したものとして定義される。一般に、相関構造は相関行列Rまたは共分散行列Σの特定のパターンとして記述され、推定すべきパラメータ数を削減する役割を果たす。

1.3 自己相関と偏自己相関

自己相関は、時系列データにおいて同一系列の異なる時点間の相関を表す。ラグkの自己相関は、t時点とt+k時点の観測値間の相関係数として定義される。偏自己相関は、中間の時点の影響を除去した後の2時点間の条件付き相関である。自己相関関数（ACF）と偏自己相関関数（PACF）は、時系列データの相関構造を特定するための重要な診断ツールであり、適切なモデル選択に活用される。

2 主要な相関構造の種類

2.1 時系列相関構造

2.1.1 自己回帰構造（AR）

自己回帰構造は、現在の観測値が過去の観測値の線形結合と誤差項で表現されるモデルに基づく。AR(p)過程はp次の自己回帰構造を持ち、ラグが大きくなるにつれて相関が指数的に減衰する特性を持つ。

2.1.1.1 1次の自己回帰構造（AR(1)）

2.1.2 移動平均構造（MA）

移動平均構造は、現在の観測値が現在と過去の誤差項の線形結合で表現されるモデルに基づく。MA(q)過程はq次の移動平均構造を持ち、相関はラグq以降で0になる。自己回帰構造と比較して、有限の記憶を持つ点が特徴である。

2.1.3 自己回帰移動平均構造（ARMA）

ARMA構造は、自己回帰成分と移動平均成分を組み合わせたモデルである。ARMA(p,q)はp次の自己回帰とq次の移動平均を同時に含み、より柔軟な相関パターンを表現できる。実データへの適合において、ARやMA単独よりも少ないパラメータで複雑な相関構造を記述できる利点がある。

2.2 空間相関構造

2.2.1 指数型相関

指数型相関は、空間距離dに応じて相関がexp(-d/θ)の形で減衰する構造である。θはレンジパラメータと呼ばれ、相関の減衰速度を制御する。この構造は数学的に単純で計算が容易であり、空間統計学で広く使用される。

2.2.2 球面型相関

球面型相関は、距離dがレンジパラメータθ以下の場合に相関が1 - 1.5(d/θ) + 0.5(d/θ)^3の形で減少し、d>θで相関が0となる構造である。有限のレンジを持つ点が特徴で、実際の空間現象で観測される「ある距離以上では相関が消える」性質を表現する。

2.2.3 ガウス型相関

ガウス型相関は、相関がexp(-(d/θ)^2)の形で減衰する構造である。距離が小さい領域では非常に滑らかな変化を示し、指数型よりも強い近傍相関を表現できる。しかし、数値的な安定性に注意が必要な場合がある。

2.3 複合対称構造

複合対称構造は、すべてのペアが同一の相関ρを持つ最も単純な相関構造である。共分散行列は対角要素がσ^2、非対角要素がρσ^2となる。反復測定データやクラスターサンプリングデータでよく用いられるが、すべての観測間で同一の相関を仮定するため、時系列データなど時間的な順序が重要な状況には適さない。

2.4 無構造（Unstructured）

無構造は、すべての相関パラメータを自由に推定する最も柔軟な相関構造である。n個の観測点がある場合、n(n-1)/2個の独立な相関パラメータを持つ。豊富なデータがある場合に最も適合度が高いが、パラメータ数が多いため推定の安定性や解釈性に欠ける。

3 推定とモデリング手法

3.1 モーメント法による推定

モーメント法では、標本相関や標本分散などの経験的なモーメントを理論的なモーメントと一致させることで相関構造のパラメータを推定する。計算が容易で初期推定値の獲得に有効だが、効率性の面で最尤法に劣る。時系列分析におけるユール・ウォーカー方程式はこの代表例である。

3.2 最尤法と制限付き最尤法

最尤法は、観測データの尤度関数を最大化することでパラメータを推定する方法である。制限付き最尤法（REML）は、固定効果を除去した残差を用いて分散・共分散パラメータのみを推定する手法で、分散成分の不偏推定が可能になる。混合モデルにおける分散パラメータ推定の標準的な手法である。

3.3 一般化推定方程式（GEE）

一般化推定方程式は、相関構造を明示的にモデル化せずに、作業用相関行列（working correlation matrix）を導入してパラメータを推定する準尤度手法である。縦断データ解析で広く用いられ、相関構造の誤特定に対してもロバストな標準誤差を提供する。推定方程式を反復的に解くことで回帰係数と相関パラメータを同時に推定する。

3.4 ベイズアプローチ

ベイズアプローチでは、相関構造のパラメータに事前分布を設定し、観測データに基づいて事後分布を導出する。マルコフ連鎖モンテカルロ法（MCMC）や変分ベイズ法を用いて計算が行われる。複雑な相関構造や階層モデルへの自然な拡張が可能であり、不確実性の定量化に優れる。

4 応用分野

4.1 縦断データ解析

縦断データ解析では、同一対象を複数回測定することで生じる観測値間の相関を適切にモデル化する必要がある。複合対称構造やAR(1)構造、無構造などが用いられ、GEEや混合モデルを通じて治療効果や経時変化の推定に貢献する。医学研究や社会科学のパネルデータ分析で重要な役割を果たす。

4.2 時系列予測

時系列予測では、過去のデータパターンに基づいて将来の値を予測する。ARIMAモデルなどの時系列モデルは相関構造を陽に表現し、予測区間の計算やモデル診断に利用される。経済指標の予測、需要予測、気象予測など幅広い分野で応用される。

4.3 空間統計学

空間統計学では、地理的な近接性に基づく空間相関をモデル化する。クリギングと呼ばれる空間補間手法では、バリオグラムモデル（指数型、球面型、ガウス型など）を用いて未観測地点の値を予測する。環境科学、疫学、資源探査などで活用される。

4.4 金融リスク管理

金融リスク管理では、複数の金融資産間の相関構造を理解することがポートフォリオのリスク評価に不可欠である。時系列相関構造はボラティリティのクラスタリングや長期記憶性を捉え、Value at Risk（VaR）の計算や資産配分の最適化に利用される。

5 関連概念と拡張

5.1 相関と因果

相関構造は変数間の線形依存関係を記述するが、因果関係を直接示すものではない。相関が観測されても、交絡変数の存在や逆因果の可能性がある。統計的因果推論では、相関構造を適切に調整した上で因果効果を推定する手法が開発されている。

5.2 独立性と条件付き独立

独立性は確率変数間に全く依存関係がない状態を指し、条件付き独立は他の変数で条件付けたときに依存関係が消失する状態を指す。グラフィカルモデルでは、条件付き独立関係を用いて複雑な相関構造を視覚化し、効率的な計算や解釈を可能にする。

5.3 非線形依存関係とコピュラ

コピュラは、周辺分布と依存構造を分離してモデル化する手法であり、線形相関では捉えきれない非線形な依存関係やテール依存性を表現できる。金融リスク評価や信頼性工学などの分野で、多変量データの複雑な相関構造を柔軟にモデル化するために用いられる。