1 積分相関時間の概念
積分相関時間は、時系列に含まれる「相関がどれくらいの時間にわたって効くか」を、相関関数を時間方向に畳み込みのように集約して数値化する尺度である。単発の相関係数ではなく、相関が減衰していく全体の履歴をまとめて評価する点に特徴がある。
実務上は、モンテカルロ計算や推定問題で観測されるサンプル間の依存性に注目し、依存性のために生じる推定誤差の増大を補正する材料として用いられる。相関が弱いなら積分相関時間は短く、相関が長く残るなら大きくなる。
1.1 相関の時間スケールという考え方
相関の減衰は、ラグをどれだけ進めると情報が「忘れられるか」を示す。短い減衰なら、比較的近い時刻の値でも互いにほぼ独立に近い状態へ移る。逆に減衰が緩やかなら、遅れた時刻の値でも前の状態の影響が残る。
積分相関時間は、この「忘れやすさ」を時間軸上で積み上げた量とみなせる。すなわち、相関が完全に消える瞬間だけを見るのではなく、消えゆく過程そのものを平均した時間スケールとして扱う。
1.2 自動相関関数と共分散
積分相関時間の定義には、まず自動相関関数や共分散の時間相関が必要になる。典型的には、ラグを固定して時刻をずらしたときの同時性（同じ方向への揺れ）を測る。
確率過程 \(X(t)\) の平均を \(\mu\) とし、共分散を \[ C(\tau)=\mathbb{E}\big[(X(t)-\mu)(X(t+\tau)-\mu)\big] \] のように置くと、相関の減衰は \(C(\tau)\)（または正規化した相関係数）に反映される。
1.2.1 正規化と次元
共分散 \(C(\tau)\) は単位（測定量の二乗）を持つのに対し、正規化した相関関数は無次元になることが多い。たとえば分散 \(C(0)\) で割ることで \[ \rho(\tau)=\frac{C(\tau)}{C(0)} \] を用いると、値は一般に \(\rho(0)=1\) となり、\(\tau\) を増やすと 0 に近づく振る舞いが相関の持続性を表す。
積分相関時間は、相関関数を時間で積分するため、無次元の相関係数を積分すれば時間の次元を持つ量として得られる。どの関数を積分するかは、次元の整理と同時に定義の一貫性に影響する。
1.2.2 定常性の仮定
定義を簡潔に保つには、定常性がしばしば前提となる。定常な過程では、共分散が時刻 \(t\) ではなくラグ \(\tau\) のみに依存し、\(C(\tau)\) が意味を持つ。
非定常の場合でも、局所的な近似として定常性を仮定したり、差分やトレンド除去で疑似的に定常化したりして扱うことがある。特に推定においては、平均や分散の変動が積分相関時間の見積もりを歪めるため、前処理の重要性が増す。
1.3 積分相関時間の定義
積分相関時間は、相関の減衰曲線を時間方向に足し合わせることで得る。最も中心的な形は「相関係数（または共分散）の時間積分を、分散で正規化する」タイプである。
相関が長く残ると積分が大きくなり、相関が符号を交互に持つ場合は相殺で小さくなることがある。従って、形状（単調減衰か、振動するか）が値を左右する。
1.3.1 一般形（時間積分）
正規化した自動相関関数 \(\rho(\tau)\) を用いると、積分相関時間 \(\tau_{\mathrm{int}}\) は概ね \[ \tau_{\mathrm{int}}=\int_0^{\infty}\rho(\tau)\,d\tau \] のように表されることが多い。ここで積分の下限を 0 に取るのは、符号の扱いを明確にし、片側積分として実装しやすいためである。
実際には有限データしかないため、上限を有限の \(\tau_{\max}\) に置いた打ち切り積分が用いられる。理論的な収束性（積分が有限になるか）も重要な論点になる。
1.3.2 離散時間系列での定義
離散時系列 \(X_n\) に対しては、ラグは整数値になり、積分は和で置き換えられる。分散で正規化した自己相関係数 \(\rho_k\) を用いれば、代表的に \[ \tau_{\mathrm{int}}=\sum_{k=0}^{\infty}\rho_k \] と書ける。
有限長 \(N\) の系列では、実務的には \[ \tau_{\mathrm{int}}(N)=\sum_{k=0}^{K}\rho_k \] のように上限 \(K\) を選ぶ。ここで \(K\) の決め方が推定誤差とバイアスのトレードオフを生む。
1.4 直感的な解釈
積分相関時間は、相関を持つサンプル列を「同等に独立なサンプル」へ置き換えたいときの換算係数として理解できる。具体的には、観測される情報の増え方が独立なら直線的だが、依存があると増え方が鈍る。その鈍化の程度を時間積分が表す。
指数的に減衰する相関なら、積分相関時間は自然な減衰時定数に対応しやすい。振動や符号反転を含む減衰では、積分の途中で相殺が起き、見かけ上の持続性が小さく見えることがある。
2 数学的な性質
積分相関時間の数学的性質は、主に「相関減衰の速さ」「符号構造」「有限標本における推定誤差」によって決まる。特に収束性が保証されない場合、積分相関時間は理論上発散し、推定の信頼性にも大きく響く。
また、相関が正の範囲に限られない場合、有効な意味を保つ定義の選び方が重要になる。
2.1 相関の減衰と積分の収束
積分相関時間が有限になるかどうかは、\(\rho(\tau)\) が \(\tau\to\infty\) でどの程度減るかに依存する。言い換えると、相関の尾（テール）が重いほど積分は大きくなりやすい。
理論的な境界は、相関関数の漸近挙動と積分の収束条件で整理できる。
2.1.1 指数減衰の場合
相関が指数的に減衰する状況では、\(\rho(\tau)\approx e^{-\tau/\theta}\) のように振る舞うことがある。すると積分は \[ \int_0^{\infty} e^{-\tau/\theta}\,d\tau = \theta \] となり、積分相関時間は減衰の時定数に比例して有限値になる。
この場合、有限データでも打ち切りによる誤差が小さくなりやすい。なぜなら相関が速やかに 0 に近づくため、積分の寄与が早期に減衰するからである。
2.1.2 べき減衰の場合
べき減衰では \(\rho(\tau)\approx \tau^{-\alpha}\) のような形になりうる。このとき積分 \(\int^\infty \tau^{-\alpha}d\tau\) が有限である条件は \(\alpha>1\) である。
\(\alpha\le 1\) だと積分は発散し、積分相関時間の定義が理論的に成立しにくくなる。推定上は、サンプル長に対して見積もりが安定せず、大きな分散や過度に楽観的／悲観的な誤差評価につながる可能性がある。
2.1.3（補）相関の形状が与える実務的含意
指数減衰に近いなら、積分の上限を適度に設定することで十分な精度が得られる。一方、べき減衰に近いなら上限依存が強くなり、ウィンドウ選択に伴うバイアスが大きくなる。
このため、相関のラグ分布を可視化し、減衰則の当たりを付けてから打ち切り戦略を選ぶことが実務上の要点となる。
2.2 正値性・符号の扱い
積分相関時間はしばしば「正の量」として期待されるが、自己相関の符号が単純な減衰に限らない場合、状況は複雑になる。
理論的に \(\rho(\tau)\) が非負であるとは限らず、振動的な緩和や有限帯域の効果で負の部分が現れることがある。
2.2.1 相関関数の形状と符号
相関が振動しながら減衰する場合、\(\rho(\tau)\) は正負を交互に取り得る。積分は正の寄与と負の寄与が相殺されるため、積分値だけでは直感的な「相関が長い／短い」を直接判別しにくい。
したがって、積分相関時間の数値を見るだけでなく、相関関数の符号変化の有無や、零交差の位置を補助情報として確認することが望ましい。
2.2.2 有効相関時間の定義
符号付きの積分がそのままでは解釈しづらいときには、「絶対値を積分する」「ある窓までだけ正の寄与を採用する」といった設計が検討されることがある。これらはモデル依存の面があり、目的（誤差評価のためか、緩和の指標か）に合わせて選ぶ必要がある。
厳密な意味を保つには、推定誤差との結び付き（後述の有効サンプル数）から逆算して定義を採用するのが一般的である。
2.3 有限サンプルに対する統計的誤差
理論上の積分は理想化された無限系列に対する。現実には有限長しか得られないため、自己相関推定量自体にばらつきが生じ、そのばらつきが積分（和）に伝播する。
加えて、打ち切りにより見落とす尾の寄与（打ち切り誤差）も発生する。両者の合成が最終的な誤差として現れる。
2.3.1 推定量のばらつき
自己相関係数 \(\rho_k\) をサンプルから推定する際、ラグが大きくなるほど有効な重なり点が減り、推定の分散は増大しやすい。したがって、積分を和で近似する場合、後半のラグの推定誤差が合算で増幅される。
このため、積分相関時間の推定においては、単純に全ラグを足し込むのではなく、統計的安定性を考えた打ち切りが必要になる。
2.3.2 打ち切り誤差（積分限界）
\(\tau_{\max}\)（離散なら \(K\)）を有限にすると、本来は含まれるはずの相関テールの寄与が欠落する。相関が指数減衰なら欠落の影響は小さくなる傾向があるが、べき減衰の場合はテールが重く、打ち切りによる系統誤差が目立ちやすい。
また、打ち切りを早めると切り捨て誤差、遅めると推定ばらつきが増えるため、目的に応じた最適点が存在する。
3 推定方法と実務上の手順
積分相関時間の推定では、(i) 前処理で定常化を行い、(ii) 自己相関を推定し、(iii) 積分（和）の上限を適切に選び、(iv) 結果を有効サンプル数や誤差評価へ接続する、という流れになる。
手順は共通だが、データの性質（ノイズ比、サンプル長、非定常性の程度）によって細部が変わる。
3.1 データ要件と前処理
最初に、観測列が相関評価に適した形であるかを確認する。定常性が崩れていると、自己相関の尾が本来の相関ではなくトレンド由来の成分を反映してしまう。
そのため、平均や緩やかな変動を整えることが重要になる。
3.1.1 デトレンド
緩やかなドリフトや季節性がある場合、自己相関は真の揺らぎではなく、外部要因や姿勢変化の影響を拾いやすい。簡易には移動平均との差し引きや線形トレンド除去が用いられる。
より厳密には、分解（トレンド＋残差）やフィルタリングを使って「相関を持つ残差成分のみ」を対象にする。過度な処理は逆に分散構造を変えるため、事前評価が必要である。
3.1.2 平均の推定
平均が未知なら、サンプル平均で置き換えるのが一般的だが、これは推定誤差を生む。特に有限系列では平均推定の誤差が自己相関推定にも影響し、ラグに応じた系統バイアスが現れることがある。
このため、平均の推定方法（全体平均か、区間平均か）や使用する窓の長さは、積分相関時間の結果に影響しうる。
3.2 自動相関関数の推定
次に、自動相関関数（または共分散）を系列から推定する。実装上は計算量と統計的安定性を考慮して、用いる推定器を選ぶ。
また、ラグごとの正規化の取り方が定義の整合性を左右する。
3.2.1 毎時刻ラグでの推定
離散系列 \(x_n\) について、ラグ \(k\) ごとに共分散を求め、それを分散で割って相関係数を得る方法が典型である。ラグ \(k\) では重なりが \(N-k\) 点に減るため、統計的には後半ほど推定の不確実性が増える。
実装では、FFT（高速フーリエ変換）を用いて自己相関を効率的に計算する手法もあるが、事前処理や窓選択と整合させる必要がある。
3.2.2 バイアス補正の考え方
自己相関の推定には、分母の選び方に関するバイアスが含まれる場合がある。たとえば共分散の推定で分母を \(N\) に固定するか、ラグごとに \(N-k\) にするかで結果が変わりうる。
厳密な補正は解析モデルに依存するが、目的が誤差評価である場合には、実務上「積分相関時間が有効サンプル数推定に与える影響」を基準として選ぶと整合性が取りやすい。
3.3 積分の打ち切り戦略
積分上限の選択は、推定の肝である。長いラグを含めるほど統計誤差は増えやすいが、短すぎるとテールを切り落として系統誤差が残る。
そのため、データから合理的な打ち切り基準を設定する必要がある。
3.3.1 ウィンドウ法
ウィンドウ法では、あるラグ範囲までを積分に採用し、以降は無視する。目安として、自己相関がノイズと同程度になったところ、あるいは推定誤差が相対的に大きくなったところで停止する。
実務的には、同じデータで自己相関の不確実性（例えば推定量のばらつき）を評価し、その指標が一定閾値を超えるラグを上限として選ぶことがある。
3.3.2 しきい値法・モデル化
別の方法として、自己相関が負に転じた後の寄与をどう扱うか、あるいはモデル（指数減衰など）に適合させて尾を外挿するやり方がある。しきい値法は、相関推定値が十分小さいと判定されるラグで打ち切る。
モデル化は、仮定した減衰則がデータに合っている場合は効率的だが、当てはまりが悪いと外挿誤差が支配する。従って、あらかじめ複数のモデルを比較し、残差や適合の妥当性を点検するのが望ましい。
3.4 有効サンプル数との関係
積分相関時間は、有効サンプル数（effective sample size）の概念と結び付けられることが多い。相関があると独立サンプル数は実質的に減るため、「独立に近いときの同等量」を換算する役割を担う。
換算係数として積分相関時間が現れることで、推定誤差の見積もりに直結する。
3.4.1 有効独立度の直観
独立なら、サンプル数は単純に \(N\) に比例して情報が増える。しかし依存がある場合、同じ情報が何度も繰り返されている状態に近くなり、増加は抑制される。
積分相関時間は、この抑制の時間スケールをまとめており、「近い時刻の観測がどれだけ独立に数えられるか」を決める直観的なパラメータとして働く。
3.4.2 推定誤差への反映
多くの設定で、推定量の分散は独立仮定の分散より大きくなり、その増倍率が積分相関時間と関連付けられる。結果として、信頼区間や誤差見積もりは、相関を無視した単純計算では過小評価になりがちである。
実務上は、積分相関時間を用いた補正と、場合によってはブロック平均法などの頑健な誤差推定を併用することで、過度な仮定への依存を減らす。
4 応用分野
積分相関時間は幅広い場面で用いられるが、特に「依存があるデータからの統計的推定」という共通課題に対して相性が良い。計算統計では収束評価に、統計物理では揺らぎの緩和に、計測解析ではドリフトを含む時系列の扱いに関係する。
4.1 計算統計とモンテカルロ法
モンテカルロ法の多くは、独立サンプルを直接生成するのではなく、依存を含む系列（例：マルコフ連鎖）としてサンプルを得る。そのため、サンプル間相関を定量化しないと誤差が誤って見積もられる。
積分相関時間は、有効サンプル数や推定誤差の評価で中心的な役割を果たす。
4.1.1 マルコフ連鎖の自己相関
マルコフ連鎖では状態遷移によりサンプルが時系列として連結される。観測量 \(f(X_n)\) の列に対して自己相関を計算すると、鎖の混合の速さが反映される。
混合が遅い場合、ラグを増やしても観測値の相関が残り、積分相関時間が大きくなる。これは、同じ計算量で得られる有効情報が少ないことを意味する。
4.1.2 推定誤差の見積もり
積分相関時間を用いると、推定量の分散を相関補正した形で見積もれることが多い。結果として、独立仮定のもとで提示される誤差に比べて、実際の不確実性が増える方向に調整される。
さらに、積分相関時間が変化する局面（ウォームアップ後かどうか）では、時間区間ごとに推定して挙動を確認するのが実務上の安全策になる。
4.2 統計物理における揺らぎ
統計物理では、系の揺らぎが時間とともにどう緩和するかが重要なテーマである。相関関数はこの緩和の様子を表し、積分相関時間は揺らぎが有効に持続する尺度として読める。
4.2.1 緩和過程と相関時間
緩和が指数的であれば、積分相関時間は有限の代表スケールとして振る舞いやすい。緩和の遅延が生じると相関の減衰が遅れ、積分相関時間が増大する。
この増大は、内部自由度が十分に攪拌されるまでにより長い時間が必要であることを示し、動力学的な理解に寄与する。
4.2.2 臨界的挙動との比較（一般論として）
一般論として、相関長や時間スケールが大きくなる状況では、積分相関時間も大きくなり得る。系の内部構造がスケールフリーに近づくと、相関の減衰が指数から外れてゆっくりになる可能性がある。
その場合、積分の収束性が問題になり、推定や解析で慎重さが求められる。積分相関時間だけで結論を出すのではなく、相関関数の形状全体を併せて評価する方針が有用である。
4.3 実験・観測時系列の解析
実験データやセンサ観測では、計測ノイズに加えて、環境条件の変動や装置のドリフトなど、複数の要因が信号に影響する。積分相関時間は、揺らぎ成分の相関持続性を評価する手段になる。
ただし、前処理と解釈の注意が不可欠である。
4.3.1 分光計測やセンサデータ
分光やセンサでは、サンプリング周期、帯域制限、信号処理フィルタが自己相関の形に影響する。これにより、相関は単純な減衰とは異なる形で現れることがある。
したがって、積分相関時間を推定する際は、フィルタリングや平滑化の設定を記録し、処理後の系列に対して適切な定常化と打ち切り戦略を適用する必要がある。
4.3.2 ドリフトがある場合の注意点
ドリフトが存在すると、自己相関は本来のランダムな揺らぎよりも、ゆっくり変化する成分の影響を受ける。結果として積分相関時間が過大になり、相関が長いと誤認する危険がある。
このため、平均除去だけで不十分な場合は、差分化、局所平均との差、あるいはモデルベースの補正でドリフト成分を取り除く。処理の程度を変えた比較を行い、積分相関時間の頑健性を確認することが推奨される。