1 自己相関の概要
自己相関は、同じ系列（または空間配置）に属する値同士が、ずらした位置関係においてどの程度似ているかを数値化する考え方である。時系列では「時間をtだけずらしたときに、元の値とどれほど同じ傾向を持つか」が焦点になる。空間データでは「距離をdだけ離した地点同士」の類似度として捉えられる。系列に潜む周期性、持続するゆらぎ、ランダム成分の混入度などを把握する際の基礎指標となる。
自己相関の代表的な実装は、ラグ（遅れ）ごとの相関として整理される。ラグが増えるにつれ、相関が急速に消えるか、緩やかに減衰するか、あるいは繰り返し現れるかを観察することで、データ生成過程の性質に関する手掛かりを得られる。
1.1 定義と直観
自己相関は、系列の同じ変数を用いながら、片方をラグぶんシフトさせて比較する枠組みで表される。具体的には、相関の定義における「2つの変数」を「同じ系列の異なる時点（あるいは異なる位置）」に置き換えることで得られる。
直観としては、「少し先の値が、いまの値と似ているか」を測る指標である。似ていれば相関が正方向に大きくなり、逆向きに変わりやすければ負方向に現れる。完全に無関係なら相関は概ねゼロに近づく。
1.1.1 ラグ（遅れ）の概念
ラグは、比較する対象の間のずれ量を表す。時系列では、観測点のインデックスや時刻差として扱われることが多い。ラグ0は、系列をずらさずに自己比較する状況であり、通常は最も強い一致（ただし正規化や定義によって値の扱いは変わる）を与える。
ラグをいくつまで調べるかは実務上の論点であり、データ長や推定誤差の大きさ、目的とする時間スケールに依存する。
1.1.2 相関との関係
相関は一般に、2つの変数間の同時変動を表す指標である。自己相関では、片方の変数を系列自身の「時間的・空間的に異なる位置」に置き換えるため、概念的には「変数が同じでも参照点が異なる」相関として理解できる。
その結果、自己相関は「系列の内部構造（遅れによる依存）」を測定している点が重要である。単なるばらつきの大きさではなく、どの遅れで依存が強まるか、どの程度まで続くかに焦点が当たる。
1.1.3 期待値と平均の扱い
理論的な自己相関は、期待値（平均的な振る舞い）を用いて定義される。系列の平均がゼロでない場合、平均を基準にして変動成分を比較する必要がある。平均を差し引かずに扱うと、トレンドや水準差が相関に混入し、依存構造を過大評価したり見誤ったりしやすい。
実データでは期待値を直接計算できないため、標本平均に置き換えた推定が行われる。ここでの中心化の方法（平均との差し引きの有無、推定方法の選択）は、得られる自己相関の見え方に影響する。
1.2 自己相関関数（ACF）
自己相関関数（ACF: Autocorrelation Function）は、ラグごとの自己相関を体系的に並べた関数である。典型的には、ラグkに対して「時点tの値と時点t+kの値の相関」を対応付けて表示する。
ACFは、モデル化や診断のための読み取りに利用される。特に、相関の減衰速度や符号の反転、周期的な山の存在などは、データの性質を示すシグナルとして扱われる。
1.2.1 計算手順の基本
基本的な計算では、(1)系列から平均（あるいは参照水準）を除く、(2)ラグkごとに積を集計する、(3)ばらつきで割って正規化する、といった流れが取られる。離散データでは、対応するペア（tとt+k）を全て使って集計し、推定値としてACFが得られる。
実装面では、ラグが大きくなるほど比較ペア数が減るため、計算量だけでなく推定の不確実性も増える点に注意が要る。したがって、同じ見た目でもラグごとの信頼性が異なる。
1.2.2 正規化とスケール
ACFはしばしば、分散（あるいは共分散のスケール）で割ることにより、値が概ね-1から1の範囲に収まるよう設計される。正規化により、系列の単位や振幅の違いが影響しにくくなり、異なる系列同士の比較がしやすくなる。
一方で、定義によっては分母が異なる場合があり、細部の仕様（例：母数推定か標本推定か、中心化の扱い）によって数値が変わり得る。解釈の際は、計算手順の定義と実装の仕様を確認することが望ましい。
1.2.3 代表的な形状の意味
ACFの形状には、一定のパターンが現れやすい。たとえば相関がラグとともに単調に減衰する場合は、長期の依存が強すぎないことを示唆する。急速に0付近へ落ち着くなら、短いスケールで自己依存が解けている可能性がある。
また、周期的な山や谷が規則正しく現れると、季節性や反復的な生成機構が疑われる。正負が交互に現れて減衰する場合は、遅れに応じて変動の符号が反転しやすい構造を示すことがある。
1.3 偏自己相関（PACF）
偏自己相関（PACF: Partial Autocorrelation Function）は、ACFが持つ「複数ラグ経由の影響」を分離し、特定のラグに固有の寄与を強調する枠組みで整理される。端的には、「ラグkでの依存が、より短いラグを使った説明を除いた後でも残っているか」を測る。
PACFは特定次数の自己回帰型構造の手がかりに使われやすい。ACFと異なる情報を提供するため、両者を併用するとモデル候補の絞り込みが進む。
1.3.1 ACFとの役割分担
ACFは、ラグkに対して直接・間接の依存が混ざった総合的な相関を示す傾向がある。これに対しPACFは、短いラグによってすでに説明できる部分を差し引いたうえで、ラグkに固有の寄与を抽出する。
結果として、ACFでなだらかに減衰して見えるケースでも、PACFに明瞭な切れ目が現れることがある。逆にPACFが滑らかに減少する場合は、特定ラグのみが支配的ではない可能性が考えられる。
1.3.2 条件付き相関の考え方
PACFは、より短いラグの情報を条件として取り込んだ「条件付きの関係」の考えに近い。形式的には、ラグkを予測するための枠組みで、次数k-1までを含めたときのラグkの追加効果として定義されることが多い。
直観としては、「過去の情報を順に与えたとき、最後に加えた過去（指定した遅れ）がなお予測に寄与するか」という問いに対応する。条件付きで測るため、間接経路による相関が弱められ、より局所的な構造が見えやすくなる。
1.3.3 モデル選択への利用
PACFは自己回帰モデルの次数推定に役立つとされる。具体的には、PACFが特定ラグで有意に大きく、それ以降では小さい（あるいは閾値内）といった挙動が、モデル次数の候補として解釈される。
ただし実データでは推定誤差が存在し、サンプルが少ない場合やノイズが強い場合には、見かけの大きなスパイクが偶然で生じることもある。したがって、単独の図だけで決め打ちせず、診断（残差の独立性確認など）と組み合わせて判断するのが一般的である。
2 自己相関の数学的基礎
自己相関の数学的基礎では、データ形式（離散か連続か）、統計的性質（定常性）、および周波数領域との対応関係を整理する。これらの前提が揃うと、自己相関が意味ある量として安定に推定・解釈できる。
また、自己相関は単に相関係数を並べるだけではなく、共分散やスペクトルといった他の概念と結びつく。理論的理解は、実務での誤読を避けるうえでも有用である。
2.1 離散データと連続時間
自己相関は離散の時系列、あるいは連続時間の確率過程に対して定義される。両者は同じ概念に基づくが、扱う式の形やラグの意味が異なる。
離散では「観測インデックスのずれ」としてラグが表れる。連続では「時間差」そのものが変数として現れ、積分を含む表現が自然になる。
2.1.1 離散ラグの相関定式化
離散時間系列では、時刻tの値X_tと、t+kの値X_{t+k}の関係として自己共分散や自己相関が定義される。ラグkは整数で表されるのが一般的であり、k=0から順に評価する。
定義の中心は、平均を差し引いた変動成分の積の期待値（共分散）を、分散で正規化することにある。これにより相関としてのスケールが確保される。
2.1.1.1 サンプル自己相関（推定量）
理論上の期待値は一般に未知なので、観測データから推定する。標本自己相関は、中心化した系列の積をラグごとに平均した量として与えられることが多い。
推定量にはいくつかのバリエーションがあり、分母の取り方（母数か標本か、あるいはラグに応じた補正の有無）で値が変わる場合がある。推定誤差の振る舞いも、その選択に依存することがある。
2.1.2 連続時間での考え方
連続時間では、相関は時間差τを用いて表される。確率過程X(t)に対して、同じ過程をτだけずらして比較することで自己共分散関数が定義される。
この枠組みでは、ラグという概念が「時間差」に統合される。さらに、データが離散観測として得られる場合には、連続時間の理論を離散推定へ写像する際の誤差や近似が問題になる。
2.2 定常性と自己相関
自己相関が安定した指標として機能するためには、統計的性質としての定常性が重要になる。定常性が成り立つと、自己相関は「開始点」ではなく「ラグ」にだけ依存する形になりやすい。
定常性は厳密な数学条件から実務的な経験則まで幅広い概念を含み、どのレベルを仮定するかで自己相関の解釈が変わり得る。
2.2.1 厳密定常と広義定常
厳密定常（strict sense stationary）は、分布全体が時間シフトしても不変であることを指す。広義定常（weak sense stationary）は、平均が一定で分散が一定、さらに共分散がラグのみの関数として表されることを要求する。
自己相関関数がラグだけの関数として意味を持つには、少なくとも広義定常に相当する条件が役立つ。現実の系列では完全な定常性が満たされないことが多いため、差分やトレンド除去といった前処理が関係する。
2.2.2 自己共分散との関係
自己相関は自己共分散を正規化した量として理解できる。自己共分散は、平均を差し引いた変動同士の同時変動の強さであり、値の単位を持つ場合がある。
一方で自己相関は分散で割ることで無次元化され、比較可能性が高まる。このため、同じ依存構造でも系列の振幅（分散）の違いは自己共分散に現れ、自己相関では相対化される。
2.2.3 ラグ不変性の条件
ラグ不変性とは、共分散や相関が「t」ではなく「k（あるいはτ）」にのみ依存する性質を指す。たとえばトレンドが強く残っている場合、開始時点によって分布が変わり、自己相関の推定値がラグ以外にも影響される。
このため実務では、中心化や差分、季節成分の除去が、ラグ不変性をある程度回復する目的で行われることがある。
2.3 周波数とのつながり
自己相関は時間（ラグ）の側で定義されるが、周波数領域の表現と密接に結びつく。特にスペクトル密度は、自己共分散や自己相関の情報から導かれる。
周波数と結びつくことで、「どの周期が支配的か」をACFの形だけでなく別の角度から検証できるようになる。
2.3.1 パワースペクトルとの関係
パワースペクトル密度は、信号のエネルギーが周波数帯ごとにどう配分されるかを表す。自己共分散関数は、周波数領域での表現とフーリエ変換の関係で結ばれることが多い。
この関係により、時間領域で見える周期的な揺れは、周波数領域において特定の帯域での強調として現れる。逆にスペクトルの帯域構造が、ACFの減衰や振動として反映されることもある。
2.3.2 フーリエ的解釈の入口
フーリエ的解釈では、「信号は基底の重ね合わせとして考えられる」という発想に基づく。ラグ依存の自己相関は、時間遅れに対する応答のパターンとして観察され、それが周期成分の存在を示す手がかりになる。
厳密な理論では仮定（定常性、可積分性など）が必要になるが、実務的には「自己相関の振動や減衰は、周波数成分の分布に対応する」という理解が有効である。
2.3.3 周期成分とピーク
周期的成分が強い系列では、ACFに周期に対応するリズムが出やすい。自己相関が一定の間隔で増減を繰り返す場合、その間隔は主要周期と関連づけられることがある。
パワースペクトルでは、対応する周期が周波数のピークとして現れやすい。ACFとスペクトルを併用すると、周期の推定やモデルの妥当性確認が整理しやすい。
3 推定と実務上の扱い
実データの自己相関は、理論式そのままではなく推定によって得られる。推定量の選択、ラグ範囲、前処理、データ品質（欠損や外れ値）により、見かけの自己相関が変化する。
したがって、図や数値を読む際には「相関構造そのもの」と「推定・前処理による影響」を切り分ける視点が重要になる。
3.1 推定量の選び方
推定量の設計は、自己相関の数値を変えるだけでなく、ばらつきの大きさや解釈の確度にも影響する。特に平均中心化の扱いは根本的な差を生む。
また、相関計算における実装の細部（分母の補正やラグごとの取り扱い）は、同じデータでも結果を揺らす要因になる。
3.1.1 平均中心化の影響
平均を適切に除かなかった場合、トレンドや水準の揺れが自己相関に混ざり、ラグ0付近以外にも持続的な相関として現れやすい。逆に、過度な中心化や誤った基準の選択は、真の依存を薄める方向にも働く。
したがって中心化は、目的に応じた変動の定義（期待される水準の除去）として行う必要がある。
3.1.2 セルフ相関の計算上の注意
自己相関の推定では、ラグkに応じて比較される点の数が減る。これにより、ラグが大きいほど推定の不確実性が増大する。見た目の大小だけで判断すると誤りが生じやすい。
また、数値計算では欠損や型（欠測をどう扱うか）によってペア数や平均の推定が変わり、結果が系統的にずれる可能性がある。実装仕様を理解したうえで解釈することが求められる。
3.1.3 バイアスと分散の考慮
推定量にはバイアス（系統的ずれ）と分散（ばらつき）が存在する。小標本では分散が大きくなり、見かけのスパイクが偶然に見えることがある。
一方、大きな標本ではバイアスの影響が相対的に目立つこともある。推定量の選択は、目的と制約（サンプル規模、計算可能性）に応じたバランスとして考える必要がある。
3.2 ラグ数とサンプルサイズ
ラグをどこまで計算するかは、自己相関の有効性を左右する。一般にラグを増やすほど推定は不安定になりやすい。
サンプルサイズが小さいと、信頼区間の幅が広がり、差があるように見えても統計的に支持されない状況が起こりやすい。
3.2.1 適切な最大ラグの決め方
最大ラグの設定は目的に依存する。短期の依存を知りたいなら小さめ、季節周期など長めの構造を確認したいなら大きめが必要になる。
ただし、最大ラグを増やしすぎると比較ペアが不足し、推定のばらつきが支配的になる。データ長に対する目安と、予想される周期・遅れのスケールを考慮して決めるのが実務上の方針となる。
3.2.2 不確実性の読み取り
ACFの各ラグ値には不確実性がある。誤差はラグごとに異なるため、全ての点を同じ信頼度で扱うのは不適切である。
視覚化では信頼帯（例えば概ねゼロ周りの帯）が重ねられることが多く、その外に出たラグが注目対象になる。ただし、これは前提（独立性、仮定するモデル）に依存する。
3.2.3 小標本での注意
小標本では、推定された自己相関が偶然の揺れにより大きく見えることがある。その結果、検定やモデル選択が過学習的に進む危険がある。
対策として、ラグを絞る、前処理を整える、同じ診断を複数の観点から行う（残差の検討など）といった手順が有効になる。
3.3 前処理と自己相関の変化
前処理は自己相関の構造を大きく変える。目的が依存構造の評価である場合、まずデータに混入した非定常性の要因を整理する必要がある。
前処理の結果、ACFがどの程度変化するかを追うことで、依存の原因がトレンド・季節性・ノイズのどれにあるかを推定しやすくなる。
3.3.1 差分・トレンド除去
トレンドが存在する系列では、平均が時間とともに変化し、自己相関が見かけ上強くなることがある。差分（一次差分など）やトレンド成分の除去は、依存構造の評価に適した定常寄りの系列へ近づける目的で行われる。
ただし、差分は情報を変えるため、真に必要な長期依存まで弱める可能性もある。どの次数まで差分するかは、観察と検証の繰り返しで決めるのが一般的である。
3.3.2 季節性の扱い
季節性がある場合、周期に対応するラグで相関が強く現れることが多い。季節調整や季節差分を行うと、ACFの周期的パターンが変化し、非季節成分の評価がしやすくなる。
季節周期の推定が不適切だと、残差に季節的自己相関が残り、モデルの診断で問題が顕在化する。
3.3.3 欠損値と外れ値の影響
欠損値は、ペア形成や平均推定に影響し、自己相関の計算が系統的にずれる要因になる。単純な削除はサンプルを減らし、不安定化を招く可能性がある。補完方式の選択（線形補間、モデルベース補完など）も結果に影響する。
外れ値は積の集計に強く効き、特定ラグで大きなスパイクとして現れることがある。頑健な推定や検討（外れ値の妥当性確認、ロバスト化）を行うことで解釈の信頼性を上げられる。
4 検定・モデル化への応用
自己相関は、統計的検定や時系列モデルの作成・診断において重要な役割を持つ。とくに、残差の自己相関が消えているかどうかは、モデルが依存構造を十分に説明できているかを反映することが多い。
ただし、自己相関図はあくまで診断の入口であり、仮定や複数比較の影響を踏まえた解釈が必要になる。
4.1 有意性の評価
有意性評価は、観測された自己相関が偶然により生じた可能性をどれほど下げられるかを示す。一般には信頼区間や検定の枠組みを使って判断する。
ただし、ラグごとの値には依存があり、独立な検定を機械的に並べると誤検出率が変わる場合がある。
4.1.1 信頼区間の考え方
信頼区間は、ゼロ相関を中心にした帯として図に重ねられることが多い。帯の外に出たラグは、「帰無のもとでその大きさが起こりにくい」と解釈される。
帯の幅はサンプルサイズや採用する仮定に依存するため、図を見る際には計算条件を意識する必要がある。幅が広い場合は、真の相関があっても検出されにくい。
4.1.2 ホワイトノイズ仮説
ホワイトノイズ仮説とは、系列が時間的に独立であり自己相関が概ねゼロであるという考え方に対応する。ACFやPACFが有意な形で残っている場合、ホワイトノイズ仮説は支持されにくくなる。
この枠組みは、モデル化の前後で残差がホワイトノイズに近づいたかを評価する際にも使われる。
4.1.3 ラグごとの多重性の注意
複数ラグを同時に見て「どれかが有意」を探すと、多重比較による見かけの有意が増える。ラグの値同士も独立ではないため、単純な確率計算だけでは精密な制御にならない。
そのため実務では、全体の形状（連続的な減衰、局所的スパイク、周期性）と、統計検定の結果を併せて判断するのが一般的である。
4.2 ARモデル・MAモデルとの関係
自己相関のパターンは、AR（自己回帰）やMA（移動平均）といった時系列モデルの性質と関連づく。したがって、ACFとPACFの形はモデル候補を選ぶ手がかりになりやすい。
モデルと自己相関の対応は完全ではないが、診断としての有効性が高い。
4.2.1 ARで見えるパターン
ARモデルでは、未来が過去の線形結合で説明されるため、自己相関は一般にゆるやかに減衰する傾向がある。PACFは次数に対応した切れ目が現れやすいとされる。
この「ACFは長く伸び、PACFは次数で止まる」タイプの目安は、モデル候補の探索に用いられる。実データでも類似した挙動が見えることが多い。
4.2.2 MAで見えるパターン
MAモデルでは、現在の値が過去の誤差の線形結合で決まるため、ACFに次数相当の範囲まで限定された構造が現れやすい。PACFはそれに比べ複雑な減衰を示す場合がある。
結果として「PACFの見え方よりACFの短い範囲での切れ」を手がかりにする運用がある。
4.2.3 ARMAでの読み方
ARMAはARとMAの両方を組み合わせるため、ACFとPACFの双方が、単純な打ち切りよりも複合的な減衰や振動として表れることが多い。したがって、AR単独やMA単独ほど明確な対応は出にくい。
ただし、残差の自己相関を確認し、必要な次数を追加して図の残存パターンが消えるかを観察することで、モデル化の妥当性を高められる。
4.3 時系列モデル選択
モデル選択では、ACFとPACFは「候補を絞る」ための情報源となる。さらに残差の診断を通じて、選んだモデルが依存構造を十分に吸収しているかを評価する。
最終的には予測性能や情報量規準なども考慮されるが、自己相関は診断の中核に位置づけられる。
4.3.1 ACFとPACFの対応表
実務では、ACFとPACFの挙動からAR/MAの次数候補を推測する対応の考え方が使われる。たとえばAR寄りならPACFが切れやすく、MA寄りならACFが切れやすいといった目安が知られている。
対応表は経験則であり、系列の前処理や定常性、サンプルサイズによってズレることがあるため、診断と組み合わせて解釈するのが前提となる。
4.3.2 残差自己相関の確認
モデルを当てはめた後、残差のACFを確認することで、未説明の依存が残っていないかを評価できる。残差が概ね白色化していれば、モデルが主要な自己相関構造を捉えた可能性が高くなる。
逆に残差に有意な自己相関が残る場合、次数不足、分散の扱い不適合、季節成分の未処理などが疑われる。
4.3.3 モデル診断としての自己相関
自己相関診断は、モデルの適合度を視覚的に点検する手段として機能する。単なる当てはまりの数値評価だけでは見えない依存の残り方を示しやすい。
ただし自己相関だけで全てを判断するのではなく、残差の分布形、異分散性、外れ値の影響など他の診断と併用して総合的に判断するのが望ましい。
4.4 シグナル処理・特徴抽出
自己相関は時系列モデルに限らず、信号処理や特徴量抽出にも利用される。特に周期性や規則的なパターンの検出に向いており、比較的計算が容易な場合が多い。
また、特徴量として自己相関の列（あるいはそれを要約した指標）を用いることで、分類や回帰の入力として活用されることがある。
4.4.1 周期性検出
周期性がある信号では、特定の遅れにおいて自己相関が繰り返し高くなる。これにより、基本周期やその倍数に対応するラグを推定する手がかりになる。
ノイズが強い場合でも、適切なラグ範囲と前処理により周期の痕跡を抽出できることがある。
4.4.2 歩行データ等への応用例
歩行データのように周期的な動作が含まれる計測では、自己相関を利用してリズムの安定性やステップ間隔の変化を捉える試みがある。歩行の左右差や速度変化が、自己相関の減衰やピーク位置の変化として現れる可能性がある。
運動信号では欠損や外れ値の影響も受けやすいため、フィルタリングやロバスト化を組み合わせることが多い。
4.4.3 次元削減的な利用の考え方
自己相関関数そのものは次元が大きくなりやすい。そこで、複数ラグの値をまとめて要約することで、低次元の特徴量として扱う方法が考えられる。
例として、ピーク位置、ピーク高さ、特定範囲の積分量、減衰率、複数ラグの統計量などが候補になる。これにより、自己相関が持つ構造情報を保ちながら、学習や比較を扱いやすくする。