自己回帰×分移動平均が示す「時間の記憶」

自己回帰和分移動平均モデル（ARIMA：Autoregressive Integrated Moving Average）は、時系列データの中に潜む「過去が現在に与える影響」と「予測できない揺れを誤差として吸収する仕組み」を、ひとつの統一的な考え方で扱えるモデルです。特に重要なのは、ARIMAが単なる回帰ではなく、時系列を“そのままの形”で扱うのではなく、必要に応じて差分を取ってからモデル化する点にあります。つまり、時系列がトレンドや季節性のような要因で不安定に見える場合でも、データを加工（統合＝差分）して定常性を近づけ、その上で自己回帰（AR）と移動平均（MA）を組み合わせることで、予測の精度を高めようとする枠組みです。この「時間の記憶」をどう定量化し、どこまでを構造として捉え、どこからをノイズとして扱うのかという設計思想が、ARIMAの面白さの中心にあります。

ARIMAは一般に（p, d, q）で表されます。ここでpは自己回帰の次数、dは差分の回数、qは移動平均の次数を意味します。自己回帰（AR）の部分は、「いまの値が過去の値の線形結合としてどれだけ説明できるか」を表します。たとえば、気温や株価の短期の変化が直前の状態に依存しているなら、その依存の強さを過去の遅れ（ラグ）として取り込みます。移動平均（MA）の部分は、「いま起きている変動が、過去の予測誤差（ショック）がどれだけ残っているか」を表します。たとえば、何らかのイベントによる誤差が一度だけで消えるのではなく、その影響が数日ほど尾を引くことがある場合、その“尾”をMAが吸収します。さらに、差分のdは「定常性が足りないために、トレンドや緩やかな変化を除いた方がモデルが安定する」状況に対応します。ARIMAは、差分を取ることで時系列の平均や分散が時間によらず一定になる状態に近づけ、その定常系列に対してARとMAを適用します。

ここで言う定常性は、ARIMAを理解するうえで避けて通れない概念です。定常性が崩れていると、同じモデルの係数を使って将来を予測しても、時期によってデータの振る舞いが変わってしまい、係数の意味が安定しません。差分はその対策としてよく使われます。たとえば、価格や売上などは長期的な上昇や下降を伴うことがあり、これが“平均の非定常性”を作ります。そのため、現在と一つ前の差（あるいは二つ前との差など）を取れば、長期トレンドが取り除かれて、変化の部分だけが比較的定常に近づくことがあります。d=1は一階差分、d=2は二階差分に相当し、差分を深めるほどトレンド成分はさらに除かれますが、同時に系列の性質も変わるため、過剰な差分はノイズを増やす方向に働くこともあります。つまり、dは単純に増やせば良いわけではなく、データと目的に応じて適切に選ぶ必要があります。

ARIMAのもう一つの魅力は、「構造を分解して考えられる」点にあります。自己回帰は“観測値の依存”を捉え、移動平均は“誤差の依存”を捉えます。これにより、たとえば同じ変動でも、原因が過去の状態そのものにあるのか、それとも過去の予測が外れたことの余韻にあるのか、といった違いをモデル上で整理しやすくなります。さらに、ARIMAは数式としてはコンパクトでも、統計的な意味が明確です。AR成分は未来が過去の観測に連動しやすい性質を表し、MA成分はショックがどの程度持続するかを表します。このような“現象の分解”ができるため、ARIMAは単にブラックボックスの予測機ではなく、時系列の性質を読み解く道具になりえます。

実務的には、ARIMAの適用ではいくつかのステップが重要になります。まず、データを眺めてトレンドや周期の有無を確認し、差分で定常化できそうかを考えます。次に、自己相関関数（ACF）や偏自己相関関数（PACF）などを参照し、pやqの候補を絞り込みます。たとえば、ACFがあるラグで強く切れていく傾向があるならMAの次数が示唆され、PACFが特定のラグで切れやすいならARの次数が示唆されることがあります。さらに、候補ごとにモデルを当てはめて、情報量規準（AICやBIC）や予測誤差（検証データでのRMSEなど）を比較し、最も妥当なモデルを選びます。この「候補を作って比較する」という流れは、ARIMAが“説明可能性と予測精度の両方を狙える”ことと相性が良いです。

ただし、ARIMAには前提や制約もあります。典型的には、ARIMAは非定常性を差分で扱う一方で、季節性（年周期や週周期など）が強いデータにはそのままでは不十分になりがちです。その場合は季節ARIMA（SARIMA）と呼ばれる拡張がよく使われます。また、ARIMAは基本的に線形モデルなので、複雑な非線形関係が支配的なデータでは限界があります。さらに、データの欠測や外れ値が多いと推定が不安定になり、予測もぶれやすくなります。それでも、ARIMAは「まず基礎として正しく当てる」という意味で非常に強力であり、より複雑なモデル（状態空間モデル、機械学習系、ニューラルネットなど）へ進むための比較対象としても価値があります。

ARIMAの本質をさらに直感的に言うなら、「未来は過去の線形的なルールと、まだ説明できない誤差のパターンによって決まる」という考え方です。自己回帰は“過去の形が未来に写る”ことを表し、移動平均は“過去の予測の外れ方が未来の予測誤差として形を残す”ことを表します。差分は“そのままだと写り方が一定にならない場合に、写り方が一定になるように加工する”ことを表します。結果として、ARIMAは時系列の生成メカニズムを、過去の影響の仕方として表現していくモデルになっています。モデルの次数を適切に選び、定常化を適切に行い、検証で妥当性を確かめることで、予測精度はもちろん、データが持つ時間構造の理解にもつながります。

また、ARIMAは推定の考え方が比較的明快で、パラメータの意味を議論しやすい点でも学習しやすいモデルです。もちろん実際には、最尤推定や近似推定が用いられたり、差分系列の扱いに注意が必要だったりしますが、根本の構造は「AR（過去の値）」「I（差分による定常化）」「MA（過去の誤差）」という三要素に分かれています。この分解は、研究や実務のどちらでも、モデルの調整方針を立てやすいという強みになります。たとえば、予測のずれが特定のリードタイムで大きくなるならAR/MAの次数が合っていない可能性があり、時間の経過とともに誤差の振る舞いが変わるなら定常化の不足（dの選択）が疑われます。こうした“診断と改善の筋道”が立てられることが、ARIMAが長年にわたって使われ続けている理由のひとつです。

最後に、ARIMAが扱う「時間の記憶」は、単に数値を当てるためだけでなく、意思決定にも意味を持ちます。需要予測、在庫計画、設備保全、売上の見通し、災害や環境指標のトレンド理解など、未来の判断が必要な場面では、どの程度確からしい予測なのか、そしてその不確実性がどのくらいあるのかが重要になります。ARIMAは予測値に加えて信頼区間や予測誤差の分布の考え方も組み合わせやすく、リスクを見積もる補助としても役立ちます。予測が外れることを前提に、誤差の性質をモデル化し、どこまでを“予測可能な構造”として捉え、どこからを“確率的な揺らぎ”として扱うかを整える—この姿勢が、ARIMAを単なる統計学習の題材ではなく、現実の意思決定に近い道具として位置づけます。

ARIMAの学習や適用は、最初こそ次数選びや差分の設定で戸惑いがあるかもしれません。しかし一度、p・d・qがそれぞれ「過去の値の効き方」「トレンドの扱い」「ショックの残り方」に対応していると腑に落ちると、時系列データが“なぜそう動くのか”を自分の言葉で説明できるようになっていきます。過去の影響がどの程度続くのか、平均はどう変化しやすいのか、予測が外れたときにその外れはどれほど余韻として残るのか。そうした疑問に答えようとする過程そのものが、ARIMAを理解する上での面白さになります。