時系列データと変化の読み方

このモジュールで学ぶこと 「今月の売上は先月より10万円増えた——これは良いことか？」単純な増減だけでは判断できないことがあります。例えば12月は毎年売上が増える（季節変動）かもしれないし、長期的には下落トレンドかもしれません。時系列データとは「時間の順序を持つデータ」のことで、その読み方には通常のデータ分析とは異なる工夫が必要です。このモジュールでは、時系列グラフの読み取り、移動平均による平滑化、指数の使い方を学びます。 時系列データとは：時間順序を持つデータ 時系列データとは、同一の対象について時間の経過とともに繰り返し測定したデータです。株価・気温・GDP・人口など、時間とともに変化する多くの現象が時系列データです。 時系列データの特徴： 順序に意味がある：データは時間順に並んでおり、並べ替えると意味が失われる 隣接する観測値が関連しやすい：昨日の気温と今日の気温には関連がある（系列相関） 複数の変動成分が重なっている：長期的なトレンドに、季節変動や不規則変動が重なる 時系列グラフの読み方：4つの変動成分 「12月だけ売上が高い」「毎年少しずつ伸びている」「コロナ禍で突然落ちた」——時系列グラフにはこれらの異なる「動き」が同時に重なっています。原因が混在したまま全体のグラフを読もうとすると混乱します。そこで変動を原因ごとに「分解」して考えると整理しやすくなります。時系列データは以下の4つの成分に分解できます。 趨勢変動（トレンド）：長期的な増加・減少の傾向。「日本の人口は長期的に減少トレンドにある」 季節変動：1年を周期として繰り返すパターン。「エアコンの売上は夏に増え冬に減る」「アイスクリームの消費は夏に高い」 循環変動：数年単位で繰り返す景気サイクルのような変動（試験では季節変動ほど重視されない） 不規則変動（残差）：上記のどれでも説明できない、偶発的な変動 試験ポイント： 「この折れ線グラフはどの変動を示しているか」という読み取り問題が頻出です。毎年同じ時期に同じ形のパターンが繰り返されていれば「季節変動」、長期的な方向性があれば「趨勢変動（トレンド）」と判断します。 移動平均：変動の「ノイズ」を除去する 売上グラフを毎月プロットすると、月ごとの小さな上下が激しくてトレンドが見えない、という経験はないでしょうか。短期的な上下変動（ノイズ）の中に本来のトレンドが埋もれている状態です。これを平滑化（なめらかにすること）する手法が移動平均です。 移動平均の計算方法（奇数項の場合）： 対象時点の前後を含む 個のデータの平均を、その中央の時点に割り当てます。これを中心化移動平均といいます。 例えば、月別売上データが「1月:10, 2月:12, 3月:8, 4月:14, 5月:11, 6月:13」のとき、3項移動平均（前後1期を含む3期間の平均）は： 2月の移動平均：（1月・2月・3月の平均を2月に割り当て） 3月の移動平均：（2月・3月・4月の平均を3月に割り当て） 4月の移動平均：（3月・4月・5月の平均を4月に割り当て） 5月の移動平均：（4月・5月・6月の平均を5月に割り当て） 移動平均の特徴： 短期的な変動（ノイズ）が平滑化され、長期的なトレンドが見えやすくなる の値（項数）が大きいほど平滑化の効果が強まる 先頭と末尾の 個の時点は計算できない（前後のデータが揃わないため） 季節変動を除去したいときは、周期に合わせた項数を選びます（月次データなら12項移動平均で季節成分を打ち消せる）。 指数：基準を100として変化を比較する 「今年の物価は5年前に比べて何%上がったか」のように、時系列の変化を比較しやすくする指標が指数です。 指数の計算： ある時点を基準時点（100とする）として、他の時点の値を基準に対する比率で表します。 例えば、2020年の物価水準を100とし、2024年の物価が2020年比で1.08倍（8%上昇）なら、2024年の物価指数は です。 身近な指数の例： 消費者物価指数（CPI）：家庭が購入する商品・サービスの物価水準の変化 株価指数（日経225、TOPIXなど）：株式市場全体の動きを1つの数値で表す 試験ポイント： 指数の計算問題では「どの年が基準（=100）か」を確認することが最重要です。基準が変わると指数の値も変わります。