時系列分析へようこそ！

こんにちは！BA1 – ビジネス経済学の基礎（Fundamentals of Business Economics）の中でも、特に実践的で面白い分野へようこそ。スーパーマーケットがなぜ7月にアイスクリームの在庫を増やせばいいのかを知っているのか、あるいは、おもちゃ屋さんがどうやって12月の繁忙期に備えているのか、不思議に思ったことはありませんか？彼らは勘で決めているわけではありません。時系列分析（Time Series Analysis）を活用しているのです。

この章では、過去のデータ（過去のパターン）を読み解き、将来何が起こるかを予測する方法を学びます。「数学はちょっと苦手…」という方もご安心ください。シンプルな論理と日常的な例を使って、ステップバイステップで解説していきます。

時系列データとは？

時系列（Time Series）とは、一定期間にわたって定期的な間隔で記録されたデータポイントの集まりのことです。例えば、毎日の売上高、月ごとの電力使用量、あるいは年間のGDPなどがこれに当たります。

このデータを分析する目的は、パターンを見つけ出すことです。過去のパターンが見えてくれば、将来についての「最善の推測（予測）」ができます。これにより、企業は予算、人員配置、在庫レベルを適切に計画できるようになります。

クイックレビュー：「時系列」として扱うためには、データが等間隔で収集され（例：毎週、毎四半期ごとなど）、かつ時系列順（発生順）に並んでいる必要があります。

時系列の4つの構成要素

ビジネスデータのグラフを見ると、しばしば複雑にジグザグした線になっています。これを理解するために、この線は実際には4つの異なる「成分」が混ざり合ってできていると考えてみましょう。

1. トレンド（Trend: T）
これはデータが示す「全体像」、つまり長期的な方向性です。数年間を通してビジネス全体が成長しているのか、衰退しているのか、それとも横ばいなのかを指します。日々の細かい変動は無視して、根底にある動きに注目します。

2. 季節変動（Seasonal Variation: S）
これは一定期間、通常は1年以内で定期的に繰り返される短期的な変動です。
例：冬物のコートの売上は、第4四半期（10月〜12月）に必ずピークを迎え、第2四半期（4月〜6月）に落ち込みます。これは毎年、時計の針のように正確に起こります。

3. 循環変動（Cyclical Variation: C）
これは経済状況（好況や不況など）によって引き起こされる長期的な「波」です。これらのサイクルは通常、数年単位で続きます。BA1のレベルでは、簡略化のためにトレンドの一部として扱うことが多いです。

4. 不規則変動（Random/Residual Variation: R）
これは予測不可能な「一度きり」の出来事で、パターンに従わない変動です。
例：突然の大雪ですべての店が2日間閉鎖されたり、SNSでの拡散によって1週間だけ売上が急増したりするケースです。これらは予測ができません！

重要なポイント：帳簿上で目にする実際の値（\( Y \)）は、これらすべての要素を組み合わせたものです：\( Y = Trend + Seasonal + Random \)（加法モデルの場合）。

トレンドを見つける方法：移動平均法

売上のグラフを見ると、季節ごとの「ジグザグ」があるせいで、長期的なトレンドが見えにくくなっています。これを解決するために使うのが移動平均（Moving Averages）という手法です。これによりデコボコが「平滑化」され、根底にあるトレンドが浮かび上がります。

論理：1年間の売上を平均化すれば、夏の「高い売上」と冬の「低い売上」がお互いに相殺され、その期間の滑らかな平均値が導き出されるというわけです。

ステップ・バイ・ステップ：単純移動平均（期間数が奇数の場合）

3期間の移動平均で売上を見る場合：

1. 最初の3つの値（期間1, 2, 3）を取り出し、平均を求めます。
2. その平均値を真ん中（期間2）に置きます。
3. 最初の値を除外し、4番目の値を加え、新しい平均を求めます。
4. 次の真ん中の場所（期間3）にその値を置きます。
5. データがなくなるまでこれを繰り返します。

中心化移動平均（期間数が偶数の場合）

難しく感じるかもしれませんが、大丈夫です！ 期間数が偶数（4四半期など）の場合、最初の4つの数字の「真ん中」は、期間2と期間3の間に位置してしまいます。これを特定の期間に合わせるために、算出した平均値に対してもう一度平均（移動平均）をとります。これを中心化（Centering）と呼びます。サイクル内の期間数が偶数の場合（4四半期や12ヶ月など）、必ず中心化を行う必要があります。

よくある間違い：四半期データを扱う際に、平均の「中心化」を忘れてしまうことです。問題文で4四半期が与えられている場合、まず「移動平均」を出し、その後に「中心化移動平均」を出す必要があると考えて間違いありません。

2つの数学的モデル

予測を計算する際、通常は以下のいずれかのモデルを使います。試験では、どちらを使うべきかが指定されます。

1. 加法モデル（Additive Model）

このモデルでは、トレンドがどれだけ大きくても、季節要因は金額または単位として固定された量であると仮定します。

公式： \( Y = T + S + R \)

不規則変動を無視して季節変動（\( S \)）を求める場合：
\( S = Y - T \)

たとえ：小さなお店でも巨大チェーン店でも、夏には必ず「プラス100個」アイスが余分に売れるような状況です。固定された「＋100」という考え方です。

2. 乗法モデル（Multiplicative Model / 比率モデル）

このモデルでは、季節要因はトレンドに対するパーセンテージや比率であると仮定します。成長している企業にとっては、こちらの方がより現実的です。

公式： \( Y = T \times S \times R \)

不規則変動を無視して季節変動（\( S \)）を求める場合：
\( S = Y / T \)（例えば1.10という結果なら、売上がトレンドより10%高いことを意味します）。

たとえ：ビジネスが成長すれば、夏の「ブースト」も比例して大きくなります。「100個余分に売れる」のではなく、平均より「20%多く売れる」という考え方です。

季節変動の計算

移動平均を使ってトレンド（T）を求めたら、それを実際の売上（Y）と比較して季節変動（S）を求めます。

例（加法モデル）：
第4四半期の実際の売上（\( Y \)）：$500
\nトレンド値（\( T \)）：$420
季節変動（\( S \)）：\( 500 - 420 = +80 \)
これは、第4四半期には売上が通常トレンドより$80高いことを意味します。

豆知識：1サイクル（例：4四半期）全体で、加法モデルにおける季節変動の合計は常にゼロになるはずです。「プラス」の四半期と「マイナス」の四半期がありますが、1年を通すと相殺される仕組みだからです！

将来の予測（Forecasting）

いよいよ最も重要な「予測」です。将来の期間を予測するには、以下のステップを踏みます：

1. トレンドを投影する： トレンドラインを将来に向かって延長します（通常、トレンドが直線的であれば一定量を加算します）。
2. 季節性を適用する： その特定の期間の季節要因を（加法モデルなら）足すか、（乗法モデルなら）掛け合わせます。

予測例：
次の夏（第3四半期）の売上を予測する場合：
- その期間の投影トレンドが1,000単位。
- 過去のデータから、第3四半期の季節変動は-150単位とわかっている。
- 予測値： \( 1,000 + (-150) = 850 \) 単位。

重要用語のまとめ

・時系列（Time Series）： 時間の経過とともに記録されたデータ。
・トレンド（Trend）： 根底にある長期的な方向性（上昇、下降、横ばい）。
・季節変動（Seasonal Variation）： 1年以内で繰り返される定期的なパターン。
・移動平均（Moving Average）： データを滑らかにしてトレンドを特定する手法。
・加法モデル（Additive Model）： \( Y = T + S \)。季節変動は固定値。
・乗法モデル（Multiplicative Model）： \( Y = T \times S \)。季節変動はパーセンテージ/比率。

最後に：あなたならきっと大丈夫です！覚えておいてください。トレンドは全体像、季節性はカレンダー上のパターン、そして移動平均はデータを整理して見やすくするための道具です。計算の練習を続けていれば、すぐに自然と身につきますよ！