予測の世界へようこそ！
スーパーマーケットは雨が多い週の前にどうやって傘の在庫数を決めているのでしょうか？あるいは、テクノロジー企業は来年の売上をどうやって予測しているのでしょうか？彼らは水晶玉を使っているわけではありません。時系列分析（Time Series Analysis）を使っているのです。この章では、企業が過去のデータを使ってパターンを見つけ、将来を賢く予測する方法を見ていきます。数学があまり得意ではなくても大丈夫。ステップバイステップで分かりやすく解説します！
1. 時系列データの理解
時系列（Time Series）とは、ある一定期間にわたって定期的に記録されたデータポイントの集まり（日次売上、月次インフレ率、年次GDPなど）のことです。このデータを見る際、通常は同時に4つの動きが発生していると考えます。
1. トレンド（傾向）：長期的な「基盤となる」方向性です。ビジネス全体が成長しているのか、縮小しているのか、それとも横ばいなのか。海岸の潮の満ち引きのようなものだと考えてください。
2. 季節変動（Seasonal Variations）：短期的かつ定期的に繰り返される変動です（例：12月におもちゃが売れるなど）。
3. 循環変動（Cyclical Variations）：景気によって引き起こされる長期的な「波」です（数年続く景気後退など）。
4. 不規則変動（残差変動 / Irregular Variations）：突然のストライキや自然災害など、予測不可能な「一過性の」偶発的な出来事です。
ちょっとした例え話：犬を連れて丘を登っているところを想像してください。あなたが丘を登るルートがトレンドです。リードを引っ張って左右に動く犬が季節変動。突然リスが現れて犬がダッシュするのが不規則変動です。
重要ポイント：予測とは、主にトレンドを見つけ出し、そこに季節性の影響を加えて最終的な予測値を導き出す作業のことです。
2. 移動平均：「ノイズを滑らかにする」
生のデータは、グラフ上で非常に「ギザギザ」していることがあります。基盤となるトレンドを明確に把握するために、私たちは移動平均（Moving Averages）を使います。この手法は、ギザギザ（季節変動や不規則変動）を「平滑化（スムージング）」して、トレンドラインを浮かび上がらせるものです。
移動平均の計算方法：
移動平均を求めるには、特定の期間（例えば3ヶ月）を選んで合計し、その数で割ります。次に、期間を1ヶ月分ずらして同じことを繰り返します。
ステップ別例（3ヶ月移動平均）：
- 1月の売上：10
- 2月の売上：20
- 3月の売上：30
- 4月の売上：40
1. 1月、2月、3月の合計：\( 10 + 20 + 30 = 60 \)
2. 3で割る：\( 60 / 3 = 20 \)（これが最初のトレンドポイントになります）。
3. 今度は1月を除いて4月を加える：\( 20 + 30 + 40 = 90 \)
4. 3で割る：\( 90 / 3 = 30 \)（これが2番目のトレンドポイントになります）。
ヒント：期間が偶数の場合（4四半期移動平均など）、結果は期間と期間の「間」に位置してしまいます。これを解決するために、センタリング（Centring）という2段階目の処理を行います。2つの移動平均をさらに平均することで、特定の期間とピッタリ一致するように合わせるのです。
まとめ：移動平均はトレンドを把握するのに最適ですが、一つ大きな弱点があります。過去のデータに基づいているため、実際の動きに対して「遅れ」が生じることです！
3. 線形回帰：「ベストフィットの直線」
線形回帰と聞くと難しく感じるかもしれませんが、要するにグラフ上のバラバラの点を最もよく表す直線を数学的に引くというだけの話です。BA1では、最小二乗法（Least Squares Method）という手法を使います。
直線の式は：\( y = a + bx \)
- \( y \)：予測したい値（例：売上）。
- \( a \)：「切片」。直線が縦軸と交わる点（時間がゼロの時の売上）。
- \( b \)：「勾配」または「傾き」。\( x \) が1単位増えるごとに \( y \) がどれだけ変化するかを示します。\( b \) がプラスならトレンドは上昇、マイナスなら下降です。
- \( x \)：期間や独立変数。
難しく考えないでください！試験では、最初から最後まで回帰分析を計算することはほとんどありません。しかし、式に数値を当てはめて予測値を算出する方法は必ず知っておく必要があります。例えば \( a = 100 \)、\( b = 5 \) と与えられ、10期目の予測を聞かれたら、単純に \( 100 + (5 \times 10) = 150 \) と計算するだけです。
豆知識：「最小二乗法」という名前は、各点と直線の距離の「二乗」の合計をできるだけ小さくするように直線を引くことに由来しています！
4. 相関：それらは本当に関連しているのか？
2つのことが同時に起こっているからといって、一方が他方の原因だとは限りません。相関（Correlation）は、2つの変数間の関係の強さを測るものです。
これには相関係数（\( r \)：Correlation Coefficient）を使います。\( r \) の値は常に -1 から +1 の間に収まります。
- +1：完全な正の相関（完全に連動して動く）。
- 0：相関なし（点はバラバラでパターンがない）。
- -1：完全な負の相関（一方が上がれば、もう一方は下がる）。
決定係数（\( r^2 \)）
相関係数を二乗（\( r \times r \)）すると \( r^2 \) になります。これは非常に重要なパーセンテージです！\( y \) の変化のうち、\( x \) の変化でどれだけ説明できるかを示します。
例：\( r = 0.9 \) ならば、\( r^2 = 0.81 \)（つまり81%）。これは、売上の変化の81%がトレンドによるもので、残りの19%はランダムなノイズであることを意味します。
注意すべきよくある間違い：相関関係と因果関係を混同することです。例えば、アイスクリームの売上とサメの襲撃件数はどちらも夏に増えます。これらは相関していますが、アイスを食べることがサメを襲わせる原因ではありません！
5. 予測とその限界
トレンドラインが得られたら、それを使って将来を予測できます。方法は2つあります：
1. 補間（Interpolation）：すでに持っているデータの範囲「内」で値を予測すること。これは通常非常に信頼性が高いです。
2. 外挿（Extrapolation）：データの範囲の「外」（未来）を予測すること。過去のトレンドがそのまま続くと仮定するため、リスクが高まります。
重要ポイント：モデルの質は入力するデータで決まります。もし市場が急変したら（新しい競合が現れるなど）、回帰モデルは手遅れになるまで気づくことができません！
まとめ：全体像
- 移動平均を使ってデータを滑らかにし、トレンドを確認する。
- 線形回帰（\( y = a + bx \)）を使ってトレンドに数学的な式を当てる。
- 相関（\( r \)）を使ってその関係の強さを測る。
- 外挿を使って未来を予測するが、慎重に行う！
その調子です！あなたは今、ビジネス情報環境における最もテクニカルな部分の一つを習得しました。\( y = a + bx \) の計算をいくつか練習しておけば、試験で何が出ても大丈夫です！