時系列解析の応用へようこそ！

前章までは、AR、MA、ARMAといった時系列モデルの「解剖」に多くの時間を費やしてきました。さあ、いよいよこれらのモデルを実際に動かしてみましょう！この章は、いわば「現実世界への架け橋」です。バラバラで整理されていない現実のデータをどのように扱い、それを記述するための最適な数学的モデルを見つけ、そのモデルが本当に有用かを検証し、最後に未来を予測するために活用する方法を学んでいきます。

前章で代数的な計算が多くて少し重いと感じた方も、安心してください。ここでは、それらのモデルを適用する「プロセス」に焦点を当てます。それでは、早速始めましょう！

1. ボックス・ジェンキンスの3段階

アクチュアリーが時系列の「応用」について語るとき、通常はボックス・ジェンキンス法（Box-Jenkins Methodology）に従います。これはシンプルな3段階のサイクルです：

1. モデルの識別（Model Identification）： 適切なモデルタイプを選ぶ（ARなのか、MAなのか、ARMAなのか？ \(p\) と \(q\) の値はいくつなのか？）。
2. パラメータ推定（Parameter Estimation）： モデルの実際の数値（係数）を計算する。
3. 診断チェック（Diagnostic Checking）： そのモデルがデータに適切に適合しているかを確認する。

例え話： これはスーツを買うときと同じです。まずスタイルを選び（識別）、次にテーラーが採寸を行い（推定）、最後に試着をして肩周りが窮屈でないか確認する（診断チェック）のと同じですね！

2. ステップ1：モデルの識別（\(p\) と \(q\) の特定）

どのモデルを使うべきか、どうすればわかるのでしょうか？そこでデータの「指紋」である自己相関関数（ACF）と偏自己相関関数（PACF）を使います。

\(p\) と \(q\) のカンニングペーパー

グラフを見て以下のようなパターンがあれば、通常は次のような意味を持ちます：

  • AR(\(p\)) モデル： PACF がラグ \(p\) の後に「急減（カットオフ）」（ゼロに落ちる）し、ACF はゆっくりと減少（テイルオフ）する。
  • MA(\(q\)) モデル： ACF がラグ \(q\) の後に「急減（カットオフ）」し、PACF はゆっくりと減少（テイルオフ）する。
  • ARMA(\(p, q\)) モデル： ACF と PACF の両方が急なカットオフなしで「ゆっくり減少（テイルオフ）」する。

クイック復習ボックス：
ACF は \(X_t\) と \(X_{t-k}\) の間の相関を測ります。
PACF は、間の観測値の影響を取り除いた後の \(X_t\) と \(X_{t-k}\) の間の相関を測ります。

情報量規準（AIC と BIC）

グラフを見るだけでは十分でないこともあります。その際、モデルを選択するために「ペナルティスコア」を使います。目指すのは、適合度が良く、かつ（パラメータが多すぎて）複雑すぎないモデルです。
- AIC（赤池情報量規準）
- BIC（ベイズ情報量規準）

経験則： AIC や BIC の値は低いほど良いモデルです！これらのツールを使うことで、過学習（オーバーフィッティング）（実際のトレンドではなく、ランダムなノイズまで説明しようとしてモデルを複雑にしすぎること）を防ぐことができます。

3. ステップ2：パラメータ推定

例えば AR(1) モデルに決めたら、\(\alpha\) の値を求める必要があります。これには一般的な3つの方法があります：

1. モーメント法（Method of Moments）： 標本モーメント（データから得られる平均や分散など）をモデルの理論的モーメントと等置する方法です。最も単純ですが、精度が低いことが多いです。
2. 最小二乗法（Least Squares）： 実際のデータとモデルが予測する値との差の二乗和を最小にするパラメータを選ぶ方法です。
3. 最尤法（Maximum Likelihood Estimation: MLE）： 観測されたデータが最も「起こりやすくなる」ようなパラメータ値を見つける方法です。IFoA（英国アクチュアリー会）の試験では、大規模なデータセットに対して最も堅牢な方法として扱われることが多いです。

豆知識： 単純な AR(1) モデルの場合、\(\alpha\) のモーメント法による推定値は、最初の標本自己相関係数（\(\hat{\rho}_1\)）そのものになります！

4. ステップ3：診断チェック

モデルを構築した後は、残差（誤差）を調べます。もしモデルが完璧であれば、残差はホワイトノイズになるはずです。

残差のチェック方法：
- 視覚的確認： 残差をプロットします。テレビの砂嵐のようにランダムで、何のパターンも見られない状態であるべきです。
- 残差のACF： 残差の自己相関がすべてゼロに近いことを確認します。
- ポートマントー検定（例：リュング・ボックス検定）： 残差の自己相関の集まり全体が、統計的に見て有意にゼロと異なるかどうかをチェックする検定です。

注意すべき間違い： 残差に波やトレンドのようなパターンが見られる場合、そのモデルは未完成です。まだ取り込めていない情報が残っているということです！

まとめ： 残差がホワイトノイズになっていれば、あなたのモデルはデータから有益な情報をすべて「吸い上げた」ことになります。素晴らしい出来です！

5. 予測：未来を予見する

これこそ、私たちが時系列解析を行う本来の理由です！私たちは \(l\) 期先予測 を計算したいと考えており、これを \(\hat{x}_n(l)\) と書きます。

予測の計算方法：

最良の予測は条件付き期待値をとることです。ロジックは以下のステップです：
1. 未来の時点のモデル式を書き出す（例： \(X_{n+1} = \alpha X_n + \epsilon_{n+1}\)）。
2. 全体の期待値をとる。
3. 未来のホワイトノイズ項（\(\epsilon_{n+1}, \epsilon_{n+2}...\)）を 0 に置き換える（期待値がゼロであるため）。
4. 過去のホワイトノイズ項は、既知であれば計算された残差に置き換える。
5. 過去の観測値（\(X_n, X_{n-1}...\)）を、実際の既知の数値に置き換える。

例（AR(1)）：
\(X_t = 0.8 X_{t-1} + \epsilon_t\) であり、\(X_n = 10\) であるとします：
1期先予測： \(\hat{x}_n(1) = 0.8(10) + 0 = 8\)。
2期先予測： \(\hat{x}_n(2) = 0.8(8) + 0 = 6.4\)。

予測に対する信頼性

「点予測（単一の数値）」が完璧であることは稀です。私たちは予測区間を使用して、将来の値が収まるであろう範囲を示します。遠い未来を予測しようとするほど不確実性は増し、予測区間は広がっていきます。

重要なポイント： 定常的な ARMA モデルでは、予測期間 \(l\) を無限大にすると、予測値はやがてそのプロセスの平均値に収束します。

6. 応用のまとめ

この章の締めくくりとして、流れを復習しましょう：
1. 識別： ACF/PACF グラフや AIC/BIC を使って \(p\) と \(q\) を選ぶ。
2. 推定： MLE や最小二乗法を使って係数を求める。
3. チェック： 残差がホワイトノイズに見えるか確認する（リュング・ボックス検定）。
4. 予測： モデル式と期待値を使って未来を予測する。

最後の励まし： 時系列解析の応用は、科学であると同時に芸術でもあります。ACF や PACF のプロットを見る練習をしましょう。たくさん見れば見るほど、パターンの見極めが簡単になります。あなたならきっと大丈夫です！