気温とアイスの売上、金利と株価——世の中の時系列データは、互いに影響し合いながら動いています。この「複数の時系列の絡み合い」をまとめて扱えるのが、ベクトル自己回帰モデル(VARモデル)です。
📖 ひと言でいうと
ベクトル自己回帰モデル(VARモデル: Vector Autoregressive model)とは、1つの変数の過去の値から未来を予測する自己回帰(AR)モデルを、複数の変数(多変量)に拡張した時系列モデルです。各変数の未来を、「自分自身の過去」だけでなく「他の変数の過去」も使って予測します。
身近な例えでいうと、天気予報士が「昨日までの気温」だけで明日の気温を占うのがARモデル、「昨日までの気温に加えて、気圧や湿度の推移」も見て予報するのがVARモデルです。厳密には、VARモデルは各変数を他のすべての変数の過去の値の組み合わせで表す統計モデルですが、「仲間の履歴も一緒に見る」と捉えると理解しやすくなります。
🖼 1枚でわかるベクトル自己回帰モデル
📘 公式テキストの説明
自己回帰(AR)モデルを多変量に拡張したもの。複数の変数を用いることで予測精度の向上が見込まれる。VARモデルは、複数の時系列データ間の相互依存関係を捉えることができ、それぞれの変数が他の変数の過去の値に影響を受けることを考慮したモデル構築が可能である。VARモデルを適用することで、時系列データに含まれる相互作用や因果関係を明らかにし、より高い予測性能を実現することができる。
この説明の核は3点です。第一に、VARモデルは単独の時系列を扱うARモデルの「多変量拡張」であること。第二に、各変数が「他の変数の過去の値」から影響を受ける構造を組み込めること。第三に、その結果として変数間の相互作用の分析と予測精度の向上が期待できることです。「ベクトル」という名前は、複数の変数を1本のベクトルとしてまとめて扱うことに由来します。
🔍 しっかり理解する
ARモデルからVARモデルへ
まず土台となる自己回帰(AR)モデルを確認しましょう。ARモデルは「ある時点の値を、その変数自身の過去の値の組み合わせで説明する」モデルです。プレーンテキストで書くと、たとえば「今日の値 = a1 × 昨日の値 + a2 × 一昨日の値 + 誤差」のような形です。
VARモデルはこれを複数変数に広げます。変数が「気温」と「アイス売上」の2つなら、「今日の気温」は昨日までの気温と昨日までの売上の両方から、「今日の売上」も昨日までの売上と昨日までの気温の両方から予測します。つまりすべての変数が、すべての変数の過去とつながった連立の式になります。この構造のおかげで、「気温の変化が数日遅れて売上に効く」といった変数をまたぐ波及を表現できます。
- 扱う変数は1つ(単変量)
- 予測材料は「自分自身の過去」のみ
- 他の変数からの影響は表現できない
- 扱う変数は複数(多変量)
- 予測材料は「全変数の過去」
- 変数間の相互依存関係・波及を表現できる
なぜ予測精度が上がるのか
単変量のARモデルは、その変数の動きの原因が外部にある場合に弱くなります。たとえばアイスの売上は、売上自身の履歴よりも気温の履歴のほうが強い手がかりかもしれません。VARモデルは関連する変数の過去をまとめて予測材料にできるため、単独の履歴だけでは拾えない情報を活かせます。これが公式テキストの「複数の変数を用いることで予測精度の向上が見込まれる」の意味です。
ただし、変数を増やすほど推定すべき係数の数も急速に増えるため、データ量に対して変数が多すぎると逆に不安定になります。「関係の深い変数を選んで組み込む」ことが実用上のポイントです。
相互作用・因果関係の分析
VARモデルは予測だけでなく、変数間の関係を調べる分析ツールとしても使われます。「変数Aの過去を予測材料に加えると変数Bの予測が改善するか」を調べることで、AからBへの影響の有無を統計的に検討できます(この考え方はグレンジャー因果性と呼ばれます)。公式テキストの「相互作用や因果関係を明らかにし」という記述は、こうした分析用途を指しています。厳密には、ここでの因果は「予測に役立つ先行関係」であり、物理的な因果関係の証明とは区別される点に注意しましょう。
💡 具体例で考える
VARモデルの代表的な活躍の場は経済・金融分野です。たとえば中央銀行や研究機関がマクロ経済を分析する際、GDP・物価上昇率・金利といった複数の経済指標をVARモデルにまとめて入れます。金利の変化は数四半期遅れて物価や生産に波及する、といった「時間差を伴う相互作用」の分析は、単変量モデルでは扱えず、VARモデルの得意分野です。
もう少し身近な例では、小売チェーンの需要予測が挙げられます。ある店舗の売上を予測するとき、売上の履歴だけでなく、来店客数・広告出稿量・気温の履歴を変数に加えたVARモデルを組めば、「広告を増やした効果が翌週の売上に現れる」といった関係を織り込んだ予測ができます。逆に「売上が増えると翌月の広告予算が増える」という逆方向の影響も同じモデルの中で表現できるのが、双方向の依存を扱えるVARモデルらしさです。
⚠️ よくある誤解・紛らわしい用語
- ARモデルとの混同: ARモデルは単変量(変数1つ)、VARモデルは多変量(変数複数)です。「VARはARの多変量拡張」という関係を軸に整理しましょう。
- 重回帰分析との混同: 重回帰も複数の説明変数を使いますが、時系列の時間構造(過去→現在)を前提にしません。VARモデルは「全変数の過去の値」で「現在の全変数」を説明する時系列専用のモデルです。
- 「ベクトル」の意味の誤解: ここでのベクトルは方向を表す矢印のことではなく、複数の変数を1組にまとめて扱うという意味です。
- 因果関係の過大解釈: VARモデルが示すのは予測に役立つ時間的な先行関係であり、必ずしも「Aが原因でBが起こる」ことの証明にはなりません。
📝 試験でのポイント
- 「自己回帰(AR)モデルを多変量に拡張したもの」という定義の穴埋め・正誤が最頻出の形と想定されます。「単変量に拡張」などの入れ替えに注意しましょう。
- 「それぞれの変数が他の変数の過去の値に影響を受ける」という記述が、VARモデルの特徴を選ぶ選択肢として問われる可能性があります。
- 時系列モデルの系譜(ARモデル→VARモデル)の対応関係を問う整理型の設問も考えられます。
- 用途として「複数の時系列データ間の相互依存関係の分析」「予測精度の向上」を選ばせるパターンを想定しておきましょう。
📚 まとめ
ベクトル自己回帰モデル(VARモデル)は、自己回帰(AR)モデルを多変量に拡張した時系列モデルで、各変数を全変数の過去の値から予測します。変数間の相互依存関係や時間差を伴う波及を表現できるため、予測精度の向上と相互作用・因果関係の分析の両方に使われ、特に経済・金融分野で定番の手法です。試験では「ARの多変量拡張」「他の変数の過去の影響を考慮」の2点を確実に押さえましょう。
