【G検定】自己回帰モデル(ARモデル)とは？時系列予測の仕組みとVARモデルを解説

明日の売上を予測する一番自然な材料は、昨日までの売上です。「自分自身の過去」を説明変数にして未来を予測する——これが自己回帰モデル(ARモデル)です。時系列データ分析の基本であり、複数系列を扱うVARモデルとの区別がG検定のポイントになります。

📖 ひと言でいうと

自己回帰モデル(AR: AutoRegressiveモデル)は、時系列データにおいて、過去のデータポイントを予測変数(説明変数)として現在のデータポイントを予測する回帰モデルです。「自己」回帰という名前は、他の変数ではなく自分自身の過去の値に回帰することを表しています。

天気の会話で「ここ3日ずっと暑いから、明日も暑いだろう」と予想するのと同じ発想です。ARモデルはこの直感を、「過去の値それぞれにどれだけの重みを掛けて足せば現在をよく説明できるか」という回帰式の形で定量化します。

🖼 1枚でわかる自己回帰モデル

自己回帰モデル = 自分の過去から現在を予測

対象データ — 時系列データ(時間順に並んだ観測値)
仕組み — 過去のデータポイントを説明変数として現在を回帰で予測
問題の種類 — 一般に回帰問題として扱われる
VARモデル — 入力が複数種類ならベクトル自己回帰モデル。変数間の相互依存も考慮
広がり — GPTなどの「自己回帰型」言語モデルも同じ発想

つくもち屋「G検定対策」SUMMARY

📘 公式テキストの説明

一般に回帰問題に適用されるが、対象は時系列データである。時系列データ分析のことを単純に時系列分析（time series analysis）とも呼ぶ。ARモデルは、過去のデータポイントを予測変数として現在のデータポイントを予測することを目的とする。入力が複数種類の場合、自己回帰モデルをベクトル自己回帰モデル（vector autoregressive mode、VARモデル）と呼ぶ。VARモデルでは、複数の時系列データを同時に考慮し、各変数の過去のデータポイントに基づいて現在のデータポイントを予測する。これにより、異なる変数間の相互依存関係が考慮される。

押さえるべき軸は2つです。1つ目は「回帰問題だが、対象が時系列データ」という位置づけ。通常の回帰と違い、説明変数が「同じ変数の過去の値」である点が独特です。2つ目は、単一の時系列を扱うARモデルと、複数の時系列を同時に扱うVARモデル(ベクトル自己回帰モデル)の区別です。VARでは変数間の相互依存関係まで考慮できる、という一歩進んだ特徴が付きます。

🔍 しっかり理解する

予測の仕組み：過去の重み付き和

ARモデルの予測式は、プレーンに書くと「今日の値 ≈ a1×昨日の値 + a2×一昨日の値 + … + 定数」という形です。何日前まで(いくつ前のデータポイントまで)使うかを次数と呼び、係数a1, a2, …はデータから学習します。構造としては線形回帰そのもので、説明変数の中身が「自分の過去の値」に置き換わっただけ、と理解するのが近道です。

過去の観測値

昨日・一昨日…の値を集める

→

重み付き和

学習した係数を掛けて足す

→

現在の値を予測

予測値を次の予測にも使える

予測した値を「新しい過去」として式に入れ直せば、1歩先だけでなく数歩先まで逐次的に予測を伸ばせます。ただし予測誤差が積み重なるため、先に行くほど精度は落ちていきます。

時系列データならではの前提

時系列データは「順序に意味がある」データです。株価、気温、電力需要、Webサイトのアクセス数など、時間軸に沿って観測された値は、直前の値と強い関係(自己相関)を持つことが多く、ARモデルはこの自己相関を予測に利用します。逆にいえば、過去と現在に規則的な関係がないデータ(完全にランダムな値)には効果がありません。また、平均や振れ幅が時間とともに大きく変わり続けるデータでは、そのままでは当てはまりが悪くなるため、差分を取るなどの前処理と組み合わせるのが一般的です。

VARモデル：複数の時系列の相互依存を捉える

現実の予測では、1つの系列だけでは足りないことがあります。たとえばアイスクリームの売上は、自分の過去の売上だけでなく、気温の過去の推移にも依存します。VARモデル(ベクトル自己回帰モデル)は、複数の時系列データを同時に考慮し、各変数を「すべての変数の過去の値」で予測します。売上の式に気温の過去も入り、気温の式に売上の過去も入る、という双方向の構造により、異なる変数間の相互依存関係が考慮されます。経済分析でGDP・金利・物価のような相互に影響し合う指標を扱う際の定番手法です。

💡 具体例で考える

電力会社の需要予測は自己回帰モデルの典型的な応用先です。電力需要は「直前の時間帯の需要」と強く相関するため、過去数時間〜数日の需要の重み付き和で次の需要をかなり正確に予測できます。さらに気温の系列も一緒にVARモデルで扱えば、「昨日から続く猛暑が今日の冷房需要を押し上げる」という変数間の依存関係まで取り込めます。

もうひとつ、現代的な文脈で重要なのが生成AIとのつながりです。GPTのような大規模言語モデルは「自己回帰型言語モデル」と呼ばれます。これまでに出力した単語列(自分の過去の出力)を入力として次の単語を予測する、という構造が、まさに自己回帰の発想だからです。モデルの中身は古典的なARモデルとはまったく異なりますが、「自分の過去から次を予測する」という枠組みの名前が共通している、と理解しておくと深層生成モデルの章で用語がつながります。

⚠️ よくある誤解・紛らわしい用語

💡 ポイント

通常の線形回帰との違い — 線形回帰は別の変数(広告費など)で目的変数を説明しますが、自己回帰は「同じ変数の過去の値」で現在を説明します。「自己」の意味を問う問題の核心です。
ARとVARの取り違え — ARは単一の時系列、VARは複数の時系列を同時に扱い相互依存関係を考慮します。「V(ベクトル)=複数系列」と対応づけましょう。
「自己回帰=分類問題」は誤り — 一般に回帰問題に適用される手法です。時系列データを扱うからといって問題の種類が変わるわけではありません。
「自己回帰モデル=LLM用語」ではない — もともとは統計的な時系列分析の古典的手法です。GPTの「自己回帰型」は同じ発想の呼び名であり、時系列分析のARモデルが先にあります。

📝 試験でのポイント