自己回帰モデル（ARモデル） (G検定)

2026年8月12日2026年9月2日

G検定

1. 定義と概要

自己回帰モデル（ARモデル）とは、時刻tの値を、過去p時点までの値の線形結合と定数項（一定のベース水準を表す項）、誤差項の和で表す時系列モデルです。英語表記は「AutoRegressive model」です。誤差項は、平均が0で分散（データのばらつきの大きさを表す指標）が一定のランダムな項であるホワイトノイズ（平均0で規則性のない、ランダムな誤差の項）です。

過去p時点までの値を使うモデルをAR（p）と呼び、このpはモデルの次数、つまり現在の値を説明するために使う過去何時点分のデータの数にあたります。もっとも単純なAR（1）は、1時点前の値だけを使うモデルです。

株価や気温、売上、失業率のような経済指標のように、前の時点の値が今の値に影響する時系列データ（時間の順序に沿って観測された数値の並び）を扱う代表的な手法にあたり、需要予測や異常検知の土台としても使われます。

通常の回帰分析（ある変数を使って別の変数を予測する統計手法）では、説明変数（予測に使う変数）と目的変数（予測したい対象の変数）を、互いに独立した観測値の組として扱います。しかし時系列データは、観測の並びそのものに時間的な依存関係を持ちます。これは自己相関（ある時点の値と過去の値の間にある相関関係）と呼ばれる性質です。

この時間的な依存構造を数式へ組み込む必要から生まれたのが時系列モデルであり、ARモデルは自分自身の過去の値だけを使って現在を説明する、その中でもっとも基本的な形にあたります。次数pを大きくするほど、より遠い過去の値まで現在の予測に取り込む構造になり、モデルはより複雑になっていきます。

2. 試験対策ポイント

まず整理したいのは、AR（p）の定義式そのものです。現在の値は定数項と過去p時点までの値の線形結合、および誤差項の和で表され、pは何時点前まで使うかを示す次数にあたります。

この誤差項はホワイトノイズであり、平均0・分散一定でそれ自体には自己相関がないランダムな項です。ARモデルは、過去の値による決定論的な部分と、誤差項による確率的な部分の組み合わせで構成されています。

ARモデルは弱定常過程（平均や分散といった統計的な性質が時間が経っても変わらない性質）であることを前提とするモデルです。長期的な上昇・下降トレンドを持つ非定常なデータにそのまま当てはめても適合しません。このため、差分を取るなどの前処理や、ARIMAモデルのような拡張が必要になります。

パラメータ（過去の値にかかる係数）は、最小二乗法（予測値と実際の値のズレの二乗の合計が最小になるようにパラメータを求める方法）や、最尤法（データが実際に観測される確率がもっとも高くなるようにパラメータを求める方法）で推定されます。

ARモデル・MAモデル・ARMAモデル・ARIMAモデル・VARモデルという時系列モデル群の名称と、相互の位置づけの整理も柱になります。ARモデルが土台となる基本形であり、ARMAモデル・ARIMAモデル・VARモデルはいずれもARモデルを拡張した発展形という関係にあります。

3. 関連概念との比較・相違点

MAモデル（移動平均モデル。過去の予測誤差の影響を使って現在の値を説明する時系列モデル）との最大の違いは、現在の値を説明するために何を使うかという回帰対象にあります。二つを軸ごとに並べると、次のように整理できます。

観点	ARモデル	MAモデル
現在の値を説明する材料	自分自身の過去の観測値の線形結合	過去の予測誤差の線形結合
影響の伝わり方	ショックの影響が指数的に減衰しながら長く残る	有限のラグであるq時点を過ぎると影響が途切れる

同じ時系列モデルでも、さかのぼるのが観測値なのか予測誤差なのかという出発点が異なり、その差がショックの残り方の違いにも表れる関係にあります。

ARモデルを土台にした発展形として、ARMAモデル（ARモデルとMAモデルを組み合わせた時系列モデル）、ARIMAモデル（非定常なデータを差分で定常化したうえで扱うARMAモデルの拡張版）、VARモデル（ベクトル自己回帰モデル。複数の変数を同時に扱えるようにARモデルを拡張したモデル）という位置づけが整理されます。

3つの関係を言い換えると、ARMAモデルはARモデルにMAモデルの考え方を足したモデルにあたります。ARIMAモデルはそのARMAモデルに差分の処理を加えて非定常なデータも扱えるようにしたモデル、VARモデルは単一変数のみを扱うARモデルを複数変数へ広げたモデルという関係です。

いずれもARモデルの考え方を出発点としており、名称の並びだけでなく何を足した拡張なのかまで押さえておくと混同しにくくなります。それぞれの詳しい定義や数式は、別のテーマとして個別に扱われます。

4. ビジネス・実務での活用シナリオ

金融・投資の分野では、株価や為替レートの時系列データにARモデルを当てはめ、直近の値動きの傾向を数式化してベースラインの予測モデルとして用います。より複雑なモデルを検討する際にも、ARモデルによる予測はどこまで精度が向上したかを測る基準点としての役割を果たします。シンプルな構造ゆえに解釈がしやすく、値動きの傾向を素早く把握できる点も実務での利点です。

小売・ECの分野では、日次・週次の売上や来店客数の時系列データにAR成分を組み込み、直近の推移から近い将来の需要を予測します。予測結果は在庫発注や人員配置の計画に反映され、過剰在庫や欠品を抑える判断材料になります。季節性や特売の影響を加味した拡張モデルと組み合わせて使われる場面も少なくありません。

経済分析・公共政策の分野では、失業率やGDP成長率といったマクロ経済指標の推移をARモデルで分析します。直近の水準がどの程度先の時点まで影響し続けるかを把握することは、政策立案の参考材料として活用されます。景気の転換点を早期に捉える手がかりとしても位置づけられています。