time series // 依存データの予測

時系列分析

時系列分析は、ひとことで言えば「過去が未来に効く（依存のある）データ」を扱う統計学です。気温・株価・売上のように時間の順に並んだデータは、隣り合う値が互いに関係します。その依存（自己相関）をモデル化して未来を予測し、さらに予測の不確実性（予測区間）まで添えるのが目標です。

なぜ学ぶのか

未来を数字で見通せる。需要・在庫・価格・トラフィックなど、時間とともに動く量を、根拠つきで予測できます。
「依存」を正しく扱える。ふつうの回帰が前提する独立性が崩れるデータでも、自己相関を取り込んで誤らずに分析できます。
不確実性を正直に出せる。点予測だけでなく予測区間で「どれくらい当たるか」を示し、意思決定に直結させます。

こんな場面で役立つ

需要予測売上・来客・電力を季節とトレンドごと予測して在庫や人員を最適化。
金融ボラティリティ（変動の荒さ）を予測してリスク管理・VaR算出。
異常検知平常の時系列モデルからの外れで設備故障や不正を早期に検知。
センサー・IoT状態空間モデルでノイズを均し、欠測を補い、隠れた状態を推定。

ここでは、真の構造（トレンド・季節・AR係数など）を仕込んだ擬似系列を自分で作り、モデルがそれを復元できるか・予測が当たるかを必ず数値で確かめる方針です。定常性・自己相関の基礎から、ARIMA・指数平滑・状態空間/カルマン・多変量・ボラティリティ・ベイズ時系列・機械学習予測までを、コピペで動く Python コードつきで全35ノートに体系化しました。各トピックのレベル（基礎／標準／発展）はバッジ表示。確率過程の土台は統計検定サイト、状態空間のベイズ推定はベイズ統計サイト、系列の深層モデルは機械学習サイトへ相互リンクしています。

時系列分析

なぜ学ぶのか

こんな場面で役立つ

カリキュラム（全8章）

目次・インデックス

Phase 1 ── 時系列の基礎

Phase 2 ── ARIMA系モデル

Phase 3 ── 指数平滑と分解

Phase 4 ── 状態空間とカルマン

Phase 5 ── 多変量時系列

Phase 6 ── ボラティリティ

Phase 7 ── ベイズ時系列

Phase 8 ── 機械学習予測