さまざまな時系列に対する ACF プロットを見たので、ACF プロットだけから時系列の特徴を判断できるはずです。
表示された ACF プロット（A〜D）を、それぞれに対応する時系列プロット（1〜4）に対応づけてください。
この演習はコースの一部です
理論を実践に変える、インタラクティブな演習のひとつをお試しください
データ分析の最初の一歩は、データを可視化することです。グラフにすることで、パターン、外れ値、時間とともに起こる変化など、データのさまざまな特徴が見えてきます。可視化から得られた特徴は、可能な限り、これから用いる予測手法に取り入れていく必要があります。
現在の演習
この章では、さまざまな予測場面で役立つ一般的なツールを学びます。ベンチマークとなる予測手法、予測手法が利用可能な情報を十分に活用できているかを確認する方法、そして予測精度を測定する方法について説明します。ここで紹介するツールは、後続の章でさまざまな予測手法を学び検討する際に、繰り返し使用していきます。
指数平滑法による予測は、過去の観測値の加重平均で表され、古い観測ほど重みが指数的に小さくなります。言い換えると、新しい観測ほど大きな重みが与えられます。この枠組みは、幅広い時系列に対して素早く信頼できる予測を生成でき、ビジネス分野の応用において大きな利点であり非常に重要です。
ARIMAモデルは、時系列予測に対する別のアプローチを提供します。指数平滑法とARIMAモデルは、時系列予測で最も広く使われる2つのアプローチであり、互いに補完的です。指数平滑法がデータのトレンドや季節性を明示的に表現するのに対し、ARIMAモデルはデータ内の自己相関構造を記述することを目指します。
これまでの章で扱った時系列モデルは多くの場合に有効ですが、週次や時単位のデータには適さないことがあり、祝日効果、競合の動き、法改正など他の情報を組み込むこともできませんでした。この章では、より複雑な季節性に対応する手法を取り上げ、さらにARIMAモデルを拡張して、そのような追加情報をモデルに組み込む方法を検討します。
