時系列データの予測について ~ その2

時系列データの予測について ~ その1のつづき

第一四半期から第四四半期の販売数量のデータを基に、翌第一四半期の販売数量を予測することについて触れました。

時系列データ

時系列データ

そして書籍やWebの記事で見る予測の方法の1つとして、次のような図を併せてご覧いただきました。

近似曲線の追加機能を利用した例

外挿:近似曲線の追加機能により、予測するための式を求める例

このようなデータを基に、FORECAST関数や折れ線グラフの近似曲線の追加機能を使って、予測値を求めました。

このときに例外なく踏まえておかなければならないことがあります。
次の点を挙げておきます。

直線的な伸び(または減少)の傾向を示しているデータについて、その直線的な傾向が将来も継続して現れるという前提で予測をしていることを、常に念頭に置いて分析に臨みましょう。

つまり、そもそも「これから同様に伸びが期待できるのか、それとも横ばいになるのか、また減少してしまうのか、そしてその程度について議論するのは、あくまで統計学の範疇ではありません。


この注意点を考慮せずに、ただ方法だけを理解して実務に応用するだけでは、意思決定に活かすことはできないでしょう。

これについては曲線の傾向を示すデータについても同様です。
では、様々存在する予測手法のうち、予測を行うのにどの予測手法を使うか?

そこはまず

データの傾向によって判断する

ここから始めると良いでしょう。
例えば予測したい項目の値が、上昇したり下降したりしながら、しかし総じて上昇傾向を表わしている場合でも、このようなデータを外挿すると、予測方法によっては0を下回ったりすることもあります。
「このデータの場合、絶対に0になったり、0を下回ることはない」のであれば、その方法で外挿をすることはできないでしょう。

そして、

予測手法に合ったデータの型を用意する

このように考えましょう。

例えば日ごとの販売数量のデータを基に、将来の日にちの販売数量を予測する場合、その増減が最高気温と関連していると見られる場合は、同じ日の最高気温のデータを用意し、そして最高気温と販売数量との関連性を探ることから始めます。
そしてその関連性、つまり最高気温と販売数量の直線的な関係を利用して、最高気温から販売数量を予測する、と言う方法も考えられます。
また最高気温だけでなく、天候や曜日ももし販売個数の違いに影響しているのであれば、それらの情報も分析に採り入れるということも期待できるでしょう。

その3に続きます

気に入った?