AR / MA / ARMA / ARIMAの違いまとめは関連概念を切り分けるための考え方です。この記事では仕組み・役割・使いどころを押さえ、G検定で問われる判断ポイントとひっかけポイントを解説します。

gk time_series

G検定トップ ＞ AR / MA / ARMA / ARIMAの違いまとめ【G検定対策】

まず結論

  • AR / MA / ARMA / ARIMA は、すべて「過去の情報から未来を予測する」時系列モデルだが、
    何を過去情報として使うか が異なる。
  • G検定では モデル名と使っている情報の対応 が最重要。

直感的な説明

  • AR：自分の過去を見る
  • MA：過去の誤差を見る
  • ARMA：両方見る
  • ARIMA：トレンドを除去してから両方見る

👉 「何を見て予測するか」で切る。

定義・仕組み

自己回帰モデル（AR）

  • 過去の自分自身の値を使って予測
  • 単一の時系列が前提

例：

  • 昨日の売上 → 今日の売上

移動平均モデル（MA）

  • 過去の予測誤差（ノイズ）を使って予測
  • 観測誤差の影響を考慮

ARMAモデル

  • AR + MA の組み合わせ
  • 過去の値 ＋ 過去の誤差

ARIMAモデル

  • ARMA + 差分（I）
  • 非定常な時系列を
    • 差分で定常化
    • その後 ARMA を適用

👉 「I」は Integration（差分）。

いつ使う？（得意・不得意）

AR

  • 単純な時系列
  • 強い自己相関がある場合

MA

  • ノイズの影響が大きい場合

ARMA

  • 定常な時系列
  • ARとMAの両方が必要

ARIMA

  • トレンドを含む時系列
  • 経済・需要予測など

G検定ひっかけポイント

  • ❌「MAは過去の値を使う」
  • ❌「ARIMAは多変量モデルである」
  • ❌「ARMAはトレンドをそのまま扱える」

👉 MAは誤差
👉 ARIMAは差分あり
👉 すべて基本は単変量

判断基準

  • 過去の値 → AR
  • 過去の誤差 → MA
  • 両方 → ARMA
  • 差分あり → ARIMA

まとめ（試験直前用）

  • AR：過去の値
  • MA：過去の誤差
  • ARMA：値＋誤差
  • ARIMA：差分＋ARMA
  • 何を使うかで即判断

🔗 関連記事

🏠 G検トップに戻る