---
title: "AR / MA / ARMA / ARIMAの違いまとめ【G検定対策】"
description: "AR / MA / ARMA / ARIMAの違いまとめについて、G検定で問われるAI・機械学習分野の観点から、目的、前提、モデル構造、入力と出力、評価観点のどこが異なるかを比較します。暗記だけでなく、似た概念との混同を避ける見分け方や、選択肢を切るためのポイントも確認します。"
canonical_url: "https://stemtazoo.github.io/gk/time-series-ar-arma-arima/"
section: "gk"
---

## 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