---
title: "VARとARIMAの違い【多変量 vs 単変量の最終比較】"
description: "VARとARIMAの違いについて、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/var-vs-arima/"
section: "gk"
---

## まず結論
- **VAR（ベクトル自己回帰モデル）** は、**複数の時系列変数を同時に扱う多変量モデル**。
- **ARIMA** は、**1つの時系列変数を対象とする単変量モデル**。
- G検定では **「変数の数」だけで即断する** のが正解。

## 直感的な説明
- ARIMA：  
  👉「このデータ1本の流れだけを見て未来を予測」
- VAR：  
  👉「複数のデータが互いに影響し合う前提で未来を予測」

例：
- ARIMA → 売上だけを予測
- VAR → 売上・価格・広告費を同時に扱う

## 定義・仕組み
### ARIMA
- 対象：**単一の時系列**
- 構成：
  - AR（過去の値）
  - MA（過去の誤差）
  - I（差分による定常化）
- トレンドを含む時系列に対応可能

---

### VAR
- 対象：**複数の時系列**
- 各変数が
  - 自分自身の過去
  - 他の変数の過去  
  を説明変数として持つ
- ARモデルを多変量に拡張したもの

👉 **VARに「差分（I）」は必須ではない**。

## いつ使う？（得意・不得意）
**ARIMA が向く**
- 1つの時系列データ
- トレンドを含むデータ
- 需要予測・売上予測

**VAR が向く**
- 複数の経済指標
- 相互依存関係の分析
- マクロ経済モデル

## G検定ひっかけポイント
- ❌「ARIMAは複数変数を扱う」
- ❌「VARは差分を必ず行う」
- ❌「VARとARIMAは用途が同じ」

👉 **単変量か多変量か** を見る。

### 判断基準
- 「複数の変数」「相互影響」 → VAR
- 「1つの時系列」「トレンド」 → ARIMA
- 「差分（I）」 → ARIMA

## まとめ（試験直前用）
- ARIMA：単変量・差分あり
- VAR：多変量・相互影響
- 最大の違いは変数の数
- 用途と前提が異なる
- 迷ったら変数数を見る