---
title: "ベクトル自己回帰モデル（VAR）とは？【G検定対策】"
description: "ベクトル自己回帰モデル（VAR）は、複数の時系列変数を互いの過去値から予測するモデルです。ラグと変数間の相互作用を押さえ、単変量のARや差分を使うARIMAとの違いをG検定向けに整理します。"
last_modified_at: "2026-07-14"
canonical_url: "https://stemtazoo.github.io/gk/var/"
section: "gk"
---

## まず結論
- **ベクトル自己回帰モデル（VAR）**とは、複数の時系列変数を、それぞれの過去値と他の変数の過去値から予測する多変量時系列モデルです。
- G検定では、単一系列を扱うARとの違いだけでなく、**複数の変数が時間差を伴って影響し合う**点が判断軸です。

## 直感的な説明
- ARモデル：  
  👉「自分の過去だけを見て未来を予測」
- VARモデル：  
  👉「自分の過去＋他の変数の過去も見て未来を予測」

例：
- 金利
- 為替
- 株価  

金利の変化が少し遅れて為替に影響し、為替の変化が株価にも影響するような、**時間差のある相互関係**を一つの仕組みで表すのがVARです。

## 定義・仕組み
- VAR は **ARモデルを多変量に拡張したもの**。
- 各変数は、
  - 自分自身の過去の値
  - 他の変数の過去の値  
  を説明変数として持つ。

何時点前まで使うかを**ラグ次数**と呼びます。ラグ1なら1時点前、ラグ2なら2時点前までを利用します。変数やラグを増やすほど推定する係数が増えるため、十分なデータが必要です。

VARは基本的に定常な時系列を前提とします。トレンドが強いデータでは、そのまま当てはめず、差分などの前処理を検討します。

## いつ使う？（得意・不得意）
**得意**
- 経済データ分析
- マクロ経済モデル
- 相互依存する時系列データ
- ある変数の変化が他の変数へどう波及するかの分析

**不得意**
- 単一の時系列のみの場合
- 非線形な関係が強い場合
- 大量変数での高次元問題
- 強いトレンドをそのまま含む非定常時系列

## G検定ひっかけポイント

| 用語 | 主に扱うもの | 判断キーワード |
|---|---|---|
| AR | 1つの時系列の過去値 | 自分自身の過去 |
| VAR | 複数時系列の過去値 | 相互作用、多変量 |
| ARIMA | 主に単一系列の自己回帰・移動平均・差分 | 非定常、差分 |

* 「複数の時系列を同時に扱い、互いの過去値を使う」ならVARです。
* VARの「ベクトル」は、複数の変数をまとめて扱うことを表します。
* 単に説明変数が複数ある回帰分析と、時間順序を持つVARを混同しないようにします。

## まとめ（試験直前用）
- VARは多変量時系列モデル
- ARを多変量に拡張し、複数変数の過去値を同時に使う
- ラグは「何時点前まで使うか」を表す
- 経済・金融や相互依存する業務データで使われる
- 「複数時系列＋相互作用」がVARの判断キーワード