統計検定準1級の出題範囲の中で、受験者が「多変量解析の次に難しい」と感じやすいのが時系列分析とベイズ統計です。どちらも統計検定2級では扱わない内容で、概念が独特のため、初めて学ぶ方は理解に時間がかかりやすいです。
この記事では、統計検定準1級の時系列分析・ベイズ統計分野を学ぶ上で何を優先して押さえるべきかを整理します。
時系列分析は「系列の性質の判断」と「モデルの種類の区別」が出題の中心です
時系列データとは、一定の時間間隔で観測されたデータのことです（株価・気温・売上など）。時系列分析は、そのデータの構造・パターンを読み解き、モデルを当てはめる手法です。
準1級の試験では、時系列分析に関して次の内容が問われます。
| 出題テーマ | 問われる内容 |
|---|---|
| 定常性 | 平均・分散・自己共分散が時点によらず一定という条件。モデルを当てはめる前提 |
| 自己相関 | ラグ（時差）kの自己相関係数。コレログラム（自己相関をラグに対してプロットした図）の読み方 |
| ARモデル・MAモデル・ARMAモデル | 各モデルの構造の違いと、コレログラム・偏自己相関関数（PACF）のパターン |
| ARIMAモデル | 差分化（I: Integrated）による定常化と、ARIMA(p,d,q)の記法 |
| モデルの選択 | AIC・BICによるモデル選択の基準 |
出典：統計検定公式サイト「準1級出題範囲表」の内容を参照して整理。
定常性と自己相関は、時系列分析の出発点として最初に押さえます
時系列分析で最初に学ぶべき概念が「定常性（stationarity）」です。
定常時系列とは、次の条件を満たす時系列のことです。
- 平均が時点によらず一定（トレンドがない）
- 分散が時点によらず一定
- ラグkの自己共分散が時点によらず一定（ラグkだけに依存する）
株価のように右肩上がりのトレンドがあるデータや、気温のように季節変動があるデータは、そのままでは非定常です。非定常な時系列には差分化（隣接する値の差を取る操作）を行って定常化してからモデルを当てはめます。
自己相関係数は、時系列 Xₜ と kラグ前の値 Xₜ₋ₖ との相関係数です。コレログラム（自己相関をラグの大きさに対して棒グラフで表した図）は、試験でそのまま読んで答えを選ぶ問題形式で出ます。
ARモデル・MAモデル・ARMAモデルの違いを区別します
準1級の時系列分析で中心になるのはAR・MA・ARMAの3つのモデルです。
| モデル | 構造 | コレログラムの特徴 |
|---|---|---|
| AR(p)モデル（自己回帰モデル） | 現在の値 = 過去p期分の値の線形結合 + 誤差 | 自己相関（ACF）は徐々に減衰。偏自己相関（PACF）はラグpで打ち切れ |
| MA(q)モデル（移動平均モデル） | 現在の値 = 誤差 + 過去q期分の誤差の線形結合 | 自己相関（ACF）はラグqで打ち切れ。偏自己相関（PACF）は徐々に減衰 |
| ARMA(p,q)モデル | AR(p)とMA(q)の組み合わせ | ACF・PACFともに徐々に減衰 |
試験ではコレログラムの図を見て「このパターンにはどのモデルが当てはまるか」を選ぶ問題が出ます。「ACFが打ち切れ＝MAモデル、PACFが打ち切れ＝ARモデル」という対応を覚えておくと判断しやすくなります。
ARIMAモデルは ARIMA(p,d,q) と表記し、dは差分化の回数を示します。例えば ARIMA(1,1,0) は、1回差分化して定常化した後に AR(1) モデルを当てはめる、という意味です。
ベイズ統計は「事前分布・尤度・事後分布」の流れを軸に学びます
ベイズ統計は、事前の知識（事前分布）とデータから得られた情報（尤度）を組み合わせて、パラメータの推定（事後分布）を行う統計の考え方です。
頻度論的統計（通常の推測統計）との最大の違いは、パラメータを「固定された未知の定数」ではなく「確率分布に従う確率変数」として扱う点です。
準1級で押さえるベイズ統計の基本的な流れは次のとおりです。
| ステップ | 内容 |
|---|---|
| 事前分布（prior） | データを観測する前に持っている、パラメータに関する知識・信念を確率分布で表す |
| 尤度（likelihood） | あるパラメータのもとで、実際に観測されたデータが得られる確率。P(データ | パラメータ) |
| 事後分布（posterior） | 事前分布と尤度を掛け合わせて正規化した分布。P(パラメータ | データ)。データを見た後の信念の更新結果 |
| ベイズの定理 | 事後分布 ∝ 尤度 × 事前分布（∝は比例を表す） |
共役事前分布とMAP推定も試験で問われます
ベイズ統計で試験によく出る概念を2つ追加で押さえます。
共役事前分布（conjugate prior）とは、尤度と掛け合わせたときに事後分布が事前分布と同じ分布の族に属するような事前分布のことです。計算上の扱いやすさがあります。例えば、二項分布の尤度に対してはベータ分布が共役事前分布です（事後分布もベータ分布になる）。
MAP推定（最大事後確率推定）とは、事後分布を最大にするパラメータの値を点推定値として使う方法です。事前分布が一様分布（すべてのパラメータ値に同じ確率を与える）の場合、MAP推定は最尤推定と一致します。
MCMCは「事後分布を直接計算せずに、近似的にサンプリングする手法」です
MCMC（Markov Chain Monte Carlo）は、事後分布の数式が複雑で直接計算できない場合に、事後分布からランダムサンプルを生成することで分布を近似的に推定する手法の総称です。
準1級では、MCMCの仕組みや具体的なアルゴリズム（メトロポリス・ヘイスティングス法など）を詳しく問う問題より、「MCMCは何をするための手法か（事後分布からのサンプリング）」「なぜMCMCが必要か（解析的に計算できない場合）」という概念を問う問題が中心です。
時系列とベイズ統計の勉強時間の目安です
多変量解析と比べると、時系列分析・ベイズ統計はそれぞれが独立した理論体系を持っているため、各分野の学習に一定の時間が必要です。目安は次のとおりです。
| 分野 | おおよその学習時間の目安（2級合格後） |
|---|---|
| 時系列分析（AR/MA/ARIMA） | 20〜40時間 |
| ベイズ統計（ベイズの定理・事後分布・MCMC） | 20〜40時間 |
※個人差があります。どちらも公式テキスト（統計学実践ワークブック）の該当章を2〜3周するのが、理解の定着に有効です。
時系列分析は「コレログラムの読み方とモデルの対応を体で覚える」ことが学習の核心です。ベイズ統計は「事前分布・尤度・事後分布の流れ」というフレームを先に理解してから、各概念を当てはめていく順番が効率的です。
AI問題演習ツールで時系列・ベイズの問題を繰り返し練習できます
統計検定準1級の時系列分析・ベイズ統計を含む問題演習に使えるAI問題演習ツールを、このサイトで提供しています。多変量解析・時系列/ベイズ・ノンパラメトリックの3分野から毎回違う問題をAIが生成します。数式はKaTeXで表示されます。1日3問まで無料です。
まとめ：時系列はコレログラム、ベイズは3ステップの流れを軸に押さえます
統計検定準1級の時系列分析・ベイズ統計分野のポイントをまとめます。
- 時系列分析は「定常性」「自己相関（ACF）」「偏自己相関（PACF）」を出発点として、AR・MA・ARMAモデルの区別につなげる
- コレログラムの読み方（ACFが打ち切れ＝MA、PACFが打ち切れ＝AR）は試験で直接問われる
- 非定常データには差分化を行い、ARIMAモデルへ発展させる
- ベイズ統計は「事前分布 → 尤度 → 事後分布」という3ステップの流れが核心
- MCMCは「事後分布を直接計算せずにサンプリングする手法」という概念の理解が試験では優先される
試験の正確な情報（出題範囲の詳細・問題形式）は、統計検定公式サイトでご確認ください。
コメント