相互相関関数(Cross Correlation Function)

CCFは、第1の系列と第2の系列の相関を−kから+kまでのすべてのラグで計算し、±2/√(n − |lag|)の近似95%限界を付けたコレログラムとしてプロットします。正のラグで値が大きい場合は、第1の変数が先行しています。両方の系列は、数値で、欠測がなく、長さが等しい必要があります。共通のトレンドがあると、すべてのラグで値が大きくなります。

最終レビュー

重要なポイント

相互相関関数(CCF)は、一方の時系列を他方に対して数期間ずらしたときに、2つの時系列がどのように連動するかを測定し、一方の変化が他方と同時に起こるのか、先行するのかを示します。

このページの内容
  1. 目的
  2. 主な機能
  3. 統計手法
  4. 入力項目とオプション
  5. 出力の説明
  6. 計算例

目的

相互相関関数(CCF)は、一方の時系列を他方に対していずれの方向にも0、1、2…期間ずらしたときに、2つの時系列がどのように連動するかを測定します。一方の系列の変化が、同じ期間における他方の系列の変化と連動するのか、数期間先行するのかを示します。たとえば、ラグ付きの入力でモデルを構築する前に、入力(送り速度、温度、広告)の変化が出力にすぐ現れるのか、遅れて現れるのかを確認するために使用します。

主な機能

  • −kから+kまでのすべてのラグでの相互相関。kは、指定したラグ数、または系列の長さに基づくデフォルト値です。
  • ±2/√(n − |lag|)の破線の限界を付けたコレログラム(棒グラフ)。
  • グラフの注記が、どちらの方向がどちらかを示します。正のラグは、第1の変数が第2の変数に先行することを意味します。
  • 各ラグでの相互相関の表。

統計手法

同じ長さnの2つの系列 xₜ(First variable)と yₜ(Second variable)について、ラグkでの相互相関は、xₜ と yₜ₊ₖ の相関です。rₓᵧ(k) = Σₜ (xₜ − x̄)(yₜ₊ₖ − ȳ) / (n·sₓ·sᵧ)。系列全体の平均と標準偏差を使用し、すべてのラグでnで割ります(偏り補正をしない標準的な推定値)。正のラグkは、xをk期間後のyと比較するため、正のラグで値が大きい場合はxがyに先行することを意味し、負のラグで値が大きい場合はyがxに先行することを意味します。2つの変数を入れ替えると、プロットはラグ0を中心に反転します。

限界±2/√(n − |k|)は、無関係な2つのランダム系列の相互相関に対する近似95%限界です。この限界を超える棒は、偶然で得られる値より大きいことを示します。Number of lagsが空白の場合、ツールは√n + 10(小数点以下切り捨て)を使用しますが、n − 1を超えることはありません。両方の列は、数値で、欠測がなく、長さが等しい必要があります。

2つの系列がどちらもトレンドをもつ場合や、どちらも同じ季節性に従う場合は、どちらも他方を動かしていなくても、ほぼすべてのラグで相互相関が生じます。本当の先行やラグを見つけるには、隣接するラグから際立っている棒のラグを探すか、共通のトレンドと季節性を取り除くために、まず両方の系列の差分をとります。相互相関が高いことは、因果関係を証明するものではありません。

入力項目とオプション

項目

説明

First variable

必須。先行する系列として検定される数値系列です。正のラグでは、この系列をその期間数だけ後の第2の変数と比較します。

Second variable

必須。比較対象となる数値系列です。行数は同じにします。

Number of lags

任意、1〜1000。各方向への最大のずれです。空白の場合は√n + 10を使用します。

Title

グラフに表示されるタイトルです。デフォルトはCross Correlation Functionです。

cross-correlation-inputs


図1 — 第1の変数に広告費、第2の変数に売上を指定し、各方向12ラグとした例。

出力の説明

  • Cross Correlation Function(グラフ)— −kから+kまでの各ラグの棒と破線の限界、および注記「Positive lag = <first variable> leads <second variable>」。
  • Cross Correlation Function: <first variable>, <second variable>(表)— LagとCCF。
  • Downloadによる、PDFエクスポート。

cross-correlation-output


図2 — 広告費と売上の相互相関:最も高い棒は、ラグ0の0.93です。

計算例

ある家電製品の販売会社には、毎月の販売数量と広告費(千ドル)について、60か月分(2020年1月〜2024年12月)のデータがあります。月によって広告費は高かったり低かったりします。マーケティングマネージャーは、売上が同じ月に反応するのか、1〜2か月後に反応するのかを知りたいと考えています。アナリストは、First variable = Advertising Spend、Second variable = Sales、Number of lags = 12を選択します。

最も高い棒はラグ0の0.93です。売上は同じ月に広告費と連動しています。ラグ+1(広告費が売上の1か月前)での相互相関は0.75、ラグ−1(売上が広告費の1か月前)では0.63です。したがって、1〜2か月後に効果が積み上がるような兆候はなく、関連は月内で最も強くなっています。ほとんどの棒は限界(約±0.26〜±0.29)を上回っており、限界内に収まるのはラグ−10、−9、+9、+10、+11だけです。ラグ−12で0.53、ラグ+12で0.52と、遠いラグでも値が高いままなのは、両方の系列が右肩上がりのトレンドと年末のピークを共有しているためです。すべてのラグで見られるこれらの高い値は共通のパターンによるものであり、広告が1年先に効いているわけではありません。

この判断としては、まず同じ月の広告費で売上をモデル化し、ラグ付きの広告費の項を加えても得られるものは少ない、ということになります。First variableとSecond variableを入れ替えると、プロットは反転し、ラグ+1は0.63、ラグ−1は0.75となります。回帰で遅れて現れる効果を検定するには、Lagツールを使って前月の広告費を列として作成します。

よくある質問

相互相関の正のラグと負のラグはどのように解釈しますか?

正のラグkは、第1の変数をk期間後の第2の変数と比較するため、正のラグで値が大きい場合は、第1の変数が第2の変数に先行することを意味します。負のラグで値が大きい場合は、第2の変数が第1の変数に先行することを意味します。2つの変数を入れ替えると、プロットはラグ0を中心に反転します。

CCFプロットの破線の限界は何を意味しますか?

限界±2/√(n − |lag|)は、無関係な2つのランダム系列の相互相関に対する近似95%限界です。この限界を超える棒は、偶然で得られる値より大きいことを示します。Number of lagsを空白のままにすると、ツールは√n + 10(小数点以下切り捨て、ただしn − 1を超えない)を使用します。

なぜほぼすべてのラグで相互相関が高くなるのですか?

2つの系列がどちらもトレンドをもつ場合や、どちらも同じ季節性に従う場合は、どちらも他方を動かしていなくても、ほぼすべてのラグで相互相関が生じます。本当の先行やラグを見つけるには、隣接するラグから際立っている棒のラグを探すか、共通のトレンドと季節性を取り除くために、まず両方の系列の差分をとります。相互相関が高いことは、因果関係を証明するものではありません。

相互相関関数にはどのようなデータが必要ですか?

長さが等しく欠測のない2つの数値時系列を、第1の変数と第2の変数として入力します。計算例では、60か月分の広告費と売上から、ラグ0で最も高い棒0.93が得られ、売上は1〜2か月後ではなく同じ月に広告費と連動して動きました。