Winters法(Winters' Method)
Winters法は、水準、トレンド、期間ごとの季節指数の3つの成分で時系列を平滑化します。トレンドと季節の両方を持つ月次、四半期、シフトのデータに使用します。乗法型または加法型の季節性と、水準・トレンド・季節の重み(既定ではそれぞれ0.2)を選びます。欠損のない、少なくとも2シーズン分のデータが必要です。出力は、広がる予測限界付きの予測値と、MAPE、MAD、MSDです。
最終レビュー
重要なポイント
Winters法(Holt-Winters法、または3重指数平滑法)は、水準、トレンド、季節指数で時系列を平滑化し、トレンドとともに増加して季節パターンを繰り返す予測値を求めます。
目的
Winters法(Holt-Winters法、または3重指数平滑法)は、3つの逐次的な成分(水準、トレンド、季節の各期間の季節指数)で時系列を平滑化します。予測値は、トレンドとともに増加し、季節パターンを繰り返します。トレンドと季節の両方を持つ月次、四半期、シフトパターンのデータで、たとえば、パターンが時間とともに緩やかに変化する場合の、来年の需要、エネルギー使用量、作業負荷の予測に使用します。
主な機能
- 乗法型(季節変動の幅が水準とともに大きくなる)または加法型(変動の幅は同じ大きさのまま)。
- 水準(alpha)、トレンド(gamma)、季節(delta)の個別の重み。既定ではそれぞれ0.2。
- データから求める初期値、または入力した値(季節の各期間につき1つの季節指数を含む)。
- 先に進む期間ごとに広がる予測限界付きの予測値。系列の末尾から、または既知のデータで手法を検証するため、それより前の行から予測します。
- 精度の尺度であるMAPE、MAD、MSD、データ・当てはめ値・予測値のプロット、任意の結果表、4-in-1残差プロット。
統計手法
乗法型の場合、季節の長さを p として、各期間で成分を更新します。水準 Lₜ = α·(yₜ / Sₜ₋ₚ) + (1 − α)·(Lₜ₋₁ + Tₜ₋₁)、トレンド Tₜ = γ·(Lₜ − Lₜ₋₁) + (1 − γ)·Tₜ₋₁、季節指数 Sₜ = δ·(yₜ / Lₜ) + (1 − δ)·Sₜ₋ₚ。期間 t の当てはめ値は (Lₜ₋₁ + Tₜ₋₁)·Sₜ₋ₚ で、起点から m 期間後の予測値は (L + m·T) × そのシーズンの期間の最新の指数です。加法型は、季節項を除算・乗算する代わりに、減算・加算します。
データから求める初期値:初期の水準とトレンドは、最初のシーズンを通る最小二乗直線の切片と傾きです。乗法型の場合、各初期指数は、全データにわたるその期間の平均を全体の平均で割った値です。加法型の場合は、系列全体に当てはめた直線からの残差の、その期間の平均です。重みは入力したとおりに使用され(空欄は0.2として扱う)、最適化はされません。Starting values = User-specified では、初期の水準、トレンド、p個の季節指数を入力します。
予測限界は、予測値 ± z × dₘ × MAD です。z は信頼水準に対応する正規分布の分位数、MAD は当てはめ値の平均絶対誤差、dₘ は先に進む期間数 m とともに大きくなります(3つの重みのうち最大のものから計算)。精度:MAPE = mean |error / data| × 100、MAD = mean |error|、MSD = mean error²。系列には、欠損のない、少なくとも2シーズン分が必要です。乗法型では、すべての値が0より大きい必要があります。
入力項目とオプション
項目 | 説明 |
Variable (Y) | 必須。時系列順の数値系列。 |
Seasonal length | 必須、2以上。1シーズンの期間数(例:年間パターンを持つ月次データでは12)。 |
Method type | Multiplicative(既定値)または Additive。 |
First observation is in seasonal period | 既定値1。シーズン内での最初の行の位置(例:シーズンが1月に始まり、データが6月に始まる場合は6)。 |
Level weight (alpha) / Trend weight (gamma) / Seasonal weight (delta) | 0.0001〜1、既定ではそれぞれ0.2。値が大きいほど、その成分は直近のデータにすばやく反応します。 |
Starting values | From the data(既定値)または User-specified。 |
Initial level / Initial trend / Initial seasonal indices | Starting values が User-specified の場合に使用します。その場合、3つすべてが必須です。季節指数:カンマまたはスペース区切りで、シーズンの各期間につき1つ(Seasonal length 個の値)。 |
Number of forecasts | 既定値0(なし)、最大1000。 |
Confidence level (%) for forecast interval | 既定値95。予測を要求した場合に有効です。 |
Forecast origin (row) | 任意。予測を要求した場合に有効です。この行までのデータを用いて、この行の次から予測を開始します。空欄は系列の末尾を意味します。 |
Results to display | Summary table(既定値)または Summary table and results table。 |
Residual plots (four in one) | 既定ではチェックが入っていません。 |
Title | 出力のタイトル。既定値は Winters' Method。 |

図1 — 月次Salesに対する乗法型Winters法。季節の長さ12、重みはそれぞれ0.2、12期間の予測。
出力の説明
- Winters' Method (graph) — 実測データ、当てはめ値、予測値、予測帯。タイトルにMAPE、MAD、MSDを、プロットの上に3つの重みを表示します。
- Method — モデルの種類、データ列と長さ(設定した場合は、最初の季節の期間と予測の起点も表示)。
- Smoothing Constants — α(水準)、γ(トレンド)、δ(季節)。
- Accuracy Measures — 精度の尺度:MAPE、MAD、MSD。
- Forecasts — 期間、予測値、下限と上限。
- Results — 選択した場合:各期間の Period、data、Season、Level、Trend、Seasonal、Predict、Error。
- Residual Plots — チェックを入れた場合。
- Download によるPDFエクスポート。

図2 — 2025年の予測値は、水準が高くなった状態で年間の形を繰り返し、2月の最低値1,205から12月の1,891まで推移します。
計算例
ある家電製品の販売会社が、トレンドとともに増加し、序盤の月が弱く12月にピークとなる年間パターンを繰り返す、2025年の12か月の売上予測を必要としています。アナリストは、60か月分の販売台数(2020年1月〜2024年12月)を持っています。アナリストは、Variable (Y) = Sales、Seasonal length = 12、Method type = Multiplicative を選択し、3つの重みを0.2のままにして、Number of forecasts = 12 を設定します。
予測値は、2025年1月の1,317から、2月の最低値1,205へ下がり、12月の1,891へ上昇します。12月の95%限界は1,756〜2,026です。区間は、1月の約±107台から12月の±135台へと広がります。MAPEは4.2%(MAD 43.9台)で、季節のない平滑化手法(8.3%〜9.4%)よりはるかに良好です。2025年12月の1,891は、2024年12月の1,759と比べて、約7.5%の成長です。
手法を検証するため、Forecast origin (row) = 48 とすると、2023年12月までのデータから2024年を予測します。実測の12か月のうち11か月が95%限界の内側に入り(2024年2月の1,176は上限を1台上回る)、予測は平均4.9%外れます。ただし、2024年に成長が加速したため、すべての月が過少予測になっています。Method type = Additive では、MAPEは3.7%に下がります。このシーズンには、割合よりも月ごとの固定台数の方が、わずかによく適合することを意味します。重み0.4、0.1、0.3では3.8%で、既定値より良くはなりません。
よくある質問
Winters法はどのような場合に使用しますか?
トレンドと季節の両方を持つ月次、四半期、シフトパターンのデータで、たとえば、パターンが時間とともに緩やかに変化する場合の、来年の需要、エネルギー使用量、作業負荷の予測に、Winters法を使用します。トレンドも季節もない系列には、より単純な単一指数平滑法を選びます。
乗法型と加法型のWinters法の違いは何ですか?
乗法型では、季節変動の幅が水準とともに大きくなるため、季節は割合として適用されます。すべての値が0より大きい必要があります。加法型では、変動の幅は同じ大きさ(固定台数)のままで、季節項は乗算・除算ではなく、加算・減算されます。
Winters法にはどのくらいのデータが必要ですか?
系列には、欠損のない、少なくとも2シーズン分が必要です。たとえば、年間パターンを持つ月次データでは、少なくとも24か月です。データから求める初期値では、初期の水準とトレンドに、最初のシーズンを通る最小二乗直線を使用します。
平滑化の重みはどのように選びますか?
水準(alpha)、トレンド(gamma)、季節(delta)の重みは0.0001〜1の範囲で、既定ではそれぞれ0.2です。値が大きいほど、その成分は直近のデータにすばやく反応します。重みは入力したとおりに使用され、最適化はされないため、別の値を試すときは、MAPEなどの精度の尺度を比較してください。
