自己回帰モデル（AR）の理解
問題
自己回帰モデル（ARモデル）に関する以下の記述の空欄 ( A ), ( B ) に当てはまる最も適切な語句の組み合わせを1つ選べ。自己回帰モデルは、過去の( A )を説明変数として用い、現在の値を予測する時系列分析の基本モデルである。
予測に用いる過去の時点のズレの大きさを( B )と呼ぶ。複数の時系列変数を同時に扱い、相互の依存関係をモデル化する場合はVARモデルなどが用いられる。
解説
自己回帰モデル（AR：Autoregressive model）は、過去の自身のデータ（値）を説明変数として用い、現在の値を予測する時系列モデルです。過去の時点のズレを「ラグ（遅れ）」と呼びます。
他の変数を扱う場合はVARモデルなどが用いられ、トレンドは長期的な傾向を指す用語です。
1. ( A ) 自身の値 ( B ) ラグ
正しい：ARモデルは過去の「自身の値」を用い、その時点のズレを「ラグ」と呼びます。
2. ( A ) 他の変数の値 ( B ) ラグ
誤り：ARモデルで説明変数として用いるのは、他の変数ではなく過去の「自身の値」です。
3. ( A ) 自身の値 ( B ) トレンド
誤り：過去の時点のズレを表す用語は「トレンド」ではなく「ラグ」です。
4. ( A ) 他の変数の値 ( B ) トレンド
誤り：説明変数には「自身の値」を用い、時点のズレは「ラグ」と呼びます。
📚 より詳細を学びたい方へ
同じカテゴリの問題
- 教師あり学習の基本要件
- 回帰問題の理解
- 分類問題の特徴
- 決定木モデルの性質
- サポートベクターマシン（SVM）の理解
- カーネルとカーネルトリック
- 重回帰分析の理解
- 勾配ブースティングの特徴
- 多クラス分類の理解
- 教師あり学習のビジネス応用
- アンサンブル学習の基本概念
- バギングの特徴
- ブートストラップサンプリングの理解
- ランダムフォレストの性質
- ブースティングの理解
- ランダムフォレストの特徴
- 自己回帰モデル（AR）の理解
- VARモデルの特徴
- マージン最大化の理解
- ロジスティック回帰の理解
- 教師なし学習の基本概念
- k-means法の理解
- t-SNEの特徴
- ウォード法の理解
- 協調フィルタリングの理解
- クラスタリングの特徴
- 次元削減の理解
- 主成分分析（PCA）の理解
- 潜在的ディリクレ配分法（LDA）の理解
- 多次元尺度構成法（MDS）の理解
- デンドログラムの理解
- 特異値分解（SVD）の理解
- コンテンツベースフィルタリングの理解
- クラスタ分類の理解
- 強化学習の基本概念
- 方策（Policy）の理解
- 価値関数の理解
- 行動価値関数Q(s,a)の理解
- 状態価値関数V(s)の理解
- TD誤差の理解
- Actor-Criticの理解
- Q学習の特徴
- ε-greedy方策の理解
- UCB方策の理解
- バンディット問題の理解
- 方策勾配法の理解
- REINFORCEの特徴
- マルコフ決定過程（MDP）の理解
- マルコフ性の理解
- 期待割引報酬の理解
- 割引率γの理解
- 汎化性能の理解
- 訓練誤差と汎化誤差
- ホールドアウト検証の理解
- 交差検証の特徴
- k-分割交差検証の理解
- 混同行列の理解
- 偽陽性・偽陰性の理解
- 正解率の計算
- 適合率の計算
- 再現率の計算
- F値の理解
- 回帰指標MSEの理解
- RMSEの理解
- MAEの理解
- ROC曲線の理解
- AICの理解
- BICとオッカムの剃刀