時系列プロットの主要な結果を解釈する

プロセスの知識を使用して、異常な観測値またはシフトがプロセスの誤差または実際の変化を示すかどうかを判断します。

外れ値

異常な観測値（外れ値とも呼ばれる）を確認します。外れ値は、時系列モデルとはつり合わない効果を持ち、誤解を招く結果を生じることがあります。外れ値の原因を特定して、データ入力エラーまたは測定エラーを修正してください。異常な1回だけの事象（特殊原因とも呼ばれる）に関連付けられたデータ値を除外することを検討してください。

次の時系列プロットでは、データ入力エラーによって引き起こされる外れ値を示します。技術者が、誤ってワークシートに40の代わりに4を入力したためです。

突然のシフト

起こりがちな系列の突然のシフトや突然の変化を確認します。こうした変化の原因を特定してください。

たとえば、次の時系列プロットでは、プロセスのコストが15か月に急激にシフトしたことがわかります。このシフトの理由を調査する必要があります。

トレンドとは、データの値が長期的に上昇したり、下降したりすることです。トレンドは線形になることがあり、曲線になることもあります。データがトレンドを示す場合、時系列分析を使用して、データをモデル化して、予測を生成することができます。使用する分析に関する詳細は、どの時系列分析を使用しますか？を参照してください。

季節要因パターンとは、データ値が同じ期間にわたり上昇と下降を一定に繰り返すことです。たとえば、自動車パーツ店の順序は、毎週月曜日は低く、毎週金曜日にピークに達します。季節変動要因には常に決まった既知の期間があります。対照的に、周期運動では、データ値が上昇と下降を繰り返す期間は一定ではありません。通常、周期運動は、季節変動パターンよりも長期的で変動も大きくなります。

時系列分析を使用して、パターンをモデル化して、予測を生成することができます。使用する分析に関する詳細は、どの時系列分析を使用しますか？を参照してください。

季節要因パターン

これらデータは季節要因パターンを示します。パターンは12か月ごとに繰り返されます。

周期運動

これらのデータは周期運動を示します。周期運動の反復期間は一定ではなく、同じ形にはなりません。

ランダム変動

これらのデータはランダム変動を示します。パターンも周期もありません。

季節変動の大きさが一定の場合、季節変動は加法です。データの値が大きいときに季節変動の大きさが増加する場合、季節変動は乗法です。変動性が追加された場合、乗法の季節変動を正確に予測することは難しくなることがあります。

パターンが不明で、データをモデル化する加法的方法と乗法的方法のいずれが適切であるかわからない場合は、両方の方法を試し、精度の測度が小さいほうの方法を選択します。詳細は、どの時系列分析を使用しますか？を参照してください。