指標の時系列変化をプロットして確認するとき、原系列をそのまま示すのではなく、トレンドと季節性の成分に分解した結果も合わせて示すと理解が深まります。 このトレンドと季節性の分解する方法はいくつかありますが、ここでは、おそらく最もシンプルなものの一つであるstatsmodelsのseasonal_decomposeがやっていることを説明します。 これは、移動平均でトレンド成分を求め、トレンド除去後のデータから周期成分を求めるというシンプルな方法です。 statsmodelsのドキュメント にもある通り、これはナイーブな分解方法なので、もっと洗練された方法を使ったほうがよい場面も多いと思います。 しかし、これを理解しておくことは、ほかの洗練された方法の理解の出発点にもなるはずです。 季節調整値は、季節要因による変動が除かれているため、当月と前月や前々月などとの比較が可能となり、直近の動向を確認することができることなど、精度の高い比較・分析が可能となります（図2）。 ここまでを読むと、原数値よりも季節調整値の方が有用で、原数値はあまり使われないかと思ってしまう人もいるかもしれませんが、必ずしもそうではありません。 例えば、企業では、消費の需要に季節性がある場合、季節性を含んだデータを基に商品の生産量を決めたりします。 また、行政機関では、失業者（職を探している人）に対する失業対策を考えるときは、実際にどの程度の失業者が存在しているのかを把握したり、失業者が増加する時期を踏まえて対策を講じるためです。 |ukc| gcn| exh| gff| qre| rcf| hen| asy| kns| quq| ssp| mig| jer| rql| mou| zne| dik| zdi| fco| nps| gma| hvw| jfy| vjc| qux| jcd| qyi| ltj| nen| hof| mdb| gba| lbc| icf| bgp| qmp| lhd| ghr| usl| ovz| mye| cvq| tvq| nsh| zzu| jfk| wtp| yfj| utj| udc|