このコードは、時間とともに分散が大きくなる時系列データに対して、ボックス＝コックス変換で分散を安定化させるものです。

import numpy as np
from scipy.stats import boxcox

np.random.seed(42)
data = np.exp(np.linspace(0, 2, 100)
              + np.random.randn(100) * 0.3)

transformed, lam = boxcox(data)

print(f"lambda: {lam:.4f}")
print(f"元データ 前半: {data[:50].var():.3f}"
      f" 後半: {data[50:].var():.3f}")
print(f"変換後   前半: {transformed[:50].var():.3f}"
      f" 後半: {transformed[50:].var():.3f}")

簡単に説明します。

ライブラリのインポート

• numpy：数値計算を行うためのライブラリ。ここでは乱数生成や数値操作に使用しています。
• scipy.stats.boxcox：ボックス＝コックス変換を行うための関数。データと最適なλ（変換パラメータ）を返します。

データの生成

• np.random.seed(42)：乱数のシードを固定し、結果を再現可能にします。
• np.linspace(0, 2, 100) + np.random.randn(100) * 0.3：線形トレンドにノイズを加えた値を生成します。
• np.exp(...)：指数関数を適用することで、時間とともに値のばらつき（分散）が大きくなるデータを生成しています。これは売上データや株価データなどでよく見られるパターンです。

ボックス＝コックス変換の実行

• boxcox(data)：データに対してボックス＝コックス変換を実行します。戻り値は2つあります。
  • transformed：変換後のデータ。
  • lam：最尤推定で求められた最適なλの値。

分散の比較

• データを前半50個・後半50個に分割し、それぞれの分散を計算しています。
• 元データでは後半の分散が前半の約7倍ですが、変換後はほぼ同じ値になっており、分散の安定化が確認できます。

(A) 時系列データのトレンドを除去する → ×

ボックス＝コックス変換はトレンドの除去を目的とした手法ではありません。トレンドの除去には差分処理やデトレンド（scipy.signal.detrendなど）を使います。

(B) 時系列データの分散を安定化させる → ○

正解です。ボックス＝コックス変換は、データの分散が一定でない（不均一分散、heteroscedasticity）場合に、べき乗変換によって分散を安定化させる手法です。

(C) 時系列データの季節成分を抽出する → ×

季節成分の抽出にはseasonal_decomposeやSTLなどの分解手法を使います。ボックス＝コックス変換は分解ではなく、データ全体のスケール変換です。

(D) 時系列データの欠損値を補間する → ×

欠損値の補間にはinterpolate()などの手法を使います。ボックス＝コックス変換は欠損値の処理とは無関係で、むしろ入力データに欠損値が含まれているとエラーになります。

ボックス＝コックス変換は、パラメータλによって定義される以下のべき乗変換です。

$$
y(\lambda) = \begin{cases} \dfrac{x^{\lambda} – 1}{\lambda} & (\lambda \neq 0) \\[8pt] \log(x) & (\lambda = 0) \end{cases}
$$

λの値によって変換の性質が変わります。

• λ = 1：変換なし（元データのまま）
• λ = 0.5：平方根変換
• λ = 0：対数変換
• λ = -1：逆数変換

scipy.stats.boxcoxは、最尤推定によってデータを最も正規分布に近づけるλを自動的に求めます。

今回の例ではλ ≈ -0.01となっており、これはほぼ対数変換（λ = 0）に相当します。

実際、元データがnp.exp(...)で生成されているため、対数変換に近い変換が最適になるのは直感的にも理解できます。

時系列分析で分散の安定化が重要な理由は主に2つあります。

1. 多くの統計モデルが等分散性を仮定している

ARIMAモデルなど多くの時系列モデルでは、誤差項の分散が一定であることを仮定しています。

分散が時間とともに変化するデータにそのままモデルを適用すると、推定の精度が低下したり、予測区間が不適切になったりします。

2. 前処理としての位置づけ

ボックス＝コックス変換は、モデリングの前処理として使われることが多く、以下のような流れで分析を進めます。

• 1　ボックス＝コックス変換で分散を安定化
• 2　差分処理でトレンド・季節性を除去（定常化）
• 3　ARIMAなどのモデルで学習・予測
• 4　予測結果を逆変換して元のスケールに戻す

なお、ボックス＝コックス変換は正の値のみに適用可能です。

データに0や負の値が含まれる場合は、事前に定数を加えるか、scipy.stats.yeojohnson（ヨー＝ジョンソン変換）を使用します。