主成分分析

多数の変数を、情報の損失を抑えながら少数の新しい変数（主成分）にまとめる手法。データのばらつきが最も大きくなる方向を第1主成分とする。次元削減や可視化、機械学習の前処理に使われる。

多数の変数が持つ情報を、互いに相関のない少数の合成変数（主成分）に要約する手法。データのばらつき（分散）が最も大きくなる方向を第1主成分とし、それと直交する方向で順に主成分を求め、各主成分が元の情報をどれだけ説明するかを寄与率で表す。次元削減、データの可視化、機械学習の前処理に使われる。

多数の変数がもつ情報を、できるだけ損なわずに少数の合成変数（主成分）に要約する多変量解析の手法。データのばらつき（分散）が最も大きくなる方向を第1主成分とし、それと直交する方向に順に主成分を求め、各主成分の重要度を寄与率で評価する。次元削減やデータの可視化、機械学習の前処理に使う。

目的変数と説明変数の関係を数式モデルで表現する統計手法。説明変数が1つの単回帰分析と複数の重回帰分析がある。最小二乗法で回帰係数を推定し、決定係数で当てはまりの良さを評価する。予測や要因分析に広く活用される。

2つの変数間の線形関係の強さと方向を-1から1の範囲で示す指標。1に近いほど正の相関、-1に近いほど負の相関、0に近いほど無相関を示す。因果関係を意味しない点に注意が必要。

一定期間ずつ区間をずらしながら平均を取る手法。短期的な変動をならして基調となる傾向を読み取りやすくする。

データ全体の特徴を一つの値で表したもの。平均値、中央値、最頻値があり、外れ値の影響を受けやすい平均値と受けにくい中央値を使い分ける。

最小値、第1四分位数、中央値、第3四分位数、最大値で分布を表すグラフ。データの散らばりと外れ値の有無を一目で把握できる。

時間の経過に沿って記録されたデータ。傾向や季節変動、周期性を読み取れるが、比較の際は対象期間の粒度を揃える必要がある。