時系列データ

同じ対象を時間の経過に沿って繰り返し測定したデータ。月次売上や気温の推移などが該当し、傾向（トレンド）や季節変動の把握、将来値の予測に用いる。

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。

売上の日次推移やセンサの測定値のように、同じ対象を時間の経過に沿って観測し、時刻の順に並べたデータ。長期的な傾向（トレンド）、季節などの周期性、不規則変動の成分に分けて捉え、移動平均や時系列モデルで将来を予測する。値が前の時点の値に影響される自己相関を持つことが多い。

同じ対象を時間の経過に沿って一定の間隔で観測・記録したデータ。株価、日々の売上、センサの測定値などが該当し、傾向変動（トレンド）、季節変動などの周期的な変動、不規則変動に分けて分析し、将来の値の予測に用いる。

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。

多次元データの分散が最大となる方向（主成分）を求めてデータを低次元に射影する統計手法。次元削減や多変量データの可視化に用いられ、固有値分解により主成分を算出する。寄与率で各主成分の重要度を評価。

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。