DS検定 用語解説
定常性とは
時系列データにおいて、平均や分散などの統計的な性質が時間によらず一定に保たれているという性質。値の並びそのものを指す時系列データと異なり、その統計的な特徴が時間で変化しないかどうかを表す性質であり、多くの時系列分析の手法はこの性質を満たすことを前提とする。
まず押さえる結論
定常性は、DS検定の「第5章 データ準備・可視化技法とモデル化」で確認しておきたい用語です。定義だけでなく、どの場面で使う言葉か、何と混同しやすいか、問題文のどの表現で判断するかまで確認します。
情報源と編集区分
公式範囲を確認し、具体例・誤答例・判断手順は当サイトが編集。 一次情報確認日: 2026-07-12。
試験概要（公式）具体例から判断の境界を固める
定常性を、役割と隣接概念の境界から捉える
時系列データにおいて、平均や分散などの統計的な性質が時間によらず一定に保たれているという性質。値の並びそのものを指す時系列データと異なり、その統計的な特徴が時間で変化しないかどうかを表す性質であり、多くの時系列分析の手法はこの性質を満たすことを前提とする。 試験では名称だけでなく、処理の対象、目的、使う段階を別概念と入れ替えた選択肢が出るため、定義の主語と動作を分けて確認します。
- 問題文で見る箇所
- 個々の観測値が変化しないことではなく、平均や分散などの統計的な性質が時間によらず一定であるという性質を確認します。
- 隣接概念との境界
- 定常性は時系列データの統計的な性質が時間で変わらないという性質を指し、時系列データ自体は観測値が時間順に並んだデータの形式です。
誤答しやすい選択肢
- 定常性を、時系列データの値そのものが変動しないことだと誤って捉える。定義の主語と処理対象を確認します。
- 定常性の目的だけを見て、同じ目的を持つ別手法まで同じ用語とする。具体的な処理を比較します。
- 定常性を使えば目的が必ず達成されると断定する。適用条件や評価を別に確認します。
4段階の判断手順
- 01問題文が状態、手法、評価指標、制度のどれを説明しているか決める。
- 02定義の中心となる対象と動作が定常性に一致するか確認する。
- 03隣接概念と共通する目的ではなく、処理や条件の違いを見る。
- 04必ず・完全に・だけでよいという過度な断定がないか見直す。
到達条件: 定常性を一文で説明し、最も混同しやすい隣接概念との違いを処理または条件から言える。
試験での問われ方
定義の言い換え
用語そのものではなく、説明文の一部を言い換えて出されることがあります。
似た概念との比較
同じ章の用語と入れ替えた選択肢に注意します。対象、目的、使う場面を分けます。
具体例からの判断
問題文の事例が、定義のどの部分に対応しているかを先に確認します。
誤答しやすいポイント
×標本誤差とサンプリングバイアスの混同。標本誤差は標本抽出に伴う偶然のばらつき、サンプリングバイアスは抽出方法の偏りによる系統的な誤差。
×過学習を『精度が高いこと』と誤解する。訓練データに過剰適合し未知データへの汎化性能が下がる問題として理解する必要がある。
×Precision（適合率）とRecall（再現率）の取り違え。目的（見逃しを減らしたいか、誤検知を減らしたいか）によって重視する指標が変わる。
関連する確認問題
第5章 データ準備・可視化技法とモデル化 / モデル化・評価
品質レビューで次の判断を再検証する。学習データでは高精度だが、新しいデータでは精度が大きく低下した。この現象はどれか 根拠と用語の対応まで確認して選べ。
レビューでは、設問の対象と役割を分けると「過学習」を採用できる。正解は「過学習」である。過学習は、訓練データの細かな癖やノイズまで覚えてしまい、未知データに対する汎化性能が下がる現象を指す。「標準化」は変数ごとに異なる数値のスケールをそろえる前処理であり、現象の名称ではない。「交差検証」はデータを複数に分割してモデルの性能を評価する方法であり、過学習が起きていないかを確認する手段ではあっても、現象そのものの名称ではない。「次元の呪い」は特徴量の次元数が増えることでデータが疎になり学習や距離の計算が難しくなる別の問題であり、訓練データへの過剰な適合を原因とする過学習とは発生要因が異なる。
第5章 データ準備・可視化技法とモデル化 / モデル化・評価
品質レビューで次の判断を再検証する。疾病スクリーニングで、実際の患者を見逃さず陽性と判定できた割合を確認したい。使う指標はどれか 根拠と用語の対応まで確認して選べ。
レビューでは、設問の対象と役割を分けると「Recall（再現率）」を採用できる。正解は「Recall（再現率）」である。Recallは、実際に陽性であるデータのうち、モデルが正しく陽性と判定できた割合を表す。病気の見逃しを減らしたい場面では、陽性者をどれだけ拾えたかが重要になる。これに対して「Precision（適合率）」は、モデルが陽性と判定した中で実際に陽性だった割合を表し、割合の分母が「実際の陽性者数」か「陽性と判定した数」かでRecallとは異なる。「RMSE」と「決定係数」はいずれも回帰モデルの評価指標であり、予測値と実測値のずれの大きさや目的変数のばらつきの説明度を表すもので、陽性・陰性の分類結果の割合を表す指標ではない。
第5章 データ準備・可視化技法とモデル化 / モデル化・評価
品質レビューで次の判断を再検証する。正解ラベル付き購買データで予測する方法と、ラベルなしデータから構造を探す方法の区別として正しいものはどれか 根拠と用語の対応まで確認して選べ。
レビューでは、設問の対象と役割を分けると「教師あり学習は正解データ（ラベル）を用い、教師なし学習は用いない」を採用できる。正解は「教師あり学習は正解データ（ラベル）を用い、教師なし学習は用いない」である。教師あり学習は入力と正解ラベルの対応関係から学習し、単回帰分析や重回帰分析のような回帰、ロジスティック回帰分析のような分類のいずれも扱う。教師なし学習はラベルを用いず、クラスター分析のようにデータの構造やまとまりを見つける。「教師あり学習は必ず回帰、教師なし学習は必ず分類を行う」は、教師あり学習にロジスティック回帰分析のような分類も含まれる点を無視している。「教師あり学習と教師なし学習に違いはない」は、正解ラベルを使うかどうかという最も基本的な違いを否定してしまっている。「教師なし学習の方が必ず精度が高い」は、正解ラベルなしで学習する教師なし学習と、ラベルを使って学習する教師あり学習の精度を単純に比較できるという前提が誤りである。
同じ章で確認したい用語
到達チェック
- 定常性を一文で説明できる
- 同じ章の似た用語と違いを説明できる
- 問題文の具体例から、定常性に関係する論点を拾える
- 関連問題を解き、誤答した選択肢の理由を確認できる
執筆: ミナト編集部（運営者情報を見る）