カスタムRコマンドによる相互相関分析

次に、手動で日数を確認するのではなく、プラスマイナス30日などの範囲内で「どのラグが最も相関が高いか」を一括で計算する方法を説明します。

Exploratoryのステップメニューから「Rコマンド」を選択します。

相互相関を計算するために以下のスクリプトを実行します。この処理では、データ内の数値列の全ペアに対して、指定した範囲（例：-30日から+30日）のラグごとの相関係数を算出します。

{
# 数値列のみ取り出す（dateを除外）
numeric_cols <- keep(., is.numeric) %>% names()

# 全ペアの組み合わせを作る（自己相関は除外、A→BとB→Aは両方残す）
pairs <- expand_grid(x_var = numeric_cols, y_var = numeric_cols) %>%
  filter(x_var != y_var)

# データフレームを一旦退避
input_df <- .

# 各ペアに対してCCFを計算
pmap_dfr(pairs, function(x_var, y_var) {
  ccf_res <- ccf(
    x = input_df[[x_var]],
    y = input_df[[y_var]],
    lag.max = 30,
    type = "correlation",
    plot = FALSE,
    na.action = na.pass
  )
  
  tibble(
    x_var = x_var,
    y_var = y_var,
    lag = as.vector(ccf_res$lag),
    correlation = as.vector(ccf_res$acf)
  )
}) %>%
  mutate(
    ci_threshold = qnorm(0.975) / sqrt(nrow(input_df)),
    is_significant = abs(correlation) > ci_threshold,
    abs_correlation = abs(correlation)
  )
}

実行すると、XとYの変数の組み合わせ、ラグの日数、そしてその時の相関係数（コーリレーション）がまとめられたデータが得られます。

この結果をバーチャートで可視化し、X軸に「ラグ」、Y軸に「相関係数」を割り当てることで、どのタイミングで相関が最大になるかを一目で判断できます。例えば、ラグが「-7」の時にバーが最も高ければ、7日間のズレがある時に最も親和性が高いことが分かります。

最適なラグの自動抽出

最後に、膨大な組み合わせの中から、各ペアで最も相関が強かったラグだけを抽出する方法を説明します。

再度「Rコマンド」を選択します。

Rコマンドにグループ化とスライス機能を利用した以下のスクリプトを実行します。

group_by(x_var, y_var) %>%
slice_max(abs_correlation, n = 1, with_ties = FALSE) %>%
ungroup() %>%
arrange(desc(abs_correlation))

この操作では、変数ペア（xとy）ごとにグループ化を行い、相関係数が最大となる行だけをピックアップします。

実行することで、1つずつチャートを確認することなく、どの変数同士が何日のズレを持って最も強く連動しているのかを一覧表として得ることができます。

この相互相関分析を活用することで、広告費と売上の関係や、先行指標と遅行指標の関係をデータに基づいて正確に特定し、より精度の高い意思決定や予測に役立てることが可能になります。

ビデオ