最近、arXivに投稿された論文「粒度のパラドックス：時間離散化がサンプル内適合を膨張させ、サンプル外誤差を増幅する仕組み」（著者：Hugo Moreira）は、時系列予測における直感に反する現象を深く掘り下げています。時間データを粗い粒度（例：月次）から細かい粒度（例：週次、日次）に細分化すると、訓練データにおけるモデルの適合度は向上するものの、実際の予測精度は著しく低下する場合がある——これが「粒度のパラドックス」です。
本研究はまず、このトレードオフを理論的に形式化します。細かい時間粒度は利用可能なデータポイント数（N）を増やし、短期パターンの捕捉を可能にするため、サンプル内指標が改善します。しかし、モデルが将来値を予測する際、各ステップの誤差が再帰的に後続のステップに伝播し、予測期間（H）全体で累積誤差が急増します。逆に、データを粗い粒度（例：年次）に集約すれば再帰的誤差伝播は排除されますが、有効データ量が減少し、モデルの推定能力が損なわれます。
このパラドックスを実証するため、研究者らは13年間の公共調達データセットを使用し、6種類の時間粒度（年次、半期、四半期、月次、隔週、日次）において10のモデルをベンチマークしました。モデルには単純な方法、統計モデル（Holt-Winters、ARIMAなど）、機械学習モデル（線形回帰、ランダムフォレストなど）、深層学習モデル（LSTM）が含まれます。
結果は非単調な閾値構造を示しました。再帰的自己回帰モデルと季節モデルは高頻度予測で著しく劣化します。例えば、Holt-Wintersモデルは日次粒度でテストR²が-151、TPFE（総予測誤差率）が425.85%に達しました。一方、LSTMはU字型の誤差曲線を示しました：月次（TPFE 19.66%）から隔週（35.94%）で上昇した後、日次（TPFE 4.35%、R² 0.66）で大幅に改善し、LSTMが長期依存性を学習することで誤差伝播ペナルティを克服できることを示しています。注目すべきは、単純な線形回帰が全粒度で安定していたことです（TPFE 16.3-17.0%）。これは、粒度のパラドックスの根本原因がモデルの複雑さではなく、再帰的フィードバックトポロジーにあることを強く示唆しています。
さらに、従来の点指標（RMSE、MAEなど）は累積誤差伝播を系統的に隠蔽することが明らかになりました。これらの指標のみに依存すると、モデルの真の性能を誤って評価する可能性があります。そこで著者らは、「コンセンサス-ディセンサス診断」を導入しました。これは、点指標と累積TPFEの方向性挙動を粒度間で比較し、標準診断が誤差伝播を隠蔽するモデルを特定する手法です。
この研究は、実際の時系列予測アプリケーションに重要な示唆を与えます。データ粒度を選択する際には、サンプル内適合のみを考慮するのではなく、予測タスクの具体的な目標（予測ステップ数、誤差累積の仕方など）に基づいてモデルを評価する必要があります。また、評価指標セットには累積誤差指標を含め、最適化されたサンプル内指標に惑わされないようにすべきです。