過学習（オーバーフィッティング）を防ぐ：MMMモデルの正則化テクニック

マーケティングミックスモデリング（MMM）において、**過学習（オーバーフィッティング）**はモデルの信頼性を根本から損なう深刻な問題です。本記事では、過学習のメカニズムから検出方法、そして実務で使える正則化テクニックまでを体系的に解説します。

過学習とは何か？

過学習とは、モデルが訓練データのノイズやパターンに過度に適合してしまい、未知のデータに対する予測精度が著しく低下する現象です。

過学習の直感的な理解

例えば、過去2年間の週次データ（約104週分）に対して、20個以上のマーケティング変数を投入したMMMモデルを構築する場面を考えてみましょう。

過学習したモデルは、訓練データでは非常に高い精度を示しますが、新しいデータ（将来の予測やシミュレーション）では大きく外れた結果を返します。これは、MMMの主目的である予算配分の最適化やROI予測に致命的な影響を与えます。

MMMで過学習が起きやすい状況

1. 変数が多すぎる（高次元の呪い）

MMMでは以下のような多くの変数を投入しがちです：

• メディアチャネル（TV、デジタル、OOH、ラジオなど）
• 各チャネルのAdstock変換パラメータ
• 季節性変数（月次ダミー、祝日フラグ）
• 外部要因（気温、競合活動、経済指標）
• 価格・プロモーション変数

変数の数がデータポイント数に対して多いほど、過学習のリスクは急激に高まります。

経験則として、1変数あたり最低10〜15のデータポイントが必要とされます。週次データ2年分（104行）で10変数を超えると、注意が必要です。

2. データ期間が短い

3. Adstockのハイパーパラメータが多い

MMMでは各メディアチャネルに対してAdstock（広告残存効果）のパラメータ（減衰率、最大効果までのラグ）を設定します。5チャネルでAdstockパラメータが各2つあれば、それだけで10個のハイパーパラメータになります。