対移動平均比率法（たいいどうへいきんひりつほう、英: ratio-to-moving-average method）は，過去の時系列データから，将来の数値を予測する方法の一つ。需要予測などに用いる。季節変動や曜日変動などの周期性がある場合に有効である。移動平均法の一種であり、比較的単純な方法であるが、実用的な結果を出すことが多い。竹安数博らが1997年に発表した[1]。
まず、過去のデータから各季節ごとの季節指数を求める。次に、傾向を延長し、それに季節指数を掛けて予測値を得る。
需要などの変動は、傾向変動、循環変動、季節変動、不規則変動などに分解される。
対移動平均比率法では、時系列データ A を傾向変動 (F) と季節変動 (E) の積として捉える。1周期分（例えば1年分）のデータの平均値は、季節変動を除去した値になる。平均値を取る範囲をずらしていくと滑らかな系列（移動平均）B が得られる。そして、原データ A の平均値 B に対する比（対移動平均比率）C を季節ごとに平均した値（季節別平均値）D を正規化して、季節ごとの係数である季節指数 E を知る。
元の時系列データ A を季節指数 E で割れば、季節変動を取り除いた滑らかな系列 F が得られる（F には循環変動と不規則変動だけが残っている）。これを回帰分析して、傾向変動（トレンド）とする（傾向推定）。将来を予測するときは、まず回帰式によって傾向値 F を延長して将来の傾向値 f を推測（外挿）し、次に各季節の季節指数 E を掛けて予測値を得る。
「季節変動」は、必ずしも1年を周期とする季節に限らず、1週を周期とする曜日（曜日変動）でもよい。（竹安ら[2]は、これらを総括して「期間変動」と呼んでいる。そのとき、季節指数を「期間指数」と呼ぶ。）循環の周期が一定している変動ならば、この方法が適用できる。
ここでは、1年を周期とする「季節変動」をもつ春・夏・秋・冬ごとの季節データを想定して、手法の用語を記述する。過去の数周期分のデータがあるとする。
実は、1周期内のデータ数（春・夏・秋・冬の場合は 4）が偶数の場合は移動平均の計算に少し工夫が必要であり、その手法は下の 3.2（#周期が偶数である場合）に示す。
まず、1周期内のデータ数が奇数である場合の数値例によって、手法の主要部分の実際を示す。
1週を周期とする曜日変動のある場合の計算例とそのグラフを示す。過去の3周期分（先々週から今週まで）の日ごとのデータから、来週1週間分を予測する。
表の下にある段階 6. 傾向の推定 では、傾向値を推定する何らかの手法を用いる。ここでは、直線による回帰分析をしている。
6. 傾向の推定 - 傾向値の系列 Fx から最小二乗法によって回帰直線 f = ax + b の係数を求めると、a = 2.29, b = 177.2 を得る。ここで、x はデータの番号とする (x = 0, 1, 2, ..., 20)。
7. 推測値 - 回帰直線 f = 2.29x + 177.2 を用いて、来週の傾向値データ fx を推測する (x = 21, 22, ..., 27)。
1周期内のデータ数が偶数である場合には、1. 移動平均 B を計算するときに少し工夫が要る。例えば、単純移動平均をさらに二つずつ平均する方法がある[1]。こうすると移動平均の項数が1つ少なくなるが、各季節の前後のデータを対称かつ均等に扱った平均値が得られる。
例えば、表の左下隅の値 188.3 は、前々年の春と前年の春'を平均した値と、夏，秋，冬の値との平均になっている。
188.3 ＝ { 186.8 ＋ 189.8 } / 2 ＝ { (春＋夏＋秋＋冬)/4 ＋ (夏＋秋＋冬＋春')/4 } / 2 ＝ { 春 ＋ 2×(夏＋秋＋冬) ＋ 春'}/4 / 2 ＝ { 春/2 ＋ 夏＋秋＋冬 ＋ 春'/2}/4 …… 秋を中心として対称 ＝ { (春＋春')/2 ＋夏＋秋＋冬 }/4
対移動平均比率法は、竹安数博が開発し、1997年に『新しい経営数学』[1]で発表した。
竹安らは、2006年にこの手法に関しての特許を取得している[2]。