Autokorelace je statistická metoda používaná pro analýzu časových řad. Účelem je měřit korelaci dvou hodnot ve stejné datové sadě v různých časových krocích. Ačkoli se časová data nepoužívají k výpočtu autokorelace, měly by být vaše časové přírůstky stejné, abyste získali smysluplné výsledky. Autokorelační koeficient slouží dvěma účelům. Může detekovat nenáhodnost v datové sadě. Pokud hodnoty v datové sadě nejsou náhodné, pak autokorelace může analytikovi pomoci vybrat vhodný model časové řady.
Vypočítejte průměr nebo průměr pro data, která analyzujete. Průměr je součet všech datových hodnot děleno počtem datových hodnot (n).
Rozhodněte se pro časové zpoždění (k) pro svůj výpočet. Hodnota zpoždění je celé číslo označující, kolik časových kroků odděluje jednu hodnotu od druhé. Například zpoždění mezi (y1, t1) a (y6, t6) je pět, protože mezi těmito dvěma hodnotami je 6 - 1 = 5 časových kroků. Při testování náhodnosti obvykle vypočítáte pouze jeden autokorelační koeficient pomocí zpoždění k = 1, i když budou fungovat i jiné zpožděné hodnoty. Když určujete vhodný model časové řady, budete muset vypočítat řadu autokorelačních hodnot s použitím jiné hodnoty zpoždění pro každou z nich.
Vypočítejte funkci autokovariance pomocí daného vzorce. Například jste počítali třetí iteraci (i = 3) pomocí zpoždění k = 7, pak by výpočet pro tuto iteraci vypadal jako this: (y3 - y-bar) (y10 - y-bar) Iterate through all values of "i" and then take the sum and divide it by the number of values in the data soubor.
Vypočítejte funkci rozptylu pomocí daného vzorce. Výpočet je podobný výpočtu funkce autokovariance, ale zpoždění se nepoužívá.
Vydělením funkce autokovariance funkcí rozptylu získáte autokorelační koeficient. Tento krok můžete obejít rozdělením vzorců pro dvě funkce, jak je znázorněno, ale mnohokrát budete potřebovat autovarianci a rozptyl pro jiné účely, takže je praktické je vypočítat jednotlivě jako studna.