自己相関は、時系列分析に使用される統計的手法です。 目的は、異なるタイムステップで同じデータセット内の2つの値の相関を測定することです。 時間データは自己相関の計算には使用されませんが、意味のある結果を得るには、時間の増分を等しくする必要があります。 自己相関係数には2つの目的があります。 データセットの非ランダム性を検出できます。 データセットの値がランダムでない場合、自己相関は、アナリストが適切な時系列モデルを選択するのに役立ちます。
分析しているデータの平均または平均を計算します。 平均は、すべてのデータ値の合計をデータ値の数（n）で割ったものです。
計算のタイムラグ（k）を決定します。 ラグ値は、ある値を別の値から分離するタイムステップの数を示す整数です。 たとえば、（y1、t1）と（y6、t6）の間のラグは5です。これは、2つの値の間に6-1 = 5のタイムステップがあるためです。 ランダム性をテストする場合、通常、ラグk = 1を使用して1つの自己相関係数のみを計算しますが、他のラグ値も機能します。 適切な時系列モデルを決定するときは、それぞれに異なるラグ値を使用して、一連の自己相関値を計算する必要があります。
与えられた式を使用して自己共分散関数を計算します。 たとえば、ラグk = 7を使用して3番目の反復（i = 3）を計算していた場合、その反復の計算は次のようになります。 this：（y3- y-bar）（y10 --y-bar） "i"のすべての値を反復処理し、合計を取り、データ内の値の数で除算します。 セットする。
与えられた式を使用して分散関数を計算します。 計算は自己共分散関数の計算と似ていますが、ラグは使用されません。
自己共分散関数を分散関数で除算して、自己相関係数を取得します。 示されているように2つの関数の式を分割することでこのステップをバイパスできますが、多くの場合、 自己共分散と他の目的の分散なので、次のように個別に計算するのが実用的です。 上手。