ავტოკორელაცია არის სტატისტიკური მეთოდი, რომელიც გამოიყენება დროის სერიების ანალიზისთვის. მიზანი არის ორი მნიშვნელობის კორელაციის გაზომვა ერთსა და იმავე მონაცემებში, სხვადასხვა დროის საფეხურებში. მიუხედავად იმისა, რომ დროის მონაცემები არ არის გამოყენებული ავტოკორელაციისთვის, თქვენი დროის ნაბიჯები თანაბარი უნდა იყოს, რათა მნიშვნელოვანი შედეგები მიიღოთ. ავტოკორელაციის კოეფიციენტი ორ მიზანს ემსახურება. მას შეუძლია დაადგინოს არა შემთხვევითიობა მონაცემთა ნაკრებში. თუ მონაცემთა ნაკრებში მნიშვნელობები შემთხვევითი არ არის, მაშინ ავტოკორელაციამ შეიძლება დაეხმაროს ანალიტიკოსს, აირჩიოს შესაბამისი დროის სერიების მოდელი.
გამოთვალეთ საშუალო ან საშუალო მონაცემები, რომელსაც აანალიზებთ. საშუალო არის მონაცემთა ყველა მნიშვნელობის ჯამი, რომელიც იყოფა მონაცემთა მნიშვნელობების რაოდენობაზე (n).
თქვენი გაანგარიშებისთვის გადაწყვიტეთ დროის შუალედი (k). შუალედური მნიშვნელობა არის მთელი რიცხვი, რომელიც აღნიშნავს რამდენი დროის ნაბიჯი გამოყოფს ერთ მნიშვნელობას მეორისგან. მაგალითად, (y1, t1) და (y6, t6) შორის შუალედი ხუთია, რადგან ორ მნიშვნელობას შორის 6 - 1 = 5 დროის ნაბიჯია. შემთხვევითობის შემოწმებისას, ჩვეულებრივ, გამოითვლით მხოლოდ ავტოკორელაციის ერთ კოეფიციენტს lag k = 1 გამოყენებით, თუმცა სხვა შუალედური მნიშვნელობებიც იმუშავებს. როდესაც თქვენ განსაზღვრავთ დროის შესაბამისი სერიის შესაბამის მოდელს, თქვენ უნდა გამოთვალოთ ავტოკორელაციის მნიშვნელობების სერია, თითოეული განსხვავებული შუალედური მნიშვნელობის გამოყენებით.
გამოთვალეთ ავტოკოვარიანტის ფუნქცია მოცემული ფორმულის გამოყენებით. მაგალითად, ითვლიდით თუ არა მესამე გამეორებას (i = 3) შუალედი k = 7 გამოყენებით, მაშინ ამ გამეორების გაანგარიშება ასე გამოიყურება ეს: (y3 - y-bar) (y10 - y-bar) განმეორებით "i" - ს ყველა მნიშვნელობით და შემდეგ აიღეთ ჯამი და გაანაწილეთ მასში მოცემული მნიშვნელობების რაოდენობაზე დადგენილი.
გამოითვალეთ ვარიაციის ფუნქცია მოცემული ფორმულის გამოყენებით. გაანგარიშება ავტოკოვარიანტის ფუნქციის ანალოგიურია, მაგრამ შუალედი არ გამოიყენება.
დაყავით ავტოკონტაქტის ფუნქცია ვარიაციის ფუნქციაზე, ავტოკორელაციის კოეფიციენტის მისაღებად. ამ ნაბიჯის გვერდის ავლით შეგიძლიათ გაყოთ ორი ფუნქციის ფორმულები, როგორც ნაჩვენებია, მაგრამ ბევრჯერ დაგჭირდებათ autocovariance და სხვაობა სხვა მიზნებისათვის, ამიტომ პრაქტიკულია მათი ინდივიდუალურად გამოთვლა, როგორც კარგად