Autokorelācija ir statistikas metode, ko izmanto laika rindu analīzei. Mērķis ir izmērīt divu vērtību korelāciju vienā un tajā pašā datu kopā dažādos laika posmos. Lai gan laika dati netiek izmantoti autokorelācijas aprēķināšanai, laika pieaugumam jābūt vienādam, lai iegūtu jēgpilnus rezultātus. Autokorelācijas koeficientam ir divi mērķi. Tas var atklāt nejaušību datu kopā. Ja datu kopas vērtības nav nejaušas, autokorelācija var palīdzēt analītiķim izvēlēties piemērotu laika rindu modeli.
Aprēķiniet analizējamo datu vidējo vai vidējo rādītāju. Vidējais ir visu datu vērtību summa, kas dalīta ar datu vērtību skaitu (n).
Lai aprēķinātu, izlemiet par laika nobīdi (k). Aiztures vērtība ir vesels skaitlis, kas norāda, cik laika soļu atdala vienu vērtību no citas. Piemēram, starpība starp (y1, t1) un (y6, t6) ir piecas, jo starp abām vērtībām ir 6 - 1 = 5 laika pakāpieni. Pārbaudot nejaušību, parasti aprēķināsiet tikai vienu autokorelācijas koeficientu, izmantojot aizturi k = 1, lai gan derēs arī citas aizkaves vērtības. Nosakot atbilstošu laika rindu modeli, jums būs jāaprēķina autokorelācijas vērtību sērija, katram izmantojot atšķirīgu aiztures vērtību.
Aprēķiniet autokovariances funkciju, izmantojot doto formulu. Piemēram, vai jūs aprēķinājāt trešo atkārtojumu (i = 3), izmantojot aizturi k = 7, tad šīs iterācijas aprēķins izskatīsies tas: (y3 - y-bar) (y10 - y-bar) Atkārtot visas "i" vērtības un pēc tam ņemt summu un dalīt to ar vērtību skaitu datos komplekts.
Aprēķiniet dispersijas funkciju, izmantojot norādīto formulu. Aprēķins ir līdzīgs autokovariances funkcijas aprēķinam, bet lag netiek izmantots.
Sadaliet autokovariances funkciju ar dispersijas funkciju, lai iegūtu autokorelācijas koeficientu. Jūs varat apiet šo soli, sadalot formulas abām funkcijām, kā parādīts, taču daudzas reizes jums tas būs nepieciešams autokovariancija un dispersija citiem mērķiem, tāpēc ir praktiski tos aprēķināt atsevišķi kā labi.