Autokorrelasjon er en statistisk metode som brukes til tidsserieanalyse. Hensikten er å måle sammenhengen mellom to verdier i samme datasett ved forskjellige tidstrinn. Selv om tidsdataene ikke brukes til beregnet autokorrelasjon, bør tidsforløpene dine være like for å få meningsfulle resultater. Autokorrelasjonskoeffisienten tjener to formål. Den kan oppdage ikke-tilfeldighet i et datasett. Hvis verdiene i datasettet ikke er tilfeldige, kan autokorrelasjon hjelpe analytikeren med å velge en passende tidsseriemodell.
Beregn gjennomsnittet eller gjennomsnittet for dataene du analyserer. Gjennomsnittet er summen av alle dataverdiene delt på antall dataverdier (n).
Bestem deg for et tidsforsinkelse (k) for beregningen. Forsinkelsesverdien er et helt tall som angir hvor mange tidstrinn som skiller en verdi fra en annen. For eksempel er forsinkelsen mellom (y1, t1) og (y6, t6) fem, fordi det er 6 - 1 = 5 tidstrinn mellom de to verdiene. Når du tester for tilfeldighet, vil du vanligvis bare beregne en autokorrelasjonskoeffisient ved hjelp av lag k = 1, selv om andre lagverdier også vil fungere. Når du bestemmer en passende tidsseriemodell, må du beregne en serie med autokorrelasjonsverdier ved å bruke en annen forsinkelsesverdi for hver.
Beregn autokovariansfunksjonen ved å bruke den gitte formelen. Har du for eksempel beregnet den tredje iterasjonen (i = 3) ved hjelp av et lag k = 7, så vil beregningen for den iterasjonen se ut som dette: (y3 - y-bar) (y10 - y-bar) Iterer gjennom alle verdiene til "i" og deretter tar du summen og deler den med antall verdier i dataene sett.
Beregn variansfunksjonen med den gitte formelen. Beregningen er lik den for autokovarians-funksjonen, men lag brukes ikke.
Del autokovariansfunksjonen med variansfunksjonen for å få autokorrelasjonskoeffisienten. Du kan omgå dette trinnet ved å dele formlene for de to funksjonene som vist, men mange ganger trenger du autokovariansen og variansen til andre formål, så det er praktisk å beregne dem individuelt som vi vil.