Avtokorelacija je statistična metoda, ki se uporablja za analizo časovnih vrst. Namen je izmeriti korelacijo dveh vrednosti v istem naboru podatkov v različnih časovnih korakih. Čeprav se časovni podatki ne uporabljajo za izračunavanje samodejne korelacije, bi morali biti vaši časovni koraki enaki, da bi dobili pomembne rezultate. Koeficient avtokorelacije ima dva namena. V naboru podatkov lahko zazna nenaključnost. Če vrednosti v naboru podatkov niso naključne, potem lahko samodejna korelacija pomaga analitiku pri izbiri ustreznega modela časovnih vrst.
Izračunajte povprečje ali povprečje podatkov, ki jih analizirate. Srednja vrednost je vsota vseh podatkovnih vrednosti, deljena s številom podatkovnih vrednosti (n).
Odločite se za časovni zamik (k) za izračun. Vrednost zaostanka je celo število, ki označuje, koliko časovnih korakov ločuje eno vrednost od druge. Na primer, zaostanek med (y1, t1) in (y6, t6) je pet, ker je med dvema vrednostma 6 - 1 = 5 časovnih korakov. Pri preskušanju naključnosti običajno izračunate samo en koeficient avtokorelacije z uporabo zaostanka k = 1, čeprav bodo delovale tudi druge vrednosti zaostanka. Ko določite ustrezen model časovne vrste, boste morali izračunati vrsto vrednosti avtokorelacije z uporabo različne vrednosti zaostanka za vsako.
Izračunajte funkcijo avtokovariance po dani formuli. Na primer, ali ste izračunali tretjo ponovitev (i = 3) z zamikom k = 7, potem bi bil izračun za to ponovitev videti tako to: (y3 - y-bar) (y10 - y-bar) Prebrskajte skozi vse vrednosti "i" in nato vzemite vsoto in jo delite s številom vrednosti v podatkih nastavite.
Izračunajte funkcijo variance po dani formuli. Izračun je podoben izračunu funkcije avtokovariance, vendar se zamik ne uporablja.
Funkcijo avtokovariance delimo s funkcijo variance, da dobimo koeficient avtokorelacije. Ta korak lahko obidete tako, da formule za dve funkciji razdelite, kot je prikazano, vendar boste večkrat potrebovali avtokovariance in variance za druge namene, zato jih je praktično izračunati posamično kot no.