Автокорелацията е статистически метод, използван за анализ на времеви редове. Целта е да се измери корелацията на две стойности в един и същ набор от данни в различни времеви стъпки. Въпреки че данните за времето не се използват за изчисляване на автокорелацията, вашите времеви увеличения трябва да са равни, за да получите смислени резултати. Коефициентът на автокорелация служи на две цели. Той може да открие неслучайност в набор от данни. Ако стойностите в набора от данни не са случайни, тогава автокорелацията може да помогне на анализатора да избере подходящ модел от времеви серии.
Изчислете средната стойност или средната стойност за данните, които анализирате. Средната стойност е сумата от всички стойности на данни, разделени на броя стойности на данните (n).
Вземете време за забавяне (k) за вашето изчисление. Стойността на изоставането е цяло число, обозначаващо колко стъпки от време отделят една стойност от друга. Например, изоставането между (y1, t1) и (y6, t6) е пет, защото между двете стойности има 6 - 1 = 5 времеви стъпки. Когато тествате за случайност, обикновено изчислявате само един коефициент на автокорелация, използвайки lag k = 1, въпреки че и други стойности на изоставането също ще работят. Когато определяте подходящ модел от времеви серии, ще трябва да изчислите серия от стойности на автокорелация, като използвате различна стойност на изоставане за всяка.
Изчислете функцията за автоковариация, като използвате дадената формула. Например, изчислявате ли третата итерация (i = 3), използвайки лаг k = 7, тогава изчислението за тази итерация ще изглежда така: (y3 - y-bar) (y10 - y-bar) Итерация през всички стойности на "i" и след това вземете сумата и я разделете на броя стойности в набора от данни.
Изчислете функцията на дисперсия, като използвате дадената формула. Изчислението е подобно на това на функцията за автоковариация, но изоставането не се използва.
Разделете функцията на автоковариация чрез дисперсионната функция, за да получите коефициента на автокорелация. Можете да заобиколите тази стъпка, като разделите формулите за двете функции, както е показано, но много пъти ще се нуждаете от автоковариация и дисперсия за други цели, така че е практично да ги изчислите и поотделно.