Autokorelasi adalah metode statistik yang digunakan untuk analisis deret waktu. Tujuannya adalah untuk mengukur korelasi dua nilai dalam set data yang sama pada langkah waktu yang berbeda. Meskipun data waktu tidak digunakan untuk menghitung autokorelasi, peningkatan waktu Anda harus sama untuk mendapatkan hasil yang bermakna. Koefisien autokorelasi melayani dua tujuan. Ini dapat mendeteksi non-keacakan dalam kumpulan data. Jika nilai dalam kumpulan data tidak acak, maka autokorelasi dapat membantu analis memilih model deret waktu yang sesuai.
Hitung rata-rata, atau rata-rata, untuk data yang Anda analisis. Mean adalah jumlah dari semua nilai data dibagi dengan jumlah nilai data (n).
Tentukan jeda waktu (k) untuk perhitungan Anda. Nilai lag adalah bilangan bulat yang menunjukkan berapa langkah waktu yang memisahkan satu nilai dari yang lain. Misalnya, jeda antara (y1, t1) dan (y6, t6) adalah lima, karena ada 6 - 1 = 5 langkah waktu antara kedua nilai. Saat menguji keacakan, Anda biasanya hanya akan menghitung satu koefisien autokorelasi menggunakan lag k = 1, meskipun nilai lag lainnya juga akan berfungsi. Saat Anda menentukan model deret waktu yang sesuai, Anda perlu menghitung serangkaian nilai autokorelasi, menggunakan nilai jeda yang berbeda untuk masing-masingnya.
Hitung fungsi autokovarian menggunakan rumus yang diberikan. Misalnya, apakah Anda menghitung iterasi ketiga (i = 3) menggunakan lag k = 7, maka perhitungan untuk iterasi tersebut akan terlihat seperti ini: (y3 - y-bar) (y10 - y-bar) Iterate melalui semua nilai "i" dan kemudian mengambil jumlah dan membaginya dengan jumlah nilai dalam kumpulan data.
Hitung fungsi varians menggunakan rumus yang diberikan. Perhitungannya mirip dengan fungsi autocovariance, tetapi lag tidak digunakan.
Bagilah fungsi autokovarian dengan fungsi varians untuk mendapatkan koefisien autokorelasi. Anda dapat melewati langkah ini dengan membagi rumus untuk dua fungsi seperti yang ditunjukkan, tetapi berkali-kali, Anda akan memerlukan autokovarian dan varians untuk tujuan lain, sehingga praktis untuk menghitungnya secara individual juga.