Kas ir autokorelācija?

Lai notiktu autokorelācija, parasti notiek sinhronizācija starp diviem mainīgajiem. Piemērs ir, ja mainās vienas personas ienākumi, un tajā pašā laikā šī naudas plūsma var mainīt to, kā cita persona vai grupa tērē šajā periodā. Datus var arī automātiski korelēt, ja uzņēmuma vai arodbiedrības streiks vienā reizē samazina darba apjomu un tendence turpinās citā izmērītajā laika posmā. Dažkārt iespējama daļēja autokorelācija; var būt aizkave, ja dati tiek korelēti vienā sērijā laika gaitā. Sērijveida autokorelācija parasti ir tad, kad starp dažādiem datiem laikrindā notiek aizkave.

Rakstus, kas bieži rodas ar autokorelāciju, var attēlot ar līkņu modeļiem diagrammā. Šīs līknes var izmantot, lai atspoguļotu tendenci; tas dažreiz ietver augšupejošus un lejupejošus modeļus, kas var rasties ciklos. Kļūdas aprēķinos var izraisīt arī datu kļūdu korelāciju, piemēram, ja iesācējs pētnieks izmanto nepareizas vērtības vai mainīgos. Datu ekstrapolācijas un interpolācijas izmantošana dažkārt tos korelē, savukārt, to nedarot, mainīgie lielumi tiek nošķirti attiecībā pret laiku.

Autokorelācijai var būt pozitīva vērtība, īpaši, ja modeļa tendence virzās uz augšu. Lejupslīdes tendences bieži atspoguļojas ar negatīvu vērtību. Šādi modeļi bieži tiek analizēti ekonomikā, bet tie var parādīties arī signālu impulsu, elektromagnētisko lauku matemātiskajā analīzē, kā arī dažādos statistikas lietojumos. Šo fenomenu bieži izmanto tādos dažādos pielietojumos kā atomu pozīciju mērīšana, kā arī galaktiku izplatības izpēte Visumā.

Autokorelācijas noteikšana parasti tiek veikta, izmantojot Durbin Watson testu. Statistika tiek izmērīta matemātiski, un tas, vai vērtība ir augstāka vai zemāka par cita mainīgā lielumu, parasti nosaka rezultātu. Pēc tam pētnieki var noteikt tīrību, un, ja šī īpašība tiek konstatēta, datu kopa bieži tiek atgriezta sākotnējā formā, lai, ja iespējams, novērstu parādību.