{"id":3966,"date":"2026-10-14T07:31:17","date_gmt":"2026-10-14T06:31:17","guid":{"rendered":"https:\/\/wpcalc.com\/de\/statistik\/autokorrelationsrechner\/"},"modified":"2026-10-14T07:31:17","modified_gmt":"2026-10-14T06:31:17","slug":"autokorrelationsrechner","status":"publish","type":"post","link":"https:\/\/wpcalc.com\/de\/statistik\/autokorrelationsrechner\/","title":{"rendered":"Autokorrelationsrechner"},"content":{"rendered":"<section class=\"not-prose calculator-box\" aria-labelledby=\"calculator-title\"><div class=\"flex items-baseline sm:items-center justify-between gap-2 sm:gap-3\"><div class=\"flex flex-col sm:flex-row sm:items-center gap-2\"><span class=\"icon icon-calculator text-primary-700! text-base! dark:text-primary-300!\" aria-hidden=\"true\"><\/span><h2 id=\"calculator-title\" class=\"text-lg font-display font-bold\">Pr\u00fcfen, ob eine Zeitreihe mit ihrer eigenen Vergangenheit korreliert<\/h2><\/div><div class=\"calcdash-favorite group\">\n  <button type=\"button\" class=\"favorite\" id=\"favorite\" data-favorite-id=\"3966\" data-favorite-title=\"Autokorrelation\" data-favorite-url=\"https:\/\/wpcalc.com\/de\/statistik\/autokorrelationsrechner\/\" data-favorite-excerpt=\"Berechnen Sie Stichproben-Autokorrelationskoeffizienten r_k f\u00fcr beliebige Zeitreihen bei einem oder mehreren Lags. F\u00fcgen Sie Ihre geordneten Beobachtungen ein, w\u00e4hlen Sie die Lags und den Sch\u00e4tzer aus und erhalten Sie r_k mit einem Signifikanzband f\u00fcr wei\u00dfes Rauschen.\" aria-label=\"Zu Favoriten hinzuf\u00fcgen\" data-favorite-icon=\"icon icon-wpcalc-regression-plot\">\n    <span class=\"icon icon-shape-star-empty\" aria-hidden=\"true\"><\/span>\n  <\/button>\n  <div class=\"calcdash-favorite__tip\" aria-hidden=\"true\">\n   <span class=\"favorite-tooltip\" id=\"favorite-tooltip\"><\/span>\n  <\/div>\n  <span class=\"sr-only\" role=\"status\" id=\"favorite-status\"><\/span>\n<\/div><\/div><form action=\"https:\/\/wpcalc.com\/de\/statistik\/autokorrelationsrechner\/\" method=\"POST\" class=\"calculator\" id=\"calculator-3966\" data-post=\"3966\"><fieldset class=\"fieldset-input is-1\"><legend class=\"sr-only\">Eingabefelder<\/legend><div class=\"field\" id=\"input-1\"><label for=\"field-1\">Zeitreihenwerte (in zeitlicher Reihenfolge)<\/label><textarea id=\"field-1\" name=\"zeitreihenwerte_in_zeitlicher_reihenfolge\">2 4 3 5 7 6 8 10 9 11 13 12<\/textarea><\/div><div class=\"field has-term\" id=\"input-2\"><label for=\"field-2\">Zu berechnende Lags<\/label><div class=\"term\">k<\/div>  <div class=\"absolute bottom-0 left-16 top-8 w-2 h-0.5 bg-blue-500\"><\/div><input type=\"text\" name=\"zu_berechnende_lags\" id=\"field-2\" aria-describedby=\"calc-info-2\" placeholder=\"e.g. 1; 2; 3\" step=\"any\" value=\"1; 2; 3\"\/><small id=\"calc-info-2\">Eine oder mehrere Lag-L\u00e4ngen k (wie viele Schritte zur\u00fcck verglichen wird). Mehrere Lags durch Leerzeichen oder Semikolons trennen, z. B. 1; 2; 3; 4.<\/small><\/div><div class=\"field\" id=\"input-3\"><label for=\"field-3\">Sch\u00e4tzer<\/label><div class=\"grid grid-cols-1\"><select id=\"field-3\" name=\"schtzer\"><option value=\"acf\" selected>Standard-AKF (Division durch n)<\/option><option value=\"unbiased\">Erwartungstreu (Division durch n \u2212 k)<\/option><\/select><svg class=\"pointer-events-none col-start-1 row-start-1 mr-2 size-5 self-center justify-self-end text-gray-500 sm:size-4\" viewBox=\"0 0 16 16\" fill=\"currentColor\" aria-hidden=\"true\" data-slot=\"icon\">\n              <path fill-rule=\"evenodd\" d=\"M4.22 6.22a.75.75 0 0 1 1.06 0L8 8.94l2.72-2.72a.75.75 0 1 1 1.06 1.06l-3.25 3.25a.75.75 0 0 1-1.06 0L4.22 7.28a.75.75 0 0 1 0-1.06Z\" clip-rule=\"evenodd\" \/>\n            <\/svg><\/div><\/div><\/fieldset><div class=\"buttons\"><button type=\"submit\" data-text=\"Neu berechnen\" id=\"calculate-button\" data-post=\"3966\">Berechnen<\/button><button type=\"reset\">Zur\u00fccksetzen<\/button><\/div><div class=\"field is-checkbox hidden!\" id=\"field-auto-calc\"><input type=\"checkbox\" id=\"auto-calc\"><label for=\"auto-calc\">Automatisch berechnen<\/label><small>Wenn aktiviert, wird das Ergebnis automatisch aktualisiert, sobald Sie einen Wert \u00e4ndern.<\/small><\/div><div class=\"fieldset-result is-hidden\" aria-labelledby=\"result-title\" aria-live=\"polite\" role=\"region\"> <h3 class=\"result-title bg-gradient-to-r from-primary-50 to-gray-50 dark:from-primary-900 dark:to-gray-800\" id=\"result-title\"><span class=\"icon icon-s-pulse\" aria-hidden=\"true\"><\/span> Ergebnisse der Autokorrelation<\/h3><div class=\"result-box\"><div class=\"field-result is-column\" id=\"output-1\"><span class=\"field-title\"><span>Autokorrelationskoeffizienten nach Lag<\/span><span class=\"result-term\">r\u2096<\/span><\/span><span class=\"field-value\" id=\"result-1\"><\/span><button type=\"button\" class=\"copy-result\" data-tooltip=\"Ergebnis kopieren\" aria-label=\"Ergebnis kopieren\"><span class=\"copy-icon icon icon-document-copy\" aria-hidden=\"true\"><\/span><\/button><\/div><div class=\"field-result is-column\" id=\"output-2\"><span class=\"field-title\"><span>Wie diese Autokorrelationen berechnet wurden<\/span><\/span><span class=\"field-value\" id=\"result-2\"><\/span><button type=\"button\" class=\"copy-result\" data-tooltip=\"Ergebnis kopieren\" aria-label=\"Ergebnis kopieren\"><span class=\"copy-icon icon icon-document-copy\" aria-hidden=\"true\"><\/span><\/button><\/div><\/div><div class=\"result-actions\"><button type=\"button\" class=\"copy-link\"><svg viewBox=\"0 0 20 20\" fill=\"currentColor\" aria-hidden=\"true\"><path d=\"M12.232 4.232a2.5 2.5 0 0 1 3.536 3.536l-1.225 1.224a.75.75 0 0 0 1.061 1.06l1.224-1.224a4 4 0 0 0-5.656-5.656l-3 3a4 4 0 0 0 .225 5.865.75.75 0 0 0 .977-1.138 2.5 2.5 0 0 1-.142-3.667l3-3Z\"\/><path d=\"M11.603 7.963a.75.75 0 0 0-.977 1.138 2.5 2.5 0 0 1 .142 3.667l-3 3a2.5 2.5 0 0 1-3.536-3.536l1.225-1.224a.75.75 0 0 0-1.061-1.06l-1.224 1.224a4 4 0 1 0 5.656 5.656l3-3a4 4 0 0 0-.225-5.865Z\"\/><\/svg><span class=\"copy-link__text\">Link zu dieser Berechnung kopieren<\/span><\/button><span class=\"sr-only\" role=\"status\" id=\"copy-link-status\"><\/span><\/div><\/div><a href=\"#respond\" class=\"hidden transition-opacity duration-300 opacity-0 w-50 text-sm justify-center items-center gap-2 px-4 py-2 rounded bg-gray-200 text-gray-700 hover:bg-gray-300\" id=\"leave-comment\"><span class=\"icon icon-comments\" aria-hidden=\"true\"><\/span>Kommentar schreiben<\/a><\/form><\/section><section id=\"calc-reactions\" class=\"not-prose hidden my-12 bg-gradient-to-r from-primary-50 to-gray-50 border border-indigo-100 rounded-xl px-6 py-4 shadow-sm\" data-post=\"3966\" aria-live=\"polite\" aria-labelledby=\"calc-reactions-title\"><p id=\"calc-reactions-title\" class=\"text-sm text-gray-500 text-center mb-2\">Wie finden Sie dieses Ergebnis?<\/p><div role=\"group\" aria-labelledby=\"calc-reactions-title\" class=\"grid grid-cols-3 sm:flex sm:flex-row sm:justify-around gap-4 sm:items-center sm:flex-wrap\"><button type=\"button\" aria-pressed=\"false\" class=\"reaction-btn flex flex-col items-center gap-1 text-sm text-gray-700 hover:text-primary-600 cursor-pointer transition-transform hover:scale-105\" data-reaction=\"like\"><span class=\"reaction-count\" data-reaction-count=\"like\">0<\/span><span class=\"reaction text-3xl\" aria-hidden=\"true\">\ud83d\ude00 <\/span><span class=\"reaction-description font-medium\">Gef\u00e4llt mir <\/span><\/button><button type=\"button\" aria-pressed=\"false\" class=\"reaction-btn flex flex-col items-center gap-1 text-sm text-gray-700 hover:text-primary-600 cursor-pointer transition-transform hover:scale-105\" data-reaction=\"helpful\"><span class=\"reaction-count\" data-reaction-count=\"helpful\">0<\/span><span class=\"reaction text-3xl\" aria-hidden=\"true\">\ud83d\udca1 <\/span><span class=\"reaction-description font-medium\">Hilfreich <\/span><\/button><button type=\"button\" aria-pressed=\"false\" class=\"reaction-btn flex flex-col items-center gap-1 text-sm text-gray-700 hover:text-primary-600 cursor-pointer transition-transform hover:scale-105\" data-reaction=\"confused\"><span class=\"reaction-count\" data-reaction-count=\"confused\">0<\/span><span class=\"reaction text-3xl\" aria-hidden=\"true\">\ud83d\ude15 <\/span><span class=\"reaction-description font-medium\">Verwirrt <\/span><\/button><button type=\"button\" aria-pressed=\"false\" class=\"reaction-btn flex flex-col items-center gap-1 text-sm text-gray-700 hover:text-primary-600 cursor-pointer transition-transform hover:scale-105\" data-reaction=\"disappointed\"><span class=\"reaction-count\" data-reaction-count=\"disappointed\">0<\/span><span class=\"reaction text-3xl\" aria-hidden=\"true\">\ud83d\ude1e <\/span><span class=\"reaction-description font-medium\">Entt\u00e4uscht <\/span><\/button><button type=\"button\" aria-pressed=\"false\" class=\"reaction-btn flex flex-col items-center gap-1 text-sm text-gray-700 hover:text-primary-600 cursor-pointer transition-transform hover:scale-105\" data-reaction=\"inaccurate\"><span class=\"reaction-count\" data-reaction-count=\"inaccurate\">0<\/span><span class=\"reaction text-3xl\" aria-hidden=\"true\">\u274c <\/span><span class=\"reaction-description font-medium\">Ungenau <\/span><\/button><\/div><div id=\"reaction-message\" class=\"hidden mt-8 rounded-md border border-primary-100 bg-white\/50 backdrop-blur-sm px-4 py-2 text-sm text-center shadow-sm\"><\/div><\/section><div class=\"calcdash-ad not-prose calcdash-ad--calc_result calcdash-ad--in-article\"><ins class=\"adsbygoogle\" style=\"display:block\" data-ad-client=\"ca-pub-1721569815777345\" data-ad-slot=\"6317458308\" data-ad-layout=\"in-article\" data-ad-format=\"fluid\"><\/ins><script>(adsbygoogle = window.adsbygoogle || []).push({});<\/script><\/div>\n<style id=\"wpcoderpro-inline-1\">.formula-box {\r\n\tborder-bottom: none !important;\r\n}<\/style><section class=\"formula-box\" aria-labelledby=\"formula-title\">\r\n\t<div id=\"formula-title\" class=\"not-prose font-display mb-4\"><span class=\"icon icon-formula\" aria-hidden=\"true\"><\/span><h2>Formel der Autokorrelation<\/h2><\/div>\r\n\t<figure class=\"not-prose formula\">\r\n\t\t<figcaption class=\"formula-title\">Formel<\/figcaption>\r\n\t\t<div class=\"text-base text-gray-800\" id=\"formula\">\n\\[ r_k = \\frac{c_k}{c_0}, \\qquad c_k = \\frac{1}{n}\\sum_{t=1}^{n-k} (x_t - \\bar{x})(x_{t+k} - \\bar{x}), \\qquad c_0 = \\frac{1}{n}\\sum_{t=1}^{n} (x_t - \\bar{x})^2 \\]\n<\/div>\r\n\t<\/figure>\r\n\t<\/p>\n<p><strong>Dabei gilt:<\/strong><\/p>\n<ul>\n<li>\\(r_k\\) \u2014 Stichproben-Autokorrelation beim Lag \\(k\\) (die Korrelation der Reihe mit einer um \\(k\\) Schritte zur\u00fcckversetzten Kopie ihrer selbst)<\/li>\n<li>\\(x_t\\) \u2014 Beobachtung zum Zeitpunkt \\(t\\); \\(\\bar{x}\\) \u2014 Mittelwert der Reihe<\/li>\n<li>\\(n\\) \u2014 Anzahl der Beobachtungen<\/li>\n<li>\\(c_k\\) \u2014 Stichproben-Autokovarianz beim Lag \\(k\\); \\(c_0\\) \u2014 Stichprobenvarianz<\/li>\n<\/ul>\n<p>Der Koeffizient vergleicht jede Beobachtung mit derjenigen \\(k\\) Schritte davor, nachdem beide um den Mittelwert zentriert wurden. Durch die Division durch \\(c_0\\) liegt jedes \\(r_k\\) zwangsl\u00e4ufig im Bereich \\([-1, 1]\\). Beim \u201eerwartungstreuen\u201c Sch\u00e4tzer wird die Summe, die \\(c_k\\) definiert, nicht durch \\(n\\), sondern durch \\(n-k\\) geteilt.<\/p>\n<p>\r\n<\/section>\n<style id=\"wpcoderpro-inline-2\">.calculation-box {\r\n\tborder-bottom: none !important;\r\n}<\/style><section id=\"calculation\" class=\"calculation-box\" aria-labelledby=\"calculation-title\">\r\n\t<div id=\"calculation-title\" class=\"not-prose font-display\"><span class=\"icon icon-unordered-list\" aria-hidden=\"true\"><\/span><h2>Autokorrelation \u2013 Rechenbeispiel<\/h2><\/div>\r\n\r\n<\/p>\n<p><strong>Beispiel:<\/strong> eine Reihe mit 12 Beobachtungen: 2, 4, 3, 5, 7, 6, 8, 10, 9, 11, 13, 12, mit den Lags 1, 2, 3 und dem Standard-ACF-Sch\u00e4tzer.<\/p>\n<p>\\[ \\bar{x} = \\frac{90}{12} = 7.5, \\qquad c_0 = \\frac{143}{12} = 11.9167 \\]<\/p>\n<p>\\[ c_1 = \\frac{101.75}{12} = 8.4792 \\;\\Rightarrow\\; r_1 = \\frac{8.4792}{11.9167} = 0.7117 \\]<\/p>\n<p>\\[ c_2 = \\frac{69}{12} = 5.75 \\;\\Rightarrow\\; r_2 = 0.4825, \\qquad c_3 = \\frac{39.75}{12} = 3.3125 \\;\\Rightarrow\\; r_3 = 0.2780 \\]<\/p>\n<p><strong>Ergebnis:<\/strong> \\(r_1 = 0.7117\\), \\(r_2 = 0.4825\\), \\(r_3 = 0.2780\\). Das 95-%-Band f\u00fcr wei\u00dfes Rauschen betr\u00e4gt \\(\\pm 1.96\/\\sqrt{12} = \\pm 0.566\\); signifikant ist also nur die Autokorrelation beim Lag 1: Die Reihe zeigt Persistenz \u2014 auf hohe Werte folgen hohe Werte \u2014 und die Autokorrelation klingt langsam ab, was f\u00fcr eine Reihe mit Trend typisch ist.<\/p>\n<p>\n\r\n<\/section>\n<h2>So bedienen Sie den Rechner<\/h2>\n<ol>\n<li>Geben Sie Ihre Beobachtungen unter <strong>Zeitreihenwerte (in Reihenfolge)<\/strong> ein, \u00e4lteste zuerst. Trennen Sie die Werte durch Leerzeichen, Semikolons oder Zeilenumbr\u00fcche; Dezimalkommas sind erlaubt. Sie ben\u00f6tigen mindestens 3 Werte.<\/li>\n<li>Tragen Sie die gew\u00fcnschten Lags unter <strong>Zu berechnende Lags<\/strong> ein \u2014 einen einzelnen Lag (z. B. 1) oder mehrere, durch Leerzeichen oder Semikolons getrennt (z. B. 1; 2; 3; 4). Jeder Lag muss eine ganze Zahl zwischen 1 und \\(n-1\\) sein.<\/li>\n<li>W\u00e4hlen Sie den <strong>Sch\u00e4tzer<\/strong> aus: \u201eStandard-ACF (Division durch n)\u201c entspricht dem, was Statistiksoftware in ACF-Diagrammen darstellt; \u201eErwartungstreu (Division durch n \u2212 k)\u201c korrigiert den kleinen Stichproben-Bias nach unten bei l\u00e4ngeren Lags.<\/li>\n<li>Lesen Sie die Ergebnistabelle ab: die Anzahl der \u00fcberlappenden Paare pro Lag, den Koeffizienten \\(r_k\\) und ob er au\u00dferhalb des \\(\\pm 1.96\/\\sqrt{n}\\)-Bandes f\u00fcr wei\u00dfes Rauschen liegt.<\/li>\n<\/ol>\n<h2>Was ist Autokorrelation?<\/h2>\n<p>Die Autokorrelation (auch serielle Korrelation) misst, wie stark eine Zeitreihe linear mit ihrer eigenen Vergangenheit zusammenh\u00e4ngt. Statt zwei verschiedene Variablen zu korrelieren, korreliert man die Reihe mit einer um \\(k\\) Zeitschritte zur\u00fcckversetzten Kopie ihrer selbst \u2014 dem <em>Lag<\/em>. Das Ergebnis \\(r_k\\) wird wie eine Pearson-Korrelation interpretiert: \\(+1\\) bedeutet, dass die verschobene Reihe exakt parallel zur urspr\u00fcnglichen verl\u00e4uft, \\(-1\\), dass sie sich exakt gegenl\u00e4ufig verh\u00e4lt, und Werte nahe 0 bedeuten, dass es bei diesem Lag keinen linearen Zusammenhang gibt.<\/p>\n<p>Die Autokorrelation geh\u00f6rt zu den ersten diagnostischen Werkzeugen der Zeitreihenanalyse. Ein deutlich positiver Koeffizient beim Lag 1 weist auf <strong>Persistenz<\/strong> hin (Werte bleiben eine Weile \u00fcber oder unter dem Mittelwert), ein stark negativer auf <strong>Alternation<\/strong> \u2014 die Reihe schwingt \u00fcber den Mittelwert hinaus nach beiden Seiten aus. Tr\u00e4gt man \\(r_k\\) gegen \\(k\\) auf, erh\u00e4lt man die Autokorrelationsfunktion (ACF), das Standardwerkzeug zur Identifikation von ARIMA-Modellen und zur Erkennung von Saisonalit\u00e4t.<\/p>\n<p>Dabei ist das Muster \u00fcber die Lags hinweg wichtiger als ein einzelner Wert. <strong>Langsam abklingende positive<\/strong> Autokorrelationen deuten auf einen Trend oder Nichtstationarit\u00e4t hin \u2014 in diesem Fall sollte die Reihe zun\u00e4chst differenziert werden. Ein <strong>einzelner Peak beim Lag k<\/strong> weist auf ein saisonales oder zyklisches Muster mit der Periode \\(k\\) hin (z. B. bedeutet ein Peak beim Lag 12 bei Monatsdaten einen Jahreszyklus). Bleiben die Koeffizienten bei allen Lags innerhalb des Bandes f\u00fcr wei\u00dfes Rauschen, spricht das daf\u00fcr, dass die Reihe kein lineares Ged\u00e4chtnis besitzt \u2014 genau das m\u00f6chte man bei Modellresiduen sehen.<\/p>\n<p>Zu beachten: Die Autokorrelation erfasst nur <em>lineare<\/em> Abh\u00e4ngigkeiten. Eine Reihe kann durch nichtlineare Regeln gut vorhersagbar sein und dennoch eine nahezu verschwindende Autokorrelation aufweisen; eine \u201esaubere\u201c ACF ist also kein Beweis f\u00fcr Unabh\u00e4ngigkeit. Will man formal pr\u00fcfen, ob eine ganze Menge von Autokorrelationen mit wei\u00dfem Rauschen vereinbar ist, verwendet man einen Portmanteau-Test wie den Ljung-Box-Test.<\/p>\n<h2>Voraussetzungen, Grenzen und praktische Hinweise<\/h2>\n<ul>\n<li><strong>Reihenfolge und Abst\u00e4nde z\u00e4hlen.<\/strong> Die Werte m\u00fcssen in ihrer nat\u00fcrlichen zeitlichen Reihenfolge und in gleichen Abst\u00e4nden vorliegen (gleicher Zeitschritt zwischen den Beobachtungen). Ein Durchmischen der Daten zerst\u00f6rt die Autokorrelation.<\/li>\n<li><strong>Stationarit\u00e4t.<\/strong> Die Koeffizienten sind nur aussagekr\u00e4ftig, wenn die Reihe einen ann\u00e4hernd stabilen Mittelwert und eine stabile Varianz hat. Eine Reihe mit Trend bl\u00e4ht die Autokorrelationen bei kurzen Lags auf; notfalls vorher differenzieren.<\/li>\n<li><strong>Lange Lags sind unzuverl\u00e4ssig.<\/strong> Beim Lag \\(k\\) flie\u00dfen nur \\(n-k\\) \u00fcberlappende Paare ein; Lags jenseits von etwa \\(n\/2\\) beruhen daher auf sehr wenigen Paaren. Bei 12 Beobachtungen sollte man alles oberhalb von Lag 6 als Rauschen betrachten.<\/li>\n<li><strong>Wahl des Sch\u00e4tzers.<\/strong> Der Standard-Sch\u00e4tzer (Division durch \\(n\\)) liefert immer eine g\u00fcltige Korrelationsfunktion und entspricht den ACF-Diagrammen in Box-Jenkins-Software. Die erwartungstreue Variante (Division durch \\(n-k\\)) beseitigt den Bias nach unten bei langen Lags, kann Koeffizienten aber theoretisch au\u00dferhalb von \\([-1, 1]\\) treten.<\/li>\n<li><strong>Das Signifikanzband ist eine Orientierung.<\/strong> Die Grenzen \\(\\pm 1.96\/\\sqrt{n}\\) setzen voraus, dass die zugrunde liegende Reihe wei\u00dfes Rauschen ist. Existiert tats\u00e4chlich Autokorrelation, untersch\u00e4tzt das Band die Streuung bei benachbarten Lags.<\/li>\n<li><strong>Ausrei\u00dfer verzerren die Ergebnisse.<\/strong> Eine einzige extreme Beobachtung kann sowohl den Mittelwert als auch die Produkte in \\(c_k\\) dominieren. Pr\u00fcfen Sie Ihre Daten vorher oder ziehen Sie robuste Alternativen wie <a href=\"https:\/\/wpcalc.com\/de\/statistik\/spearman-rangkorrelation-rechner\/\">rangbasierte Korrelationsma\u00dfe<\/a> in Betracht.<\/li>\n<\/ul>\n<p>Wenn Sie zwei <em>verschiedene<\/em> Reihen vergleichen wollen statt eine Reihe mit ihrer eigenen Vergangenheit, nutzen Sie ein Korrelationswerkzeug wie den <a href=\"https:\/\/wpcalc.com\/de\/statistik\/spearman-rangkorrelation-rechner\/\">Spearman-Rangkorrelationsrechner<\/a> oder den <a href=\"https:\/\/wpcalc.com\/de\/statistik\/kendall-tau-rechner\/\">Kendalls-Tau-Rechner<\/a>. Um vor der Modellierung die Form einer einzelnen Reihe zusammenzufassen, ist der <a href=\"https:\/\/wpcalc.com\/de\/statistik\/schiefe-kurtosis-rechner\/\">Rechner f\u00fcr Schiefe und Kurtosis<\/a> eine sinnvolle Erg\u00e4nzung.<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Berechnen Sie Stichproben-Autokorrelationskoeffizienten r_k f\u00fcr beliebige Zeitreihen bei einem oder mehreren Lags. F\u00fcgen Sie Ihre geordneten Beobachtungen ein, w\u00e4hlen Sie die Lags und den Sch\u00e4tzer aus und erhalten Sie r_k mit einem Signifikanzband f\u00fcr wei\u00dfes Rauschen.<\/p>\n","protected":false},"author":3168,"featured_media":0,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[12],"tags":[30],"class_list":["post-3966","post","type-post","status-publish","format-standard","hentry","category-statistik","tag-korrelation-regression"],"acf":[],"_links":{"self":[{"href":"https:\/\/wpcalc.com\/de\/wp-json\/wp\/v2\/posts\/3966","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/wpcalc.com\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/wpcalc.com\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/wpcalc.com\/de\/wp-json\/wp\/v2\/users\/3168"}],"replies":[{"embeddable":true,"href":"https:\/\/wpcalc.com\/de\/wp-json\/wp\/v2\/comments?post=3966"}],"version-history":[{"count":1,"href":"https:\/\/wpcalc.com\/de\/wp-json\/wp\/v2\/posts\/3966\/revisions"}],"predecessor-version":[{"id":4393,"href":"https:\/\/wpcalc.com\/de\/wp-json\/wp\/v2\/posts\/3966\/revisions\/4393"}],"wp:attachment":[{"href":"https:\/\/wpcalc.com\/de\/wp-json\/wp\/v2\/media?parent=3966"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/wpcalc.com\/de\/wp-json\/wp\/v2\/categories?post=3966"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/wpcalc.com\/de\/wp-json\/wp\/v2\/tags?post=3966"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}