Otokorelasyon hesaplama aracı
Herhangi bir zaman serisi için bir ya da birden fazla gecikmedeki örneklem otokorelasyon katsayılarını (r_k) hesaplayın. Sıralı gözlemlerinizi yapıştırın, gecikmeleri ve tahmin ediciyi seçin; r_k değerlerini beyaz gürültü anlamlılık bandıyla birlikte alın.
Bir Serinin Kendi Geçmişiyle İlişkili Olup Olmadığını Test Edin
Otokorelasyon formülü
Buradan:
- \(r_k\) — \(k\) gecikmesindeki örneklem otokorelasyonu (serinin, k adım geriye kaydırılmış kendi kopyasıyla korelasyonu)
- \(x_t\) — \(t\) anındaki gözlem; \(\bar{x}\) — serinin ortalaması
- \(n\) — gözlem sayısı
- \(c_k\) — \(k\) gecikmesindeki örneklem otokovaryans; \(c_0\) — örneklem varyansı
Katsayı, her gözlemi ortalamaya göre ortalandıktan sonra \(k\) adım önceki gözlemle karşılaştırır. \(c_0\)'a bölme, her \(r_k\) değerini \([-1, 1]\) aralığına sokar. "Yansız" tahmin edicide ise \(c_k\)'yı veren toplam \(n\) yerine \(n-k\)'ya bölünür.
Otokorelasyon – hesaplama örneği
Örnek: 12 gözlemli bir seri: 2, 4, 3, 5, 7, 6, 8, 10, 9, 11, 13, 12; gecikmeler 1, 2, 3 ve standart ACF tahmin edici.
\[ \bar{x} = \frac{90}{12} = 7.5, \qquad c_0 = \frac{143}{12} = 11.9167 \]
\[ c_1 = \frac{101.75}{12} = 8.4792 \;\Rightarrow\; r_1 = \frac{8.4792}{11.9167} = 0.7117 \]
\[ c_2 = \frac{69}{12} = 5.75 \;\Rightarrow\; r_2 = 0.4825, \qquad c_3 = \frac{39.75}{12} = 3.3125 \;\Rightarrow\; r_3 = 0.2780 \]
Sonuç: \(r_1 = 0.7117\), \(r_2 = 0.4825\), \(r_3 = 0.2780\). %95'lik beyaz gürültü bandı \(\pm 1.96/\sqrt{12} = \pm 0.566\) olduğundan yalnızca 1. gecikmedeki otokorelasyon anlamlıdır: seri kalıcılık gösteriyor — yüksek değerlerin ardından yine yüksek değerler geliyor — ve otokorelasyon yumuşak bir biçimde azalıyor; bu, trend izleyen bir serinin tipik özelliğidir.
Hesaplama aracı nasıl kullanılır?
- Gözlemlerinizi Zaman serisi değerleri (sırayla) alanına, en eskiden başlayarak girin. Değerleri boşluk, noktalı virgül veya satır sonuyla ayırın; ondalıklı virgül kabul edilir. En az 3 değer gerekir.
- Gecikme uzunluklarını Hesaplanacak gecikme(ler) alanına yazın — tek bir gecikme (örn. 1) ya da boşluk veya noktalı virgülle ayrılmış birkaç gecikme (örn. 1; 2; 3; 4). Her gecikme, 1 ile \(n-1\) arasında bir tam sayı olmalıdır.
- Tahmin ediciyi seçin: "Standart ACF (n'e böl)" seçeneği istatistik yazılımlarının ACF grafiklerinde çizdiğiyle aynıdır; "Yansız (n − k'ya böl)" seçeneği uzun gecikmelerde küçük örneklem kaynaklı aşağı yönlü sapmayı düzeltir.
- Sonuç tablosunu okuyun: her gecikmede kullanılan örtüşen çift sayısı, \(r_k\) katsayısı ve değerin \(\pm 1.96/\sqrt{n}\) beyaz gürültü bandının dışında kalıp kalmadığı.
Otokorelasyon nedir?
Otokorelasyon (seri korelasyon), bir zaman serisinin kendi geçmişiyle ne kadar güçlü bir doğrusal ilişki içinde olduğunu ölçer. İki farklı değişkeni korele etmek yerine, seriyi \(k\) zaman adımı geriye kaydırılmış kendi kopyasıyla — yani gecikmesiyle — korele edersiniz. Elde edilen \(r_k\), tıpkı bir Pearson korelasyonu gibi yorumlanır: \(+1\), kaydırılmış serinin orijinalle tam uyum içinde hareket ettiği; \(-1\), tam ters yönde hareket ettiği; 0'a yakın değerler ise o gecikmede doğrusal bir ilişki bulunmadığı anlamına gelir.
Otokorelasyon, zaman serisi analizinin ilk tanı araçlarından biridir. 1. gecikmede sıfırın belirgin biçimde üstünde bir katsayı kalıcılığa (değerlerin bir süre ortalamanın üstünde ya da altında kalma eğilimine), güçlü negatif bir katsayı ise salınıma işaret eder — seri ortalamayı iki yönde de aşar. \(r_k\) değerlerini \(k\)'ya karşı çizmek otokorelasyon fonksiyonunu (ACF) verir; ARIMA modellerini belirlemede ve mevsimselliği tespit etmede standart araç budur.
Tek bir değerden çok, gecikmeler boyunca izlenen örüntü önemlidir. Yavaşça azalan pozitif otokorelasyonlar trende ya da durağan olmayan bir yapıya işaret eder — önce seriyi fark almayı düşünün. k gecikmesinde tek bir sivri uç, k periyoda sahip mevsimsel ya da döngüsel bir örüntüye işaret eder (örn. aylık veride 12. gecikmede sivri uç, yıllık döngü demektir). Tüm gecikmelerde beyaz gürültü bandının içinde kalan katsayılar, serinin doğrusal belleği olmadığını gösterir; model artıklarında görmek istediğiniz şey de tam olarak budur.
Otokorelasyon yalnızca doğrusal bağımlılığı yakalar. Bir seri doğrusal olmayan kurallarla kolayca öngörülebilir olabilir ama otokorelasyonu sıfıra yakın çıkabilir; bu yüzden "temiz" bir ACF bağımsızlığın kanıtı değildir. Otokorelasyonların bütün olarak beyaz gürültüyle uyumlu olup olmadığını biçimsel olarak sınamak için Ljung–Box gibi bir portmanteau testi kullanın.
Varsayımlar, sınırlamalar ve pratik ipuçları
- Sıra ve aralık önemlidir. Değerler doğal zaman sırasında ve eşit aralıklı olmalıdır (gözlemler arasında aynı zaman adımı bulunmalı). Veriyi karıştırmak otokorelasyonu yok eder.
- Durağanlık. Katsayılar ancak serinin ortalama ve varyansı kabaca kararlıysa anlamlıdır. Trendli bir seri erken gecikmelerdeki otokorelasyonları şişirir; gerekirse önce fark alın.
- Uzun gecikmeler güvenilmezdir. \(k\) gecikmesinde yalnızca \(n-k\) örtüşen çift kullanılır; bu yüzden kabaca \(n/2\) ötesindeki gecikmeler çok az çifte dayanır. 12 gözlemle 6'nın üstündeki gecikmeleri gürültü olarak değerlendirin.
- Tahmin edici seçimi. Standart tahmin edici (\(n\)'e böl) her zaman geçerli bir korelasyon fonksiyonu verir ve Box–Jenkins yazılımlarındaki ACF grafikleriyle uyuşur. Yansız sürüm (\(n-k\)'ya böl) uzun gecikmelerdeki aşağı yönlü sapmayı giderir ama katsayıları teorik olarak \([-1, 1]\) aralığının dışına çıkarabilir.
- Anlamlılık bandı bir yol göstericidir. \(\pm 1.96/\sqrt{n}\) sınırları, gerçek serinin beyaz gürültü olduğunu varsayar. Gerçek bir otokorelasyon varsa bant, komşu gecikmelerdeki örnekleme dağılımını olduğundan dar gösterir.
- Aykırı değerler sonuçları bozar. Tek bir uç gözlem hem ortalamayı hem de \(c_k\) içindeki çarpımları domine edebilir. Önce verinizi kontrol edin ya da sıra tabanlı korelasyon ölçüleri gibi sağlam alternatifleri düşünün.
Bir seriyi kendi geçmişiyle değil de iki farklı seriyi karşılaştırıyorsanız, Spearman sıra korelasyonu hesaplama aracı ya da Kendall tau hesaplama aracı gibi bir korelasyon aracı kullanın. Modellemeden önce tek bir serinin genel biçimini özetlemek isterseniz çarpıklık ve basıklık hesaplama aracı doğal bir yardımcıdır.
Sıkça Sorulan Sorular
İyi ya da normal bir otokorelasyon değeri nedir?
Evrensel bir "iyi" değer yoktur; neyi sınadığınıza bağlıdır. Ham veride \(r_k\)'nın büyüklüğü yalnızca serinin ne kadar doğrusal belleğe sahip olduğunu söyler. Model artıklarında ise değerlerin sıfıra yakın olmasını istersiniz: \(\pm 1.96/\sqrt{n}\) bandının dışına çıkan her şey, modelin yapıyı tam olarak yakalayamadığını düşündürür. Kaba bir ölçek olarak \(|r_1| > 0.5\) güçlü, 0,2–0,5 orta, 0,2'nin altı zayıf kabul edilir.
Otokorelasyon, kısmi otokorelasyondan (PACF) nasıl ayrılır?
\(k\) gecikmesindeki otokorelasyon, \(x_t\) ile \(x_{t-k}\) arasındaki doğrudan ilişkinin yanı sıra aradaki gecikmeler üzerinden kurulan tüm dolaylı bağları da içerir. Kısmi otokorelasyon bu ara gecikmeleri eler ve yalnızca doğrudan etkiyi izole eder. Bu yüzden ARIMA modellerini belirlerken ACF ve PACF birlikte okunur: yavaşça azalan bir ACF ile tek anlamlı PACF sivri ucu bir AR sürecine, tersi durum ise bir MA sürecine işaret eder.
Kaç gecikme hesaplamalıyım, serim ne kadar uzun olmalı?
Yaygın bir pratik kural, kabaca \(n/4\) kadar gecikmeye bakmak ve \(n/2\)'yi aşan gecikmelere güvenmemektir; çünkü orada yalnızca \(n-k\) örtüşen çift kalır. Ciddi bir ACF analizi için ideal olarak en az 50 gözlem gerekir; 10–20 noktayla yalnızca ilk bir-iki gecikme anlamlı bilgi taşır. Mevsimsel veride en az bir-iki tam mevsimsel döngüyü kapsayın; örneğin aylık veri için 24'e kadar gecikmelere bakın.
Otokorelasyonun birimi var mıdır?
Yoktur. Her korelasyon katsayısı gibi \(r_k\) da birimsizdir ve verileriniz dolar, santigrat derece ya da adet cinsinden ölçülmüş olsa da her zaman \(-1\) ile \(+1\) arasında yer alır. Otokovaryans \(c_k\) ise verinin birimlerinin karesini taşır; ama varyans \(c_0\)'a bölünce birimler birbirini götürür. Bu, seriyi yeniden ölçeklendirmenin (örn. Celsius'tan Fahrenheit'a geçmenin) hiçbir otokorelasyonu değiştirmeyeceği anlamına gelir.
Excel'de seriyi kaydırılmış bir kopyasıyla korele ederek bunu hesaplayabilir miyim?
Yaklaşık bir değer alabilirsiniz: seriyi A sütununa, \(k\) satır kaydırılmış bir kopyasını B sütununa yerleştirin ve örtüşen aralıkta CORREL kullanın. Sonuç standart ACF'den biraz farklıdır; çünkü Excel'in CORREL fonksiyonu her kesik parçayı kendi ortalamasına göre ortalar, oysa ACF her ikisini de tam serinin ortalamasına göre ortalar. Uzun serilerde fark küçüktür, kısa serilerde ise belirgindir — istatistik yazılımıyla aynı sonucu almak istiyorsanız bu aracın yöntemini kullanın.
Negatif bir 1. gecikme otokorelasyonu ne anlama gelir?
Negatif bir \(r_1\) salınımı gösterir: ortalamın üstündeki değerlerin ardından genellikle altındaki değerler gelir ve tersi. Bunu çoğunlukla pürüzsüz bir seriyi aşırı fark aldıktan sonra, salınan ya da ortalamaya geri dönen süreçlerde veya ardışık düzeltmelerin birbirini bilerek dengelediği durumlarda görürsünüz. Güçlü negatif artık otokorelasyonu, bir modelin bir dönemden diğerine fazla düzeltme yaptığının sinyali olabilir. 1. gecikmede \(-1\)'e yakın değerler gerçek veride enderdir ve serinin yapay olarak oluşturulduğuna işaret edebilir.
Serimde eksik değerler veya düzensiz zaman aralıkları varsa ne yapmalıyım?
Otokorelasyon, eşit aralıklı gözlemlerin kesin zaman sırasını varsayar; boşluklar gecikmenin anlamını değiştirir. Seçenekleriniz: küçük boşlukları ara değerle doldurmak; düzensiz veriyi düzenli aralıklara dönüştürmek (örn. günlük ortalamalar almak); zaman damgaları varsa, düzensiz seriler için geliştirilmiş yöntemler kullanmak. Eksik satırları silmek, görünen gecikme yapısını kısaltır ve sonuçları yanlılığa sürükleyebilir. Ayrıca değerleri en eskiden başlayarak girdiğinizden emin olun — ters sırada girmek hiçbir işareti değiştirmez ama asimetrik analizlerde fark yaratabilir.