Otokorelasyon Hesaplama Aracı
Herhangi bir zaman serisi için bir veya daha fazla gecikmedeki r_k örnek otokorelasyon katsayılarını hesaplayın. Sıralı gözlemlerinizi yapıştırın, gecikmeleri ve tahmin ediciyi seçin; r_k değerini beyaz gürültü anlamlılık bandıyla birlikte alın.
Bir Serinin Kendi Geçmişiyle İlişkili Olup Olmadığını Test Edin
Otokorelasyon Formülü
Burada:
- \(r_k\) — \(k\) gecikmesindeki örnek otokorelasyon (serinin kendisiyle \(k\) adım geriye kaydırılmış kopyası arasındaki korelasyon)
- \(x_t\) — \(t\) zamanındaki gözlem; \(\bar{x}\) — serinin ortalaması
- \(n\) — gözlem sayısı
- \(c_k\) — \(k\) gecikmesindeki örnek oto-kovaryans; \(c_0\) — örnek varyans
Katsayı, her gözlemi \(k\) adım önceki gözlemle karşılaştırır; ikisi de ortalamaya göre ortalandıktan sonra. \(c_0\)'a bölme, her \(r_k\) değerini \([-1, 1]\) aralığına sokar. "Yansız" tahmin edicide ise \(c_k\) toplamı \(n\) yerine \(n-k\)'ya bölünür.
Otokorelasyon – Hesaplama Örneği
Örnek: 12 gözlemden oluşan bir seri: 2, 4, 3, 5, 7, 6, 8, 10, 9, 11, 13, 12; gecikmeler 1, 2, 3 ve standart ACF tahmin edicisi.
\[ \bar{x} = \frac{90}{12} = 7.5, \qquad c_0 = \frac{143}{12} = 11.9167 \]
\[ c_1 = \frac{101.75}{12} = 8.4792 \;\Rightarrow\; r_1 = \frac{8.4792}{11.9167} = 0.7117 \]
\[ c_2 = \frac{69}{12} = 5.75 \;\Rightarrow\; r_2 = 0.4825, \qquad c_3 = \frac{39.75}{12} = 3.3125 \;\Rightarrow\; r_3 = 0.2780 \]
Sonuç: \(r_1 = 0.7117\), \(r_2 = 0.4825\), \(r_3 = 0.2780\). %95 beyaz gürültü bandı \(\pm 1.96/\sqrt{12} = \pm 0.566\) olduğundan yalnızca 1. gecikmedeki otokorelasyon anlamlıdır: seri kalıcılık gösteriyor — yüksek değerlerin ardından yüksek değerler geliyor — ve otokorelasyon pürüzsüzce sönümleniyor; bu, trendli 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 ayırabilirsiniz; ondalık virgül kabul edilir. En az 3 değer gerekir.
- Gecikme uzunluklarını Hesaplanacak gecikme(ler) alanına yazın — tek bir gecikme (örn. 1) veya boşluk ya da noktalı virgülle ayrılmış birden çok 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, istatistiksel yazılımların ACF grafiklerinde çizdiği değerle aynıdır; "Yansız (n − k'ya böl)" ise uzun gecikmelerdeki küçük örnek yanlılığını düzeltir.
- Sonuç tablosunu okuyun: her gecikmede kullanılan örtüşen çift sayısı, \(r_k\) katsayısı ve değer \(\pm 1.96/\sqrt{n}\) beyaz gürültü bandının dışında kalıp kalmadığı.
Otokorelasyon nedir?
Otokorelasyon (seri korelasyon), bir zaman serisinin kendi geçmişiyle ne kadar güçlü doğrusal bir ilişki içinde olduğunu ölçer. İki farklı değişkeni korele etmek yerine, seriyi \(k\) zaman adımı geriye kaydırılmış bir kopyasıyla — yani gecikmeyle — korele edersiniz. Elde edilen \(r_k\), tıpkı bir Pearson korelasyonu gibi yorumlanır: \(+1\), kaydırılmış serinin orijinaliyle tam uyum içinde hareket ettiğini; \(-1\), tam ters yönde hareket ettiğini; 0'a yakın değerler ise o gecikmede doğrusal bir ilişki olmadığını gösterir.
Otokorelasyon, zaman serisi analizindeki ilk tanı araçlarından biridir. 1. gecikmedeki katsayının sıfırdan belirgin biçimde yüksek olması kalıcılığa (değerlerin bir süre ortalamaların üstünde veya altında kalma eğilimine), güçlü negatif olması ise salınıma — serinin ortalamayı iki yönde de aşmasına — işaret eder. \(r_k\) değerlerini \(k\) gecikmelerine göre çizmek otokorelasyon fonksiyonunu (ACF) verir; ARIMA modellerini belirlemede ve mevsimselliği fark etmede standart araç budur.
Tek bir değerden çok, gecikmeler boyunca izlenen örüntü önemlidir. Yavaşça sönümlenen pozitif otokorelasyonlar trende veya durağan olmayışa işaret eder — önce seriyi fark almayı düşünün. \(k\) gecikmesinde tek bir sivri çıkıntı, \(k\) periyodunda mevsimsel veya döngüsel bir örüntüye işaret eder (örn. aylık veride 12. gecikmede bir çıkıntı, yıllık döngü demektir). Tüm gecikmelerde beyaz gürültü bandı içinde kalan katsayılar, serinin doğrusal hafızası olmadığını gösterir; model artıklarında görmek istediğiniz de tam budur.
Şunu unutmayın: otokorelasyon yalnızca doğrusal bağımlılığı yakalar. Bir seri doğrusal olmayan kurallarla güçlü biçimde öngörülebilir olabilir ama otokorelasyonu sıfıra yakın kalabilir; bu yüzden "temiz" bir ACF, bağımsızlığın kanıtı değildir. Bir otokorelasyon kümesinin bütün olarak beyaz gürültüyle uyumlu olup olmadığını resmen sınamak için Ljung–Box gibi bir portmanteau testi kullanın.
Varsayımlar, sınırlamalar ve pratik ipuçları
- Sıra ve eşit aralık önemlidir. Değerler doğal zaman sırasında ve eşit aralıklarla (gözlemler arasındaki zaman adımı aynı) olmalıdır. Veriyi karıştırmak otokorelasyonu yok eder.
- Durağanlık. Katsayılar yalnızca serinin ortalama ve varyansı kabaca kararlıysa anlamlıdır. Trendli bir seri ilk gecikmelerdeki otokorelasyonları şişirir; gerekirse önce fark alın.
- Uzun gecikmeler güvenilmezdir. \(k\) gecikmesinde yalnızca \(n-k\) örtüşen çift kullanılır; bu yüzden yaklaşık \(n/2\)'yi aşan gecikmeler çok az çifte dayanır. 12 gözlemlük bir seride 6. gecikmeden sonrasını gürültü olarak değerlendirin.
- Tahmin edici seçimi. Standart tahmin edici (\(n\)'e bölme) her zaman geçerli bir korelasyon fonksiyonu verir ve Box–Jenkins yazılımlarındaki ACF grafikleriyle eşleşir. Yansız sürüm (\(n-k\)'ya bölme) uzun gecikmelerdeki aşağı yönlü yanlılığı giderir ama teorik olarak katsayıları \([-1, 1]\) aralığının dışına taşıyabilir.
- Anlamlılık bandı yol göstericidir. \(\pm 1.96/\sqrt{n}\) sınırları, gerçek serinin beyaz gürültü olduğunu varsayar. Gerçekte otokorelasyon varsa bant, komşu gecikmelerdeki örnekleme dağılımını olduğundan dar gösterir.
- Aykırı değerler sonuçları bozar. Tek bir uç gözlem hem ortalamayı hem \(c_k\) içindeki çarpımları baskın biçimde etkileyebilir. Önce verinizi kontrol edin ya da derece tabanlı korelasyon ölçüleri gibi sağlam alternatifleri düşünün.
Bir serinin kendi geçmişi yerine iki farklı seriyi karşılaştırıyorsanız Spearman sıra korelasyonu hesaplama aracını veya Kendall tau hesaplama aracını kullanın. Modellemeden önce tek bir serinin genel biçimini özetlemek isterseniz çarpıklık ve basıklık hesaplama aracı doğal bir tamamlayıcıdır.
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 size yalnızca serinin ne kadar doğrusal hafızası olduğunu söyler. Model artıkları içinse değerlerin sıfıra yakın olmasını istersiniz: \(\pm 1.96/\sqrt{n}\) bandının dışına çıkan her değer, modelin tüm yapıyı yakalayamadığına işaret eder. Kaba bir ölçek vermek gerekirse \(|r_1| > 0.5\) güçlü, 0,2–0,5 orta, 0,2'nin altı zayıf kabul edilir.
Otokorelasyon, kısmi otokorelasyondan (PACF) nasıl farklıdır?
\(k\) gecikmesindeki otokorelasyon, \(x_t\) ile \(x_{t-k}\) arasındaki hem doğrudan ilişkiyi hem de aradaki gecikmeler üzerinden geçen tüm dolaylı bağları içerir. Kısmi otokorelasyon bu ara gecikmeleri çıkarır ve doğrudan etkiyi yalıtır. ARIMA modellerini belirlerken ACF ve PACF'nin birlikte okunmasının nedeni budur: yavaşça sönümlenen bir ACF ile tek bir anlamlı PACF çıkıntısı AR sürecine, tersi durum MA sürecine işaret eder.
Kaç gecikme hesaplamalıyım ve serim ne kadar uzun olmalı?
Yaygın bir pratik kural, yaklaşık \(n/4\)'e kadar olan gecikmeleri incelemek ve \(n/2\)'yi aşan gecikmeleri — yalnızca \(n-k\) örtüşen çift kaldığı için — güvenilmez saymaktır. 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?
Hayır. Her korelasyon katsayısı gibi \(r_k\) da birimsizdir ve verileriniz dolarla, santigrat dereceyle ya da sayım olarak ölçülmüş olsun, daima \(-1\) ile \(+1\) arasındadır. Oto-kovaryans \(c_k\) verinin biriminin karesini taşır, ama varyansa (\(c_0\)) bölünce bunlar iptal olur. Bu, seriyi yeniden ölçeklendirmenin (örn. santigrattan Fahrenheit'a) hiçbir otokorelasyonu değiştirmeyeceği anlamına da gelir.
Bunu Excel'de seriyle kaydırılmış bir kopyasını korele ederek hesaplayabilir miyim?
Yaklaşık bir sonuç alabilirsiniz: seriyi A sütununa, \(k\) satır kaydırılmış bir kopyasını B sütununa koyun ve örtüşen aralıkta CORREL işlevini kullanın. Sonuç standart ACF'den biraz farklıdır, çünkü Excel'in CORREL'i kesilmiş her parçayı kendi ortalamasına göre ortalar; ACF ise ikisini de tüm serinin ortalamasına göre ortalar. Uzun serilerde fark küçüktür ama kısa serilerde belirgindir — istatistiksel yazılımla aynı sonucu almanız gerekiyorsa 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 en çok, pürüzsüz bir serinin gereğinden fazla fark alınmasından sonra, salınan veya ortalamaya geri dönüş yapan süreçlerde ya da ardışık düzeltmelerin bilinçli olarak birbirini dengelediği durumlarda görürsünüz. Artıklarda güçlü negatif otokorelasyon, bir modelin bir dönemden diğerine fazla düzeltme yaptığının işareti olabilir. 1. gecikmede \(-1\)'e yakın değerler gerçek veride nadirdir ve serinin yapay olarak oluşturulduğunu gösterebilir.
Serimde eksik değerler veya düzensiz zaman aralıkları varsa ne yapmalıyım?
Otokorelasyon, katı zaman sırasına göre eşit aralıklı gözlemler varsayar; bu yüzden boşluklar bir gecikmenin anlamını değiştirir. Seçenekleriniz: küçük boşlukları enterpole etmek veya doldurmak; düzensiz veriyi düzenli aralıklara toplamak (örn. günlük ortalamalar); zaman damgaları varsa düzensiz seriler için tasarlanmış yöntemler kullanmak. Eksik satırları silmek, görünürdeki gecikme yapısını kısaltır ve sonuçları yanlı tutabilir. Ayrıca değerleri en eskiden başlayarak girdiğinizden emin olun — ters sırada girmek işaretleri değiştirmez, ama asimetrik analizlerde fark yaratabilir.