Czasami nazywa si\u0119 j\u0105 tak\u017ce \u201ekorelacj\u0105 szeregow\u0105\u201d lub \u201ekorelacj\u0105 op\u00f3\u017anion\u0105\u201d, poniewa\u017c mierzy zwi\u0105zek mi\u0119dzy bie\u017c\u0105cymi warto\u015bciami zmiennej a jej warto\u015bciami historycznymi.<\/span><\/p>\n Gdy autokorelacja w szeregu czasowym jest wysoka, \u0142atwo jest przewidzie\u0107 przysz\u0142e warto\u015bci, po prostu odnosz\u0105c si\u0119 do warto\u015bci z przesz\u0142o\u015bci.<\/span><\/p>\n Za\u0142\u00f3\u017cmy, \u017ce mamy w R nast\u0119puj\u0105cy szereg czasowy, kt\u00f3ry pokazuje warto\u015b\u0107 pewnej zmiennej dla 15 r\u00f3\u017cnych okres\u00f3w:<\/span><\/p>\n Mo\u017cemy obliczy\u0107 autokorelacj\u0119 dla ka\u017cdego op\u00f3\u017anienia w szeregu czasowym za pomoc\u0105 funkcji acf()<\/strong> z biblioteki tseries<\/strong> :<\/span><\/p>\n Spos\u00f3b interpretacji wyniku jest nast\u0119puj\u0105cy:<\/span><\/p>\n I tak dalej.<\/span><\/p>\n Mo\u017cemy r\u00f3wnie\u017c okre\u015bli\u0107 liczb\u0119 op\u00f3\u017anie\u0144 do wy\u015bwietlenia za pomoc\u0105 argumentu op\u00f3\u017anienia<\/strong> :<\/span><\/p>\n Mo\u017cemy wykre\u015bli\u0107 funkcj\u0119 autokorelacji dla szeregu czasowego w R, po prostu nie u\u017cywaj\u0105c argumentu pl=FALSE<\/strong> :<\/span> <\/p>\n O\u015b x wy\u015bwietla liczb\u0119 op\u00f3\u017anie\u0144, a o\u015b y wy\u015bwietla autokorelacj\u0119 przy tej liczbie op\u00f3\u017anie\u0144. Domy\u015blnie wykres zaczyna si\u0119 od op\u00f3\u017anienia = 0, a autokorelacja b\u0119dzie zawsze wynosi\u0107 1<\/strong> przy op\u00f3\u017anieniu = 0.<\/span><\/p>\n Mo\u017cesz tak\u017ce okre\u015bli\u0107 inny tytu\u0142 fabu\u0142y, u\u017cywaj\u0105c g\u0142\u00f3wnego<\/strong> argumentu:<\/span> <\/p>\n Jak obliczy\u0107 autokorelacj\u0119 w Pythonie<\/a> Autokorelacja mierzy stopie\u0144 podobie\u0144stwa mi\u0119dzy szeregiem czasowym a jego op\u00f3\u017anion\u0105 wersj\u0105 w kolejnych odst\u0119pach czasu. Czasami nazywa si\u0119 j\u0105 tak\u017ce \u201ekorelacj\u0105 szeregow\u0105\u201d lub \u201ekorelacj\u0105 op\u00f3\u017anion\u0105\u201d, poniewa\u017c mierzy zwi\u0105zek mi\u0119dzy bie\u017c\u0105cymi warto\u015bciami zmiennej a jej warto\u015bciami historycznymi. Gdy autokorelacja w szeregu czasowym jest wysoka, \u0142atwo jest przewidzie\u0107 przysz\u0142e warto\u015bci, po prostu odnosz\u0105c si\u0119 do warto\u015bci z […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[],"class_list":["post-1112","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n Jak obliczy\u0107 autokorelacj\u0119 w R<\/strong><\/h3>\n
#define data<\/span>\nx <- c(22, 24, 25, 25, 28, 29, 34, 37, 40, 44, 51, 48, 47, 50, 51)\n<\/strong><\/pre>\n library<\/span> (tseries)<\/span>\n<\/span><\/span>\n#calculate autocorrelations<\/span>\nacf(x, pl= FALSE<\/span> )\n\n 0 1 2 3 4 5 6 7 8 9 10 \n 1.000 0.832 0.656 0.491 0.279 0.031 -0.165 -0.304 -0.401 -0.458 -0.450 \n 11 \n-0.369 \n<\/strong><\/pre>\n\n
#calculate autocorrelations up to lag=5<\/span>\nacf(x, lag=5, pl= FALSE<\/span> )\n\nAutocorrelations of series 'x', by lag\n\n 0 1 2 3 4 5 \n1.000 0.832 0.656 0.491 0.279 0.031<\/strong><\/pre>\n Jak wykre\u015bli\u0107 funkcj\u0119 autokorelacji w R<\/strong><\/h3>\n
#plot autocorrelation function\n<\/span>acf(x)\n<\/strong><\/pre>\n![\"Autokorelacja](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/autocorrelationr1.png\")
<\/p>\n #plot autocorrelation function with custom title\n<\/span>acf(x, main=' Autocorrelation by Lag<\/span> ')<\/strong> <\/pre>\n![\"Wykres](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/autocorrelationr2.png\")
<\/p>\n Dodatkowe zasoby<\/strong><\/span><\/h3>\n
Jak obliczy\u0107 autokorelacj\u0119 w programie Excel<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"