Bir de\u011fi\u015fkenin mevcut de\u011ferleri ile ge\u00e7mi\u015f de\u011ferleri aras\u0131ndaki ili\u015fkiyi \u00f6l\u00e7t\u00fc\u011f\u00fc i\u00e7in bazen “seri korelasyon” veya “gecikmeli korelasyon” olarak da adland\u0131r\u0131l\u0131r.<\/span><\/p>\n Bir zaman serisinde otokorelasyon y\u00fcksek oldu\u011funda, sadece ge\u00e7mi\u015f de\u011ferlere ba\u015fvurarak gelecekteki de\u011ferleri tahmin etmek kolayla\u015f\u0131r.<\/span><\/p>\n R’de belirli bir de\u011fi\u015fkenin de\u011ferini 15 farkl\u0131 d\u00f6nem i\u00e7in g\u00f6steren a\u015fa\u011f\u0131daki zaman serisine sahip oldu\u011fumuzu varsayal\u0131m:<\/span><\/p>\n Tseries<\/strong> k\u00fct\u00fcphanesindeki acf()<\/strong> fonksiyonunu kullanarak zaman serisindeki her gecikme i\u00e7in otokorelasyonu hesaplayabiliriz:<\/span><\/p>\n Sonucun yorumlanma \u015fekli \u015fu \u015fekildedir:<\/span><\/p>\n Ve benzeri.<\/span><\/p>\n Gecikme<\/strong> arg\u00fcman\u0131yla g\u00f6r\u00fcnt\u00fclenecek gecikme say\u0131s\u0131n\u0131 da belirtebiliriz:<\/span><\/p>\n pl=FALSE<\/strong> arg\u00fcman\u0131n\u0131 kullanmadan, R’deki bir zaman serisi i\u00e7in otokorelasyon fonksiyonunu \u00e7izebiliriz:<\/span> <\/p>\n X ekseni gecikme say\u0131s\u0131n\u0131, y ekseni ise bu gecikme say\u0131s\u0131ndaki otokorelasyonu g\u00f6r\u00fcnt\u00fcler. Varsay\u0131lan olarak \u00e7izim gecikme = 0’da ba\u015flar ve otokorelasyon gecikme = 0’da her zaman 1<\/strong> olacakt\u0131r.<\/span><\/p>\n Ana<\/strong> arg\u00fcman\u0131 kullanarak olay \u00f6rg\u00fcs\u00fc i\u00e7in farkl\u0131 bir ba\u015fl\u0131k da belirleyebilirsiniz:<\/span> <\/p>\n Python’da Otokorelasyon Nas\u0131l Hesaplan\u0131r?<\/a> Otokorelasyon, bir zaman serisi ile kendisinin gecikmeli versiyonu aras\u0131ndaki ard\u0131\u015f\u0131k zaman aral\u0131klar\u0131ndaki benzerlik derecesini \u00f6l\u00e7er. Bir de\u011fi\u015fkenin mevcut de\u011ferleri ile ge\u00e7mi\u015f de\u011ferleri aras\u0131ndaki ili\u015fkiyi \u00f6l\u00e7t\u00fc\u011f\u00fc i\u00e7in bazen “seri korelasyon” veya “gecikmeli korelasyon” olarak da adland\u0131r\u0131l\u0131r. Bir zaman serisinde otokorelasyon y\u00fcksek oldu\u011funda, sadece ge\u00e7mi\u015f de\u011ferlere ba\u015fvurarak gelecekteki de\u011ferleri tahmin etmek kolayla\u015f\u0131r. R’de otokorelasyon nas\u0131l hesaplan\u0131r R’de […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"class_list":["post-1115","post","type-post","status-publish","format-standard","hentry","category-rehber"],"yoast_head":"\n R’de otokorelasyon nas\u0131l hesaplan\u0131r<\/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 R’de otokorelasyon fonksiyonu nas\u0131l \u00e7izilir<\/strong><\/h3>\n
#plot autocorrelation function\n<\/span>acf(x)\n<\/strong><\/pre>\n![\"R'de](\"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![\"R'de](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/autocorrelationr2.png\")
<\/p>\n Ek kaynaklar<\/strong><\/span><\/h3>\n
Excel’de Otokorelasyon Nas\u0131l Hesaplan\u0131r<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"