Video: Bereitstellung von Metadaten für dynamische Datenanbieter im DMA 2025
Für ein Dataset, das aus Beobachtungen besteht, die zu verschiedenen Zeitpunkten gemacht wurden (d. H. Zeitreihendaten ), es ist wichtig zu bestimmen, ob die Beobachtungen miteinander korreliert sind oder nicht. Dies liegt daran, dass viele Techniken zum Modellieren von Zeitreihendaten auf der Annahme basieren, dass die Daten nicht miteinander korreliert sind (unabhängig).
Eine grafische Methode, mit der Sie feststellen können, ob die Daten miteinander unkorreliert sind, ist die Autokorrelationsfunktion . Die Autokorrelationsfunktion zeigt die Korrelation zwischen Beobachtungen in einer Zeitreihe mit unterschiedlichen Verzögerungen. Zum Beispiel bezieht sich die Korrelation zwischen Beobachtungen mit Verzögerung 1 auf die Korrelation zwischen jeder einzelnen Beobachtung und ihrem vorherigen Wert.
Diese Abbildung zeigt die Autokorrelationsfunktion für die täglichen Erträge von ExxonMobil im Jahr 2013.
Jede "Spitze" in der Autokorrelationsfunktion stellt die Korrelation dar zwischen Beobachtungen mit einer gegebenen Verzögerung.
Die Autokorrelation mit der Verzögerung 0 ist immer gleich 1, weil dies die Korrelationen der Beobachtungen mit sich selbst darstellt.
In der Grafik stellen die gestrichelten Linien die unteren und oberen Grenzen eines Konfidenzintervalls dar. Wenn eine Spitze über die obere Grenze des Konfidenzintervalls steigt oder unter die untere Grenze des Konfidenzintervalls fällt, zeigt dies, dass die Korrelation für diese Verzögerung nicht 0 ist. Dies ist ein Beweis gegen die Unabhängigkeit der Elemente in einem Datensatz.
In diesem Fall gibt es nur eine statistisch signifikante Spitze (bei Verzögerung 8). Diese Spitze zeigt, dass die ExxonMobil-Returns unabhängig sein können. Ein formalerer statistischer Test würde zeigen, ob das wahr ist oder nicht.
