Autokorelasi

Arti Autokorelasi

Autokorelasi mengacu pada tingkat kedekatan atau korelasi antara nilai-nilai dari variabel yang sama atau rangkaian data pada periode yang berbeda. Koefisien korelasi ini juga dikenal sebagai lagged atau korelasi serial.

Ini digunakan untuk mengidentifikasi non-acak dalam data yang disajikan. Artinya, penerapannya melibatkan penggunaannya untuk menentukan apakah data berasal dari proses acak atau tidak. Selain itu, aplikasi fungsi autokorelasi akan berguna dalam mengidentifikasi model deret waktu yang tepat atau model nonlinier dengan waktu sebagai variabel independen jika data tidak dihasilkan dari proses acak.

Takeaway kunci

Autokorelasi mengacu pada tingkat kedekatan atau korelasi antara nilai-nilai dari variabel yang sama atau rangkaian data pada periode yang berbeda. Ini juga dikenal sebagai korelasi tertinggal atau korelasi serial.
Umumnya nilainya berosilasi antara -1 hingga 1. Jika output berada di antara -1 hingga 0, maka itu adalah korelasi negatif, dan korelasi positif terjadi jika output berkisar antara 0 hingga 1.
Pedagang atau analis menggunakan metode ini untuk menentukan pengaruh harga sekuritas masa lalu terhadap harga masa depan mereka.
Dalam statistik spasial, autokorelasi spasial menunjukkan variasi spasial yang sistematis dalam suatu variabel. Dengan kata lain, ini menentukan hubungan antara pengamatan terdekat.

Autokorelasi Dijelaskan

Metode autokorelasi diterapkan pada deret waktu yang sama pada titik waktu yang berbeda untuk menentukan hubungan antara nilai variabel saat ini dan masa lalu. Hasil dari metode ini mengungkapkan apakah versi yang berbeda dari deret waktu yang sama memiliki korelasi positif atau negatif. Misalnya, hasilnya dapat bervariasi dari -1 hingga 1, dan jika nilainya -1 atau mendekati -1, itu adalah korelasi negatif; jika nilainya 1 atau mendekati 1, itu adalah korelasi positif.

Pada dasarnya, data seri berkorelasi dengan dirinya sendiri. Versi lagged dari deret waktu digunakan untuk menentukan tingkat korelasi antara pengamatan yang dipisahkan oleh interval. Korelasi bisa kuat atau negatif. Jika nilai masa lalu tidak mempengaruhi nilai sekarang, maka korelasinya tidak ada.

Ini digunakan di banyak bidang pekerjaan. Misalnya, di pasar keuangan, ini diterapkan oleh pedagang saham dan analis untuk memahami tingkat kesamaan, dan pola pergerakan menggunakan grafik, memahami dampak harga masa lalu, dan memprediksi harga masa depan. Contoh umum lainnya adalah mempelajari kenaikan suhu dalam laporan cuaca. Secara sederhana, ini mendefinisikan hubungan antara nilai masa lalu dan masa depan variabel acak. Ini mengukur persamaan antara pengamatan yang direkam pada titik waktu yang berbeda dan mengidentifikasi pola dan tren selama deret waktu.

Uji Autokorelasi

Tes yang terkenal adalah:

Tes Durbin-Watson
Uji Ljung–Kotak Q

Tes Durbin-Watson

Tes tersebut memberikan output mulai dari 0 hingga 4. Autokorelasi akan menjadi

Mendekati 0: Lebih kuat dan positif
Tengah: Rendah
Mendekati 4: Negatif

Tes Ljung-Box

Ini juga dikenal sebagai uji Box-Pierce, Ljung-Box Q yang dimodifikasi, uji Box, atau uji Portmanteau. Ini menguji tidak adanya autokorelasi serial untuk lag tertentu “k.” Selain itu, ini menguji keacakan dan independensi. Jika autokorelasi dari residual sangat kecil, modelnya bagus; yaitu, model tidak menunjukkan kekurangan kesesuaian yang signifikan.

Contoh

Contoh penting adalah analisis autokorelasi pada return saham harian yang melibatkan analisis regresi dengan menggunakan data time series. Ini memberikan implikasi penting untuk regulasi pasar, desain mekanisme perdagangan, dan strategi perdagangan yang mengeksploitasi prediktabilitas return saham, efisiensi pasar, spread, volatilitas, volume perdagangan, dan likuiditas.

Biasanya, keputusan masuk pada saat tertinggi sepanjang masa tidak umum karena harga yang lebih rendah dapat mengikuti harga tertinggi, yaitu terjadinya pembalikan tren. Namun, pada saat yang sama, kemunculan serial autokorelasi menunjukkan kecenderungan harga saham pada level tertinggi untuk sejajar dalam arah yang sama tanpa pembalikan dalam jangka waktu yang wajar. Jadi, trader aktif dapat mencoba strategi yang berbeda dari biasanya, seperti beralih ke portofolio 80/20 saat skenario berada pada titik tertinggi sepanjang masa dan kembali memilih portofolio 60/40 saat harga turun.

Pertanyaan yang Sering Diajukan (FAQ)

Apa itu autokorelasi dalam deret waktu?

Dalam deret waktu, metode ini menunjukkan derajat atau tingkat kemiripan antara deret waktu dan versi laggednya selama interval waktu yang berurutan. Intinya, ini mengukur hubungan antara nilai saat ini dan nilai historis suatu variabel dengan membandingkan deret dua waktu, satu deret waktu asli, dan yang kedua adalah versi lagging yang mencakup periode yang berbeda.

Apa itu autokorelasi spasial?

Dalam statistik spasial, ini menunjukkan variasi spasial yang sistematis dalam suatu variabel. Ini adalah ukuran hubungan antara pengamatan terdekat. Contoh contoh positif adalah kecenderungan area atau tempat terdekat untuk berbagi nilai yang sama.

Apa fungsi autokorelasi parsial?

Ini menunjuk pada hubungan antara nilai dalam deret waktu dengan nilai pada periode atau durasi sebelumnya, dengan mengabaikan nilai intervening atau nilai yang diamati di antara kedua deret tersebut. Oleh karena itu, dalam analisis deret waktu, fungsi memberikan korelasi parsial deret waktu stasioner dengan nilai laggednya sendiri dan mengontrol kelambatan lainnya.

Artikel yang Direkomendasikan

Ini telah menjadi Panduan untuk autokorelasi dan maknanya. Kami menjelaskan karakteristik, fungsi, jenis pengujian, dan contohnya. Anda dapat mempelajari lebih lanjut dari artikel berikut –