Vidéo: Déréalisation, dépersonnalisation, nouvelles données de compréhension 2024
Pour un ensemble de données constitué d'observations prises à différents moments (c.-à-d. données de séries temporelles ), il est important de déterminer si les observations sont corrélées ou non. En effet, de nombreuses techniques de modélisation de séries temporelles reposent sur l'hypothèse que les données ne sont pas corrélées entre elles (indépendantes).
Une technique graphique que vous pouvez utiliser pour voir si les données sont décorrélées entre elles est la fonction d'autocorrélation . La fonction d'autocorrélation montre la corrélation entre les observations dans une série temporelle avec différents décalages. Par exemple, la corrélation entre les observations avec décalage 1 se réfère à la corrélation entre chaque observation individuelle et sa valeur précédente.
Cette figure montre la fonction d'autocorrélation pour les rendements quotidiens d'ExxonMobil en 2013.
Chaque "pic" de la fonction d'autocorrélation représente la corrélation entre les observations avec un décalage donné.
L'autocorrélation avec décalage 0 est toujours égale à 1, car elle représente les corrélations des observations avec elles-mêmes.
Sur le graphique, les lignes pointillées représentent les limites inférieure et supérieure d'un intervalle de confiance . Si un pic dépasse la limite supérieure de l'intervalle de confiance ou tombe en dessous de la limite inférieure de l'intervalle de confiance, cela montre que la corrélation pour ce décalage n'est pas 0. Ceci est une preuve contre l'indépendance des éléments dans un jeu de données.
Dans ce cas, il n'y a qu'un seul pic statistiquement significatif (au décalage 8). Cette pointe montre que les retours d'ExxonMobil peuvent être indépendants. Un test statistique plus formel montrerait si c'est vrai ou non.
