Autocorrélation et corrélation croisée -> Utilisations principales en DSP??

L'autocorrélation, parfois connue sous le nom de corrélation en série dans le cas de temps discret, est la corrélation d'un signal avec une copie retardée de lui-même en fonction du retard. De manière informelle, c'est la similitude entre les observations d'une variable aléatoire en fonction du retard de temps entre eux.

1. Quelle est la différence entre la corrélation et l'autocorrélation?
2. Pourquoi l'autocorrélation est-elle un problème?
3. Quel est le but de l'autocorrélation?
4. L'autocorrélation est-elle bonne ou mauvaise dans les séries chronologiques?

Quelle est la différence entre la corrélation et l'autocorrélation?

L'autocorrélation, également connue sous le nom de corrélation en série, fait référence au degré de corrélation des mêmes variables entre deux intervalles de temps successifs. La valeur de l'autocorrélation varie de -1 à 1. Une valeur entre -1 et 0 représente une autocorrélation négative. Une valeur entre 0 et 1 représente une autocorrélation positive.

Pourquoi l'autocorrélation est-elle un problème?

L'autocorrélation peut causer des problèmes dans les analyses conventionnelles (comme la régression des moindres carrés ordinaires) qui supposent l'indépendance des observations. Dans une analyse de régression, l'autocorrélation des résidus de régression peut également se produire si le modèle est incorrectement spécifié.

Quel est le but de l'autocorrélation?

La fonction d'autocorrélation (Box et Jenkins, 1976) peut être utilisée aux deux objectifs suivants: détecter la non-psychomique dans les données. Pour identifier un modèle de séries chronologiques approprié si les données ne sont pas aléatoires.

L'autocorrélation est-elle bonne ou mauvaise dans les séries chronologiques?

L'autocorrélation est également connue sous le nom de corrélation série, de corrélation de séries chronologiques et de corrélation décalée. Quelle que soit la façon dont il est utilisé, l'autocorrélation est une méthode idéale pour découvrir les tendances et les modèles dans les données de séries chronologiques qui auraient autrement disparu.