Autokoreliacija paprastai įvyksta duomenų rinkinyje, kuriame modeliai kartojasi. Panašių kintamųjų, pavyzdžiui, pajamų ar ekonominių duomenų, reikšmės dažnai koreliuoja viena su kita. Tyrėjai taip pat gali atsitiktinai susipažinti su autokoreliacija. Jis dažnai pasirodo ekonomikos studijose, moksliniuose eksperimentuose, susijusiuose su signalų apdorojimu, taip pat optikoje ir muzikos įrašuose. Paprastai apibūdinamas kartu su laiko eilutėmis, reiškinys apima keletą modelių, kuriuos tyrinėtojai naudoja analizuodami arba grupuodami duomenis.
Paprastai du kintamieji sinchronizuojami, kad įvyktų autokoreliacija. Pavyzdys yra, jei vieno asmens pajamos keičiasi ir tuo pačiu pinigų srautas gali pakeisti kito asmens ar grupės išlaidas per tą laikotarpį. Duomenys taip pat gali būti automatiškai koreliuojami, jei įmonės ar profesinės sąjungos streikas vienu metu sumažina darbo našumą, o tendencija tęsiasi kitu išmatuotu laikotarpiu. Kartais galima dalinė autokoreliacija; gali atsirasti delsa, jei duomenys koreliuojami vienoje serijoje laikui bėgant. Serijinė autokoreliacija paprastai yra tada, kai atsiranda delsa tarp skirtingų duomenų laiko eilutėje.
Modeliai, kurie dažnai atsiranda naudojant autokoreliaciją, gali būti pavaizduoti grafiko kreivių raštais. Šios kreivės gali būti naudojamos tendencijai atspindėti; tai kartais apima aukštyn ir žemyn modelius, kurie gali atsirasti ciklais. Skaičiavimų klaidos taip pat gali sukelti klaidų koreliaciją, pavyzdžiui, jei pradedantysis tyrinėtojas naudoja neteisingas reikšmes ar kintamuosius. Naudojant duomenų ekstrapoliaciją ir interpoliavimą, kartais jie koreliuoja, o to nedarant kintamieji laikomi atskirais laiko atžvilgiu.
Autokoreliacija gali turėti teigiamą reikšmę, ypač jei modelio tendencija kyla aukštyn. Mažėjimo tendencijas dažnai atspindi neigiama vertė. Tokie modeliai dažnai analizuojami ekonomikoje, bet taip pat gali pasireikšti matematinėje signalų impulsų, elektromagnetinių laukų analizėje, taip pat įvairiose statistikos srityse. Šis reiškinys dažnai naudojamas įvairiose srityse, pavyzdžiui, matuojant atomų padėtį, taip pat tiriant galaktikų pasiskirstymą visatoje.
Autokoreliacijos aptikimas paprastai atliekamas naudojant Durbin Watson testą. Statistika išmatuojama matematiškai ir tai, ar vertė yra didesnė ar mažesnė už kito kintamojo, paprastai lemia rezultatą. Tada mokslininkai gali nustatyti grynumą, o jei ši charakteristika randama, duomenų rinkinys dažnai grąžinamas į pradinę formą, kad būtų pašalintas reiškinys, jei įmanoma.