Automaattinen korrelaatio tapahtuu tyypillisesti tietojoukossa, jossa mallit toistuvat. Samankaltaisten muuttujien, kuten tulojen tai taloudellisten tietojen, arvot korreloivat usein keskenään. Tutkijat voivat myös kohdata autokorrelaation vahingossa. Se esiintyy usein taloustieteen tutkimuksissa, tieteellisissä kokeissa, joihin liittyy signaalinkäsittely, sekä optiikassa ja musiikin tallennuksessa. Yleensä aikasarjan yhteydessä kuvattu ilmiö sisältää useita malleja, joita tutkijat käyttävät tietojen analysointiin tai ryhmittelyyn.
Yleensä kahden muuttujan välillä on synkronointi, jotta automaattinen korrelaatio voi tapahtua. Esimerkki on, jos yhden henkilön tulot muuttuvat, ja samaan aikaan tämä kassavirta voi muuttaa toisen henkilön tai ryhmän kuluja kyseisen ajanjakson aikana. Tiedot voivat myös olla automaattisessa korreloinnissa, jos yrityksen tai ammattiliiton lakko vähentää työn tuottoa kerrallaan ja suuntaus jatkuu toiseen mitattuun ajanjaksoon. Osittainen autokorrelaatio on joskus mahdollista; voi olla viive, jos tiedot korreloivat yhden sarjan sisällä ajan mittaan. Sarjan automaattinen korrelaatio on tyypillisesti silloin, kun viive esiintyy aikasarjan eri tietojen välillä.
Kuvioita, joita usein esiintyy automaattisen korrelaation yhteydessä, voidaan esittää kaavion käyrien kuvioina. Näillä käyrillä voidaan kuvata suuntausta; tämä sisältää joskus ylös- ja alaspäin suuntautuvia kuvioita, joita voi esiintyä jaksoissa. Laskelmien virheet voivat myös aiheuttaa tietojen korrelaation virheellisesti, esimerkiksi jos aloitteleva tutkija käyttää vääriä arvoja tai muuttujia. Tietojen ekstrapoloinnin ja interpoloinnin käyttö toisinaan korreloi ne, mutta muutoin ne pysyvät erillään ajasta.
Autokorrelaatiolla voi olla positiivinen arvo, varsinkin jos kuvion trendi on nousemassa ylöspäin. Laskevat suuntaukset heijastuvat usein negatiiviseen arvoon. Tällaisia malleja analysoidaan usein taloustieteessä, mutta ne voivat näkyä myös signaalipulssien, sähkömagneettisten kenttien matemaattisissa analyyseissä sekä erilaisissa tilastosovelluksissa. Ilmiötä käytetään usein niin monenlaisissa sovelluksissa, kuten atomien sijaintien mittaamisessa sekä galaksien jakautumisen tutkimisessa maailmankaikkeudessa.
Autokorrelaation havaitseminen suoritetaan tyypillisesti käyttämällä Durbin Watsonin testiä. Tilasto mitataan matemaattisesti ja tulos määrittelee tyypillisesti sen, onko arvo toisen muuttujan arvoa suurempi vai pienempi. Tutkijat voivat sitten määrittää puhtauden, ja jos tämä ominaisuus löytyy, tietojoukko palautetaan usein alkuperäiseen muotoonsa ilmiön poistamiseksi, jos mahdollista.