Salah satu asumsi klasik dalam model regresi liniear bahwa tidak ada korelasi antara kesalahan pengganggu periode t dengan kesalahan penggaggu periode t-1. Keadaan demikian disebut tidak ada otokorelasi atau serial korelasi, dimana:

Artinya jika:        

maka Variance-Covariance:

Apabila asumsi di atas tidak dipenuhi, berarti model tersebut mengandung otokorelasi.

Ada beberapa sebab sehingga terjadi otokorelasi, yakni:

Kelambanan

Pada data bersifat time-series,besar kemungkinaa terjadi otokorelasi dibandingkan data yang bersifat cross-section. Perubahan situasi ekonomi biasanya tidak dengan segera tejadi. Gerakan dari keadaan resesi menimbulkan pada keadaan yang agak membaik, biasa lamban, dan tergantung besarnya pengaruh dari variable-variabel yangikut menentukan panjangnya siklus dan kecepatan perubahan.

Spesifikasi Bias

Apabila dalam suatu model tidak mengikutsertakan suatu atau beberapa variable, padahal variable itu memang relevan dapat menimbulkan otokorelasi. Model yang demikian diasumsikan secara bias.

Salah menentukan Bentuk Fungsi

Apabila salah menentukan bentuk fungsi yang akan digunakan, bisa menimbulkan otokorelasi pada kesalahan pengganggu, misalnya yang seharusnya model itu nonlinear, dipaksa secara liniear.

Pengaruh Time Lag

Apabila variable dependen itu bukan hanya dipengaruhi oleh variable independen, tapi juga dipengaruhi oleh variable dependen pada periode yang lalu akan dapat menimbulkan otokorelasi.

Dengan berlakunya semua asumsi, tapi hanya mengandung otokorelasi, maka penaksiran dengan menggunakan OLS, tetap saja unbiased, konsisten, tapi tidak lagi efisien. Dengan tidak lagi efisien, maka confidence interval menjadi melebar, sehingga predictiability menjadi berkurang. Apabila penerapan OLS tetap saja dilakukan, maka variance dari kesalahan pengganggu akan menjadi underestimate, sehinnga uji t dan F tidak lagi valid.

Apabila memang terjadi otokorelasi, data asli harus ditransformasikan terlebih dahulu untuk menghilangkannya. Sebelum melakukan transformasi, sebaiknya dilakukan pengujian terlebih dahulu, apakah ada otokorelasi atau tidak. Cara pengujiannya dilakukan dengan menggunakan statistic d Durbin-Watson (The Durbin-Watson d Statistics.