我将DW检验应用于R中的回归模型,得到的DW检验统计量为1.78,p值为2.2e-16 = 0。
这是因为stat接近2且p值很小,还是意味着残差之间没有自相关?还是意味着尽管stat接近2还是p值很小,因此我们拒绝了存在的零假设没有自相关?
我将DW检验应用于R中的回归模型,得到的DW检验统计量为1.78,p值为2.2e-16 = 0。
这是因为stat接近2且p值很小,还是意味着残差之间没有自相关?还是意味着尽管stat接近2还是p值很小,因此我们拒绝了存在的零假设没有自相关?
Answers:
在R,该函数durbinWatsonTest()
从car
包验证是否从线性模型的残差是相关的或不:
由于p值接近零,这意味着人们可以拒绝零值。
Durbin Watson测试旨在检查正和负自相关,但仅用于一阶。请勿将其用于与1阶以上自相关的数据。以下链接同时显示了假设和推论
https://www.statisticshowto.datasciencecentral.com/durbin-watson-test-coefficient
从此网站:
“ Durbin Watson检验的假设是:H0 =不存在一阶自相关。H1 =存在一阶相关。
Durbin Watson检验报告了一个检验统计量,其值为0到4,经验法则是:
2 is no autocorrelation.
0 to <2 is positive autocorrelation (common in time series data).
>2 to 4 is negative autocorrelation (less common in time series data).
根据经验,测试统计值在1.5到2.5的范围内是相对正常的。”
请注意,要获得更精确的结论,我们不仅应依赖DW统计信息,还应查看p值。像SAS这样的软件包将提供2个p值-一个用于测试正一阶自相关,第二个用于测试负一阶自相关(两个p值加1)。如果两个p值都大于您选择的Alpha(在大多数情况下为0.05),则我们不能拒绝“不存在一阶自相关的原假设”。
如果任何一个p值<0.05(或选择的Alpha),则我们知道相应的替代假设为真(1- Alpha确定性)。
希望对您有所帮助。
p值是您应拒绝原假设的较低的α(显着性水平或alpha水平)。
只是一条红线:如果您对α= 0.1,α= 0.05,α= 0.01或任何α> 2.2e-16没问题,那没关系。此p值可确保必须拒绝原假设,并且您无需为每个级别都反复进行测试。
其他测试和p值也是如此。但是您可能不会忘记零假设和替代假设。