Answers:
正如之前在本主题和其他主题中指出的那样:(1)Durbin-Watson检验不是结论性的。Durbin和Watson最初建议的边界是因为精确分布取决于观察到的回归矩阵。但是,这现在很容易在统计/计量软件中解决。(2)Durbin-Watson检验具有较高的滞后性。因此,无论是不确定性还是滞后性的限制,都不是反对Durbin-Watson检验的理由。
与滞后因变量的Wald检验相比,Durbin-Watson检验在某些模型中可以具有更高的功效。具体而言,如果模型包含确定性趋势或季节性模式,则与包括滞后响应(尚未针对确定性模式进行调整)相比,测试残差中的自相关性(如Durbin-Watson检验)会更好。 。我在下面包括一个小的R模拟。
Durbin-Watson检验的一个重要缺点是,不得将其应用于已经包含自回归效应的模型。因此,在将部分捕获到自回归模型中之后,您将无法测试剩余的剩余自相关。在那种情况下,Durbin-Watson检验的功能可能会完全崩溃,而对于Breusch-Godfrey检验,则不能。我们的“带R的应用计量经济学”一书有一个小型的模拟研究,在“编写自己的分析”一章中对此进行了说明,请参阅http://eeecon.uibk.ac.at/~zeileis/teaching/AER/。
但是,对于具有趋势和自相关误差的数据集,Durbin-Watson检验的功效高于Breusch-Godfrey检验的功效,也高于自回归效应的Wald检验。我在R中的一个简单小场景中对此进行了说明。我从这种模型中提取了50个观察值,并为所有三个测试计算p值:
pvals <- function()
{
## data with trend and autocorrelated error term
d <- data.frame(
x = 1:50,
err = filter(rnorm(50), 0.25, method = "recursive")
)
## response and corresponding lags
d$y <- 1 + 1 * d$x + d$err
d$ylag <- c(NA, d$y[-50])
## OLS regressions with/without lags
m <- lm(y ~ x, data = d)
mlag <- lm(y ~ x + ylag, data = d)
## p-value from Durbin-Watson and Breusch-Godfrey tests
## and the Wald test of the lag coefficient
c(
"DW" = dwtest(m)$p.value,
"BG" = bgtest(m)$p.value,
"Coef-Wald" = coeftest(mlag)[3, 4]
)
}
然后,我们可以为所有三个模型模拟1000个p值:
set.seed(1)
p <- t(replicate(1000, pvals()))
Durbin-Watson检验导致最低的平均p值
colMeans(p)
## DW BG Coef-Wald
## 0.1220556 0.2812628 0.2892220
以及5%显着性水平下的最高功效:
colMeans(p < 0.05)
## DW BG Coef-Wald
## 0.493 0.256 0.248
Durbin-Watson测试是测试自相关的方法。绘制ACF就像制作QQ图以测试正常性一样。能够对QQ图进行眼球检查以检验正态性很有用,但是Kolmogorov-Smirnov或Levene检验可以补充您在图中看到的内容,因为对正态性的假设检验更具说服力。
关于多重滞后,可以使用广义的Durbin-Watson统计量,运行一些假设检验,并进行Bonferroni校正以校正多重检验。您还可以运行Breusch-Godfrey测试,该测试测试是否存在任何顺序的相关性。