Тест Дарбина-Уотсона: автокорреляция остатков

Автокорреляция остатков Дарбин-Уотсон - это классический способ проверить, связаны ли между собой ошибки регрессионной модели во времени. Если остатки соседних наблюдений зависят друг от друга, нарушается одна из ключевых предпосылок метода наименьших квадратов, и оценки стандартных ошибок становятся смещёнными. Тест Дарбина-Уотсона даёт простую числовую статистику $DW$, по которой можно судить о наличии и направлении автокорреляции первого порядка. Ниже разберём формулу, логику проверки гипотез, таблицу границ $d_L$ и $d_U$, связь статистики с коэффициентом автокорреляции и частые ошибки интерпретации.

Что такое автокорреляция остатков

Автокорреляция остатков - это статистическая зависимость между ошибками регрессии в разные моменты времени. В корректной модели остатки $e_t$ должны быть случайными и независимыми: знание остатка в момент $t-1$ не должно помогать предсказать остаток в момент $t$. Если же положительный остаток систематически сменяется положительным (или, наоборот, чередуются знаки), мы имеем дело с автокорреляцией.

Чаще всего рассматривают автокорреляцию первого порядка, когда текущий остаток связан с предыдущим линейной зависимостью:

$e_t = \rho\, e_{t-1} + u_t,$

где $\rho$ - коэффициент автокорреляции, а $u_t$ - белый шум. При $\rho > 0$ говорят о положительной автокорреляции (остатки «слипаются» в серии одного знака), при $\rho < 0$ - об отрицательной (знаки регулярно чередуются). Именно величину $\rho$ косвенно и оценивает статистика Дарбина-Уотсона.

Хотите быстро проверить остатки своей модели на автокорреляцию? Вставьте ряд остатков ниже - инструмент посчитает статистику $DW$ и подскажет, как её трактовать.

Формула статистики Дарбина-Уотсона

Статистика теста рассчитывается по остаткам $e_t$ оценённой регрессии и сравнивает разности соседних остатков с их общим разбросом:

$DW = \frac{\sum_{t=2}^{n} (e_t - e_{t-1})^2}{\sum_{t=1}^{n} e_t^2}.$

В числителе стоит сумма квадратов первых разностей остатков, в знаменателе - сумма квадратов самих остатков. Если соседние остатки близки, разности малы и числитель невелик - статистика стремится к нулю. Если же знаки регулярно меняются, разности большие, и $DW$ растёт к четырём.

Статистика Дарбина-Уотсона всегда лежит в диапазоне от 0 до 4. Опорное значение $DW \approx 2$ соответствует отсутствию автокорреляции. Значения заметно ниже двойки указывают на положительную автокорреляцию, выше двойки - на отрицательную. Это удобная мнемоника, но точные границы задаются критическими значениями, о которых ниже.

Связь DW с коэффициентом автокорреляции

Между статистикой и выборочным коэффициентом автокорреляции первого порядка $\hat{\rho}$ существует приближённое соотношение, которое объясняет границы диапазона:

$DW \approx 2\,(1 - \hat{\rho}).$

Отсюда видно, почему опорная точка равна двум. При $\hat{\rho} = 0$ (автокорреляции нет) получаем $DW \approx 2$. При сильной положительной автокорреляции $\hat{\rho} \to 1$ и $DW \to 0$. При сильной отрицательной $\hat{\rho} \to -1$ и $DW \to 4$. Это соотношение приближённое: оно точно выполняется лишь в пределе больших выборок, но хорошо описывает поведение статистики и помогает запомнить смысл шкалы.

Гипотезы и зоны решения

Тест проверяет нулевую гипотезу об отсутствии автокорреляции первого порядка против односторонней альтернативы. Для проверки положительной автокорреляции:

$H_0: \rho = 0 \quad \text{против} \quad H_1: \rho > 0.$

Особенность теста - наличие зоны неопределённости. По таблицам Дарбина-Уотсона для заданного уровня значимости, числа наблюдений $n$ и числа объясняющих переменных $k$ находят две границы: нижнюю $d_L$ и верхнюю $d_U$. Решение принимают по схеме (для проверки положительной автокорреляции):

• $DW < d_L$ - нулевая гипотеза отвергается, есть положительная автокорреляция;
• $DW > d_U$ - нулевая гипотеза не отвергается, автокорреляции нет;
• $d_L \le DW \le d_U$ - зона неопределённости, тест не даёт ответа.

Для отрицательной автокорреляции зеркально анализируют величину $4 - DW$, сравнивая её с теми же $d_L$ и $d_U$. Наличие двух «глухих» интервалов - главное практическое неудобство теста, и о нём важно помнить при формулировке вывода.

Таблица границ dL и dU

Критические значения зависят от трёх параметров: уровня значимости (обычно $\alpha = 0{,}05$), объёма выборки $n$ и числа регрессоров $k$ (без учёта свободного члена). Чем больше регрессоров, тем шире зона неопределённости. Ниже фрагмент таблицы для $\alpha = 0{,}05$ и $k = 1$:

• $n = 15$: $d_L = 1{,}08$, $d_U = 1{,}36$;
• $n = 30$: $d_L = 1{,}35$, $d_U = 1{,}49$;
• $n = 50$: $d_L = 1{,}50$, $d_U = 1{,}59$;
• $n = 100$: $d_L = 1{,}65$, $d_U = 1{,}69$.

С ростом $n$ границы сближаются и подтягиваются к двойке, поэтому на больших выборках зона неопределённости сужается. Если вашего значения нет в таблице, используют ближайшее меньшее $n$ (консервативный подход) или интерполируют. Логика проверки гипотез здесь та же, что и в других статистических критериях, например при работе с критическими значениями распределения Фишера.

Условия применимости и ограничения

Тест Дарбина-Уотсона корректен не всегда. Важнейшее ограничение - он чувствителен только к автокорреляции первого порядка и не выявляет более сложные структуры (сезонную, второго порядка и т. д.). Кроме того, регрессия обязательно должна содержать свободный член (константу), иначе табличные границы неприменимы.

Для моделей с лагами зависимой переменной и для автокорреляции высоких порядков предпочтительнее тест Бройша-Годфри (LM-тест), который свободен от перечисленных ограничений и не имеет зоны неопределённости.

Стоит помнить и о природе данных. Автокорреляция остатков типична для временных рядов, где наблюдения упорядочены по времени и инерция процесса естественна. Для пространственных (кросс-секционных) данных порядок наблюдений произволен, поэтому DW-тест к ним обычно не применяют: переставив строки, можно получить совершенно другое значение статистики. Прежде чем считать $DW$, убедитесь, что наблюдения действительно имеют осмысленный естественный порядок, иначе результат теста ничего не значит.

Что делать при обнаружении автокорреляции

Если тест выявил значимую автокорреляцию, обычный МНК остаётся несмещённым, но его стандартные ошибки и $t$-статистики становятся ненадёжными, а доверительные интервалы - некорректными. Возможные шаги:

Если спецификация верна, применяют обобщённый МНК (GLS) и его частные случаи - процедуру Кохрейна-Оркатта или Прайса-Уинстена, которые преобразуют данные с учётом оценённого $\hat{\rho}$. Идея проста: исходные переменные заменяют на квазиразности вида $y_t - \hat{\rho}\, y_{t-1}$, после чего автокорреляция в преобразованной модели исчезает. Альтернатива - использование робастных к автокорреляции стандартных ошибок (HAC, оценка Ньюи-Уеста), которая корректирует стандартные ошибки и доверительные интервалы, не меняя сами оценки коэффициентов. Выбор между подходами зависит от цели: GLS повышает эффективность оценок, а HAC проще и не требует точного знания структуры автокорреляции.

Частые ошибки

• Трактовать $DW$ как вероятность или p-значение. Это статистика на шкале от 0 до 4, а не уровень значимости; вывод делается через сравнение с $d_L$ и $d_U$.
• Игнорировать зону неопределённости. При $d_L \le DW \le d_U$ тест не позволяет ни принять, ни отвергнуть $H_0$ - нужно прямо указать это, а не «округлять» решение в удобную сторону.
• Применять тест без константы в модели или при лагированной зависимой переменной. Табличные границы в этих случаях недействительны.
• Считать $DW \approx 2$ доказательством независимости остатков. Тест видит только автокорреляцию первого порядка; сезонная или нелинейная зависимость может остаться незамеченной.
• Использовать односторонние границы как двусторонние. Для проверки отрицательной автокорреляции анализируют $4 - DW$, а не само значение $DW$.

FAQ

Какое значение DW считается хорошим? Значение около 2 говорит об отсутствии автокорреляции первого порядка. Практически приемлемым часто считают диапазон примерно от 1,5 до 2,5, но строгий вывод всё равно нужно делать по критическим границам $d_L$ и $d_U$ для вашего $n$ и $k$.

Чем тест Дарбина-Уотсона отличается от теста Бройша-Годфри? DW проверяет только автокорреляцию первого порядка и имеет зону неопределённости. Тест Бройша-Годфри работает с автокорреляцией любого порядка, допускает лагированную зависимую переменную и даёт обычное p-значение без «глухих» интервалов.

Что означает DW близко к 0 или к 4? Значение около 0 указывает на сильную положительную автокорреляцию (остатки идут сериями одного знака), близкое к 4 - на сильную отрицательную (знаки регулярно чередуются). Оба случая нарушают предпосылку независимости ошибок.

Коротко

Автокорреляция остатков Дарбин-Уотсон - это проверка независимости ошибок регрессии по статистике $DW = \sum (e_t - e_{t-1})^2 / \sum e_t^2$, лежащей в диапазоне от 0 до 4 с опорной точкой 2. Через приближение $DW \approx 2(1-\hat{\rho})$ статистика связана с коэффициентом автокорреляции, а решение принимают, сравнивая её с табличными границами $d_L$ и $d_U$ с учётом зоны неопределённости. Тест работает только для автокорреляции первого порядка и требует константы в модели; при лагах зависимой переменной или сложных структурах ошибок используют тест Бройша-Годфри, а лечат автокорреляцию через GLS или HAC-ошибки.