Автокорреляция остатков: критерий Дарбина-Уотсона

Автокорреляция остатков - одно из ключевых нарушений предпосылок классического метода наименьших квадратов (МНК). Если ошибки модели коррелируют друг с другом во времени, оценки коэффициентов остаются несмещёнными, но перестают быть эффективными: стандартные ошибки занижаются, t-статистики завышаются, а выводы о значимости становятся ненадёжными. Диагностировать эту проблему помогает статистика Дарбина-Уотсона - один из самых распространённых тестов в эконометрике. Разберём устройство критерия и порядок его применения - или сразу проверьте свой случай с помощью инструмента ниже.

Что такое автокорреляция остатков

Пусть у нас есть регрессионная модель $y_t = \beta_0 + \beta_1 x_t + \varepsilon_t$. Предпосылка Гаусса-Маркова о некоррелированности ошибок требует: $\text{Cov}(\varepsilon_t, \varepsilon_s) = 0$ для всех $t \neq s$.

Автокорреляция первого порядка (AR(1)) нарушает это условие:

$\varepsilon_t = \rho \varepsilon_{t-1} + u_t, \quad u_t \sim \text{i.i.d.}(0, \sigma^2)$

Здесь $\rho$ - коэффициент автокорреляции. При $|\rho| < 1$ процесс стационарен. Положительная автокорреляция ($\rho > 0$) означает, что положительный остаток в момент $t$ с высокой вероятностью сопровождается положительным остатком в $t+1$. Отрицательная ($\rho < 0$) - знаки остатков чередуются.

На практике автокорреляция возникает в данных с временной структурой: временные ряды ВВП, процентных ставок, объёмов продаж, когда пропущены важные переменные или неверно задана функциональная форма модели.

Рассчитать для своей задачи

Формула статистики Дарбина-Уотсона

Статистика $d$ была предложена Джеймсом Дарбином и Джеффри Уотсоном в 1950-1951 годах. Вычисляется по остаткам МНК $e_t = y_t - \hat{y}_t$:

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

Числитель суммирует квадраты последовательных разностей остатков, знаменатель - это RSS (сумма квадратов остатков). Можно показать, что:

$d \approx 2(1 - \hat{\rho})$

где $\hat{\rho}$ - оценка коэффициента автокорреляции первого порядка. Отсюда очевидны пределы: $d \in [0, 4]$.

• $d \approx 2$: автокорреляция отсутствует ($\hat{\rho} \approx 0$)
• $d \approx 0$: сильная положительная автокорреляция ($\hat{\rho} \approx 1$)
• $d \approx 4$: сильная отрицательная автокорреляция ($\hat{\rho} \approx -1$)

Таблица критических значений и зоны решений

Особенность теста Дарбина-Уотсона - двусторонние критические значения $d_L$ (нижняя граница) и $d_U$ (верхняя граница), зависящие от числа наблюдений $n$, числа регрессоров $k$ и уровня значимости.

Рассчитать для своей задачи

Для теста на положительную автокорреляцию ($H_0$: $\rho = 0$, $H_1$: $\rho > 0$):

Для теста на отрицательную автокорреляцию используют $d' = 4 - d$ и те же таблицы. Полный двусторонний тест (на любую автокорреляцию) работает с уровнем значимости $2\alpha$.

Пример значений при $n = 30$, $k = 2$, $\alpha = 0{,}05$: $d_L = 1{,}284$, $d_U = 1{,}567$. Если вычисленное $d = 1{,}10 < 1{,}284$ - положительная автокорреляция подтверждается.

Таблицы Дарбина-Уотсона публиковались в оригинальных статьях авторов (Biometrika, 1950-1951) и воспроизведены в большинстве учебников по эконометрике. Важно использовать правильную версию: таблицы для $\alpha = 0{,}05$ и $\alpha = 0{,}01$ существенно различаются. При больших выборках ($n > 100$) зона неопределённости сужается, и тест становится более информативным: $d_L$ и $d_U$ сближаются к значению около $1{,}65$.

Предпосылки и ограничения теста

Критерий Дарбина-Уотсона корректен при соблюдении ряда условий:

Дополнительные ограничения:

• Модель включает константу (intercept)
• Данные образуют временной ряд (или пространственную последовательность)
• Тест диагностирует автокорреляцию только первого порядка
• Зона неопределённости не даёт однозначного ответа - при попадании в неё тест неинформативен

Для диагностики автокорреляции более высокого порядка (AR(p)) применяют LM-тест Бреуша-Годфри: он лишён большинства ограничений теста Дарбина-Уотсона и рекомендован в современных учебниках эконометрики.

Последствия автокорреляции для МНК

Если автокорреляция присутствует, но игнорируется:

1. Коэффициенты МНК остаются несмещёнными - оценки $\hat{\beta}$ в среднем равны истинным значениям.
2. Оценки неэффективны - МНК-оценки больше не имеют минимальной дисперсии среди линейных несмещённых оценок (теорема Гаусса-Маркова нарушена).
3. Стандартные ошибки занижены при положительной автокорреляции - это приводит к завышению t-статистик и ложным выводам о значимости переменных.
4. $R^2$ завышен - модель выглядит лучше, чем она есть.

В эконометрике временных рядов эта проблема особенно актуальна. Например, при моделировании потребления или инвестиций пропущенные факторы часто вызывают систематическое отклонение остатков в одну сторону на нескольких последовательных периодах.

Практически важно понимать: при положительной автокорреляции ($\rho > 0$) реальная стандартная ошибка может в 2-3 раза превышать оценку МНК. Это значит, что t-статистика, вычисленная стандартным способом, может быть завышена в те же 2-3 раза. Регрессор, t-статистика которого равна 3 при «нормальных» предпосылках, при $\rho = 0{,}7$ может иметь истинную t-статистику лишь 1, что означает незначимость переменной на стандартном уровне.

Проблема тесно связана с коэффициентом инфляции дисперсии (VIF) - ещё одним диагностическим инструментом при нарушении предпосылок МНК.

Устранение автокорреляции

Обнаружив автокорреляцию, применяют несколько стратегий:

1. Обобщённый МНК (ОМНК / GLS). Если структура ошибок $\varepsilon_t = \rho \varepsilon_{t-1} + u_t$ известна, можно преобразовать модель. Метод Прайса-Уинстена (или Кокрейна-Оркатта) итерационно оценивает $\rho$ и трансформирует переменные:

$y_t^* = y_t - \hat{\rho} y_{t-1}, \quad x_t^* = x_t - \hat{\rho} x_{t-1}$

Затем МНК применяется к трансформированным данным $y_t^*$ на $x_t^*$.

2. Робастные стандартные ошибки (HAC). Оценки Ньюи-Уэста дают состоятельные стандартные ошибки в присутствии гетероскедастичности и автокорреляции, не меняя сами коэффициенты. Реализованы в большинстве пакетов (Stata: newey, R: пакет sandwich).

3. Переспецификация модели. Автокорреляция нередко указывает на пропущенную переменную или неверную функциональную форму. Включение лага зависимой переменной $y_{t-1}$ или дополнительного регрессора часто устраняет проблему содержательно.

Рассчитать для своей задачи

Практический порядок диагностики

В учебных задачах по эконометрике алгоритм стандартный:

1. Оцените МНК-модель, получите остатки $e_t$
2. Постройте график $e_t$ от $t$ - визуально проверьте наличие трендов в знаках
3. Вычислите $d$ по формуле или с помощью программы (Excel, R, Stata, EViews)
4. По таблице Дарбина-Уотсона найдите $d_L$ и $d_U$ для ваших $n$, $k$, $\alpha$
5. Примите решение по зонам: $d < d_L$ / $d_L \leq d \leq d_U$ / $d > d_U$
6. При наличии автокорреляции - выберите метод коррекции

Обратите внимание на шаг 2: визуальный анализ часто позволяет сразу выдвинуть гипотезу ещё до вычисления $d$. При положительной автокорреляции на графике остатков видны «волны» - периоды с преобладанием положительных остатков сменяются периодами отрицательных. При отрицательной - характерное «пиление» (знаки чередуются на каждом шаге). Случайный разброс без явных паттернов указывает на отсутствие автокорреляции. Кроме графика $e_t$ от $t$ полезна коррелограмма: функция частной автокорреляции (PACF) остатков явно показывает, какие лаги значимы.

Связь с другими тестами на серийную корреляцию

Тест Дарбина-Уотсона - не единственный инструмент диагностики. Сравнение:

Для учебных задач курса эконометрики по-прежнему используется критерий Дарбина-Уотсона. Для серьёзных прикладных работ предпочтительнее тест Бреуша-Годфри.

Тема автокорреляции тесно связана с двухшаговым методом наименьших квадратов, который применяется при эндогенности регрессоров.

Частые ошибки

• Не проверяют условие применимости теста. Если в модели есть лаг $y_{t-1}$ как регрессор - тест Дарбина-Уотсона смещён, его значение занижено. Нужен тест Бреуша-Годфри или Дарбина $h$.
• Игнорируют зону неопределённости. Значение $d$ между $d_L$ и $d_U$ не означает «автокорреляции нет» - тест просто неинформативен в этой зоне.
• Путают автокорреляцию с гетероскедастичностью. Это разные нарушения с разными тестами (Уайт, Бройш-Паган - для гетероскедастичности).
• Применяют к пространственным данным без учёта структуры. Для пространственной автокорреляции нужны специальные тесты (Морана).
• Не строят график остатков. Визуальная диагностика часто выявляет не только автокорреляцию, но и нелинейность или выбросы.

FAQ

Какое значение d считается нормальным? Значение $d$ в диапазоне от 1,5 до 2,5 обычно не вызывает опасений - оно указывает на отсутствие выраженной автокорреляции первого порядка. Точные критические значения зависят от $n$ и $k$ и берутся из специальных таблиц.

Что делать, если d попало в зону неопределённости? Тест Дарбина-Уотсона в этом случае не даёт однозначного ответа. Рекомендуется применить альтернативный тест - Бреуша-Годфри. Можно также ориентироваться на графический анализ остатков и корреллограмму (функцию частной автокорреляции).

Автокорреляция делает модель бесполезной? Нет. Коэффициенты МНК при автокорреляции остаются несмещёнными и состоятельными. Проблема в эффективности: стандартные ошибки некорректны, и выводы о значимости ненадёжны. Применив ОМНК или робастные ошибки HAC, модель можно использовать корректно.

Коротко

Автокорреляция остатков нарушает предпосылку МНК о некоррелированности ошибок и делает стандартные ошибки ненадёжными. Критерий Дарбина-Уотсона вычисляется по формуле $d = \sum(e_t - e_{t-1})^2 / \sum e_t^2$ и принимает значения от 0 до 4: $d \approx 2$ означает отсутствие автокорреляции, $d \to 0$ - сильную положительную, $d \to 4$ - отрицательную. Решение принимается сравнением с критическими значениями $d_L$ и $d_U$ из таблиц. Главные ограничения: тест диагностирует только AR(1) и неприменим при наличии лаговой зависимой переменной среди регрессоров. Для коррекции используют ОМНК (метод Кокрейна-Оркатта) или робастные оценки Ньюи-Уэста.