Тест Бройша-Годфри: проверка остатков на автокорреляцию

Когда вы оцениваете регрессию по временным рядам, остатки часто оказываются связаны во времени: ошибка одного периода тянет за собой ошибку следующего. Это автокорреляция, и она делает обычные стандартные ошибки заниженными, а t-статистики - обманчиво большими. Тест Бройша-Годфри (Breusch-Godfrey) - самый универсальный способ проверить остатки регрессии на автокорреляцию любого порядка. Ниже разберём логику теста, формулу LM-статистики, выбор числа лагов и чем он лучше классического Дарбина-Уотсона. Калькулятор сразу под введением посчитает статистику и p-значение по вашим числам.

Что проверяет тест Бройша-Годфри

Тест Бройша-Годфри - это тест множителей Лагранжа (LM-тест) на наличие автокорреляции в остатках регрессии. Нулевая гипотеза $H_0$ утверждает, что остатки не коррелированы во времени: коэффициенты при лагах ошибки равны нулю. Альтернатива $H_1$ - присутствует автокорреляция порядка до $p$ включительно.

Формально модель ошибки записывается как авторегрессия порядка $p$:

$$\varepsilon_t = \rho_1 \varepsilon_{t-1} + \rho_2 \varepsilon_{t-2} + \dots + \rho_p \varepsilon_{t-p} + u_t$$

Нулевая гипотеза - это $H_0: \rho_1 = \rho_2 = \dots = \rho_p = 0$. Тест проверяет её совместно для всех $p$ лагов сразу, поэтому он чувствителен и к простой автокорреляции первого порядка, и к более сложным сезонным структурам.

Рассчитать для своей задачи

Как устроена вспомогательная регрессия

Процедура теста состоит из двух шагов и опирается на вспомогательную регрессию - в этом её сила.

1. Оцениваем исходную модель $y_t = X_t\beta + \varepsilon_t$ обычным МНК и сохраняем остатки $\hat\varepsilon_t$.
2. Строим вспомогательную регрессию: остатки $\hat\varepsilon_t$ объясняем всеми исходными регрессорами $X_t$ и лагами самих остатков $\hat\varepsilon_{t-1}, \dots, \hat\varepsilon_{t-p}$.

Из вспомогательной регрессии берём коэффициент детерминации $R^2$. LM-статистика теста:

$$LM = (n - p)\,R^2 \approx n R^2$$

где $n$ - число наблюдений, $p$ - порядок проверяемой автокорреляции (число добавленных лагов). При справедливости $H_0$ статистика асимптотически распределена как хи-квадрат с $p$ степенями свободы:

$$LM \sim \chi^2(p)$$

Ключевая идея: если лаги остатков ничего не добавляют к объяснению, $R^2$ вспомогательной регрессии близок к нулю, и $LM$ мала. Если же остатки «помнят» своё прошлое, $R^2$ растёт, и статистика выходит в хвост распределения. Похожую конструкцию «$n R^2$ против хи-квадрат» использует и тест Бройша-Пагана - только там вспомогательная регрессия объясняет квадраты остатков, а проверяется гетероскедастичность.

Правило принятия решения

Решение принимается сравнением статистики с критическим значением хи-квадрат либо по p-значению:

• Если $LM > \chi^2_{1-\alpha}(p)$ (эквивалентно $p\text{-значение} < \alpha$) - нулевая гипотеза отвергается, автокорреляция присутствует.
• Если $LM \le \chi^2_{1-\alpha}(p)$ - оснований отвергать $H_0$ нет, остатки можно считать некоррелированными.

При уровне значимости $\alpha = 0{,}05$ и одном лаге критическое значение $\chi^2_{0{,}95}(1) \approx 3{,}84$. Для двух лагов оно равно $5{,}99$, для четырёх - $9{,}49$. Чем больше лагов вы проверяете, тем выше планка: добавляя степени свободы, вы требуете более выраженного сигнала.

Рассчитать для своей задачи

Как выбрать число лагов

Выбор $p$ - главный практический вопрос. Слишком мало лагов - пропустите автокорреляцию высокого порядка; слишком много - потеряете мощность теста на лишних степенях свободы.

• Годовые данные - обычно $p = 1$, реже $2$.
• Квартальные данные - берут $p = 4$, чтобы поймать сезонную автокорреляцию.
• Месячные данные - $p = 12$ для проверки годовой сезонности.
• Эмпирическое правило - можно взять $p \approx \sqrt[4]{n}$ или ориентироваться на правило Шверта.

Разумная стратегия - начать с лага, соответствующего периодичности данных, и проверить устойчивость вывода при соседних значениях $p$. Если вывод о наличии автокорреляции не меняется при $p = 1, 2, 4$, он надёжен.

Чем тест лучше Дарбина-Уотсона

Тест Бройша-Годфри вытеснил классический критерий Дарбина-Уотсона по нескольким причинам.

• Любой порядок автокорреляции. Дарбин-Уотсон проверяет только автокорреляцию первого порядка; Бройша-Годфри - произвольный порядок $p$.
• Работает с лагированной зависимой переменной. Если среди регрессоров есть $y_{t-1}$ (динамические модели), статистика Дарбина-Уотсона смещена к 2 и не работает; LM-тест корректен.
• Нет зоны неопределённости. У Дарбина-Уотсона есть «серая зона» между нижней и верхней критическими границами, где вывод невозможен. У Бройша-Годфри есть чёткое p-значение.
• Учитывает регрессоры. Вспомогательная регрессия включает исходные $X_t$, что устраняет смещение от их влияния.

Дарбин-Уотсон остаётся полезен как быстрый ориентир: значение около 2 говорит об отсутствии автокорреляции первого порядка, ближе к 0 - о положительной, ближе к 4 - об отрицательной. Но для формального вывода в современной эконометрике используют именно LM-тест.

Пример пошагового расчёта

Пусть оценена регрессия объёма продаж от рекламных расходов по 60 квартальным наблюдениям. Подозревается сезонная связь, поэтому проверяем автокорреляцию порядка $p = 4$.

1. Сохраняем остатки $\hat\varepsilon_t$ исходной модели.
2. Строим вспомогательную регрессию остатков на исходный регрессор и четыре лага $\hat\varepsilon_{t-1} \dots \hat\varepsilon_{t-4}$; получаем $R^2 = 0{,}18$.
3. Считаем статистику: $LM = n R^2 = 60 \cdot 0{,}18 = 10{,}8$.
4. Критическое значение $\chi^2_{0{,}95}(4) = 9{,}49$.
5. Поскольку $10{,}8 > 9{,}49$, p-значение меньше $0{,}05$ - нулевая гипотеза отвергается, сезонная автокорреляция присутствует.

Дальше остаётся выбрать способ коррекции. Заметьте: если бы мы проверяли только $p = 1$, лаг 4 остался бы незамеченным, и мы бы ошибочно приняли остатки за «чистые». Это типичная ситуация для квартальных данных.

Что делать, если автокорреляция найдена

Отвержение $H_0$ не означает, что модель надо выбросить. Стандартные пути коррекции:

• Робастные стандартные ошибки Ньюи-Уэста (HAC) - самый частый приём: оценки коэффициентов сохраняются, но стандартные ошибки корректируются на автокорреляцию и гетероскедастичность.
• Обобщённый МНК (GLS) / процедура Кохрейна-Оркатта - явно моделируют структуру ошибки через коэффициент $\rho$.
• Добавить лаги зависимой или объясняющих переменных - часто автокорреляция остатков сигналит о пропущенной динамике, а не о «плохих» ошибках.
• Пересмотреть спецификацию - пропущенная переменная или неверная функциональная форма нередко проявляются как автокорреляция.

Частые ошибки

• Путают порядок лагов с числом регрессоров. Степени свободы хи-квадрат равны числу проверяемых лагов $p$, а не числу объясняющих переменных модели.
• Берут один лаг для квартальных данных. Сезонная автокорреляция на лаге 4 останется незамеченной, если проверять только $p = 1$.
• Применяют к малой выборке без оговорок. LM-тест асимптотический; при $n < 30$ выводы шаткие, лучше использовать поправку $(n - p)R^2$ и осторожно трактовать p-значение.
• Считают, что значимый результат «ломает» модель. Автокорреляция влияет на стандартные ошибки, а не на состоятельность МНК-оценок коэффициентов - их часто можно спасти HAC-коррекцией.
• Игнорируют лагированную зависимую переменную. Именно здесь Дарбина-Уотсона нельзя, а Бройша-Годфри - можно и нужно.

FAQ

Чем тест Бройша-Годфри отличается от теста Бройша-Пагана? Это разные тесты с похожей LM-конструкцией. Бройша-Годфри проверяет автокорреляцию остатков (связь во времени), а Бройша-Пагана - гетероскедастичность (непостоянство дисперсии). У первого вспомогательная регрессия включает лаги остатков, у второго - объясняет квадраты остатков.

Какое число лагов брать по умолчанию? Для годовых данных начните с $p = 1$, для квартальных - $p = 4$, для месячных - $p = 12$. Полезно проверить устойчивость вывода при нескольких соседних значениях.

Можно ли применять тест к моделям с лагированной зависимой переменной? Да, и это одно из главных преимуществ. В отличие от Дарбина-Уотсона, тест Бройша-Годфри остаётся корректным, когда среди регрессоров присутствует $y_{t-1}$.

Коротко

Тест Бройша-Годфри - LM-тест на автокорреляцию остатков регрессии произвольного порядка. Остатки исходной модели регрессируют на её регрессоры и собственные лаги; из вспомогательной регрессии берут $R^2$ и считают статистику $LM = (n-p)R^2 \approx n R^2$, которая при $H_0$ распределена как $\chi^2(p)$. Если $LM$ превышает критическое значение (p-значение меньше $0{,}05$), автокорреляция присутствует. Тест работает для любого порядка лагов и для динамических моделей с лагированной зависимой переменной, где Дарбина-Уотсона неприменим. При обнаружении автокорреляции корректируют стандартные ошибки методом Ньюи-Уэста или явно моделируют структуру ошибки.