Критерий Дарбина-Уотсона применяют для обнаружения автокорреляции , подчиняющейся авторегрессионному процессу 1-го порядка. Предполагается, что величина остатков е t в каждом t-м наблюдении не зависит от его значений во всех других наблюдениях. Если коэффициент автокорреляции ρ положительный, то автокорреляция положительна, если ρ отрицательный, то автокорреляция отрицательна. Если ρ = 0, то автокорреляция отсутствует (т.е. четвертая предпосылка нормальной линейной модели выполняется).
Критерий Дарбина-Уотсона сводится к проверке гипотезы:

• Н 0 (основная гипотеза): ρ = 0
• Н 1 (альтернативная гипотеза): ρ > 0 или ρ
  Для проверки основной гипотезы используется статистика критерия Дарбина-Уотсона – DW:

  Где e i = y - y(x)

  Проводится с помощью трех калькуляторов:

  1. Уравнение тренда (линейная и нелинейная регрессия)

  Рассмотрим третий вариант. Линейное уравнение тренда имеет вид y = at + b
  1. Находим параметры уравнения методом наименьших квадратов через онлайн сервис Уравнение тренда .
  Система уравнений
  
  Для наших данных система уравнений имеет вид
  
  Из первого уравнения выражаем а 0 и подставим во второе уравнение
  Получаем a 0 = -12.78, a 1 = 26763.32
  Уравнение тренда
  y = -12.78 t + 26763.32
  Оценим качество уравнения тренда с помощью ошибки абсолютной аппроксимации.
  
  
  Поскольку ошибка больше 15%, то данное уравнение не желательно использовать в качестве тренда
  Средние значения
  
  
  
  Дисперсия
  
  
  Среднеквадратическое отклонение
  
  

  Индекс детерминации
  
  , т.е. в 97.01% случаев влияет на изменение данных. Другими словами - точность подбора уравнения тренда - высокая.

  t	y	t 2	y 2	t ∙ y	y(t)	(y-y cp) 2	(y-y(t)) 2	(t-t p) 2	(y-y(t)) : y
  1990	1319	3960100	1739761	2624810	1340.26	18117.16	451.99	148.84	28041.86
  1996	1288	3984016	1658944	2570848	1263.61	10732.96	594.99	38.44	31417.53
  2001	1213	4004001	1471369	2427213	1199.73	817.96	176.08	1.44	16095.92
  2002	1193	4008004	1423249	2388386	1186.96	73.96	36.54	0.04	7211.59
  2003	1174	4012009	1378276	2351522	1174.18	108.16	0.03	0.64	210.94
  2004	1159	4016016	1343281	2322636	1161.4	645.16	5.78	3.24	2786.55
  2005	1145	4020025	1311025	2295725	1148.63	1552.36	13.17	7.84	4155.05
  2006	1130	4024036	1276900	2266780	1135.85	2959.36	34.26	14.44	6614.41
  2007	1117	4028049	1247689	2241819	1123.08	4542.76	36.94	23.04	6789.19
  2008	1106	4032064	1223236	2220848	1110.3	6146.56	18.51	33.64	4758.73
  20022	11844	40088320	14073730	23710587	11844	45696.4	1368.3	271.6	108081.77

  Тест Дарбина-Уотсона на наличие автокорреляции остатков для временного ряда .

  y	y(x)	e i = y-y(x)	e 2	(e i - e i-1) 2
  1319	1340.26	-21.26	451.99	0
  1288	1263.61	24.39	594.99	2084.14
  1213	1199.73	13.27	176.08	123.72
  1193	1186.96	6.04	36.54	52.19
  1174	1174.18	-0.18	0.03	38.75
  1159	1161.4	-2.4	5.78	4.95
  1145	1148.63	-3.63	13.17	1.5
  1130	1135.85	-5.85	34.26	4.95
  1117	1123.08	-6.08	36.94	0.05
  1106	1110.3	-4.3	18.51	3.15
  			1368.3	2313.41

  
  
  Критические значения d 1 и d 2 определяются на основе специальных таблиц для требуемого уровня значимости a, числа наблюдений n и количества объясняющих переменных m.
  Не обращаясь к таблицам, можно пользоваться приблизительным правилом и считать, что автокорреляция остатков отсутствует, если 1.5 < DW < 2.5. Для более надежного вывода целесообразно обращаться к табличным значениям.
  d 1 < DW и d 2 < DW < 4 - d 2 .

  Пример . По данным за 24 месяца построено уравнение регрессии зависимости прибыли сельскохозяйственной организации от производительности труда (x1): y = 300 + 5x .
  Получены следующие промежуточные результаты:
  ∑ε 2 = 18500
  ∑(ε t - ε t-1) 2 = 41500
  Рассчитайте критерий Дарбина-Уотсона (при n=24 и k=1 (число факторов) нижнее значение d = 1,27, верхнее d = 1,45. Сделайте выводы.

  Решение.
  DW = 41500/18500 = 2,24
  d 2 = 4- 1,45 =2,55
  Поскольку DW > 2,55, то следовательно, имеются основания считать, что автокорреляция отсутствует. Это является одним из подтверждений высокого качества полученного уравнения регрессии y = 300 + 5x .

Проверка адекватности трендовых моделей реальному процессу строится на основе анализа случайной компоненты. В расчетах случайная компонента заменяется остатками, представляющими собой разность фактических и расчетных значений

При правильном выборе тренда отклонения от него будут носить случайный характер. В случае если вид функции выбран неудачно, то последовательные значения остатков могут не обладать свойством независимости, т.е. они могут коррелировать между собой. В этом случае говорят, что имеет место автокорреляция ошибок.

Существует несколько приемов обнаружения автокорреляции. Наиболее распространенным является критерий Дарбина – Уотсона. Этот критерий связан с гипотезой о существовании автокорреляции первого порядка. Его значения определяются по формуле

. (2.29)

Для понимания смысла этой формулы преобразуем ее, сделав предварительное допущение, положив . Непосредственное преобразование формулы осуществляется следующим образом:

.

При достаточно большом сумма из слагаемых значительно превосходит сумму из двух слагаемых и поэтому отношением этих величин можно пренебречь. Кроме того, отношение в квадратных скобках в силу того, что , можно считать коэффициентном корреляции между и . Таким образом, критерий Дарбина – Уотсона записывается в виде

. (2.30)

Полученное представление критерия позволяет сделать вывод, что статистика Дарбина – Уотсона связывает с выборочным коэффициентом корреляции . Таким образом, и значение критерия может указывать на наличие или отсутствие автокорреляции в остатках. Причем, если , то . Если (положительная автокорреляция), то ; если (отрицательная автокорреляция), то .

Статистически значимая уверенность в наличии или отсутствии автокорреляции определяется с помощью таблицы критических точек распределения Дарбина – Уотсона. Таблица позволяет по заданному уровню значимости , числу наблюдений и количеству переменных в модели определить два значения: – нижняя граница и – верхняя граница.

Таким образом, алгоритм проверки автокоррелированности остатков по критерию Дарбина – Уотсона следующий:

1) Построение трендовой зависимости с помощью обычного МНК

2) Вычисление остатков

для каждого наблюдения ();

хорошо иллюстрируется графической схемой на рис. 3.1.

d

Рис. 2.1. Графическая схема проверки автокоррелированности остатков

Критерий Дарбина - Уотсона

Одним из самых простых, а потому широко применяемых на практике критериев проверки на наличие (отсутствие) автокорреляции является критерий Дарбина - Уотсона

и .

Критерий h Дарбина применяется для выявления автокорреляции остатков в модели с распределёнными лагами:

где n - число наблюдений в модели;

V - стандартная ошибка лаговой результативной переменной.

При увеличении объёма выборки распределение h -статистики стремится к нормальному с нулевым математическим ожиданием и дисперсией, равной 1. Поэтому гипотеза об отсутствии автокорреляции остатков отвергается, если фактическое значение h -статистики оказывается больше, чем критическое значение нормального распределения.

Критерий Дарбина-Уотсона для панельных данных

Для панельных данных используется немного видоизменённый критерий Дарбина-Уотсона:

В отличие от критерия Дарбина-Уотсона для временных рядов в этом случае область неопределенности является очень узкой, в особенности, для панелей с большим количеством индивидуумов.

1. Методы исключения автокорреляции (отклонений от тренда, последовательных разностей, включения фактора времени).

Сущность всех методов исключения тенденции заключается в том, чтобы устранить воздействие фактора времени на формирование уравнений временного ряда. Основные методы делят на 2 группы:

Основанные на преобразовании уровней ряда в новые переменные, не содержащие тенденции. Полученные переменные используем далее для анализа взаимосвязи изучаемых временных рядов. Эти методы предполагают устранение трендовой компоненты Т из каждого уровня временного ряда. 1.Метод последовательных разностей. 2.Метод отклонения от трендов.

Основанные на изучении взаимосвязей исходных уровней временных рядов при исключении воздействия фактора времени на зависимую и независимые переменные модели: включение в модель регрессии фактора времени.