Test Durbina-Watsona testuje autokorelację reszt przy opóźnieniu 1. Ale tak samo jest z testowaniem autokorelacji przy opóźnieniu 1. Dodatkowo możesz przetestować autokorelację przy opóźnieniu 2,3,4, a istnieją dobre testy Portmanteau dla autokorelacji przy wielu opóźnieniach i uzyskać ładne, łatwo interpretowalne wykresy [np. Funkcja acf () w R]. Durbin-Watson nie jest intuicyjny w zrozumieniu i często daje niejednoznaczne wyniki. Więc po co z tego korzystać?
Zostało to zainspirowane tym pytaniem o niejednoznaczność niektórych testów Durbina-Watsona, ale jest wyraźnie oddzielone od niego.
time-series
autocorrelation
zbicyclist
źródło
źródło
Odpowiedzi:
Jak wskazano wcześniej w tym i innych wątkach: (1) Test Durbina-Watsona nie jest niejednoznaczny. Jedynie granice sugerowane początkowo przez Durbina i Watsona były spowodowane tym, że dokładny rozkład zależy od obserwowanej macierzy regresora. Jest to jednak wystarczająco łatwe do rozwiązania w oprogramowaniu statystycznym / ekonometrycznym. (2) Istnieją uogólnienia testu Durbina-Watsona na większe opóźnienia. Zatem ani brak jednoznaczności, ani ograniczenie opóźnień nie są argumentem przeciwko testowi Durbina-Watsona.
W porównaniu z testem Wald opóźnionej zmiennej zależnej test Durbina-Watsona może mieć większą moc w niektórych modelach. W szczególności, jeśli model zawiera trendy deterministyczne lub wzorce sezonowe, może być lepiej przetestować autokorelację reszt (jak test Durbina-Watsona) w porównaniu do uwzględnienia opóźnionej odpowiedzi (która nie jest jeszcze skorygowana o wzorce deterministyczne) . Poniżej zamieszczam małą symulację R.
Jedną ważną wadą testu Durbina-Watsona jest to, że nie można go stosować do modeli, które już zawierają efekty autoregresji. Dlatego nie można testować pozostałej autokorelacji po częściowym uchwyceniu jej w modelu autoregresyjnym. W tym scenariuszu moc testu Durbina-Watsona może całkowicie się załamać, podczas gdy na przykład w przypadku testu Breusch-Godfrey tak się nie dzieje. Nasza książka „Applied Econometrics with R” zawiera małe studium symulacyjne, które pokazuje to w rozdziale „Programowanie własnej analizy”, patrz http://eeecon.uibk.ac.at/~zeileis/teaching/AER/ .
W przypadku zestawu danych z trendem i błędami autokorelowanymi moc testu Durbina-Watsona jest jednak wyższa niż w teście Breuscha-Godfreya, a także wyższa niż w teście Walda o działaniu autoregresyjnym. Ilustruję to dla prostego małego scenariusza w R. Wyciągam 50 obserwacji z takiego modelu i obliczam wartości p dla wszystkich trzech testów:
Następnie możemy zasymulować 1000 wartości p dla wszystkich trzech modeli:
Test Durbina-Watsona prowadzi do najniższych średnich wartości p
i najwyższa moc przy poziomie istotności 5%:
źródło
Test Durbina-Watsona polega na testowaniu autokorelacji. Rysowanie ACF jest jak tworzenie wykresu QQ w celu przetestowania normalności. Możliwość spojrzenia w oko wykresu QQ w celu przetestowania normalności jest przydatna, ale test Kołmogorowa-Smirnowa lub Levene uzupełnia to, co widzisz na wykresie, ponieważ test hipotezy o normalności jest bardziej rozstrzygający.
W odniesieniu do wielu opóźnień można użyć uogólnionej statystyki Durbin-Watsona, przeprowadzić kilka testów hipotez i wykonać poprawkę Bonferroniego w celu skorygowania wielu testów. Możesz również uruchomić test Breusch-Godfrey , który sprawdza obecność korelacji dowolnego zamówienia.
źródło