Краткие теоретические сведения Проблема автокорреляции остатков

Одним из основных предполагаемых свойств отклонений наблюдаемых значений от регрессионной формулы является их статистическая независимость между собой. Это предположение определяет тот факт, что второстепенные факторы или факторы, которые послужили причиной ошибки для одного из наблюдений Y, не приводят автоматически к ошибкам для всех наблюдений Y.

В то же время в эконометрических исследованиях часто возникают ситуации, когда дисперсия ошибок постоянна для всех наблюдений, но имеет место статистическая зависимость ошибок. Это явление называют автокорреляцией остатков (тесты на наличие автокорреляции в ошибках модели используют следующую идею: если корреляция есть у ошибок , то она присутствует и в остатках , получаемых после оценивания параметров модели по данным выборки). Таким образом, при гетероскедастичности изменяется дисперсия остатков при отсутствии их корреляции, а при автокорреляции – существует корреляция остатков при неизменной их дисперсии.

В общем случае автокорреляция (последовательная корреляция) – это взаимосвязь упорядоченных во времени или в пространстве последовательных элементов соответственно временного или пространственного ряда данных.

Чаще всего автокорреляция остатков наблюдается тогда, когда эконометрическая модель строится на основе временных рядов. Автокорреляция также может появиться из-за того, что не все важные факторы введены в модель, из-за неверно выбранной формы связи (спецификации модели). Введение переменных с лагом тоже может привести к автокорреляции остатков.

Применение обычного МНК для оценивания параметров модели с автокоррелированными остатками имеет те же негативные последствия, как и в случае с гетероскедастичностью: при автокорреляции остатков оценка параметров обычным методом наименьших квадратов приводит к неэффективным оценкам и невозможности применения статистических критериев Стьюдента (t-критерий) и Фишера (F-критерий) для анализа статистического качества модели. Часто дисперсии оценок параметров и остаточная дисперсия модели являются заниженными. Значит выводы по t- и F-критериям, определяющим значимость оценок параметров регрессии и коэффициента детерминации, возможно, будут неверными. Вследствие этого ухудшаются прогнозные качества модели.

Наиболее известным и распространенным тестом проверки модели на наличие или отсутствие автокорреляции между остатками является тест Дарбина-Уотсона.

Тест Дарбина-Уотсона для проверки модели на наличие автокорреляции остатков

Для проверки наличия автокорреляции первого порядка (т.е. когда остатки зависят только от остатков предыдущего периода) применяется тест Дарбина-Уотсона, в соответствии с которым рассчитывается статистика Дарбина-Уотсона, обозначаемая как DW-статистика или как d-статистика:

, (5.1)

где

- остаток в i-том периоде (разность между наблюдаемым значением и значением , рассчитанным по оцененному уравнению регрессии при наблюдаемом значении );

- остаток в периоде , т.е. в предыдущем периоде.

Расчетное значение DW-статистики находится в промежутке .

Оно сравнивается с критическими значениями таблицы Дарбина-Уотсона.

Дарбин и Уотсон доказали, что существуют две границы (два критических значения), обычно обозначаемые (верхняя) и (нижняя), , которые зависят от числа наблюдений (n), количества объясняющих переменных в модели (m) и выбранного уровня значимости (табл.5.3).

Вывод делается в зависимости от того, в какой диапазон попало рассчитанное (фактическое) значение DW-статистики (табл.5.4).

Таблица 5.3 – Критические значения статистики Дарбина-Уотсона (n – число наблюдений, m – количество объясняющих переменных, )

	m=1		m=2		m=3		m=4
n
6	0,610	1,400
7	0,700	1,356	0,467	1,896
8	0,763	1,332	0,559	1,777	0,368	2,287
9	0,824	1,320	0,629	1,699	0,455	2,128	0,296	2,588
10	0,879	1,320	0,697	1,641	0,525	2,016	0,376	2,414
11	0,927	1,324	0,658	1,604	0,595	1,928	0,444	2,283
12	0,971	1,311	0,812	1,579	0,658	1,864	0,512	2,177
13	1,010	1,340	0,861	1,562	0,715	1,816	0,574	2,094
14	1,045	1,350	0,905	1,551	0,767	1,779	0,632	2,030
15	1,077	1,361	0,946	1,543	0,814	1,750	0,685	1,977
16	1,106	1,371	0,982	1,539	0,857	1,728	0,734	1,935
17	1,133	1,381	1,015	1,536	0,897	1,710	0,779	1,900
18	1,158	1,391	1,046	1,535	0,933	1,696	0,820	1,872
19	1,180	1,401	1,074	1,536	0,967	1,685	0,859	1,848
20	1,201	1,411	1,100	1,537	0,998	1,676	0,894	1,828
…	…	…	…	…	…	…	…	…

Таблица 5.4 – Критерии теста Дарбина-Уотсона

Значение DW-статистики	Вывод
	Есть положительная автокорреляция
	Неопределенность, т.е. ничего определенного сказать нельзя
	Автокорреляция остатков отсутствует (остатки являются случайными величинами, нормально распределенными)
	Неопределенность, т.е. ничего определенного сказать нельзя
	Есть отрицательная автокорреляция

Наличие зоны неопределенности для DW-статистики, когда нет оснований ни принимать, ни отвергать гипотезу об отсутствии автокорреляции остатков, представляет определенные трудности при использовании теста Дарбина-Уотсона, т.к. ее ширина может быть довольно значительной. В этом случае необходимо продолжить исследование, увеличив совокупность наблюдений (размер выборки).