英国课程辅导：回归分析 DW 值怎么算？Durbin-Watson 检验公式与计算示例

　　Durbin-Watson（DW）统计量是用于检测回归分析残差中一阶自相关性的检验统计量。它以英国统计学家和计量经济学家 James Durbin（詹姆斯·德宾）和澳大利亚统计学家 Geoffrey Stuart Watson（杰弗里·斯图尔特·沃森）的名字命名。在计量经济学、统计学和时间序列回归中，DW 检验常用于判断相邻观测值对应的回归残差是否存在自相关。本文将介绍自相关性、回归残差、回归分析的基本概念，并重点说明 DW 值的计算公式、结果判断方法及实际计算示例。

1. 什么是自相关性？

串行相关性，也称为自相关性，是指在不同数据集之间变量值之间的相关程度。通常在处理时间序列数据时使用，其中观察发生在不同的时间点（例如，不同星期的风速测量）。如果测得的风速值在时间上较接近的情况下比时间上较远的情况更相似，则称数据存在相关性。

在回归分析中，需要特别关注的是误差项或残差的自相关性。如果某一时点的残差与前一时点的残差存在系统性关联，就可能违反经典线性回归模型中误差项相互独立的假设，并影响标准误、显著性检验和置信区间的可靠性。

需要注意，自相关性并不等同于两个变量之间的一般相关性。DW 检验主要针对按照有意义的顺序排列的观测值，考察相邻回归残差的一阶自相关。

2. 统计学中的残差是什么？

在统计学中，残差是观察值与模型为该观察值预测的值之间的差异。在回归分析中，残差值有助于判断模型对观测数据的拟合情况。

残差的计算公式为：

[
e_i=y_i-\hat{y}_i
]

其中：

• (e_i)：第 (i) 个观测值对应的残差。

• (y_i)：实际观测值。

• (\hat{y}_i)：回归模型预测的值。

例如，实际观测值为12，模型预测值为10，则该观测值的残差为2。DW 检验会进一步比较相邻观测值的残差变化，而不是直接比较实际值与预测值之间的大小。

3. 什么是回归分析？

回归分析是统计学中用于研究变量之间关系的方法，可以帮助研究者分析哪些变量与特定结果存在关联，以及这种关系的方向和程度。

变量在回归分析中扮演着重要角色，了解以下类型的变量很重要：

• 因变量：研究中需要解释或预测的变量。

• 自变量：用于解释或预测因变量变化的变量。

完成回归模型估计后，研究者还需要检查模型假设。DW 检验就是一种残差诊断方法，用于检查残差是否存在一阶自相关。但它不能单独判断回归模型是否整体正确，也不能代替对线性关系、异方差性或其他模型假设的检验。

4. 回归分析 DW 值怎么算？

进行 Durbin-Watson 检验时，需要计算检验统计量，并结合适用的临界值或统计检验结果进行判断。

DW 检验的核心是比较相邻残差的差值平方之和与残差平方和。其计算公式如下：

[
DW=\frac{\displaystyle\sum_{i=2}^{n}(e_i-e_{i-1})^2}{\displaystyle\sum_{i=1}^{n}e_i^2}
]

其中：

• (DW)：Durbin-Watson 检验统计量。

• (e_i)：第 (i) 个观测值对应的回归残差。

• (e_{i-1})：前一个观测值对应的回归残差。

• (n)：有效观测值的数量。

计算时，分子从第二个残差开始，因为每一项都需要与前一个残差进行比较；分母则包含全部有效残差的平方。观测值应按照具有实际意义的时间或顺序排列，不能随意调整顺序，否则 DW 结果可能发生变化。

DW 值的基本判断方法

DW 统计量的取值范围通常为0至4，可以按照以下方式进行初步理解：

上述区间只用于初步理解，不能直接作为正式的显著性判定标准。DW 值接近2并不等于已经证明残差不存在自相关；同样，DW 值偏离2也不必然意味着检验结果具有统计显著性。

DW 值计算示例

假设某回归模型得到4个按照时间顺序排列的残差：1、2、1、2。下面使用这组示例数据演示 DW 值的计算过程。该组数字仅用于说明公式，不代表真实研究数据。

第一步，计算相邻残差的差值平方：

[
(2-1)^2=1
]

[
(1-2)^2=1
]

[
(2-1)^2=1
]

因此，分子为：

[
1+1+1=3
]

第二步，计算所有残差的平方和：

[
1^2+2^2+1^2+2^2=10
]

第三步，将结果代入 DW 公式：

[
DW=\frac{3}{10}=0.3
]

计算结果为 DW = 0.3。这个结果明显低于2，初步提示相邻残差可能存在正自相关。但仅凭0.3这个数值，还不能完成正式的显著性判断；仍需要结合样本量、模型中的解释变量数量、显著性水平及适用的检验方法进行分析。

DW 检验的临界值如何判断？

传统 DW 检验通常通过下临界值 (d_L) 和上临界值 (d_U) 进行判断。对于检验正自相关的常见情形，在给定显著性水平下：

• 如果 (DW<d_L)，则有证据拒绝“无一阶正自相关”的原假设。

• 如果 (DW>d_U)，则不能拒绝原假设，即没有足够证据认定存在一阶正自相关。

• 如果 (d_L\le DW\le d_U)，则结果处于不确定区间，不能仅凭该检验作出明确判断。

临界值需要根据样本量、解释变量数量、显著性水平及对应的临界值表确定。不能把某一组样本条件下的临界值直接应用于所有回归模型。

如果需要检验负自相关，也必须使用相应的检验规则；不能直接将正自相关的判断条件原样套用。实际分析中，还可以结合统计软件输出的检验结果、残差图，以及其他适用的自相关检验进行综合判断。

参考资料： Pennsylvania State University 的回归方法课程对 DW 统计量的计算公式和临界值判断方法进行了说明；Minitab 的统计学帮助文档也指出，DW 检验结果需要结合上下临界值解释。

• Pennsylvania State University：Time Series & Autocorrelation

• Minitab：Test for autocorrelation using the Durbin-Watson statistic

5. DW 检验使用时需要注意什么？

DW 检验主要用于检测回归残差的一阶自相关，使用时还需要注意以下几点：

第一，观测值必须具有合理的顺序。 对时间序列数据而言，通常应按照时间先后排列。如果横截面数据没有自然的先后顺序，随意排序后计算 DW 值可能无法反映具有实际意义的自相关关系。

第二，DW 检验并不能识别所有形式的自相关。 如果研究需要检验更高阶的自相关，或者模型包含滞后因变量，应根据模型设定考虑 Breusch-Godfrey 等其他检验方法。

第三，发现自相关后不应直接修改数据。 应结合残差图、模型设定、遗漏变量、时间趋势和数据特征进行分析，再决定是否需要调整模型或采用适当的统计方法。

第四，DW 值不能代替完整的回归诊断。 即使 DW 值接近2，也仍然需要根据研究目标检查其他模型假设和结果的稳健性。

6. 海马课堂课程辅导

　　回归分析、计量经济学和统计学课程通常不仅要求学生记住公式，还需要理解模型假设、计算过程、检验条件和结果解释。对于 DW 检验这类知识点，建议将公式推导、数值计算和统计结论结合起来练习，避免只记忆“接近2就没有自相关”等简化判断。

　　如果希望进一步了解海外大学的统计学、计量经济学或其他课程的学习支持，可以查看海马课堂的课程辅导服务，根据所学课程和具体学习需求了解相关信息。

　　无论学习哪类统计方法，都应以课程要求、可靠的统计学资料和实际数据为基础，确保计算过程正确、检验方法适用，并对结论作出合理解释。