KNOWECON WIKI

ARTICLE

杜宾-瓦特森统计量

杜宾-瓦特森统计量 (Durbin-Watson Statistic) 杜宾-瓦特森统计量（Durbin-Watson statistic，简称 DW 统计量）是由 詹姆斯·杜宾（James Durbin）和 杰弗里·瓦特森（Geoffrey Watson）于 1950 年和 1951 年提出的一种用于检测线性回归模型中残差一阶自相关的统计检验。在经典普通最

浏览 4 更新 2025-10-26

杜宾-瓦特森统计量 (Durbin-Watson Statistic)

杜宾-瓦特森统计量（Durbin-Watson statistic，简称 DW 统计量）是由 詹姆斯·杜宾（James Durbin）和 杰弗里·瓦特森（Geoffrey Watson）于 1950 年和 1951 年提出的一种用于检测线性回归模型中残差一阶自相关的统计检验。在经典普通最小二乘法（OLS）的假设中，误差项应相互独立（无自相关）。当这一假设被违背时，OLS 估计量虽然仍保持无偏性和一致性，但不再具有有效性——标准误的估计会产生偏误，导致t检验和F检验失效。DW 统计量因此成为时间序列回归诊断中最基础、最广泛使用的工具之一。

自相关问题及其后果

在横截面数据中，观测值之间的独立性通常自然成立；但在时间序列数据中，相邻时期的误差项往往存在相关性。一阶自回归过程（AR(1)）是最常见的情形：

ϵt=ρ ϵt−1+ut\epsilon_t = \rho \, \epsilon_{t-1} + u_t

其中 ut∼i.i.d.(0,σ2)u_t \sim \text{i.i.d.}(0, \sigma^2)，ρ\rho 为自相关系数。当 ρ>0\rho > 0 时存在正自相关，扰动项倾向于连续同向；当 ρ<0\rho < 0 时存在负自相关，扰动项倾向于交替反向。正自相关在经济和金融数据中尤为常见。

自相关的后果严重：若忽略自相关而使用 OLS，系数估计量的标准误通常会被低估（在正自相关时），导致 t 统计量膨胀、第一类错误概率上升；同时，基于残差平方和的模型选择准则（如 Rˉ2\bar{R}^2、AIC）也会失真。因此，在报告回归结果之前检验自相关的存在至关重要。

DW 统计量的定义与计算

对于样本量为 nn 的回归残差序列 ϵ^1,ϵ^2,…,ϵ^n\hat{\epsilon}_1, \hat{\epsilon}_2, \ldots, \hat{\epsilon}_n，DW 统计量定义为：

DW=∑t=2n(ϵ^t−ϵ^t−1)2∑t=1nϵ^t2DW = \frac{\sum_{t=2}^{n} (\hat{\epsilon}_t - \hat{\epsilon}_{t-1})^2}{\sum_{t=1}^{n} \hat{\epsilon}_t^2}

统计量的核心直觉简明：分子捕捉相邻残差的一阶差分平方和，分母是残差平方和（用于标准化）。若残差呈正自相关，相邻残差异号的可能性小，差分较小，DW 趋近于 0；若残差呈负自相关，相邻残差频繁交替正负，差分较大，DW 趋近于 4；若无自相关，差分平方和约为残差平方和的两倍，DW 趋近于 2。

DW 与一阶自相关系数 ρ^\hat{\rho} 之间存在近似关系：

DW≈2(1−ρ^)DW \approx 2(1 - \hat{\rho})

当 ρ^→1\hat{\rho} \to 1 时 DW→0DW \to 0，当 ρ^→−1\hat{\rho} \to -1 时 DW→4DW \to 4，当 ρ^=0\hat{\rho} = 0 时 DW=2DW = 2。这一近似在小样本下精确度有限，但提供了便捷的直觉框架。

假设检验与杜宾-瓦特森表

DW 检验的原假设为 H0:ρ=0H_0: \rho = 0（无一阶自相关），备择假设可以是单侧（H1:ρ>0H_1: \rho > 0 或 H1:ρ<0H_1: \rho < 0）或双侧（H1:ρ≠0H_1: \rho \neq 0）。

DW 统计量的精确分布依赖于设计矩阵 X\mathbf{X}，因此无法给出一个单一的临界值。杜宾和瓦特森提出了一个巧妙的解决方案：为 DW 统计量构造上界 dUd_U 和下界 dLd_L，这两个界限仅依赖于样本量 nn、解释变量个数 kk（不含截距项）和显著性水平 α\alpha，而与具体的 X\mathbf{X} 无关。

检验决策规则（以 ρ>0\rho > 0 为例）：

  • 若 DW<dLDW < d_L：拒绝 H0H_0，存在显著正自相关。
  • 若 DW>dUDW > d_U：不拒绝 H0H_0，无显著正自相关。
  • 若 dL≤DW≤dUd_L \leq DW \leq d_U：落入无结论区（inconclusive zone），无法确定。

对于负自相关的检验，利用对称性计算 4−DW4-DW，然后按相同规则判断。若 4−DW<dL4-DW < d_L，则拒绝 H0H_0 存在显著负自相关；若 4−DW>dU4-DW > d_U，则不拒绝。

无结论区的存在是 DW 检验的主要局限之一。当统计量落入此区域时，无法做出明确判断，需要借助其他检验方法（如Breusch-Godfrey检验或Ljung-Box Q检验）或收集更多数据。

DW 检验的前提假设与适用条件

DW 检验并非普适工具，其有效性依赖以下条件：

  1. 回归模型必须包含截距项：若无截距，残差的构造方式不同，DW 的分布性质不再成立。
  2. 解释变量必须是非随机的（或在重复抽样中固定）：这排除了包含滞后因变量作为解释变量的模型。在自回归模型中（例如 yt=α+βyt−1+ϵty_t = \alpha + \beta y_{t-1} + \epsilon_t），DW 统计量会偏向 2，即倾向于错误地不拒绝无自相关的原假设。此时应使用杜宾h统计量（Durbin's h test）。
  3. 误差项服从正态分布：这是 DW 分布推导的前提，虽然许多应用中对这一假设的偏离并不致命。
  4. 仅适用于一阶自相关：DW 检验设计的对立假设是 AR(1) 过程，对于高阶自相关（如 AR(p)，p>1p > 1），DW 的检验功效大打折扣。Breusch-Godfrey LM检验（也称序列相关 LM 检验）是更为通用（可检验 AR(p)）的替代方案。
  5. 样本量不能过小：当 nn 很小时，DW 的分布严重偏离正态近似，上下界表的覆盖范围有限。

扩展与替代检验

杜宾 h 统计量专为包含滞后因变量的模型设计。考虑 yt=α+βyt−1+γxt+ϵty_t = \alpha + \beta y_{t-1} + \gamma x_t + \epsilon_t，h 统计量定义为：

h=ρ^n1−n⋅Var^(β^)h = \hat{\rho} \sqrt{\frac{n}{1 - n \cdot \widehat{\text{Var}}(\hat{\beta})}}

其中 ρ^\hat{\rho} 可根据 DW 近似 ρ^≈1−DW/2\hat{\rho} \approx 1 - DW/2 获得。在大样本下，h∼N(0,1)h \sim \mathcal{N}(0, 1)，可直接使用标准正态临界值。

Breusch-Godfrey 检验（BG 检验）是更现代的替代方法。它通过将残差对其滞后值及原始解释变量进行辅助回归来构造 LM 统计量，可同时检验任意阶自相关，且允许滞后因变量存在。由于其灵活性和更高的功效，BG 检验在当代实证研究中日益取代 DW 成为首选。

在实证研究中的应用

DW 统计量在经济学、金融学和社会科学的实证研究中广泛应用。研究者通常在回归结果表格末尾报告 DW 值，使读者能快速判断模型是否受到自相关的困扰。经验法则上，DW 值在 1.5 到 2.5 之间通常被视为可接受范围；低于 1.0 或高于 3.0 则需要严肃对待。

如果 DW 检验拒绝了无自相关的原假设，研究者可采取以下补救措施：使用广义最小二乘法（GLS）进行Cochrane-Orcutt迭代或Prais-Winsten变换估计；采用异方差与自相关一致标准误（HAC，即Newey-West标准误）进行稳健推断；或重新审视模型设定——有时显著的 DW 值暗示的不是纯粹的自相关，而是模型设定偏误，如遗漏了关键的滞后变量或采用了错误的函数形式。

计算示例

考虑一个包含 30 个观测值和 2 个解释变量（不含截距）的回归模型，残差平方和 ∑ϵ^t2=120\sum \hat{\epsilon}_t^2 = 120，相邻残差差的平方和 ∑(ϵ^t−ϵ^t−1)2=60\sum (\hat{\epsilon}_t - \hat{\epsilon}_{t-1})^2 = 60。则：

DW=60120=0.5DW = \frac{60}{120} = 0.5

查杜宾-瓦特森表，n=30,k=2,α=0.05n=30, k=2, \alpha=0.05 时 dL≈1.28,dU≈1.57d_L \approx 1.28, d_U \approx 1.57。因为 DW=0.5<dL=1.28DW=0.5 < d_L=1.28，拒绝无自相关的原假设，判断存在显著正自相关。这一发现提示研究者需对标准误进行修正，或采用考虑自相关结构的估计方法。

DW 统计量以其简洁的公式、直观的含义和广泛的适用性，成为计量经济学教学与实践中不可或缺的诊断工具。尽管存在无结论区和仅能检测一阶自相关等局限，但作为回归诊断的第一步筛查，其价值历久弥新。