KNOWECON WIKI

ARTICLE

Durbin-Watson 统计量

Durbin-Watson 统计量 (Durbin-Watson Statistic) Durbin-Watson 统计量（简称 DW 统计量）是 计量经济学 中用于检测 线性回归模型 的 残差 是否存在 一阶自相关 (First-Order Autocorrelation) 的经典检验统计量。该统计量由 詹姆斯·杜宾 (James Durbin) 和 杰弗

浏览 0 更新 2026-07-11

Durbin-Watson 统计量 (Durbin-Watson Statistic)

Durbin-Watson 统计量（简称 DW 统计量）是 计量经济学 中用于检测 线性回归模型 的 残差 是否存在 一阶自相关 (First-Order Autocorrelation) 的经典检验统计量。该统计量由 詹姆斯·杜宾 (James Durbin) 和 杰弗里·沃森 (Geoffrey Watson) 于 1950 年和 1951 年在 Biometrika 期刊上发表的两篇论文中系统提出。自诞生以来，DW 统计量已成为时间序列 回归分析 中最常用的诊断工具之一，几乎所有主流统计软件均将其作为回归诊断的标准输出项。

背景与动机

在 经典线性回归模型 (Classical Linear Regression Model) 的 高斯-马尔可夫定理 (Gauss-Markov Theorem) 假设中，误差项 必须满足 无自相关 (No Autocorrelation) 的条件，即不同观测期的误差项之间不存在 协方差。然而，在 时间序列数据 (Time Series Data) 的应用场景中——如 宏观经济预测、金融收益率 分析以及 政策效应评估——误差项往往呈现出跨期相关特征，即 序列相关 (Serial Correlation)。自相关的存在会带来一系列严重后果：最小二乘估计 (OLS) 虽仍保持 无偏性 (Unbiasedness)，但不再具备 有效性 (Efficiency)；标准误 估计产生偏差，进而导致 t检验 和 F检验 的推断结论不可靠；最终使 预测区间 和 假设检验 的准确性大幅下降。DW 统计量正是为诊断此类问题而专门设计的检验工具。

统计量的定义与计算

DW 统计量的计算公式建立在回归残差的基础之上。首先对原始模型进行 OLS 估计，获得残差序列 ε^t\hat{\varepsilon}_t（其中 t=1,2,…,Tt = 1, 2, \ldots, T），则 DW 统计量的定义为相邻残差差的平方和与残差平方和之比：

DW=∑t=2T(ε^t−ε^t−1)2∑t=1Tε^t2\text{DW} = \frac{\sum_{t=2}^T (\hat{\varepsilon}_t - \hat{\varepsilon}_{t-1})^2}{\sum_{t=1}^T \hat{\varepsilon}_t^2}

将分子展开后，可推导出 DW 统计量与残差的一阶 自相关系数 (Autocorrelation Coefficient) ρ^\hat{\rho} 之间的近似关系：

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

其中 ρ^=∑t=2Tε^tε^t−1∑t=1Tε^t2\hat{\rho} = \frac{\sum_{t=2}^T \hat{\varepsilon}_t \hat{\varepsilon}_{t-1}}{\sum_{t=1}^T \hat{\varepsilon}_t^2}。这一关系揭示了 DW 统计量的核心解释逻辑：

  • 当 ρ^≈0\hat{\rho} \approx 0（无自相关）时，DW≈2\text{DW} \approx 2。
  • 当 ρ^≈1\hat{\rho} \approx 1（正自相关）时，DW≈0\text{DW} \approx 0。
  • 当 ρ^≈−1\hat{\rho} \approx -1（负自相关）时，DW≈4\text{DW} \approx 4。

因此，DW 统计量取值始终在 0 到 4 之间。经验法则认为，DW 值越接近 2，误差项无自相关的可能性越大；DW 值显著小于 2 提示存在正自相关；DW 值显著大于 2 则提示存在负自相关。

检验程序与临界值

DW 检验的特殊之处在于其 临界值 (Critical Value) 的确定方式。由于 DW 统计量的精确分布依赖于 设计矩阵 (Design Matrix) XX 的具体取值，因此无法给出通用的临界值表。杜宾和沃森为应对这一困难，提出了一个巧妙的解决方案：给出了临界值的 下界 dLd_L 和 上界 dUd_U，使得无论设计矩阵的具体形式如何，检验的 显著性水平 都能得到控制。检验的具体操作步骤如下：

  1. 估计残差：对回归模型进行 OLS 估计，获取残差序列。
  2. 计算 DW 统计量：依据上述公式计算出 DW 的具体数值。
  3. 查临界值表：根据 样本量 (Sample Size) TT、解释变量 个数 kk（不含常数项）和预设的显著性水平 α\alpha，查 DW 临界值表得到 dLd_L 和 dUd_U。
  4. 做出判断：对于检验 ρ>0\rho > 0（正自相关）的情形： \begin{itemize}
  5. 若 DW<dL\text{DW} < d_L：拒绝 原假设 H0:ρ=0H_0: \rho = 0，判定存在正自相关。
  6. 若 DW>dU\text{DW} > d_U：无法拒绝原假设，认为无正自相关。
  7. 若 dL≤DW≤dUd_L \leq \text{DW} \leq d_U：落入 不确定区 (Inconclusive Region)，无法做出明确判断。 \end{itemize}

对于检验负自相关的双侧情况（ρ≠0\rho \neq 0），只需将 DW 替换为 4−DW4 - \text{DW} 并重复上述步骤即可。

基本假设与适用条件

DW 统计量在特定条件下方能确保检验的有效性，其基本假设如下：

  • 一阶自回归结构：DW 检验专门针对 AR(1) 过程，即 εt=ρεt−1+ut\varepsilon_t = \rho \varepsilon_{t-1} + u_t，其中 utu_t 为 白噪声 (White Noise)。它无法检测 高阶自相关 (Higher-Order Autocorrelation) 或 移动平均 (MA) 形式的序列相关。
  • 含截距项的回归模型：原模型必须包含 截距项 (Intercept)，否则 DW 统计量的分布性质将发生改变。
  • 无滞后因变量：回归模型的 解释变量 不能包含因变量的滞后项（即不能包含 yt−1y_{t-1} 等 滞后因变量）。若存在滞后因变量，DW 统计量将系统地偏向 2，丧失检验效力，此时应使用 Durbin's h 统计量 (Durbin's h Statistic) 作为替代。
  • 严格外生性：解释变量必须是 严格外生 (Strictly Exogenous) 的，即误差项的条件均值为零但不依赖于解释变量序列的全部观测值。

局限性与替代方法

尽管 DW 统计量在计量实践中应用广泛，但其局限性同样不容忽视：

  • 不确定区问题：不确定区的存在是 DW 检验最明显的缺陷。在该区域内，研究者无法做出确定的推断结论，使得检验的实际应用价值受到限制。
  • 仅限一阶自相关：DW 检验对高阶自相关（如 AR(2)、ARMA 结构等）不具有检验效力。若真实的自相关结构为二阶或更高阶，DW 统计量可能无法识别。
  • 无法用于包含滞后因变量的模型：在 动态面板模型 (Dynamic Panel Model) 或 自回归分布滞后模型 (ADL Model) 中，DW 检验不再适用。
  • 样本量限制：在小样本情形下，DW 临界值表的准确性可能下降，尤其当样本量小于 15 时检验效力严重不足。

针对上述局限，学者们发展了一系列替代性或补充性的自相关检验方法：

  1. Durbin's h 统计量：专门用于包含滞后因变量的模型，克服了 DW 统计量在该场景下的失效问题。
  2. 布罗施-戈弗雷检验 (Breusch-Godfrey Test，又称 LM 检验)：这一检验突破了 DW 检验仅限一阶自相关的限制，可检测任意阶数的 序列相关 (Serial Correlation)，且同样适用于包含滞后因变量的模型，是 DW 检验最常用的替代方案。
  3. Ljung–Box Q 检验：广泛用于 ARIMA 模型 残差诊断中，通过检验残差序列的 自相关函数 (ACF) 是否联合为 0 来判断是否存在序列相关，尤其适用于高阶自相关的诊断。
  4. 自相关函数图 (ACF Plot) 和 偏自相关函数图 (PACF Plot)：通过图形化方法直观展示残差序列的自相关结构，常作为 DW 检验的补充诊断工具。

软件实现

DW 统计量的计算在主流统计软件中均已实现为标准化功能。在 R 语言中，\texttt{lmtest} 包的 \texttt{dwtest()} 函数可方便地完成 DW 检验，并输出 DW 值及对应的 p 值；\texttt{car} 包的 \texttt{durbinWatsonTest()} 函数还提供了 自助法 (Bootstrap) p 值的选项，以缓解不确定区问题。在 Stata 中，回归后执行 \texttt{estat dwatson} 命令即可获取 DW 统计量。在 Python 的 \texttt{statsmodels} 库中，\texttt{statsmodels.stats.stattools.durbin\_watson()} 函数可计算 DW 值，而 \texttt{statsmodels.stats.diagnostic.acorr\_durbin\_watson()} 则提供了更完整的检验功能。在 EViews 中，DW 统计量作为回归输出的标准组成部分自动给出。