KNOWECON WIKI

ARTICLE

Durbin-Watson检验

Durbin-Watson检验（简称DW检验）是计量经济学中用于检测回归模型残差是否存在一阶自相关（first-order autocorrelation）的经典统计检验方法。该检验由英国统计学家詹姆斯·杜宾（James Durbin）和杰弗里·沃森（Geoffrey Watson）于1950年和1951年先后发表的两篇论文中系统提出，至今仍是时间序列回归诊

浏览 2 更新 2025-10-29

Durbin-Watson检验（简称DW检验）是计量经济学中用于检测回归模型残差是否存在一阶自相关（first-order autocorrelation）的经典统计检验方法。该检验由英国统计学家詹姆斯·杜宾（James Durbin）和杰弗里·沃森（Geoffrey Watson）于1950年和1951年先后发表的两篇论文中系统提出，至今仍是时间序列回归诊断中最常用的工具之一。DW检验的核心思想在于通过比较相邻残差之间的差异程度来推断误差项是否存在序列依赖关系，其直观逻辑是：若残差呈现出连续正负交替或连续同号的模式，则表明误差项之间存在相关性。

背景与意义

在线性回归模型的经典高斯—马尔可夫假设中，误差项之间相互独立是保证OLS估计量有效性的关键条件之一。误差独立性的违背意味着模型的信息结构遭到破坏，标准误的估计不再可靠。然而，在宏观经济、金融时间序列等实证研究中，由于经济变量本身具有惯性特征，残差往往表现出序列相关性，即某一期的误差与相邻期的误差存在关联。当模型存在自相关时，回归系数的OLS估计虽然仍保持无偏性和一致性，但其方差—协方差矩阵的估计会出现偏差，导致标准误被低估或高估，进而使t统计量和F统计量失效，严重影响统计推断的可靠性。例如，在检验有效市场假说或估计消费函数时，忽略自相关可能导致过度拒绝或无法拒绝原假设的错误结论。Durbin-Watson检验正是为诊断这一特定形式的模型误设而设计。

检验统计量的定义

DW检验统计量的计算公式为：

DW=∑t=2T(et−et−1)2∑t=1Tet2DW = \frac{\sum_{t=2}^{T} (e_t - e_{t-1})^2}{\sum_{t=1}^{T} e_t^2}

其中 ete_t 表示第t期回归残差，TT 为样本容量。该统计量的值域为闭区间[0, 4]。

统计量的理论性质

将分子展开后可改写为：

DW=∑t=2Tet2+∑t=2Tet−12−2∑t=2Tetet−1∑t=1Tet2DW = \frac{\sum_{t=2}^{T} e_t^2 + \sum_{t=2}^{T} e_{t-1}^2 - 2\sum_{t=2}^{T} e_t e_{t-1}}{\sum_{t=1}^{T} e_t^2}

在大样本条件下，分子中的各求和项可近似表达为一阶自相关系数 ρ^\hat{\rho} 的函数，最终得到简洁的近似关系：DW≈2(1−ρ^)DW \approx 2(1 - \hat{\rho})。据此可得以下判断依据：

  • 当残差不存在一阶自相关时，ρ^≈0\hat{\rho} \approx 0，此时 DW≈2DW \approx 2。
  • 当残差存在正一阶自相关时，ρ^>0\hat{\rho} > 0，此时 DW<2DW < 2，且 ρ^\hat{\rho} 越接近1，DW值越趋近于0。
  • 当残差存在负一阶自相关时，ρ^<0\hat{\rho} < 0，此时 DW>2DW > 2，且 ρ^\hat{\rho} 越接近-1，DW值越趋近于4。

临界值与决策规则

DW检验的临界值分布依赖于样本容量T和回归模型中解释变量的个数k（不含截距项），因而无法通过单一的解析表达式给出统一的临界值。杜宾和沃森通过大量蒙特卡洛模拟给出了临界值表，表中包含两个临界值：下限 dLd_L 和上限 dUd_U。这两个临界值满足 0<dL<dU<20 < d_L < d_U < 2 的关系，且随样本量增大而逐渐趋近于2。五区域决策规则如下：

  1. 若 0≤DW<dL0 \leq DW < d_L，拒绝原假设 H0:ρ=0H_0: \rho = 0，判定存在正一阶自相关。
  2. 若 dL≤DW≤dUd_L \leq DW \leq d_U，落入不确定区域（inconclusive region），无法做出明确判断。
  3. 若 dU<DW<4−dUd_U < DW < 4 - d_U，不能拒绝原假设，判定不存在一阶自相关。
  4. 若 4−dU≤DW≤4−dL4 - d_U \leq DW \leq 4 - d_L，再次落入不确定区域。
  5. 若 4−dL<DW≤44 - d_L < DW \leq 4，拒绝原假设，判定存在负一阶自相关。

适用条件与局限性

DW检验的准确应用需满足若干前提条件：第一，回归模型必须包含截距项，否则统计量的分布性质会发生根本变化；第二，解释变量为非随机变量或严格外生变量，这意味着解释变量与所有时期的误差项均不相关；第三，回归模型中不能包含滞后因变量作为解释变量，这是DW检验最重要的约束条件之一；第四，该检验仅针对一阶自回归AR(1)形式的序列相关，无法检测高阶自相关或移动平均形式的序列相关。

当模型中包含滞后因变量时，DW统计量会系统性地偏向2，导致检验功效严重下降。此时应改用杜宾h检验（Durbin h-test）或布罗施—戈弗雷检验（Breusch-Godfrey test），后者能够同时检测任意高阶的自相关结构，适用性更广。此外，DW检验在存在缺失数据或非平衡面板数据时亦不适用。

软件实现与操作

主流统计软件均内置了DW检验功能。在R语言中，lmtest包的dwtest()函数可直接对lm对象进行检验，可选择是否使用自助法计算精确p值，尤其适用于中小样本情形；Python的statsmodels.stats.stattools模块提供durbin\_watson()函数，能够快速计算DW统计量，结合p值判断区域做出结论；Stata和EViews等专业计量软件则在回归命令执行后自动报告DW统计量，使用者可直接参考输出结果中的数值进行判断。需要注意的是，部分软件仅报告统计量而不提供p值，研究者需参照杜宾和沃森编制的临界值表做出判断。在样本量较大时，也可基于近似正态分布计算p值。

扩展应用

尽管DW检验仅限于一阶自相关检测，研究者在实际工作中常常结合残差的自相关函数图和偏自相关函数图对模型进行综合诊断。对于面板数据模型，已有学者提出针对截面依赖性的修正DW检验变体。在金融领域的波动率建模、宏观经济学中的菲利普斯曲线估计、产业组织学中的生产函数估计等方面，DW检验仍然是最基础、最广泛使用的模型诊断工具之一。