Otokorelasyon için Durbin-Watson Testi
Durbin-Watson Test for First-Order Autocorrelation · Ayrıca şöyle bilinir: DW test, Durbin-Watson statistic, Durbin-Watson otokorelasyon testi
James Durbin ve Geoffrey Watson tarafından 1950–1951'de geliştirilen Durbin-Watson testi, bir doğrusal regresyonun artıklarının birinci dereceden seri korelasyonunu tespit eder. İstatistiği 0 ile 4 arasında değişir; 2'ye yakın bir değer otokorelasyonun olmadığını, 0'a doğru değerler pozitif otokorelasyonu ve 4'e doğru değerler negatif otokorelasyonu gösterir. İyi bilinen sınırlılıklarına rağmen en çok raporlanan regresyon tanı araçlarından biri olmaya devam etmektedir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Zamana göre sıralanmış bir OLS regresyonunun artıklarındaki birinci dereceden otokorelasyon için hızlı bir kontrol olarak Durbin-Watson testini kullanın, özellikle regresyon çıktısını okurken ilk tanı olarak. Yalnızca regresörlerin kesin dışsal olduğu ve modelde gecikmeli bağımlı değişken bulunmadığı durumlarda uygundur — bu yaygın durumda istatistik 2'ye doğru yanlıdır ve Durbin'in h'si veya daha genel olarak Breusch-Godfrey LM testi kullanılmalıdır. Yalnızca birinci dereceden, AR(1) tipi korelasyonu hedeflediği ve sonuçsuz bir bölgeye düşebildiği için, daha yüksek dereceli otokorelasyon olası olduğunda veya kesin bir p-değeri gerektiğinde Breusch-Godfrey testi tercih edilir.
Güçlü yönler & sınırlılıklar
- Basit, hızlı ve hemen hemen her regresyon rutini tarafından otomatik olarak raporlanır.
- Doğrudan yorumlanabilir ölçek: 2'ye yakın temiz, 2'nin altı pozitif otokorelasyon, 2'nin üstü negatif otokorelasyon.
- Zamana göre sıralanmış artıklar için anında ilk tarama tanı aracı olarak etkilidir.
- Tarihsel olarak iyi anlaşılmış, birçok örneklem boyutu için tablo halinde sınırları mevcuttur.
- Yalnızca birinci dereceden otokorelasyonu tespit eder, daha yüksek dereceli veya mevsimsel örüntüleri kaçırır.
- Tablo haline getirilmiş sınırlar arasında karar verilemeyen sonuçsuz bir bölgeye sahiptir.
- Model gecikmeli bağımlı değişken içerdiğinde geçersizdir, 2'ye doğru yanlıdır.
- Kesin sınırlar için kesin dışsal regresörler ve normal dağılımlı hatalar varsayar.
SSS
Durbin-Watson istatistiğinin hangi değeri 'iyidir'?
2'ye yakın bir değer birinci dereceden otokorelasyonun olmadığını gösterir. Anlamlı derecede 2'nin altındaki değerler pozitif otokorelasyonu (yaygın endişe), 2'nin üzerindeki değerler ise negatif otokorelasyonu gösterir. Kaba bir kılavuz olarak, yaklaşık 1.5 ile 2.5 arasındaki değerler genellikle sorunsuz kabul edilir, ancak resmi sınırlar danışılmalıdır.
Durbin-Watson sonucum neden 'sonuçsuz'?
Kesin dağılım regresörlere bağlı olduğundan, test alt ve üst kritik sınırlar kullanır. İstatistik bu sınırlar arasına düştüğünde, ne reddetme ne de reddetmeme gerekçelendirilir. Bu durumda kesin bir p-değeri veren Breusch-Godfrey LM testini kullanın.
Gecikmeli bir bağımlı değişkenle kullanabilir miyim?
Hayır. Model gecikmeli bir bağımlı değişken içerdiğinde, Durbin-Watson istatistiği 2'ye doğru yanlıdır ve otokorelasyonu kaçırma eğilimindedir. Bunun yerine Durbin'in h istatistiğini veya tercihen Breusch-Godfrey testini kullanın.
Kaynaklar
- Durbin, J., & Watson, G. S. (1950). Testing for serial correlation in least squares regression: I. Biometrika, 37(3/4), 409–428. DOI: 10.2307/2332391 ↗
- Durbin, J., & Watson, G. S. (1951). Testing for serial correlation in least squares regression: II. Biometrika, 38(1/2), 159–178. DOI: 10.2307/2332325 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 2). Durbin-Watson Test for First-Order Autocorrelation. ScholarGate. https://scholargate.app/tr/econometrics/durbin-watson-test
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Breusch-Godfrey Serisel Korelasyon için LM TestiEkonometri↔ karşılaştır
- Genelleştirilmiş En Küçük Kareler (GLS)İstatistik↔ karşılaştır
- Çoklu Doğrusal Regresyonİstatistik↔ karşılaştır
- En Küçük Kareler (EK) RegresyonuEkonometri↔ karşılaştır