Оценкой случайной составляющей является остаток – разность между фактическим и рассчитанным по уравнению регрессии (эмпирическими) значениями признака. Т.к. автокорреляция случайных составляющих имеет место, в основном, когда исходные данные являются временными рядами. Обозначим номер наблюдения t = 1, 2,..., n. Тогда для t- го наблюдения остаток будет равен
Рассмотрим возможные методы определения автокорреляции остатков.
1-й способ – визуальный (графический). С помощью МНК оценивается регрессия Рассчитываются остатки . Строится график зависимости остатков от номера наблюдения t.
2-й способ – основан на применении критерия Дарбина - Уотсона.
Данный метод применяется для обнаружения автокорреляции, подчиняющейся авторегрессионному процессу 1-го порядка: (t = 1; n).
Предполагается, что величина в каждом t- м наблюдении не зависит от его значений во всех других наблюдениях. Если ρ положительна, то автокорреляция положительна, если ρ отрицательна, то автокорреляция отрицательна. Если ρ=0, то автокорреляции нет.
Критерий Дарбина – Уотсона сводится к проверке гипотезы:
- Н0 (основная гипотеза): ρ=0;
- Н1 (альтернативная гипотеза): ρ>0 или ρ<0.
Для проверки основной гипотезы используется статистика Дарбина – Уотсона – DW:
, где
На больших выборках
,
где - выборочный коэффициент автокорреляции 1-го порядка. Если , тоDW=0. Если , то DW=4. Если , тоDW=2.
Данная статистика имеет распределение Дарбина-Уотсона. Из статистических таблиц определяем нижнюю и верхнюю критические границы DW-статистики - и . Они определяются в зависимости от n и числа степеней свободы (h -1), где h - число оцениваемых параметров.
Если ,то принимается гипотеза Н1: ρ >0 (положительная автокорреляция).
Если ,то принимается гипотеза Н0: ρ =0 (автокорреляции нет).
Если то принимается гипотеза Н0: ρ =0 (автокорреляции нет).
Если ,то принимается гипотеза Н1: ρ <0 (отрицательная автокорреляция).
При , имеет место случай неопределенности.
Таким образом, в силу ряда причин (ошибок спецификации, инерционности рассматриваемых зависимостей идр.) в регрессионных моделях может иметь место корреляционная зависимость между соседними случайными отклонениями. Это нарушает одну из фундаментальных предпосылок МНК. Вследствие этого оценки, полученные на основе МНК, перестают быть эффективными. Это делает ненадежными выводы по значимости коэффициентов регрессии и по качеству самого уравнения. Поэтому достаточно важным является умение определить наличие автокорреляции и устранить это нежелательное явление. Существует несколько методов определения автокорреляции, среди которых были выделены графический метод и критерий Дарбина-Уотсона.