7.0 KB · ⇊ 3 parts · ⤓ Micron 7.0 KB · ⤓ HTML 42.0 KB

top

Der Durbin-Watson-Test ist ein statistischer Test, mit dem man versucht zu überprüfen, ob eine Autokorrelation 1. Ordnung vorliegt, d. h., ob die Korrelation zwischen zwei aufeinanderfolgenden Residualgrößen bei einer Regressionsanalyse ungleich null ist. Der Test wurde von dem britischen Statistiker James Durbin und dem Australier Geoffrey Watson entwickelt.

• Vorgehen

• Hypothesen

• Teststatistik

• Testentscheidung

• Durbin h-Statistik

• Durbin-Watson-Test für Paneldaten

• Literatur

• Einzelnachweise

Die Störterme werden bei Autokorrelation 1. Ordnung wie folgt modelliert ϵ ϵ t = ρ ρ 1 ϵ ϵ t − − 1 + ν ν t {\displaystyle \epsilon _{t}=\rho _{1}\epsilon _{t-1}+\nu _{t}} . Beim Durbin-Watson-Test wird eine Nullhypothese, die besagt, dass keine Autokorrelation vorliegt ( ρ ρ 1 = 0 {\displaystyle \rho _{1}=0} ) und deren Gegenhypothese, welche aussagt, dass Autokorrelation vorliegt ( ρ ρ 1 ≠ ≠ 0 {\displaystyle \rho _{1}\neq 0} ), aufgestellt.

Die Teststatistik lautet:

d := ∑ ∑ t = 2 T ( ϵ ϵ t − − ϵ ϵ t − − 1 ) 2 ∑ ∑ t = 1 T ϵ ϵ t 2 ≈ ≈ 2 ( 1 − − ρ ρ ^ ^ 1 ) {\displaystyle d:={\frac {\sum _{t=2}^{T}(\epsilon _{t}-\epsilon _{t-1})^{2}}{\sum _{t=1}^{T}\epsilon _{t}^{2}}}\approx 2(1-{\hat {\rho }}_{1})}

Hierbei bezeichnen die ϵ ϵ t {\displaystyle \epsilon _{t}} jeweils die Residuen der Regression in der t {\displaystyle t} -ten Periode. Wenn die Differenz zwischen den Residualgrößen sehr klein bzw. sehr groß ist, so liegt positive bzw. negative Autokorrelation vor. Dies führt dazu, dass der Durbin-Watson-Wert d {\displaystyle d} gegen den Wert null bzw. vier strebt.

| Wert der Teststatistik | Korrelation | Bedeutung |

|---|---|---|

| d = 2 {\displaystyle d=2\,} | ρ ^ 1 = 0 {\displaystyle {\hat {\rho }}_{1}=0\,} | keine Autokorrelation |

| d = 0 {\displaystyle d=0\,} | ρ ^ 1 = 1 {\displaystyle {\hat {\rho }}_{1}=1\,} | perfekte positive Autokorrelation |

| d = 4 {\displaystyle d=4\,} | ρ ^ 1 = − 1 {\displaystyle {\hat {\rho }}_{1}=-1\,} | perfekte negative Autokorrelation |

Die An- und Ablehnungsbereiche können tabellarisch ermittelt werden.cite-ref-1[1] Für d < d u {\displaystyle d<d_{u}} liegt positive Autokorrelation vor, für d > 4 − − d u {\displaystyle d>4-d_{u}} negative Autokorrelation, zwischen d o {\displaystyle d_{o}} und 4 − − d o {\displaystyle 4-d_{o}} liegt keine Autokorrelation vor. In den Intervallen [ d u ; d o ] {\displaystyle \lbrack d_{u};d_{o}\rbrack } und [ 4 − − d o ; 4 − − d u ] {\displaystyle \lbrack 4-d_{o};4-d_{u}\rbrack } liegen Unschärfebereiche vor, in denen keine Aussagen getroffen werden können.

Bei autoregressiven Modellen ist diese Teststatistik zum Wert zwei hin verzerrt, sodass die Autokorrelation unterschätzt wird. Allerdings lässt sich aus der obigen Statistik leicht die bei großen Stichproben standardnormalverteilte und unverzerrte Durbin h-Statistik herleiten:

h = ( 1 − − 1 2 d ) T 1 − − T ⋅ ⋅ V a r ^ ^ ( β β ^ ^ ) {\displaystyle h=\left(1-{\frac {1}{2}}d\right){\sqrt {\frac {T}{1-T\cdot {\widehat {\mathrm {Var} }}\left({\hat {\beta }}\right)}}}} ,

wobei V a r ^ ^ ( β β ^ ^ ) {\displaystyle {\widehat {\mathrm {Var} }}\left({\hat {\beta }}\right)} die geschätzte Varianz des Regressionskoeffizienten der zeitlich verzögerten endogenen Variable ist und T ⋅ ⋅ V a r ^ ^ ( β β ^ ^ ) < 1 {\displaystyle T\cdot {\widehat {\mathrm {Var} }}\left({\hat {\beta }}\right)<1} sein muss.

Für Paneldaten lässt sich die obige Teststatistik wie folgt verallgemeinern:

d p d = ∑ ∑ i = 1 N ∑ ∑ t = 2 T ( ϵ ϵ i t − − ϵ ϵ i , t − − 1 ) 2 ∑ ∑ i = 1 N ∑ ∑ t = 1 T ϵ ϵ i t 2 {\displaystyle d_{pd}={\frac {\sum _{i=1}^{N}\sum _{t=2}^{T}(\epsilon _{it}-\epsilon _{i,t-1})^{2}}{\sum _{i=1}^{N}\sum _{t=1}^{T}\epsilon _{it}^{2}}}} , mit ϵ ϵ i t {\displaystyle \epsilon _{it}} = Residuen der Within-Regression

Diese Teststatistik wird dann mit den in Abhängigkeit von T (Länge des balancierten Paneldatensatzes), K (Zahl der Regressoren) und N (Zahl der beobachteten Individuen) tabellierten Annahme- und Ablehnungsbereiche verglichen [siehe hierzu bspw. Bhargava et al. (1982), Seite 537]. Eine Variante dieser Statistik für unbalancierte Paneldaten wurde von Baltagi und Wu (1999) entwickelt.cite-ref-2[2]

• Gujarati, Damodar N. (1995): Basic Econometrics, 3. Aufl., New York et al.: McGraw-Hill, 1995, Seite 605f.

• Eckey, Hans-Friedrich/Kosfeld, Reinhold/Dreger, Christian (2004): Ökonometrie, 3., überarb. und erw. Aufl., Wiesbaden: Gabler, 2004, Seite 114ff.

• Verbeek, Marno (2004): A Guide to Modern Econometrics, 2. Aufl., Chichester: John Wiley & Sons, 2004, Seite 102f.

• Bhargava, A./Franzini, L./Narendranathan, W. (1982): Serial Correlation and the Fixed Effects Models, in: Review of Economic Studies, Vol. 49 Iss. 158, 1982, Seite 533–549.

cite-note-11. ↑ Vergleiche zu diesem Absatz: Eckey, Hans-Friedrich/Kosfeld, Reinhold/Dreger, Christian (2004): Ökonometrie, 3., überarb. und erw. Aufl., Wiesbaden: Gabler, 2004.

cite-note-22. ↑ d1 in Formel 16 in Baltagi/Wu (1999), Unequally spaced panel data regressions with AR(1) disturbances. Econometric Theory, 15(6), S. 814–823.