Słownik metodologiczny · Regresja

Test Durbina-Watsona

Pełne wyjaśnienie, zastosowanie naukowe i praktyczne, przykład, dobre praktyki oraz gotowy zapis wyniku w APA 7.

Strona główna / Słownik / Test Durbina-Watsona

Opracowanie merytoryczne: · Opublikowano: · Aktualizacja:

Co oznacza Test Durbina-Watsona?

Test Durbina–Watsona diagnozuje autokorelację pierwszego rzędu reszt regresji, z wartością około 2 przy jej braku.

Zastosowanie, warunki i dobre praktyki

Statystyka Durbina–Watsona diagnozuje autokorelację pierwszego rzędu w resztach uporządkowanych obserwacji. Wartość około 2 jest zgodna z jej brakiem, ale dokładna interpretacja zależy od modelu, liczebności i predyktorów. Test nie wykrywa wszystkich postaci zależności czasowej; należy uzupełnić go wykresem reszt i analizą ACF. Przy zmiennej zależnej z opóźnieniem albo szczególnych schematach test ma ograniczenia, więc warto uzupełnić go wykresem ACF reszt i modelem zależności.

Najważniejsze zastosowanie: Stosuj dla uporządkowanych czasowo obserwacji, razem z wykresem i modelem zależności.

Jak to się oblicza i co oznaczają symbole?

DW = Σₜ₌₂ⁿ(eₜ−eₜ₋₁)² / Σₜ₌₁ⁿeₜ²

eₜ są kolejnymi resztami modelu. Wartość około 2 odpowiada brakowi autokorelacji pierwszego rzędu, wartości bliższe 0 sugerują dodatnią, a bliższe 4 ujemną autokorelację; dokładny wniosek zależy od modelu.

Jak poprawnie stosować i interpretować hasło „Test Durbina-Watsona”?

Dla interpretacji hasła „Test Durbina-Watsona” test Durbina–Watsona służy do oceny autokorelacji pierwszego rzędu w resztach uporządkowanych obserwacji, najczęściej w regresji dla danych czasowych. W odniesieniu do hasła „Test Durbina-Watsona” przed jego użyciem trzeba zachować właściwą kolejność rekordów i ustalić, czy model zawiera składniki, dla których klasyczny rozkład statystyki jest odpowiedni. Przy ocenie hasła „Test Durbina-Watsona” wartość bliska 2 wskazuje brak silnej autokorelacji pierwszego rzędu, a wartości bliższe 0 lub 4 — odpowiednio dodatnią lub ujemną zależność.

Przy ocenie hasła „Test Durbina-Watsona” sam wynik testu nie zastępuje wykresu reszt w czasie ani analizy funkcji autokorelacji. W analizie dotyczącej hasła „Test Durbina-Watsona” należy sprawdzić trend, sezonowość, pominięte opóźnienia i zmiany strukturalne, ponieważ mogą wytwarzać zależne reszty. Dla interpretacji hasła „Test Durbina-Watsona”, jeżeli model zawiera opóźnioną zmienną zależną, zwykła interpretacja Durbina–Watsona bywa niewłaściwa i potrzebna jest procedura dopasowana do tej specyfikacji.

Co trzeba opisać w raporcie?

Dla interpretacji hasła „Test Durbina-Watsona” w raporcie należy podać statystykę Durbina–Watsona, kolejność obserwacji, badaną specyfikację i wniosek dotyczący reszt, nie surowej zmiennej. W odniesieniu do hasła „Test Durbina-Watsona”, jeśli wykryto zależność, trzeba opisać zmianę modelu lub sposób korekty błędów standardowych oraz pokazać, czy kluczowe estymaty pozostały stabilne.

Zakres raportowania dla hasła „Test Durbina-Watsona”: DW = …; opisz strukturę czasu i ewentualną korektę.

Przykład praktyczny i gotowa interpretacja

Sytuacja: W modelu miesięcznej sprzedaży uzyskano DW = 1.18, a wykres ACF reszt pokazał dodatnią zależność pierwszego rzędu, dlatego rozszerzono model o składnik czasowy.

Jak ją zinterpretować: Wartość wyraźnie poniżej 2 jest zgodna z dodatnią autokorelacją kolejnych reszt, a powyżej 2 z ujemną. Dokładna decyzja wymaga jednak modelu, wykresu ACF i znajomości ograniczeń testu.

Najczęstsza pułapka i granica interpretacji

Nie jest uniwersalnym testem niezależności dla wszystkich typów danych.

Przy ocenie hasła „Test Durbina-Watsona” brak wykrytej autokorelacji pierwszego rzędu nie dowodzi niezależności reszt na wszystkich opóźnieniach. W analizie dotyczącej hasła „Test Durbina-Watsona” test nie naprawia źle określonego trendu i nie powinien być używany do danych, w których kolejność obserwacji nie ma znaczenia.

Definicje, zalecenia interpretacyjne i sposób raportowania oparto na literaturze metodologicznej wskazanej w bibliografii (Collins et al., 2024).

Powiązane hasła

Reszty regresjiData miningDummy codingEkonometriaHeterogeniczność wariancjiHomogeniczność wariancji

Poradniki, w których użyjesz tego pojęcia

Poradnik

Wartość p: co naprawdę oznacza i jak ją poprawnie interpretować

Wartość p bez mitów: definicja, interpretacja, typowe błędy oraz sposób raportowania wraz z wielkością efektu i przedziałem ufności.

Czytaj →Poradnik

Regresja logistyczna: założenia, interpretacja i raportowanie modelu

Regresja logistyczna w praktyce: założenia, iloraz szans, diagnostyka, kalibracja, AUC oraz zasady rzetelnego raportowania modelu.

Czytaj →Poradnik

Modelowanie równań strukturalnych (SEM): od teorii do raportu

SEM bez skrótów myślowych: model pomiarowy i strukturalny, CB-SEM a PLS-SEM, dopasowanie, założenia oraz raportowanie wyników.

Czytaj →

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Oferta dla badaczyOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Collins, G. S., Moons, K. G. M., Dhiman, P., Riley, R. D., Beam, A. L., Van Calster, B., Ghassemi, M., Liu, X., Reitsma, J. B., van Smeden, M., Boulesteix, A.-L., Camaradou, J. C., Celi, L. A., Denaxas, S., Denniston, A. K., Glocker, B., Golub, R. M., Harvey, H., Heinze, G., … Logullo, P. (2024). TRIPOD+AI statement: Updated guidance for reporting clinical prediction models. BMJ, 385, e078378. https://doi.org/10.1136/bmj-2023-078378
  2. Peduzzi, P., Concato, J., Kemper, E., Holford, T. R., & Feinstein, A. R. (1996). A simulation study of the number of events per variable in logistic regression analysis. Journal of Clinical Epidemiology, 49(12), 1373–1379. https://doi.org/10.1016/S0895-4356(96)00236-3
  3. Lang, T. A., & Altman, D. G. (2015). Basic statistical reporting for articles published in biomedical journals: The SAMPL guidelines. International Journal of Nursing Studies, 52(1), 5–9. https://doi.org/10.1016/j.ijnurstu.2014.09.006
  4. Lakens, D. (2022). Sample size justification. Collabra: Psychology, 8(1), 33267. https://doi.org/10.1525/collabra.33267
  5. Appelbaum, M., Cooper, H., Kline, R. B., Mayo-Wilson, E., Nezu, A. M., & Rao, S. M. (2018). Journal article reporting standards for quantitative research in psychology: The APA Publications and Communications Board task force report. American Psychologist, 73(1), 3–25. https://doi.org/10.1037/amp0000191
  6. Wilkinson, L., & Task Force on Statistical Inference. (1999). Statistical methods in psychology journals: Guidelines and explanations. American Psychologist, 54(8), 594–604. https://doi.org/10.1037/0003-066X.54.8.594

Cytowania BibTeX

@article{collins2024tripod, author={Collins, Gary S. and Moons, Karel G. M. and Dhiman, Paula and Riley, Richard D. and Beam, Andrew L. and Van Calster, Ben and Ghassemi, Marzyeh and Liu, Xiaoxuan and Reitsma, Johannes B. and van Smeden, Maarten and Boulesteix, Anne-Laure and Camaradou, Jennifer Catherine and Celi, Leo Anthony and Denaxas, Spiros and Denniston, Alastair K. and Glocker, Ben and Golub, Robert M. and Harvey, Hugh and Heinze, Georg and Hoffman, Michael M. and Kengne, André Pascal and Lam, Emily and Lee, Naomi and Loder, Elizabeth W. and Maier-Hein, Lena and Mateen, Bilal A. and McCradden, Melissa D. and Oakden-Rayner, Lauren and Ordish, Johan and Parnell, Richard and Rose, Sherri and Singh, Karandeep and Wynants, Laure and Logullo, Patricia}, title={TRIPOD+AI statement: updated guidance for reporting clinical prediction models}, journal={BMJ}, year={2024}, volume={385}, pages={e078378}, doi={10.1136/bmj-2023-078378}}
@article{peduzzi1996epv, author={Peduzzi, Peter and Concato, John and Kemper, Elizabeth and Holford, Theodore R. and Feinstein, Alvan R.}, title={A simulation study of the number of events per variable in logistic regression analysis}, journal={Journal of Clinical Epidemiology}, year={1996}, volume={49}, number={12}, pages={1373--1379}, doi={10.1016/S0895-4356(96)00236-3}}
@article{lang2015sampl, author={Lang, Thomas A. and Altman, Douglas G.}, title={Basic statistical reporting for articles published in biomedical journals: the SAMPL guidelines}, journal={International Journal of Nursing Studies}, year={2015}, volume={52}, number={1}, pages={5--9}, doi={10.1016/j.ijnurstu.2014.09.006}}
@article{lakens2022sample, author={Lakens, Daniël}, title={Sample size justification}, journal={Collabra: Psychology}, year={2022}, volume={8}, number={1}, pages={33267}, doi={10.1525/collabra.33267}}
@article{appelbaum2018jars, author={Appelbaum, Mark and Cooper, Harris and Kline, Rex B. and Mayo-Wilson, Evan and Nezu, Arthur M. and Rao, Stephen M.}, title={Journal article reporting standards for quantitative research in psychology}, journal={American Psychologist}, year={2018}, volume={73}, number={1}, pages={3--25}, doi={10.1037/amp0000191}}
@article{wilkinson1999statistical, author={Wilkinson, Leland and {Task Force on Statistical Inference}}, title={Statistical methods in psychology journals: Guidelines and explanations}, journal={American Psychologist}, year={1999}, volume={54}, number={8}, pages={594--604}, doi={10.1037/0003-066X.54.8.594}}
R