В сообществе эконометрики есть некоторые сильные голоса против обоснованности Q статистики Льюнга-Бокса для тестирования автокорреляции на основе остатков от авторегрессионной модели (то есть с лаговыми зависимыми переменными в матрице регрессора), см., В частности, Maddala (2001) «Введение в эконометрику» (3-е издание), гл. 6.7 и 13. 5 с . 528. Маддала буквально оплакивает широкое использование этого теста и вместо этого считает уместным тест «множителя Лангранжа» Бреуша и Годфри.
Аргумент Маддалы против теста Льюнга-Бокса тот же, что и против другого вездесущего теста автокорреляции, «Дурбина-Ватсона»: с лаговыми зависимыми переменными в матрице регрессора этот тест смещен в пользу сохранения нулевой гипотезы «отсутствие автокорреляции» (результаты Монте-Карло, полученные в @javlacalle, отвечают этому факту). Маддала также упоминает о низкой мощности теста, см., Например, Davies, N., & Newbold, P. (1979). Некоторые исследования мощности теста Portmanteau спецификации модели временных рядов. Биометрика, 66 (1), 153-155 .
Хаяси (2000) , гл. 2.10 «Тестирование на последовательную корреляцию» , представляет единый теоретический анализ, и я считаю, проясняет этот вопрос. Хаяси начинается с нуля: для того, чтобы статистикаЛьюнга-Боксабыла асимптотически распределена как хи-квадрат, это должен быть случай, когда процесс { z t } (независимо от того, чтопредставляет z ), выборочные автокорреляции которого мы вводим в статистику, в соответствии с нулевой гипотезой об отсутствии автокорреляции - мартингально-разностная последовательность, т. е. что она удовлетворяетQ{zt}z
E(zt∣zt−1,zt−2,...)=0
а также проявляет «собственную» условную гомоскедастичность
E(z2t∣zt−1,zt−2,...)=σ2>0
В этих условиях статистика Льюнга-Бокса (которая является вариантом с поправкой на конечные выборки исходного Q- статистики Бокса-Пирса ) имеет асимптотически распределение хи-квадрат, и ее использование имеет асимптотическое обоснование. QQ
Предположим теперь, что мы указали модель авторегрессии (которая, возможно, включает в себя также независимые регрессоры в дополнение к лаговым зависимым переменным), скажем,
yt=x′tβ+ϕ(L)yt+ut
где - многочлен в операторе запаздывания, и мы хотим проверить последовательную корреляцию, используя остатки оценки. Таким образом , здесь г т ≡ у т . ϕ(L)zt≡u^t
Хаяси показывает, что для того, чтобы статистика Юнга-Бокса, основанная на выборочных автокорреляциях остатков, имела асимптотическое распределение хи-квадрат при нулевой гипотезе отсутствия автокорреляции, должен быть случай, когда все регрессоры являются «строго экзогенными». « к ошибке термин в следующем смысле:Q
E(xt⋅us)=0,E(yt⋅us)=0∀t,s
«Для всех » является ключевым требованием, которое отражает строгую экзогенность. И это не имеет места, когда в матрице регрессора существуют лаговые зависимые переменные. Это легко увидеть: установите s = t - 1, а затемt,ss=t−1
E[ytut−1]=E[(x′tβ+ϕ(L)yt+ut)ut−1]=
E[x′tβ⋅ut−1]+E[ϕ(L)yt⋅ut−1]+E[ut⋅ut−1]≠0
даже если не зависят от члена ошибки, и даже если член ошибки не имеет автокорреляции : член E [ ϕ ( L ) y t ⋅ u t - 1 ] не равен нулю. XE[ϕ(L)yt⋅ut−1]
Но это доказывает, что статистика по Юнгу-Боксу недопустима в авторегрессионной модели, поскольку нельзя сказать, что она имеет асимптотическое распределение хи-квадрат под нулем.Q
Предположим теперь, что выполняется более слабое условие, чем строгая экзогенность, а именно
E(ut∣xt,xt−1,...,ϕ(L)yt,ut−1,ut−2,...)=0
Сила этого условия - «между» строгой экзогенностью и ортогональностью. При нуле отсутствия автокорреляции термина ошибки, это условие является «автоматически» удовлетворено авторегрессиями модели относительно отставали зависимые переменные (для «S следует отдельно считать , конечно).X
Затем существует другая статистика, основанная на остаточных автокорреляциях выборки (а не Юнга-Бокса), которая имеет асимптотическое распределение хи-квадрат под нулем. Это другая статистика может быть вычислена, как удобство, с помощью «вспомогательной регрессии» маршрута: регресс невязки на полной матрице регрессора и на последних остатков (до Отставание мы использовали в описании), получить нецентрированный R 2 из этой вспомогательной регрессии и умножить его на размер выборки.{u^t} R2
Эта статистика используется в том, что мы называем «тестом Брейша-Годфри для последовательной корреляции» .
Тогда оказывается, что, когда регрессоры включают в себя лаговые зависимые переменные (и во всех случаях авторегрессионных моделей также), от теста Льюнга-Бокса следует отказаться в пользу теста Бреуша-Годфри Л.М. Не потому, что «оно хуже», а потому, что оно не обладает асимптотическим обоснованием. Впечатляющий результат, особенно если судить по повсеместному присутствию и применению первых.
ОБНОВЛЕНИЕ: Отвечая на сомнения, высказанные в комментариях относительно того, применимо ли все вышеизложенное также к «чистым» моделям временных рядов или нет (то есть без « » -регрессоров), я опубликовал подробное исследование для модели AR (1), в https://stats.stackexchange.com/a/205262/28746 .x