더빈-왓슨 통계량편집자 확인

더빈-왓슨 통계량의 값은 0에서 4 사이를 가지며, 이 값을 통해 잔차에 존재하는 자기상관의 유형과 강도를 판단할 수 있다. 통계량 값이 2에 가까울수록 잔차 간에 유의미한 자기상관이 없다는 것을 의미하며, 이는 회귀 모형의 기본 가정이 충족되었음을 시사한다.

통계량 값이 0에 가까울수록 양의 자기상관이 존재함을 나타낸다. 양의 자기상관은 인접한 시점의 잔차들이 같은 방향으로 편향되는 경향을 말한다. 예를 들어, 이전 시점의 잔차가 양(+)이면 다음 시점의 잔차도 양(+)일 가능성이 높은 경우이다. 이는 시계열 분석에서 추세가 지속되는 데이터에서 자주 관찰된다.

반대로, 통계량 값이 4에 가까울수록 음의 자기상관이 존재함을 나타낸다. 음의 자기상관은 인접한 시점의 잔차들이 서로 반대 방향으로 움직이는 경향을 말한다. 즉, 이전 시점의 잔차가 양(+)이면 다음 시점의 잔차는 음(-)일 가능성이 높다. 이는 오실레이션이나 과대 보정이 발생하는 데이터에서 나타날 수 있다.

이러한 판단은 임계값 표와 비교하여 정형화된다. 더빈과 왓슨은 유의수준, 표본 크기, 설명 변수의 수에 따라 하한값(dL)과 상한값(dU)을 제시하였다. 계산된 통계량이 하한값보다 작으면 양의 자기상관이 존재한다고 판단하며, (4-dL)보다 크면 음의 자기상관이 존재한다고 판단한다. 통계량 값이 상한값과 (4-dU) 사이에 있으면 자기상관이 없다고 판단하는 불확정 구역이 존재한다.

더빈-왓슨 통계량을 이용한 검정은 귀무가설과 대립가설을 설정하는 것으로 시작한다. 일반적으로 귀무가설(H0)은 "잔차 간에 1차 자기상관이 존재하지 않는다"는 것이며, 대립가설(H1)은 "잔차 간에 양의 1차 자기상관이 존재한다"는 것이다. 검정은 주로 양의 자기상관을 탐지하는 데 초점을 맞추지만, 통계량을 변형하여 음의 자기상관 검정에도 사용할 수 있다.

계산된 더빈-왓슨 통계량 값은 0에서 4 사이의 범위를 가지며, 이 값을 기각역과 비교하여 판단한다. 판단을 위해서는 표본 크기(n)와 설명변수의 개수(k)에 따라 결정되는 하한값(dL)과 상한값(dU)이 필요하다. 이 임계값들은 더빈과 왓슨이 제작한 통계표에서 찾거나, 통계 소프트웨어를 통해 확인할 수 있다. 주요 판단 기준은 다음과 같다: 통계량 값이 0에 가까울수록 양의 자기상관이 강하게 존재함을, 4에 가까울수록 음의 자기상관이 강하게 존재함을 시사한다. 값이 2 근처라면 자기상관이 없음을 나타낸다.

보다 구체적으로, 양의 자기상관 검정 시 계산된 통계량(d)이 하한값(dL)보다 작으면 귀무가설을 기각하고 양의 자기상관이 존재한다고 결론지으며, d가 상한값(dU)보다 크면 귀무가설을 기각하지 않는다. d가 dL과 dU 사이에 위치하면 검정이 불확정 영역에 들어가 명확한 결론을 내리기 어렵다. 이러한 불확정 영역의 존재는 이 검정 방법의 한계 중 하나로 지적된다. 불확정 영역 문제를 보완하기 위해, 일부 통계 패키지에서는 정확한 p-값을 계산하거나, 보다 강력한 대안 검정법을 함께 제시하기도 한다.

이 검정은 회귀 분석 모델의 적합성을 평가하는 중요한 도구로, 특히 시계열 분석 데이터를 다룰 때 필수적으로 적용된다. 계량경제학에서 오차항의 독립성 가정이 위반되면 최소제곱법 추정치의 효율성이 떨어지고 표준오차 추정이 편향될 수 있으므로, 더빈-왓슨 검정을 통해 이러한 문제를 사전에 진단하는 것이 중요하다.

자기상관은 시계열 데이터에서 동일한 변수의 관측값들이 시간적 간격을 두고 상관관계를 보이는 현상을 가리킨다. 특히, 회귀 분석에서 오차항에 자기상관이 존재한다는 것은 모형의 잔차들이 서로 독립적이지 않고, 이전 시점의 잔차가 이후 시점의 잔차에 영향을 미친다는 것을 의미한다. 이러한 현상은 주로 시간에 따라 연속적으로 관측되는 경제 지표나 금융 데이터와 같은 시계열 자료를 분석할 때 발생한다.

더빈-왓슨 통계량은 주로 1차 자기상관, 즉 바로 이전 시점(t-1)의 오차가 현재 시점(t)의 오차와 얼마나 관련되어 있는지를 검정하는 데 사용된다. 이는 시계열 분석에서 기본적이면서도 중요한 문제로, 오차항의 독립성 가정이 위반되면 최소제곱법을 통해 추정된 회귀 계수의 분산이 편향될 수 있어, 가설 검정의 유의성이나 예측의 정확도에 심각한 오류를 초래할 수 있기 때문이다. 따라서 계량경제학 및 다양한 실증 분석에서 모형의 타당성을 확인하는 필수 절차로 자리 잡았다.

자기상관은 양의 자기상관과 음의 자기상관으로 구분된다. 양의 자기상관은 이전 시점의 잔차가 양(또는 음)일 때 현재 시점의 잔차도 같은 방향으로 되는 경향이 있는 것을 말하며, 주로 추세가 있는 데이터에서 나타난다. 반면 음의 자기상관은 이전 시점과 반대 방향의 오차가 발생하는 경향을 보인다. 더빈-왓슨 통계량의 값은 일반적으로 0에서 4 사이를 가지며, 특정 기준값과 비교하여 양의 자기상관 존재 여부, 자기상관 없음, 또는 음의 자기상관 존재 여부를 판단하게 된다.

더빈-왓슨 통계량은 주로 회귀 분석 모형의 타당성을 검증하는 데 사용된다. 회귀 분석은 하나 이상의 독립 변수와 종속 변수 간의 관계를 모델링하는 통계적 방법으로, 경제학, 금융학, 사회과학 등 다양한 분야에서 널리 활용된다. 이 분석의 핵심 가정 중 하나는 오차항(잔차)이 서로 독립적이라는 것인데, 특히 시계열 데이터를 다룰 때 이 가정이 위반되기 쉽다.

더빈-왓슨 통계량은 이러한 시계열 분석 맥락에서 회귀 모형의 잔차 사이에 존재할 수 있는 자기상관을 탐지하는 도구로 개발되었다. 모형의 잔차에 체계적인 패턴(예: 이전 시점의 오차가 다음 시점 오차에 영향을 미침)이 존재하면, 회귀 계수의 추정치가 비효율적이거나 편향될 수 있으며, 가설 검정의 신뢰도가 떨어질 수 있다. 따라서 모형을 적합시킨 후 더빈-왓슨 검정을 수행하는 것은 모형 진단의 중요한 단계가 된다.

이 통계량은 계량경제학 분야에서 특히 중요한 의미를 지닌다. 계량경제학에서는 경제 이론을 바탕으로 실증적 모형을 구축하고 추정하는데, 대부분의 경제 데이터는 시간의 흐름에 따라 관측되는 시계열 데이터이기 때문이다. 인플레이션, 실업률, 주가와 같은 데이터를 분석할 때 더빈-왓슨 검정은 필수적인 도구로 자리 잡았다.

잔차는 회귀 분석 모형에서 관측된 실제 값과 모형이 예측한 값 사이의 차이를 의미한다. 즉, 모형이 설명하지 못하는 부분을 나타내는 오차에 해당한다. 이상적인 회귀 모형에서는 이러한 잔차들이 서로 독립적이며 특정한 패턴 없이 무작위로 분포해야 한다.

더빈-왓슨 통계량은 바로 이 잔차들 사이에 존재할 수 있는 자기상관을 검정하는 데 사용된다. 만약 잔차들 사이에 체계적인 상관관계가 존재한다면, 이는 모형이 데이터의 일부 패턴(예: 시간에 따른 경향성)을 제대로 포착하지 못했음을 시사한다. 따라서 잔차 분석은 모형의 적합도를 평가하고 가정의 위반을 진단하는 중요한 단계이다.

잔차의 자기상관은 특히 시계열 분석 데이터를 다룰 때 흔히 발생하는 문제다. 시간의 흐름에 따라 수집된 데이터에서는 한 시점의 오차가 다음 시점의 오차에 영향을 미치는 경우가 많기 때문이다. 더빈-왓슨 통계량은 주로 이러한 1차 자기상관, 즉 바로 이전 시점의 잔차와 현재 잔차 사이의 상관관계를 탐지하도록 설계되었다.