正如之前在此线程和其他线程中所指出的：（1）Durbin-Watson 测试并非没有定论。只有 Durbin 和 Watson 最初建议的边界是因为精确分布取决于观察到的回归矩阵。然而，这很容易在统计/计量经济学软件中解决。(2) 将 Durbin-Watson 检验推广到更高的滞后。因此，不确定性或滞后的限制都不是反对德宾-沃森检验的论据。

与滞后因变量的 Wald 检验相比，Durbin-Watson 检验在某些模型中可能具有更高的功效。具体来说，如果模型包含确定性趋势或季节性模式，则与包括滞后响应（尚未针对确定性模式调整）相比，测试残差中的自相关（如 Durbin-Watson 测试所做的那样）可能更好. 我在下面包含了一个小的 R 模拟。

Durbin-Watson 检验的一个重要缺点是它不能应用于已经包含自回归效应的模型。因此，在自回归模型中部分捕获剩余自相关后，您无法测试剩余的自相关。在这种情况下，Durbin-Watson 测试的威力可能会完全失效，而对于 Breusch-Godfrey 测试来说，它不会。我们的“应用计量经济学与 R”一书有一个小型模拟研究，在“编程您自己的分析”一章中对此进行了说明，请参阅http://eeecon.uibk.ac.at/~zeileis/teaching/AER/。

但是，对于具有趋势加自相关误差的数据集，Durbin-Watson 检验的功效高于 Breusch-Godfrey 检验，也高于自回归效应的 Wald 检验。我用 R 中的一个简单的小场景来说明这一点。我从这样的模型中绘制了 50 个观察值，并计算了所有三个测试的 p 值：

    pvals <- function()
    {
      ## data with trend and autocorrelated error term
      d <- data.frame(
        x = 1:50,
        err = filter(rnorm(50), 0.25, method = "recursive")
      )
      
      ## response and corresponding lags
      d$y <- 1 + 1 * d$x + d$err
  d$ylag <- c(NA, d$y[-50])
    
      ## OLS regressions with/without lags
      m <- lm(y ~ x, data = d)
      mlag <- lm(y ~ x + ylag, data = d)
    
      ## p-value from Durbin-Watson and Breusch-Godfrey tests
      ## and the Wald test of the lag coefficient
      c(
        "DW" = dwtest(m)$p.value,
    "BG" = bgtest(m)$p.value,
        "Coef-Wald" = coeftest(mlag)[3, 4]
      )
    }

然后我们可以为所有三个模型模拟 1000 个 p 值：

    set.seed(1)
    p <- t(replicate(1000, pvals()))

Durbin-Watson 检验导致最低的平均 p 值

    colMeans(p)
    ##        DW        BG Coef-Wald 
    ## 0.1220556 0.2812628 0.2892220 

和 5% 显着性水平的最高功效：

    colMeans(p < 0.05)
    ##        DW        BG Coef-Wald 
    ##     0.493     0.256     0.248 

Durbin-Watson 检验是您检验自相关的方法。绘制 ACF 就像绘制 QQ 图来测试正态性。能够观察 QQ 图来检验正态性很有用，但 Kolmogorov-Smirnov 或 Levene 检验补充了您在图中看到的内容，因为正态性假设检验更具决定性。

对于多重滞后，您可以使用广义的 Durbin-Watson 统计量，运行一些假设检验，并进行 Bonferroni 校正以校正多重检验。您还可以运行Breusch-Godfrey 测试，它测试是否存在任何顺序的相关性。