在没有误差自相关的情况下，t 统计量是可靠的。残差没有显示出显着的自相关这一事实以一种不太严格的方式表明，因变量中的自相关是由于自变量中的自相关造成的。然而，同样重要的是要记住，在许多情况下，统计显着性和不显着性之间的差异本身并不具有统计显着性，例如，1.8 的 t 统计量与 2.8 的 t 统计量是 1.0 的差异，因此缺乏上述声明中的严谨性。

另一种方法是使用时间序列分析技术对数据进行建模，对于 R，这些技术在CRAN 任务视图：时间序列分析中进行了非常简要的描述。这些技术可以通过显式建模跨时间相关结构来获得更清晰的参数估计，然而，如果您不显式建模它们，您就会隐含地假设数据中唯一的这种结构是由自变量引起的。

在存在误差自相关的情况下，t 统计量是不可靠的。误差中的自相关可能是由于因果变量中的滞后结构不足或因变量滞后结构不足。此外，错误结构中的异常会导致人们错误地接受随机性，因此应注意减轻可能存在但未处理的脉冲、电平转换、季节性脉冲和/或本地时间趋势的影响。Durbin-Watson 测试仅显示滞后 1 的显着自相关。如果说滞后 S 的自相关，其中 S 是测量频率（4、7、12 等），则 DW 测试将错误地表明随机性。