尽管有 IrishStat 的评论，您仍可以使用 Breusch-Godfrey 检验。它用于测试回归模型的残差之间是否缺乏相关性。

首先，您执行回归。获取残差。对步骤 1 中您感兴趣的回归加上一些滞后残差的所有变量进行残差回归。您可以通过查看自相关函数来猜测应该包含多少滞后。您可以通过使用 F 检验或拉格朗日乘数检验的一个版本来检验残差的滞后系数是否共同为 0 来检验序列相关性的缺失（检验统计量是第二个中的观察数，辅助回归乘以$R^2$从那个回归；检验统计量分布为$\chi^2_l$， 在哪里$l$是滞后数，在无序列相关的零值下）。

一个恰当的例子是，通过您定义的测试，残差被认为是独立的，但不是正态分布的，即误差的平均值不是恒定的。在模型中包含一个常数可以保证误差的总体平均值为零，但不一定适用于所有时间间隔。如果残差中有一个异常，这将夸大误差的方差，从而为相关系数提供向下偏差。如果您有一个在特定时间点具有均值偏移的错误过程，您将再次在错误的 acf 中出现膨胀的错误方差和（严重）向下偏差（“爱丽丝梦游仙境”）。总之，您所依赖的测试假设错误中没有平均偏差。只需使用干预检测程序来识别遗漏的脉冲、电平转换、季节性脉冲和/或本地时间趋势，然后将所有这些具有统计意义的变量合并到您的传递函数中。然后，修复将允许您继续进行标准测试。然后，您可能会发现误差方差可能与 Y 的水平有关，表明需要进行幂变换（对数/倒数/平方根等）/或者误差方差可能随着时间的推移在固定点发生变化，暗示 GLS 或随机暗示需要 GARCH 增强。