Cara melakukan tes durbin-watson di r

Salah satu asumsi utama regresi linier adalah tidak ada korelasi antar residu, yaitu residu bersifat independen.

Salah satu cara untuk mengetahui terpenuhi tidaknya asumsi tersebut adalah dengan melakukan uji Durbin-Watson yang digunakan untuk mendeteksi adanya autokorelasi pada residu suatu regresi. Pengujian ini menggunakan asumsi berikut:

H ₀ (hipotesis nol): Tidak ada korelasi antar residu.

H _A (hipotesis alternatif): Residunya bersifat autokorelasi.

Tutorial ini menjelaskan cara melakukan tes Durbin-Watson di R.

Contoh: Tes Durbin-Watson di R

Untuk melakukan uji Durbin-Watson, pertama-tama kita harus menyesuaikan model regresi linier. Kami akan menggunakan kumpulan data R terintegrasi mtcars dan menyesuaikan model regresi menggunakan mpg sebagai variabel prediktor dan disp dan wt sebagai variabel penjelas.

 #load mtcars dataset
data(mtcars)

#view first six rows of dataset
head(mtcars)

                   mpg cyl disp hp drat wt qsec vs am gear carb
Mazda RX4 21.0 6 160 110 3.90 2.620 16.46 0 1 4 4
Mazda RX4 Wag 21.0 6 160 110 3.90 2.875 17.02 0 1 4 4
Datsun 710 22.8 4 108 93 3.85 2.320 18.61 1 1 4 1
Hornet 4 Drive 21.4 6 258 110 3.08 3.215 19.44 1 0 3 1
Hornet Sportabout 18.7 8 360 175 3.15 3.440 17.02 0 0 3 2
Valiant 18.1 6 225 105 2.76 3,460 20.22 1 0 3 1

#fit regression model
model <- lm(mpg ~ disp+wt, data=mtcars)

Kemudian kita dapat melakukan pengujian Durbin-Watson menggunakan fungsi durbinWatsonTest() dari paket karena :

 #load car package
library(car)

#perform Durbin-Watson test
durbinWatsonTest(model)

Loading required package: carData
 lag Autocorrelation DW Statistic p-value
   1 0.341622 1.276569 0.034
 Alternative hypothesis: rho != 0

Dari hasilnya, kita dapat melihat bahwa statistik uji adalah 1,276569 dan nilai p yang sesuai adalah 0,034 . Karena nilai p ini kurang dari 0,05, kita dapat menolak hipotesis nol dan menyimpulkan bahwa sisa model regresi ini bersifat autokorelasi.

Apa yang harus dilakukan jika autokorelasi terdeteksi

Jika Anda menolak hipotesis nol dan menyimpulkan bahwa terdapat autokorelasi dalam residu, maka Anda memiliki beberapa opsi untuk memperbaiki masalah ini jika Anda menganggapnya cukup serius:

• Untuk korelasi serial positif, pertimbangkan untuk menambahkan lag variabel dependen dan/atau independen ke dalam model.
• Untuk korelasi serial negatif, pastikan tidak ada variabel yang mengalami over-delayed .
• Untuk korelasi musiman, pertimbangkan untuk menambahkan boneka musiman ke model.