R语言nlme包带自相关误差混合效应模型如何检验ARMA假设

核心要检验的是组内标准化残差是否满足独立假设，注意不要直接用原始响应残差做检验，也不要跨组计算自相关——你在模型里指定了corARMA(form = ~x | group)，自相关结构仅在同一group内生效，跨组观测默认独立。

方法1：nlme内置ACF法（最推荐，无额外依赖） #

不要用基础R的acf()函数直接计算全样本残差的自相关，该函数不会识别模型的分组结构，会把不同组的残差拼接计算，结果完全失真。nlme包自带的ACF()方法针对混合模型做了适配，会自动按分组拆分残差，仅计算组内滞后自相关，还可以直接生成带置信区间的自相关图。
操作代码：

# 计算最多滞后10阶的组内标准化残差自相关，maxLag可根据你的数据观测密度调整
acf_res <- ACF(model, maxLag = 10, resType = "normalized")
# 绘制自相关图，默认绘制95%置信区间
plot(acf_res, alpha = 0.05)

结果判断：如果所有滞后阶数的自相关系数都落在图中两条虚线标记的95%置信区间范围内，就可以认为残差不存在显著的剩余自相关。你也可以用同样的方法绘制无ARMA结构的对照模型ACF图，对比自相关的消除效果。

方法2：Durbin-Watson检验（针对一阶自相关） #

如果你重点关注相邻观测的一阶自相关是否被消除，可以按组拆分标准化残差，逐组执行Durbin-Watson检验，避免跨组计算带来的偏差。
操作代码：

library(lmtest)
# 合并标准化残差、分组、排序变量
resid_df <- data.frame(
  group = data$group,
  x = data$x,
  std_resid = residuals(model, type = "normalized")
)
# 按组、x值排序，保证组内观测顺序和建模时一致
resid_df <- resid_df[order(resid_df$group, resid_df$x), ]
# 逐组做DW检验
dw_pvalue <- by(resid_df, resid_df$group, function(subdf) {
  dwtest(std_resid ~ 1, data = subdf)$p.value
})
# 查看各组检验p值的分布
summary(dw_pvalue)

结果判断：如果绝大多数组的检验p值都大于0.05，说明一阶自相关已被充分消除。

方法3：Ljung-Box检验（多阶自相关联合检验） #

如果需要检验多个滞后阶数的自相关是否联合显著，可以逐组对标准化残差做Ljung-Box检验。注意要设置fitdf参数扣除ARMA结构估计消耗的自由度，你用的ARMA(1,1)结构估计了2个相关参数，所以fitdf=2。
操作代码：

lb_pvalue <- by(resid_df, resid_df$group, function(subdf) {
  Box.test(
    subdf$std_resid, 
    lag = 10, # 和之前ACF的maxLag保持一致即可
    type = "Ljung-Box",
    fitdf = 2
  )$p.value
})
summary(lb_pvalue)

结果判断：和DW检验一致，绝大多数组p值大于0.05即可认为无显著剩余自相关。

关键注意点：所有检验都必须使用type = "normalized"的标准化残差，不能用默认的原始响应残差。原始残差没有经过随机效应和相关结构的变换，本身自带相关结构，用来检验会得到完全错误的结论。

内容的提问来源于stack exchange，提问作者Pibil