自相关检验有几种方法
lm的检验结果如果培养液是红色的话是阳性，橙色是可疑的，黄色为阴性。
1、LM检验即拉格朗日乘数检验，用来检验模型残差序列是否存在序列相关。原假设是不存在序列相关；备选假设是：存在p阶自相关。检验统计量渐进服从卡方分布，如果计算得出的P值太大则拒绝原假设，认为存在序列相关。
2、P值其反映的是辅助回归当中各回归系数的统计显著性，比如P值0.0157，就可在5%显著性水平下拒绝掉 γ9=0的原假设，认为扰动项可能存在九阶自相关。LM检验的原假设H0:不存在自相关，根据prob来看的话0.6863大于0.05，所以应该接受原假设，不存在自相关。
3、lm检验可以看作是算log likehood function在约束条件估计量的斜率，（也就是score variable在这一点的值，所以也称score test）。想象一下如果无法拒绝原假设，那么约束和非约束参数会非常接近（都是MLE），那么这一点的斜率应该非常接近于0（因为MLE取loglikelihood的极大值，这一点斜率为0），再利用delta method就可以推出检验量的分布了。
1，lm自相关检验结果需要通过查看显著性水平和p-value来进行判断。
2，在lm自相关检验中，p-value小于0.05意味着存在自相关性，即模型假定被违反，结果不可靠，需要进行重新建模或删减自变量。而p-value大于0.05时，可以判断自变量之间不存在自相关性，模型假定成立，结果比较可信。
3，除了lm自相关检验，还有许多数据分析的方法和技巧，例如模型拟合、方差分析、主成分分析等，需要灵活掌握，进行数据分析和决策时才更有准确性和可靠性。
在得到模型后，检验残差序列的自相关时，可以使用DW统计量和LM检验，前者我就不说了，在回归结果中会自动输出DW值，对于后者，依次点击view
esidual testserial correlation LM test 设定最大的滞后阶数，点击OK，得到结果。
结果是对如下模型的显著性检验：e(t)=a1*e(t-1)+a2*e(t-2)+...+b1*x1+b2*x2 原假设为诸系数a1=a2=...=b1=b2=...=0 LM统计量=Obs*R-squared它渐进服从卡方分布，如果太大，这拒绝原假设 一般，在eviews中有p值，如果p值比较小，比如小于0.005，则拒绝原假设，认为原模型存在自相关。
通过设定最大滞后阶数，可以区别模型中的显著与不显著的滞后项，通过对比，可以剔除不显著的项，再进行一次检验。
