Correlacin Serial

Clase 7

Series de tiempo
Uno de los supuestos bsicos del modelo de regresin
lineal mltiple es que las observaciones no estn
correlacionadas unas con otras.
Esto se cumple cuando se toma una muestra aleatoria,
usando datos de corto transversal.
Ese supuesto no se cumple muchas veces cuando se toman
observaciones en intervalos temporales regulares.
Ese tipo de datos se denomina series de tiempo, los cuales
tienen una estructura implcita en la cual el tiempo es un
componente importante.
Si el modelo de regresin no recoge adecuadamente esa
estructura temporal, el residuo se reflejar en el trmino de
error y esto producira que los errores esten
correlacionados.

Por qu ocurre la correlacin serial?

Inercia de las series de tiempo
Sesgo de especficacin: caso de variables
excluidas
Sesgo de especficacin: forma funcional
incorrecta
Rezagos de la variable dependiente no
incluidos

Serie de tiempo estacionaria

Seire de tiempo no estacionaria

Serie de tiempo no estacionaria

y con tendencia

Errores autorregresivos de primer orden

yt 1 2 xt et
et et 1 vt
E ( vt ) 0 var( vt ) v2

cov( vt , vs ) 0 for t s

1 1
E ( et ) 0
2

v
var( et ) e2
1 2

cov et , et k e2 k

k 0

Errores autorregresivos de primer orden

corr( et , et k )

corr( et , et 1 )

cov( et , et k )

var( et )var et k

cov( et , et k ) e2k

2 k
var( et )
e

Errores autorregresivos de primer orden

T

cov(
xt , yt )
rxy

var(
x )var(
y)
t

( xt x )( yt y )
t 1

( xt x )
t 1

cov(
et , et 1 )
r1

var(
e)
t

et et 1
t 2
T

e
t 1
t 2

2
(
y

y
)
t
t 1

Consecuencias de la correlacin serial

Cuando los errores siguen un patrn
autorregresivo de orden 1 [AR(1)] los MICO
son insesgados y consistentes, pero ya no son
eficientes.
Los errores estndar no son los correctos y, en
consecuencia, se obtienen resultados
estadsticamente invlidos para la prueba de
hiptesis y los intervalos de confianza.

Mnimos Cuadrados Generalizados

El estimador MCG es el MELI porque utiliza la
informacin de la existencia de correlacin
serial.
Estos estimadores sern insesgados y tambin
tendrn varianza mnima.

Consecuencias de usar MICO

Permitiendo la correlacin serial
Los intervalos de confianza sern
innecesariamente amplios.
Puede concluirse que un coeficiente es
estadsticamente no significativo, aunque de
hecho puede serlo.

Consecuencias de usar MICO

Sin tener en cuenta la correlacin serial
La varianza residual (sigma cuadrado)
probablemente subestima al verdadero sigma2.
Es probable que se sobreestime el coeficiente de
determinacin.
Puede subestimarse la varianza de los estimadores
beta.
Las pruebas t y F dejan de ser vlidas.

Deteccin de la autocorrelacin
Mtodo grfico
Graficar los residuos contra el tiempo
Graficar los residuos de hoy contra los del perodo
precedente

Correlograma
Mtodo Durbin-Watson

Deteccin de la autocorrelacin
Uso del correlograma, el cual es una grfica
que dibuja series de correlacin entre el
residuo actual y el residuo con diferentes
retrasos temporales.
Lo primero es estimar el modelo usando
MICO.
Luego determinar el correlograma

Deteccin de la autocorrelacin

0.00
-0.50

Autocorrelations of ehat

0.50

En este caso la primera autocorrelacin cae fuera de los

lmites y, por lo tanto, es estadsticamente diferente de cero
con un nivel de significancia de un 5%.

10
Lag

Bartlett's formula for MA(q) 95% confidence bands

15

Durbin-Watson
El estadstico D-W (o d) se define:
tN

et et 1
t 2

tN

2
e
t
t 1

Supuestos en que se basa el D-W:

El modelo incluye constante

Las variables explicativas no son estocsticas
Las perturbaciones son AR(1)
El modelo de regresin no incluye variable endgena
rezagada
No hay datos faltantes

Durbin-Watson
Es difcil derivar la distribucin probabilstica exacta de D-W,
debido a que depende de X. Pero se encontraron lmites que
permiten saber si hay o no correlacin serial positiva o
negativa:
tN

et et 1
t 2

tN

2
t

t 1

e e 2 e e

e
2
t

Asumiendo que :

e e
2
t

2
t 1

et et 1
d 2 1
2 1
2

et

1 1 0 d 4

2
t 1
tN

t t 1

2
t

t 1

Durbin-Watson
Si el valor del D-W est cercano a dos, se llega a la
conclusin de que no existe correlacin serial.
Si el valor del D-W est cercano a cero, se dice
que la correlacin serial es positiva.
Si el valor del D-W est cercano a cuatro, se dice
que la correlacin serial es negativa.

Durbin-Watson: regla de decisin

De 0 a dL: Correlacin serial positiva
De dL a dU: Zona de indecisin
De dU a 4-dU: No correlacin (se acepta Ho)

De 4-dU a 4-dL: Zona de indecisin

De 4-dL a 4: Correlacin serial negativa

Medidas de solucin
Cuando se conoce rho se transforman las variables restando la
variable original multiplicada por rho retrasada un perodo y se
estima usando MICO, lo cual esquivalente a usar MCG.
Cuando no se conoce rho, transforme el modelo a variables en
primera diferencia (rho es 1).
Si asume que rho es -1, transforme el modelo a una regresin de
promedio mvil de dos perodos.
Esto reduce el componente inercial, que origina relaciones espreas
y correlacin serial en los modelos de series de tiempo.

Aplicacin en EViews
Abra el archivo bangla.wf1 (datos de rea
sembrada de caa de azcar y precio del
azcar)
Estime el modelo: log(A) c log(P)
Cree la serie series ehat=resid
Grafique la serie de reisudos: View/Actual,
Fitted, Residual/Residual Graph
Para guardarla cliquee en Freeze y luego en
Name

Modelo de caa de azcar

yt 3.893 .776 xt

-1

-.5

Residuals

.5

(se) (.061) (.277)

10

20
time

30

40

Correlacin entre et y et-1

Haga series ehat_1= ehat(-1)
Observe los datos de ehat y de ehat_1
Calcule el coeficiente de correlacin:
Scalar r1 = @cor(ehat, ehat_1)

Errores estandar Newey-West

Los errores estandar Newey-West (o HAC =
Heteroskedasticity-Autocorrelation
Consistent) son los adecuados cuando existe
correlacin serial
Para obtenerlos vaya a Options en la ventana
de estimacin de ecuacin y seleccione
Newey-West (estos son consistentes tanto
bajo heteroscedasticidad como bajo
autocorrelacin)

Errores estandar Newey-West

Dependent Variable: LOG(A)

Method: Least Squares
Date: 01/17/09 Time: 12:14
Sample: 1 34
Included observations: 34
Newey-West HAC Standard Errors & Covariance (lag truncation=3)

Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
LOG(P)

3.893256
0.776119

0.062444
0.378207

62.34761
2.052102

0.0000
0.0484

R-squared 0.196466
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic 7.824072
Prob(F-statistic)

Mean dependent var

0.171355
S.D. dependent var
0.307793
Akaike info criterion
3.031571
Schwarz criterion
-7.150159
Hannan-Quinn criter.
Durbin-Watson stat
0.008653

3.980680

0.338123
0.538245
0.628031
0.568864
1.168987

Modelo con errores AR(1)

Los componentes del modelo son:
ln At 1 2 ln Pt et
et et 1 t
Recuerde:

e2 v2 1 2

La forma corta es:

Log(a) c log(p) AR(1)
Rho=0.42214 (coeficiente de AR(1)
Sigma2 de v = 0.2854 (S.E. of regression)
Note: Dado que se usa un estimador no lineal se
realizan iteraciones y a la 7 se obtiene el resultado

Modelo con errores AR(1)

Dependent Variable: LOG(A)

Method: Least Squares
Date: 01/17/09 Time: 12:24
Sample (adjusted): 2 34
Included observations: 33 after adjustments
Convergence achieved after 7 iterations

Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
LOG(P)
AR(1)

3.898771
0.888370
0.422140

0.092165
0.259299
0.166047

42.30197
3.426048
2.542284

0.0000
0.0018
0.0164

R-squared 0.277777
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
5.769216
Prob(F-statistic)

Inverted AR Roots

Mean dependent var

0.229629
0.285399
2.443575
-3.874725
Durbin-Watson stat
0.007587

.42

S.D. dependent var

Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
1.820560

3.999309
0.325164
0.416650
0.552696
0.462425

Prueba de autocorrelacin
Correlograma residual: es la secuencia de las
correlaciones r1, r2entre et, et-1, et-2, etc.
La frmula que usa Eviews para computar rk es
igual a:
e e

r
e
Vaya a la ecuacin estimada y luego haga:
View/Residual Tests/ Correlograma Q statistics y
especifique un lag (e.g., 6)
El resultado se presenta bajo la grfica
Autocorrelation y bajo AC
Corrija el modelo por AR(1) y vuelva a realizar el
correlogramaqu observa?
T

t k 1 t t k
2
T
t 1 t

Prueba de Durbin-Watson
Se reporta en la tabla de resultados de la
ecuacin estimada
Se debe verificar si existe autocorrelacin
usando la regla presentada anteriormente

Prueba del multiplicador de Lagrange

La prueba del multiplicador de Lagrange para un error
AR(1) determina la significancia de rho:
log At 1 2 log Pt et 1 t
O bien,
et 1 2 log Pt et 1 t

En la ecuacin estimada vaya a View/Residual Test/Serial

Correlation LM Test y seleccione lag igual a 1
La prueba t del coeficiente de Resid(-1) permite rechazar
o no la Ho de no correlacin serial
Observe que el estadstico F = t^2