Está en la página 1de 11

TEMA 1 AUTOCORRELACION 1.

- INTRODUCCION El termino autocorrelacion se puede definir como la correlacin existente entre los miembros de una serie de observaciones ordenadas en el tiempo. 1.- Y = + u 2.- u N 3.- E (u) = 0 MRLNC 3.- E (u u`) = 2 I 4.- ( ) = ( `) = K< n 5.- es una matriz cuyos elementos son fijos Si: Donde
E (ui u j ) = Cov (ui u j ) 0 AUTOCORRELACION E (ui u j ) = ij

ij 0 AUTOCORRELACION

Tintner define la autocorrelacion como la correlacin de rezagos de una serie dada consigo misma, rezagada en un nmero de unidades de tiempo, mientras que reserva el trmino de correlacin serial para la correlacin de rezagos entre dos series diferentes. CUALES SON LAS RAZONES: - Especificacin por omisin de variables:
Yi = 1 + 2 X 2 i + 3 X 3i + ui

Donde:

Yi = oferta

X 2 i = Precio X 3i = Ingreso Yi = 1 + 2 X 2 i + vi vi = 3 X 3i + ui Donde:

vi = f ( X 3i ; ui ) Autocorrelacion

Cov (ui u j ) 0 AUTOCORRELACION

Especificacin incorrecta

Ct = 1 + 2 t + 3 2t + ut Modelo correcto
Ct = 1 + 2 t + t Modelo incorrecto

Donde: Inercia

t = 3 2t + ut AUTOCORRELACION

Una de las caractersticas sobresalientes de la mayora de las series econmicas de tiempo es la inercia. Como se conoce ampliamente, series de tiempo tales como el PNB, los ndices de precios, la produccin, el empleo y el desempleo, presentan ciclos. Partiendo de la parte mas baja de la recesion, cuando comienza la recuperacin econmica, la mayora de estas series comienzan a moverse hacia arriba. En este movimiento, el valor de una serie en un punto en el tiempo es mayor que su valor anterior. Por tanto, existe un momento intrnseco en ellas que continua hasta que algo ocurre que hace que estas disminuyan su ritmo. Por tanto, en las regresiones que involucren datos de series de tiempo, es probable que observaciones sucesivas sean independientes.

Auge

Fosa Crisis t 2.- ESTIMACION DE MCO EN PRESENCIA DE LA AUTOCORRELACION (MELI EN PRESENCIA DE AC) Yt = 1 + 2 X t + u t Modelo original Cov (ut ut 1 ) 0 Autocorrelacion NATURALEZA DE LA AC ut = f (ut 1 , t ) ut = ut 1 + t MODELO AR-1 AR- 1 = modelo de autoregresion de primer orden (cuantifica el valor de las variables aleatorias) AR-2 = Modelo de autoregresion de segundo orden. u t = f (u t 1 , u t 2 , t ) u t = 1u t 1 + 2 u t 2 + t ) MODELO AR-2 [ u t E (u t )][ u t 1 E (u t 1 )] = 2 2 [ u t E (u t )] [ u t 1 E (u t 1 )]

(u t u t 1 ) (u t ) (u t 1 ) (u t u t 1 ) n 2 2 (u t ) (u t 1 ) n E (u t u t 1 )
2 2

u t u t 1 n n
E (u t u t 1 )

V (u t )V (u t 1 )

PERO:
=

V (u t ) = V (u t 1 ) Homocedasticidad

E (u t u t 1 ) V (u t 1 ) 2

E (u t u t 1 ) Coeficiente de Autocorrelacion V (u t 1 ) 1 +1 Donde: - Cuando se ignora la AC Yt = 1 + 2 X t + u t

En trminos de desviaciones

2=
^

xt y t 2 xt
u
2 2

2 y V ( 2 )

dejan de ser MELI

V ( 2 ) =
-

xt

Yt = 1 + 2 X t + u t

Cuando se considera la AC

ut = f (ut 1 , t ) ut = ut 1 + t

MODELO AR-1

En trminos de desviaciones

2 V ( 2 )
y

dejan de ser MELI

V 2)( = E 2 E 2)(
2 = wiYi
^ n 1 ^ n ^ 1n 1

^ ^ ^2

Deja de ser eficiente

2 = 2 + wi ui

2 2 = wiui

E ( 2 ) = 2 + wi E(ut )

E ( 2 ) = 2
^ ^

2 Es insesgado

V ( 2 ) = E( 2 2 )
^

V ( 2 ) = E( wt ut ) 2
PROPIEDADES: V (u t ) = V ( u t 1 + ) V (u t ) = V ( u t 1 ) +V (t )

V (u t ) 2V (u t 1 ) = V (t ) (1 2 )V (u t 1 ) = V (t )

V (u t 1 ) =

2 1 2
2 1 2

E (u t u t 1 ) =
^

Existe: sobreestimacin y subestimacin si y solo si:

2 2 n 1 V ( 2 ) AR 1 = 2 + 2 w1w2 2 + + 2wn 1wn 2 1 xi 1

V ( 2 ) AR 1 < V ( 2 ) SOBREESTIMAR V ( 2 ) AR 1 > V ( 2 ) SUBESTIMAR


METODO DE MINIMOS CUADRADOS GENERALIZADOS - CUANDO SE CONOCE O LA POBLACION Considerando el modelo original: Yt = 1 + 2 X t + u t 1 ut = f (ut 1 , t ) Cov (u t u t 1 ) = E (u t u t 1 ) 0 AC ut = ut 1 + t MODELO AR-1 Yt 1 = 1 + 2 X t 1 + u t 1 2 Yt 1 = 1 + 2 X t 1 + u t 1 3 Restar 3 de 1 Yt Yt 1 = 1 + 2 X t + u t - 1 + 2 X t 1 + u t 1 Yt Yt 1 = 1 (1 ) + 2 ( X t X t 1 ) + (u t u t 1 ) Llegamos al modelo transformado Yt Yt 1 = 1 (1 ) + 2 ( X t X t 1 ) + y *t = *1 + *2 x *t + t Modelo transformado - CUANDO = 0 Aplicar MCO al modelo transformado. Tomando en trminos de desviacin.

^ ^

xt * y t * 2 *= 2 x t*
^

2 *=

[ ( X t X t 1 ) M ( X t X t 1 )] [ (Yt Yt 1 ) M (Yt Yt 1 )] [ ( X t X t 1 ) M ( X t X t 1 )]
2

_ _ _ _ ( X X ) ( X X ) ( Y Y ) ( Y Y t t 1 t t1 ) t 1 t 1 t t ^ 2 *= 2 _ _ ( X t X t ) ( X t 1 X t 1 )

2 =

^ MCG

( xt xt 1 )( yt yt 1 ) 2 ( xt xt 1 )

Es MELI

V ( 2

^ MCG

no un estadgrafo puede tomar valores dentro de: 1 +1 Docimas parametricas t Dcima t


H 0 : 2 = 0

= es el coeficiente de AC que cumple un papel de parmetro poblacional y no muestral es un estadstico y

u )= 2 ( xt x t 1 )

Es al mejor V de todas

H1 : 2 0

" t ( n 2 ) " =

2
^

R.C

R.A.

R.C.

MCG 95% MCO 95% 3.- COMO DETECTAR LA AUTOCORRELACION? La autocorrelacion es un problema potencialmente serio que requiere de medidas remdiales. Desde luego que antes de hacer cualquier cosa, es esencial detectar la presencia de autocorrelacion en una situacin determinada. 4.- METODO GRAFICO La importancia de producir y analizar graficas de los residuos como procedimiento estndar de anlisis estadstico es fundamental. Adems de proporcionar ocasionalmente un resumen de fcil comprensin acerca de un problema complejo, nos permiten adelantar un anlisis simultneo de los datos, considerados en su conjunto, mientras que a la vez ilustra claramente el comportamiento de los casos individuales. Existen diferentes formas de analizar los residuos. Podemos graficarlos simplemente contra la variable tiempo, a travs de una grafica de secuencia de tiempo.
et et

AC

AC

et

et

t 0 t

et

5.- PRUEBA DE ALEATORIEDAD O METODO DE CORRIDAS Conocida tambin como prueba de Geary esta prueba trata de seleccionar los signos positivos y negativos de los residuos.
et

N = N1 + N 2

---------++++++..+++++++

0 AC Numero de corridas n r variable E ( nr )


nr

2 nr

2 N1 N 2 +1 N1 + N 2 2 N1 N 2 (2 N 1 N 2 N1 N 2 ) 2 nr = ( N 1 + N 2 ) 2 ( N1 + N 2 1) Docimas parametricas t Dcima t H 0 : Ausencia de AC H 1 : Presencia de AC Intervalo de confianza al 95% E (nr ) =

[ E ( n ) Z
r

nr

< n r < E ( n r ) + Z nr = 1

Si el nmero de corridas n r se encuentra en el intervalo se acepta H 0 : Ausencia de AC. Esta prueba es recomendable para muestras grandes N 1 > 10 y N 2 > 10 6.- PRUEBA DE DURBIN WATSON Mas comnmente conocida como el estadstico d de Durbin Watson, el cual se define de la siguiente manera:

d=

(e
2

et 1 ) 2
2 t

e
1
2 n 1

Pero:

et et
e
2 2 n 2 t 1 n 1

et 1
n

Entonces:

d =1

2 et et 1

e
1 n 2 n

2 n

+1

2 t

d = 22

e e e
1 n 2 n t

t t 1 2

d = 2(1

e e
t

t 1

e
1

)
2

Pero:

u t u t 1 E (u t u t 1 ) E (u t u t 1 ) n = = = 2 V (u t 1 ) V (u t ) ut n u t u t 1 = 1 +1 2 ut

Tambin:

ee
2

t t 1

et

1 +1

Entonces:

d 2(1 )
Sus lmites son: Presencia de una perfecta correlacin negativa No existe correlacin Presencia de una perfecta correlacin positiva

= 1

=0
^

=1
^

d 2(1 )
d 2(1 +1)

d 2(1 )
d 2(1 +1)

d 2(1 )
d 2(1 1)

d = 4 REGLAS DE DECISION:

d =2
0d 4

d = 0

SE ACEPTA
Regin De Incertidumbre

H0 o H0 *

Regin De Incertidumbre

H 0 AC +

H 0 * AC
du

0 Dcima:

dL

4 du

4 dL

H 0 : Ausencia de AC positiva

H 1 : Presencia de AC positiva

Dcima:
H 0 * : Ausencia de AC

negativa

H 1 * : Presencia de AC negativa

Prueba d de Durbin Watson: REGLAS DE DECISION Hiptesis nula Decisin No existe autocorrelacin positiva No existe autocorrelacin positiva No existe autocorrelacin negativa No existe autocorrelacin negativa No existe autocorrelacin positiva o negativa Despejando: Rechazar No se toma decisin Rechazar No se toma decisin Se acepta

Si
0 d dL
d L d du

4 dL d 4
4 du d 4 d L

du d 4 du

tenemos:

d 2(1 ) ^ d = 1 2
Restricciones o limitaciones para utilizar d.Yt = 1 + 2 X t + u t

1). El modelo debe incluir un parmetro independiente. 2). La naturaleza de la AC debe corresponder a; ut = ut 1 + t MODELO AR-1 3). No conviene utilizar la prueba de D-W en modelos que incluyen variables rezagadas del siguiente tipo:
Yt = 1 + 2 X t + Yt 1 + u t

7.- MEDIDAS REMEDIALES el remedio depende del conocimiento que se tenga sobre la naturaleza de la interdependencia existente entre las perturbaciones. A este respecto es necesario distinguir dos situaciones: a). Cuando se conoce el coeficiente de AC b). Cuando no se conoce el coeficiente de AC a). Cuando se conoce el coeficiente de AC Para apreciar esto tomamos en cuenta el modelo de dos variables: Yt = 1 + 2 X t + u t 1 Cov (u t u t 1 ) = E (u t u t 1 ) 0 AC ut = f (ut 1 , t ) ut = ut 1 + t MODELO AR-1 Yt 1 = 1 + 2 X t 1 + u t 1 2 Yt 1 = 1 + 2 X t 1 + u t 1 3 Restar 3 de 1 Yt Yt 1 = 1 + 2 X t + u t - 1 + 2 X t 1 + u t 1 Yt Yt 1 = 1 (1 ) + 2 ( X t X t 1 ) + (u t u t 1 ) Llegamos al modelo transformado Yt Yt 1 = 1 (1 ) + 2 ( X t X t 1 ) + y *t = *1 + *2 x *t + t Modelo transformado, ya no existe AC b). Cuando no se conoce el coeficiente de AC A pesar de que la regresin de diferencia generalizada es fcil de aplicar, por lo general es difcil estimar dicha regresin debido a que en la practica muy pocas veces se conoce el valor de . Por tanto, se necesita disear mtodos alternos, algunos de los cuales son los siguientes: - Mtodo de primera deferencia. Puesto que se encuentra entre 0 y 1, se podran adoptar dos posiciones extremas:
1 +1

Si = +1 Tenemos: Yt Yt 1 = 1 (1 1) + 2 ( X t X t 1 ) + Finalmente llegamos al modelo transformado en primeras diferencias: Yt Yt 1 = +2 ( X t X t 1 ) + Para utilizar este mtodo transformado se debe reparar en el valor del coeficiente de autocorrelacion estimado, de modo que si ese valor es alto por ejemplo 0,8 o mayor entonces se puede utilizar el modelo regresionado por MCO.

Yt Yt 1

=0 = 1 = 1 (1 ) + 2 ( X t X t 1 ) +

- A travs o mediante el estadstico D-W Yt = 1 + 2 X t + u t 1 Cov (u t u t 1 ) = E (u t u t 1 ) 0 AC ut = f (ut 1 , t ) ut = ut 1 + t MODELO AR-1 Yt 1 = 1 + 2 X t 1 + u t 1 2

Yt 1 = 1 + 2Xt 1 + ut 1
Restar 3 de 1
^

^ ^ ^ ^

^ ^

Yt Yt 1 = 1 + 2 X t + ut -

1 + 2 Xt 1 + ut 1

Yt Yt1 = 1(1 )+ 2(Xt Xt1 () ut + ut1)


Llegamos al modelo transformado

^ ^ ^ ^

Yt Yt 1 = 1(1 )+ 2(Xt Xt 1)+


Donde:

=
^

ee
2

t t 1 2 t

e
1

= 1
^

ut = ut 1 + t

d 2

MODELO AR-1

ut = ut 1 + et

et = u t u t 1

e t = (ut ut 1 ) 2
2
Entonces:

Debe ser mnimo

u t u t 1 ut
2

u t u t 1 ut
^ 2

^ ^

OTROS METODOS PARA ESTIMAR Tambin se podra utilizar el mtodo de mxima verosimilitud para estimar los parmetros de Yt Yt 1 = 1 (1 1) + 2 ( X t X t 1 ) + directamente, sin tener que recurrir a algunas de las rutinas iterativas. Sin embargo, el mtodo de MV involucra procedimientos de estimacin no lineales siendo aun ms complicados. Concluimos esta seccin con las siguientes observaciones. Los diferentes mtodos mencionados bsicamente corresponden a mtodos en dos pasos: en el paso 1 obtenemos una estimacin del valor desconocido de y el paso 2 utilizamos la estimacin para transformar las variables para estimar la ecuacin de diferencia generalizada, la cual es bsicamente MCG. Pero, puesto que utilizamos generalizados estimados o factibles MCGE.

, todos estos mtodos de estimacin se conocen en la literatura como mtodos de mnimos cuadrados

en lugar del verdadero valor de