Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Autocorrelacin
ndice
Definicin
Causas
Consecuencias
Deteccin
Medidas correctivas
Definicin de la autocorrelacin
Definicin de autocorrelacin
La perturbacin de una observacin cualquiera ui
est correlacionada con la perturbacin de
E (ui u j )
Cmo se expresa la
ausencia de
correlacin?
0; i
Definicin de autocorrelacin
La autocorrelacin es habitual en los datos de
series temporales => correlacin serial
En los datos de seccin cruzada es menos comn,
aunque posible => correlacin espacial
Patrones de autocorrelacin
Causas de la autocorrelacin
Ejemplo:
Modelo correcto:
yt
1 1t
2 2t
ut
Estimamos:
yt
1 1t
donde
2 2t
ut
yt
1 1t
yt
1 1t
Tendremos que
2
t
yt
2
ut
yt
ut
Consecuencias de la autocorrelacin
Consecuencias de la autocorrelacin
Bajo los supuestos del Teorema Gauss- Markov
los estimadores MCO son ELIO.
Si no se satisface el supuesto de independencia:
Es decir, E (ut ut s ) 0; s 0
-Los estimadores MCO son lineales.
-Los estimadores MCO son insesgados.
-Los estimadores MCO no son eficientes.
Por qu no
son eficientes?
Consecuencias de la autocorrelacin
Deteccin de la autocorrelacin
Deteccin de la autocorrelacin
Anlisis grfico de los residuos
- Los residuos constituyen una proxy de los
errores, especialmente para muestras grandes.
- Los residuos se pueden representar
grficamente respecto al tiempo.
- Tambin se pueden representar los residuos
estandarizados (t /^) respecto al tiempo.
-En vez de representar los residuos respecto al
tiempo, se pueden representar t respecto a t-1
(detectando si la correlacin entre los residuos es
positiva o negativa).
Deteccin de la autocorrelacin
Algunos test
-Prueba de las rachas o prueba de Geary
-Estadstico d de Durbin-Watson
(disponible en Eviews)
Estadstico d de Durbin-Watson
Supuestos:
1.Existe trmino constante en el modelo
2.Xs fijas en muestreo repetido
3.ut siguen un modelo autorregresivo de orden 1
ut
ut
at
Estadstico d de Durbin-Watson
0
H0:
ut 1 at
H1: ut
Si se cumplen los supuestos, se puede definir:
t n
(ut ut 1 )
2
t n
t
u
1 t
ut ut
ut2
21
2(1
t 1
2,3,...,n
Estadstico d de Durbin-Watson
Puesto que
2(1
si
d (2, 4)
si
d (0, 2)
si
Estadstico d de Durbin-Watson
Estadstico d de Durbin-Watson
A modo de conclusin (pasos):
1. Estimar el modelo de regresin lineal y
obtener los residuos
2. Calcular el estadstico de DW
3. Encontrar los valores du y dl
4. Toma de decisiones
Estadstico d de Durbin-Watson
Qu ocurre si se
violan los supuestos?
Pasos
1. Estimar el modelo de regresin lineal
2. Regresar t sobre Xs originales y t-1, t-2,t-p
3. Obtener el R-cuadrado de la regresin anterior
4. Breusch y Godfrey demostraron que
2
2
(n-p)R ~ p
Si el valor obtenido excede el valor crtico,
podemos rechazar la H0 y, al menos, un es
distinto de cero
Correccin de la autocorrelacin
Correccin de la autocorrelacin
Si hay evidencia de que haya autocorrelacin:
1. Averiguar si es una autocorrelacin pura o un
problema de mala especificacin del modelo
2. Si es un problema de autocorrelacin pura:
Mtodo de MCG => transformar el modelo
3. Para muestras grandes: mtodo de NeweyWest para corregir errores estndar
4. En ocasiones, seguir utilizando MCO
yt
ut
ut
1 t
at
ut
1
Dos casos:
1. Se conoce .
2. Se desconoce , y hay que calcularlo.
Cuando se conoce :
La autocorrelacin se resuelve transformando el
modelo.
El modelo transformado ser:
yt
yt
yt
*
*
0
(1
* *
1 t
at
( xt
xt 1 ) at
ut 1
donde at ut
El trmino de error ya no presenta autocorrelacin
Estimar por MCO el modelo transformado,
es decir aplicar MCG.
Cuando se desconoce :
Estimar
a partir de los residuos
Si ut sigue un esquema AR(1): ut
ut
at
yt
4. Y estimar
*
0
* *
1 t
at
Cuando se desconoce :
Procedimiento basado en el estadstico d de DW
Recordar que
d
1
2
2(1
yt
Y estimar
*
0
* *
1 t
at
Cuando se desconoce :
Procedimiento iterativo de Cochrane-Orcutt
Pasos:
1. Aplicar MCO al modelo original ignorando la
presencia de autocorrelacin y recuperar los t .
2. A partir de t, obtener una estimacin preliminar de
n
u
u
t
t 1
como:
t 2
n
2
u
t 2 t 1
i
donde i es la estimacin de
en la
interaccin i-sima y P es una tolerancia
prefijada tan pequea como se quiera
Cuando se desconoce :
Mtodos adicionales
1. Mtodo de primeras diferencias
1
Cuando
el modelo transformado se
reduce al modelo en primeras diferencias
yt
yt
( xt
yt
xt 1 ) (ut
1
xt
ut 1 )
at
Reflexiones