TODO ECONOMETRA

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

cualquier otra observacin => las observaciones

no son independientes

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

1. Existencia de tendencias y/o ciclos en los datos

2. Errores de especificacin:
a) Omisin de variables explicativas:

Ejemplo:

Modelo correcto:

yt

1 1t

2 2t

ut

Estimamos:

yt

1 1t

donde

2 2t

t presentar un falso patrn de autocorrelacin

b) Forma funcional incorrecta:

Si especificamos una relacin lineal entre las

variables cuando realmente es cuadrtica,
observaremos un falso patrn de autocorrelacin

ut

3. La relacin entre las variables es dinmica y no

esttica

Ejemplo: si trabajamos con el siguiente modelo

yt

1 1t

Pero el modelo correcto es:

yt

1 1t

Tendremos que

2
t

yt
2

ut

yt

ut

Ejemplo: el fenmeno de la telaraa

4. Manipulacin y transformacin de datos

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

Ya que los estimadores MCO no son eficientes:

i. las estimaciones de las varianzas de los
estimadores son sesgadas
ii. las contrastaciones de hiptesis y los intervalos
de confianza ya no son fiables.

Deteccin de la autocorrelacin

Naturaleza del problema

-El supuesto de no autocorrelacin se relaciona con
las perturbaciones poblacionales ut (no observables
directamente)
-Slo disponemos de informacin sobre t y no son
lo mismo que ut
- Es ms, nuestros datos se basan en una muestra
Puede que ut sean homoscedsticos y no
correlacionados y t sean heteroscedsticos y
autocorrelacionados
(=> incrementar tamao de muestra)

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).

Anlisis grfico de los residuos

Deteccin de la autocorrelacin
Algunos test
-Prueba de las rachas o prueba de Geary
-Estadstico d de Durbin-Watson
(disponible en Eviews)

-Estadstico Breusch y Godfrey

(disponible en Eviews)

-Estadstico de Box y Pearce (Q-statistics)

(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

donde at es ruido blanco

y -1< <1
4.ut sigue una distribucin normal
5.El modelo es esttico, no dinmico
6.No hay valores perdidos (missing values)
1

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

Esta aproximacin es buena si n es suficientemente

grande y es el estimador de MCO de la siguiente
regresin: u
u
a
t

t 1

2,3,...,n

Estadstico d de Durbin-Watson
Puesto que

2(1

El estadstico puede tomar los siguientes

valores
d=2

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?

Estadstico Breusch y Godfrey

Prueba BG o ML
Es una prueba general que permite:
1.Modelos dinmicos
2.ut siguen un modelo autorregresivo de orden p
3.Promedios mviles del trmino de error
H0: ausencia de correlacin
H1: ut ~ AR(p) ut ~ MA (q)

Estadstico Breusch y Godfrey

Prueba BG o ML

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

Mala especificacin del modelo

Al trabajar con series temporales:
1. Analizar si existe tendencia incluyendo la
variable tiempo (t) y observar el estadstico de
DW
Si persiste la autocorrelacin
2. Cambiar la forma funcional del modelo y
observar el estadstico de DW
Si persiste la autocorrelacin

3. Puede ser un problema de autocorrelacin pura

Conveniente realizar la prueba de normalidad de
Jarque-Bera para comprobar que ~ N(0,2)

Problema de autocorrelacin pura: Mtodo

de Mnimos Cuadrados Generalizados (MCG)
Para describir los procedimientos de estimacin
trabajaremos con el siguiente modelo

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

1. Se estima el modelo original para obtener los

residuos t.
ut 1 at para obtener
2. Estimar ut
3. Usar para obtener el modelo transformado

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

En muestras grandes podemos obtener a partir

del estadstico de DW para transformar el modelo
original, obteniendo

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

3. Con calcular las variables transformadas: yt*, xt*

y estimar el modelo transformado por MCO
recuperando la estimacin del trmino constante 0
por medio de la relacin * (1
)
0

4. Con 0 y 1 volver al modelo original y

recuperar los nuevos residuos u~t y la nueva
estimacin de
5. Repetir hasta alcanzar la convergencia. Un
criterio de convergencia sera:

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

con lo que slo hay que calcular las primeras

diferencias y estimar

Problema de autocorrelacin pura: el mtodo

de Newey-West para la correccin de errores
estndar
El procedimiento de Newey-West genera errores
estndar de los coeficientes de la regresin
estimada que tienen en cuenta la autocorrelacin.
Es una generalizacin del procedimiento de White
Genera errores estndar consistentes con la
heterocedasticidad y la autocorrelacin
Slo vlido para muestras grandes t y F vlidos

Cundo usar MCO ante un problema de

autocorrelacin pura

En muestras pequeas, MCG y Newey-West

pueden resultar peores que MCO en cuanto a las
propiedades de los estimadores
Muestras pequeas si
mejor que MCG

0.3 MCO es igual o

Reflexiones

Y si el modelo de regresin contiene

variables explicativas cualitativas?