ANALISIS DE AUTOCORRELACIN

Se dispone de la siguiente informacin acerca de la produccin agraria anual

Ao
1957
1958
1959
1960
1961
1962
1963
1964
1965
1966
1967
1968
1969
1970
1971
1972
1973
1974
1975
1976
1977

PRODUC
172200.0
211710.0
220160.0
222370.0
249610.0
281670.0
319760.0
320110.0
341030.0
386330.0
403540.0
433630.0
462300.0
471830.0
535650.0
578840.0
675400.0
813020.0
917140.0
1016000.
NA

EMPLEADOS
1179.000
1018.000
909.0000
930.0000
1668.000
1647.000
2096.000
2264.000
2170.000
2769.000
2976.000
3029.000
3480.000
3642.000
4151.000
4708.000
5614.000
6095.000
6660.000
6850.000
6860.000

FINANC
1636.000
2142.000
2135.000
3057.000
4214.000
5640.000
69048.00
62048.00
73876.00
84599.00
99050.00
124050.0
144850.0
158490.0
176786.0
196320.0
235340.0
281960.0
319250.0
372840.0
381030.0

MQAGRIC
38079.00
44511.00
52756.00
64143.00
80191.00
105390.0
133490.0
157980.0
185180.0
218230.0
254800.0
292210.0
332450.0
363680.0
398770.0
438290.0
480110.0
523490.0
566950.0
606070.0
701040.0

1. Se propone el siguiente modelo para la produccin total agraria

yt = 0 + 1 x3t + t
donde Yt : Produccin total agraria
X3t: Financiacin pblica y privada del sector (FINANC)
Obtenindose los siguientes resultados por MCO
Dependent Variable: Y
Method: Least Squares
Date: 12/05/01 Time: 15:14
Sample(adjusted): 1957 1976
Included observations: 20 after adjusting endpoints
Variable
Coefficient
Std. Error
t-Statistic
C
197998.0
11469.56
17.26291
X3
2.098323
0.069917
30.01154
R-squared
0.980407 Mean dependent var
Adjusted R-squared
0.979318 S.D. dependent var
S.E. of regression
34680.61 Akaike info criterion
Sum squared resid
2.16E+10 Schwarz criterion
Log likelihood
-236.4039 F-statistic
Durbin-Watson stat
0.801647 Prob(F-statistic)

Prob.
0.0000
0.0000
451615.0
241154.3
23.84039
23.93996
900.6924
0.000000

Series: Residuals
Sample 1957 1976
Observations 20

Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis

Jarque-Bera
Probability

0
-75000 -50000 -25000

25000

50000

5.75E-11
-5190.772
71837.48
-58731.14
33755.63
0.349618
2.390372
0.717148
0.698672

75000

Autocorrelograma

Prueba de Breusch - Godfrey

Breusch-Godfrey Serial Correlation LM Test:
F-statistic
3.917184 Probability
Obs*R-squared
6.574010 Probability

0.041241
0.037366

Test Equation:
Dependent Variable: RESID
Method: Least Squares
Date: 12/05/01 Time: 15:18
Variable
C
X3
RESID(-1)
RESID(-2)
R-squared
Adjusted R-squared

Coefficient
-84.24161
0.006877
0.632223
-0.089599
0.328700
0.202832

Std. Error
t-Statistic
Prob.
10080.81 -0.008357
0.9934
0.064244
0.107043
0.9161
0.250575
2.523086
0.0226
0.282255 -0.317439
0.7550
Mean dependent var
5.75E-11
S.D. dependent var
33755.63

S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat

30138.47
1.45E+10
-232.4185
1.966296

Akaike info criterion

Schwarz criterion
F-statistic
Prob(F-statistic)

23.64185
23.84100
2.611456
0.087161

a) Qu problemas encuentra en la regresin con los resultados obtenidos?,

Tendra problemas si pretendiera efectuar mediciones con los resultados
obtenidos en la estimacin por MCO?. Justifique.
Luego de analizar los resultados se concluye que el modelo tiene problemas de
perturbaciones autocorrelacionadas.
DW = 0.801647 Valores crticos al 5% son DL = 1.20
DU=1.41
QLB=7.007 prob= 0.008 Existe correlacin de primer orden significativa
Si pretendiramos hacer mediciones con los resultados de MCO tendramos
problemas al realizar anlisis de significancia ya que los estimadores son poco
eficientes y obtendramos adems predicciones con intervalos muy amplios. Pero
el mayor problema es que las varianzas de los estimadores obtenidas como
resultado de MCO asumen no correlacin, por lo que no corresponden a la
verdadera varianza de los estimadores.
b) Qu solucin planteara Ud. Para solucionar el problema encontrado?
Estimar el modelo incluyendo la estructura de autocorrelacin.
Dependent Variable: PRODUC
Method: Least Squares
Date: 06/04/10 Time: 19:26
Sample(adjusted): 1958 1976
Included observations: 19 after adjusting endpoints
Convergence achieved after 8 iterations
Variable
Coefficient
Std. Error
t-Statistic
C
211892.3
27637.56
7.666826
FINANC
2.053196
0.128486
15.97996
AR(1)
0.606332
0.209225
2.897989
R-squared
0.986701 Mean dependent var
Adjusted R-squared
0.985038 S.D. dependent var
S.E. of regression
29157.09 Akaike info criterion
Sum squared resid
1.36E+10 Schwarz criterion
Log likelihood
-220.6559 F-statistic
Durbin-Watson stat
1.723690 Prob(F-statistic)
Inverted AR Roots
.61

Luego el modelo estimado es:

Produc = 211892.3 +2.053196 Financ + et

et = 0.606 et-1 + vt
Matriz de covarianzas

Prob.
0.0000
0.0000
0.0105
466321.1
238370.7
23.54272
23.69185
593.5336
0.000000

C
763834462.555

FINANC
-2701.72868633

AR(1)
1815.12782749

FINANC

-2701.72868633

0.0165085680324

-0.00382486585408

AR(1)

1815.12782749

-0.00382486585408

0.0437750893526

2. Se propone el siguiente modelo para la produccin total agraria

yt = 0 + 1 x1t + t
donde Yt : Produccin total agraria (PRODUC)
X1t: Volumen de trabajadores agrcolas (EMPLEADOS)
Al realizar el ajuste por MCO se obtuvo los resultados siguientes:
Dependent Variable: PRODUC
Method: Least Squares
Sample(adjusted): 1957 1976
Included observations: 20 after adjusting endpoints
Variable
C
EMPLEADOS
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat

Coefficient
57961.32
123.2961
0.968297
0.966536
44114.93
3.50E+10
-241.2162
0.776543

Std. Error
t-Statistic
19472.43
2.976584
5.258464
23.44717
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

Series: Residuals
Sample 1957 1976
Observations 20

Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis

4
3
2
1

Jarque-Bera
Probability

0
-50000

50000

100000

-1.82E-11
-5416.766
113460.3
-74745.72
42938.32
0.697315
3.740596
2.077896
0.353827

Prob.
0.0081
0.0000
451615.0
241154.3
24.32162
24.42120
549.7699
0.000000

a) Analice los resultados obtenidos, interprete los estadsticos de DurbinWatson y de Ljung Box, Bera- Jarque.
Luego de analizar los resultados se concluye que el modelo tiene problemas de
perturbaciones autocorrelacionadas.
DW = 0.777 Valores crticos al 5% son DL = 1.20
DU=1.41
QLB = 3.046 prob = 0.046 Existe correlacin de primer orden significativa

JB = 2.078 prob = 0.354, No hay incumplimiento del supuesto de

normalidad en las perturbaciones.
b) Luego de aplicar la ltima iteracin con el mtodo de Cochran-Orcutt se
obtuvo los siguientes resultados para el modelo en ecuacin de cuasidiferencia.
Dependent Variable: PRODUC-0.475*PRODUC(-1)
Method: Least Squares
Date: 12/07/01 Time: 01:56
Sample(adjusted): 1958 1976
Included observations: 19 after adjusting endpoints
Variable
Coefficient
C
32753.62
EMPLEADOS-0.475*EMPLEADOS(-1) 124.4441
R-squared
0.930485
Adjusted R-squared
0.926396
S.E. of regression
38247.82
Sum squared resid
2.49E+10
Log likelihood
-226.3882
Durbin-Watson stat
1.106989

Std. Error t-Statistic

17773.61 1.842824
8.249629 15.08481
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

Prob.
0.0829
0.0000
265913.6
140979.4
24.04086
24.14028
227.5515
0.000000

Matriz de covarianzas de los coeficientes estimados

C
3.16E+08
-127511.2

Obs
1960
1961
1962
1963
1964
1965
1966
1967
1968
1969
1970
1971
1972
1973
1974
1975
1976

Actual
117794.
143984.
163105.
185967.
168224.
188978.
224341.
220033.
241948.
256326.
252238.
311531.
324406.
400451.
492205.
530956.
580358.

EMPLEADOS-0.475*EMPLEADOS(-1)
-127511.2
68.05637

Ajustado ResiduoGrfico de residuos

94754.8
185353.
139116.
196233.
190599.
168970.
249069.
239421.
233781.
286772.
280273.
334039.
373267.
453088.
459392.
501270.
491517.

23039.2
-41368.9
23989.3
-10266.0
-22374.5
20007.6
-24727.8
-19387.8
8167.89
-30446.3
-28035.4
-22508.2
-48860.6
-52637.4
32813.5
29685.4
88841.7

|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|

. | *.
*. | .
. | *.
. *| .
.* | .
. | *.
.* | .
.* | .
. |* .
.* | .
.* | .
.* | .
*. | .
*. | .
. | *.
. | *.
. | .

|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
*|

b1) Escriba el modelo para la produccin agrcola, con los coeficientes de MCG
Modelo en cuasi diferencia:
y t y t 1 1 (1 ) 2 ( x1t x1t 1 ) t t 1
y t* 1* 2* x1*t v t

32753.62
1* 32753.62 luego 1
62387.8476
1 0.475
2* 124.444 2

El modelo estimado para la produccin agrcola es:

Product = 62387.8476 + 124.444 Empleadost + et

b2) Obtenga la matriz de varianzas y covarianzas para los coeficientes del modelo
3.16 E 08
V ( * )
127511.2

127511.2
68.05637

S 21

S 2

*
1

(1 )

S
1

*
1

(1 )

3.16 E 08
1146485261
(1 0.475) 2

127511.2
242878.4762
(1 0.475)

Luego la matriz de varianzas y covarianzas de los coeficientes del modelo es:

1146485261
V ( )
242878.4762

242878.4762
68.05637

b3) Obtenga una prediccin puntual e intervlica para 1977 si Empleados = 6860
YT h E (YT h / T ) X T h h eT
L YT h t1 / 2 X T h V ( ) X T h v2 ( 2( h1) 2( h 2 ) ... 2 1)

Prediccin puntual

Product = 62387.8476 + 124.444 Empleadost + et

e t YT X T

e1976 = 1016000 ( 62387.8476 + 124.444 (6850)) = 101170.7524

Pr oduc t 62387.8476 124.444( 6860) 0.475(101170 .7524)
964129.795

Prediccin intervlica
L YT 1 t 1 / 2

X T' 1V ( ) X T 1 1

X T 1 V ( ) X T 1 v2

6860

1146485261

242878.4762
1016898117

242878.4762 1
68.05637 6860

T=20, entonces los grados de libertad = 20-1-2=17;

t0.975(17) = 2.11

L 964129.795 2.11 1016898117 38247.82

Li 859057.01
Ls 1069202.58

3. Se propone el siguiente modelo para la produccin total agraria

yt = 0 + 1 x1t +2 x2t +3 x3t + t
donde

Yt : Produccin total agraria (PRODUC)

X1: Volumen de trabajadores agrcolas (EMPLEADOS)
X2: Parque de maqinaria agrcola (MQAGRIC)
X3: Financiamiento pblico y privado (FINANC)

Por MCO se obtuvo los resultados siguientes:

Dependent Variable: PRODUC
Method: Least Squares
Date: 12/07/01 Time: 02:43
Sample(adjusted): 1957 1976
Included observations: 20 after adjusting endpoints
Variable
Coefficient
Std. Error
t-Statistic
C
166481.1
29797.88
5.587013
EMPLEADOS
69.69591
28.65254
2.432451
MQAGRIC
-0.706170
0.252354
-2.798333
FINANC
2.077047
0.433377
4.792704
R-squared
0.987467 Mean dependent var
Adjusted R-squared
0.985117 S.D. dependent var
S.E. of regression
29419.44 Akaike info criterion
Sum squared resid
1.38E+10 Schwarz criterion
Log likelihood
-231.9356 F-statistic
Durbin-Watson stat
1.499751 Prob(F-statistic)

Matriz de covarianzas de los coeficientes estimados

C
8.88E+08
-682628.4
79.84679
10867.50

EMPLEADOS
-682628.4
820.9681
-3.924890
-7.373468

MQAGRIC
79.84679
-3.924890
0.063682
-0.037575

FINANC
10867.50
-7.373468
-0.037575
0.187815

Prob.
0.0000
0.0271
0.0129
0.0002
451615.0
241154.3
23.59356
23.79270
420.2195
0.000000

10

Series: Residuals
Sample 1957 1976
Observations 20

Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis

6
4

3.97E-11
2553.024
63108.35
-52960.45
26997.13
0.124209
3.156167

2
Jarque-Bera
Probability

0
-75000 -50000 -25000

25000

White Heteroskedasticity Test:

F-statistic
1.558300
Obs*R-squared
11.67524

50000

Probability
Probability

0.071750
0.964761

75000

0.249385
0.232243

a) Realice un anlisis completo de los resultados obtenidos e indique que

problemas tendra el modelo.
Luego del anlisis de los resultados de este modelo encontramos que es
completamente satisfactorio no hay incumplimiento de supuestos, adems de
que tiene un alto poder explicativo (R 2 = 0.987) de la variabilidad de la
produccin anual agraria.
Si comparamos con los dos modelos anteriores podemos observar que la
autocorrelacin observada en ellos se ha debido a una especificacin
insuficiente del modelo para explicar a la produccin agraria.
b) Si el modelo estimado por MCO proporciona coeficientes ELIO, obtener una
prediccin puntual e intervlica para la produccin agrcola total de 1977 si
el volumen de empleados fuera de 6860, el parque de maquinaria agrcola
de 701040 y el financiamiento de 381030.