Está en la página 1de 11

EJEMPLO DE DIAGNSTICO Y TRATAMIENTO

DE LA AUTOCORRELACIN: Introduccin al
concepto de no estacionariedad y regresin espuria
Ramn Maha
Marzo 2006
El objetivo de este documento es de ilustrar en un contexto prctico las ideas expuestas
en clase en torno a la cuestin de la deteccin y correccin del problema de la
autocorrelacin. Por otro lado, el documento sirve tambin para profundizar en algunos
de los conceptos tericos ms relevantes en torno a esta cuestin y para introducir, an
de forma bsica, una cuestin de extrema importancia en la prctica de la modelizacin
economtrica: la presencia de no estacionariedad en las series de datos.

I.- REGRESIN INICIAL UTILIZADA COMO EJEMPLO


La siguiente regresin muestra una ecuacin en la que tratamos de explicar el valor real
de las importaciones trimestrales (IMPK) en funcin de tres explicativas: el valor real
de la formacin bruta de capital fijo (FBCK), el valor real del consumo privado de los
hogares (GTOHOGK) y los precios de importacin de productos energticos
(PIMPENER).

I.A.- Breve comentario sobre el resultado de la Estimacin


Dependent Variable: IMPK
Method: Least Squares
Date: 03/13/06 Time: 11:17
Simple: 1981:1 2002:2
Included observations: 86
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
FBCK
GTOHOGK
PIMPENER

-56823.91
-0.149782
1.265278
30.80776

2537.860
0.166913
0.100670
3.582319

-22.39049
-0.897365
12.56854
8.599948

0.0000
0.3722
0.0000
0.0000

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

0.983182
0.982566
1602.487
2.11E+08
-754.6015
0.290346

Mean dependent var


S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

21327.70
12136.72
17.64190
17.75605
1597.883
0.000000

La ecuacin presenta signos incorrectos en los parmetros estimados de FBCK y


PIMPENER. Para el caso de la inversin, la relacin entre inversin e
importaciones debera ser positiva; para el caso de los precios de importacin
energticos, la relacin ms razonable parecera ser inversa (negativa).

Los contrastes individuales son significativos para todos los coeficientes a


excepcin de FBCK cuyo p-value es inadmisiblemente elevado: slo puede

1/11

rechazarse la hiptesis de nulidad del parmetro real con un (1-0,37)=0,63% de


nivel de confianza.
?

Pese a la incorreccin de dos de los signos y un bajo contraste de significacin


para FBCK, la R2 es muy elevada.

A la vista de esta falta de sintona evidente, cabe sospechar que estamos ante un error de
especificacin. Efectivamente, y aunque se ver con detalle ms adelante, un simple
vistazo al valor del DW indica una fuerte autocorrelacin positiva que, seguramente,
viene causada por una indebida especificacin en niveles.
Resulta muy probable que la ecuacin exhiba, as mismo, problemas de
multicolinealidad, heterocedasticidad u otros incumplimientos bsicos pero, por el
momento, nos concentraremos en utilizar este ejemplo con el fin de ilustrar el problema
de la autocorrelacin.

II.- DETECCIN DE LA AUTOCORRELACIN


II.B.- Aproximacin Grfica
El anlisis grfico del residuo de la estimacin indica un claro patrn de autocorrelacin
positiva (patrn sinusoidal o de ondas); pese a que la evolucin de la endgena real y
la estimada parece muy similar, lo cierto es que el componente auto - regresivo del error
es muy claro.
50000
40000
30000
20000
4000
10000
2000

0
-2000
-4000
82

84

86

88

Residual

90

92

94

Actual

2/11

96

98

00

Fitted

02

II.B.- Mtodos numricos: Durbin Watson 1


El valor del DW es extremadamente bajo (0,29) lo que, dados los lmites inferior y
superior de la distribucin DW (1,575 y de 1,721 respectivamente al 5% para K=4 y
n=85), confirman la presencia de una fuerte autocorrelacin positiva2. El valor del
coeficiente ? asociado a este valor del Durbin Watson, que correspondera a un
hipottico proceso autorregresivo de orden uno subyacente en el residuo, resulta ser de
0,85, esto es, muy indicativo de autocorrelacin positiva:
ei ? ? ? ei ? ? i

Ec. (1)

DW ? 2 ? (1 ? ?) ? ? ? 1 ?

DW
? ? ? 0,85
2

De hecho, partiendo de la serie de residuos obtenida en la estimacin analizada, puede


realizarse fcilmente en E-Views la estimacin minimocuadrtica de la ecuacin (1)
anterior cuyo resultado se muestra a continuacin y en donde se observa un valor muy
parecido al estimado directamente a partir del estadstico Durbin Watson. Este parecido
entre el valor de ? derivado del estadstico DW o el obtenido a partir de una estimacin
MCO directa del mismo se garantiza siempre en presencia de muestras grandes.
Dependent Variable: R
Method: Least Squares
Date: 03/13/06 Time: 11:49
Sample(adjusted): 1981:2 2002:2
Included observations: 85 after adjusting endpoints
Variable

Coefficient

Std. Error

t-Statistic

Prob.

R(-1)

0.857483

0.057251

14.97773

0.0000

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood

0.727543
0.727543
823.3101
56938521
-690.7401

Mean dependent var


S.D. dependent var
Akaike info criterion
Schwarz criterion
Durbin-Watson stat

-14.75610
1577.299
16.27624
16.30497
2.120850

III.- DIAGNSTICO DE LA REGRESIN


Evidentemente, la autocorrelacin es el sntoma de algn error de especificacin que,
sin embargo, no parece reflejarse en el coeficiente de determinacin R2. Ms all del
problema adicional de los signos o en la significatividad de FBCK (podramos habernos
encontrado en la misma situacin sin haber observado ninguna incongruencia en los
signos o en la t), este tipo de regresiones con buenos valores en los contrastes de
significacin y, sin embargo, una acusada autocorrelacin, son relativamente frecuentes
y se conocen como Regresiones Espurias.

Se deja al alumno, como ejercicio voluntario, la realizacin del contraste de Wallis, dada la naturaleza
trimestral de los datos utilizados.
2
Aunque en las sesiones tericas de clase se han establecido los lmites inferior y superior del estadstico
DW en 0 y 4 respectivamente, debe observarse que, en realidad, estos lmites son slo vlidos cuando se
dispone de una muestra suficientemente grande. As, por ejemplo, si slo dispusiramos de 5 datos, el
lmite inferior se situara en 0.382 y el lmite superior en 3,62.

3/11

El problema de la aparicin de regresiones espurias en los resultados de un buen nmero


de anlisis econmicos es siempre atribuida, no sin razn, a Granger y Newbold (1974).
Sin embargo, a finales de la dcada de los aos 20, Yule (1926) ya haba arrojado su
particular primera piedra en el Journal of the Royal Statistical Society con un artculo
con el inquietante, pero muy descriptivo ttulo: Why do we sometimes get nonsense
correlations between time series?. Efectivamente, el problema de las regresiones
espurias es que tienden a admitirse como buenas, relaciones econmicas que, en
realidad, slo se deben a aspectos casuales.
Por regresin espuria entendemos tcnicamente aquellas ecuaciones de regresin que
presentan una elevada significatividad conjunta, medida en trminos del coeficiente de
determinacin R2 o R2 corregida y, sin embargo, fuertes problemas de autocorrelacin
positiva reflejados en bajos valores del estadstico Durbin Watson. La presencia de un
trmino de error fuertemente autocorrelacionado impide efectuar un proceso de
inferencia con mnimas garantas. La probabilidad de un error en el clculo y en la
aplicacin de los test de significatividad individual convencionales es muy importante,
sin contar los insalvables problemas de no ineficiencia en la estimacin propios de una
situacin de matriz de varianzas y covarianzas no escalar para la perturbacin aleatoria.
(Granger y Newbold (1974 y 1977), Plosser y Schwert (1978)).3
El problema de este tipo de regresiones es que, a diferencia de las ecuaciones
claramente deficientes, el buen ajuste en trminos de t y R2 puede generarnos a una
equivocada percepcin de que estamos ante la evidencia emprica de una relacin causal
de inters; nada ms lejos, sin embargo, de la realidad. Una regresin con evidencias tan
claras de autocorrelacin debe descartarse inmediatamente como herramienta de
utilidad, sin necesidad de realizar ninguna prueba adicional y por mucho que nos
parezca atractivo el alto grado de significatividad individual o conjunta.
Cmo es posible encontrar esta combinacin de resultados tan contradictoria?. En
nuestro caso, el origen de los problemas de la autocorrelacin est asociado a la
utilizacin de variables en niveles, en lugar de la realizacin de esta misma
especificacin usando tasas de crecimiento o diferencias en los datos. La elevada
autocorrelacin provocada por la utilizacin de niveles junto a una estimacin MCO sin
correccin alguna, supone, de facto, un doble sesgo a la baja en la varianza de la
estimacin que genera, artificialmente, muy buenos resultados en los contrastes de
significacin individuales y conjuntos.
Debemos, por tanto, rechazar siempre el uso de variables en niveles ante el riesgo
de una regresin espuria?: Concepto de Variable No Estacionaria o Integrada.
De la ilustracin anterior, se deduce la recomendacin general de no utilizar las
variables en niveles para la estimacin de regresiones causales pero no hemos
respondido, sin embargo, a la pregunta de fondo por qu las regresiones con variables
en niveles implican el riesgo elevado de un residuo autocorrelacionado?.
La razn estriba, en la mayora de los casos, en la falta de estacionariedad en varianza
de algunas o todas las variables utilizadas en la regresin. An sin ofrecer detalle
3

Si bien Granger y Newbold (1974) no explicitaron estadsticamente las razones que explicaban el fallo
de los procedimiento habituales, esto puede encontrarse con detalle en Phillips (1986).

4/11

terico, debe saberse que los supuestos clsicos en los que se apoya la regresin como
estrategia analtica exigen la estacionariedad en media y varianza de las series
implicadas en un ejercicio de este tipo. Si bien la presencia de tendencias deterministas
en las variables (variables no estacionarias en media o variables estacionarias alrededor
de una tendencia4) resulta generalmente un problema fcil de afrontar y resolver en la
modelizacin con variables en niveles 5, la presencia de races unitarias en las variables
(no estacionariedad en varianza) impide su utilizacin en niveles. Si se realiza una
estimacin en niveles de una ecuacin de regresin entre dos variables No Estacionarias
(tambin se denominan integradas) corremos un alto riesgo de encontrarnos ante una
regresin espuria; La forma ms clara de ilustrar el problema es utilizar los resultados
del ejemplo expuesto por Newbold y Davies (1978) y Granger y Newbold (1986) y
reutilizado despus en numerosos textos como Charemza y Deadman (1992).
Supongamos dos variables yt y xt independientemente generadas por paseos aleatorios:
y t ? y t ? 1 ? ? 1t
x t ? xt ? 1 ? ? 2 t
donde ? 1t y ? 2t son variables aleatorias normales estndar independientes entre s con
media cero y varianza unitaria. Dado que yt y xt estn generadas de forma independiente
deberamos esperar que no existiera ninguna relacin significativa entre ambas. Sin
embargo, sobre un conjunto de 1000 muestras de yt y xt con 50 observaciones, alrededor
de un 65% de las regresiones de yt sobre xt presentan contrastes t significativos a un
nivel de significatividad del 5% 6.
Tal y como expone Enders (1995) basta con reparar en las propiedades de la
perturbacin aleatoria de la regresin de yt sobre xt para apreciar lo absurdo de estos
resultados. Efectivamente, en la regresin:
y t ? a0 ? a1 x t ? et
es claro que, prescindiendo de la constante a0:
et ? y t ? a1 x t
por lo que imponiendo las restricciones iniciales y0 =x0=0 tenemos que:
4

Suele denominarse a estas variables trend stationary TS a diferencia de aquellas que son NO
estacionarias en varianza que suelen denominarse con el acrnimo DS difference stationary.
5

Las regresiones espurias, no obstante, no slo se producen por la aparicin de tendencias estocsticas
en las series: las tendencias deterministas tambin pueden ser un problema. Si hacemos depender una
serie yt lineal (1,2,3,4..... 50) de otra xt con tendencia cuadrtica (1,4,.......502) el resultado en trminos
de R2 es de 0,94 cuando en realidad queda claro que el patrn de evolucin de la serie cuadrtica
acabar por divergir de forma definitiva cuando el nmero de datos tienda a infinito. Para ajustar
adecuadamente una regresin al caso de variables con tendencias deterministas basta con incorporar
una variable de tiempo t que recoja la tendencia comn de ambas series o bien filtrar de tendencia
los datos antes de su utilizacin en la regresin.
6

Estos datos se refieren a la prueba efectuada por Charemza y Deadman (1992). En el experimento
original de Granger y Newbold (1974) el porcentaje de regresiones con parmetro significativo al 5%
fue del 75%.

5/11

et ?

i? 0

? 1i ? a1 ? ? 2i
i? 0

Por tanto, es obvio que estamos ante una secuencia et no estacionaria en varianza. Si
esto es as, et presenta una tendencia estocstica, lo que quiere decir que el error
cometido en t no se diluye en t+1, t+2... t+s ;es imposible que una regresin en la que
los errores se acumulan de forma permanente pueda tener algn inters.
Ntese que en esta situacin se violan un buen nmero de hiptesis bsicas asumidas en
los procesos de inferencia habituales en el contexto del Modelo Bsico de Regresin
Lineal:
-

La varianza de et ya hemos dicho que no es constante. En la expresin anterior


puede comprobarse con sencillez como se incrementa hacia el infinito a medida que
t crece.

Si la serie xt no es estacionaria, no satisfar la propiedad:


? n
?
plim? ? x i2 n ? ? cte
? i? 1
?

que es uno de los supuestos que justifican los procedimientos de inferencia


habituales basados en el estimador MCO.
Pero, adems, no existe incorrelacin serial en el residuo; la misma expresin para et
puede utilizarse para comprobar como la correlacin entre et y et+1 tiende a uno a
medida que t se incrementa; esta es la razn analtica por la que, en las regresiones
espurias, el residuo tiende a exhibir una elevada autocorrelacin.
Dada semejante acumulacin de errores de base, ningn test de significatividad puede
ser usado con garantas y por ello, ninguna inferencia ser fiable. As pues, ante la
presencia de variables integradas, el modelizador debe considerar la necesidad de
transformar estas variables antes de proceder a la estimacin de la ecuacin. La regla
general, que no ser explicada tericamente en este texto, supone la utilizacin de las
variables en diferencias, en lugar de niveles, salvo en el caso en que podamos demostrar
que, an en presencia de no estacionariedad, las variables no estacionarias estn
cointegradas7. El concepto de la cointegracin queda fuera del alcance de un curso
7

El tratamiento clsico de la estacionariedad propuesto por Box Jenkins (1970) en el contexto del
anlisis multivariante, implica la diferenciacin de las series a fin de evitar las regresiones espurias
provocadas por la existencia de tendencias estocsticas. La diferenciacin de las series temporales, sin
embargo, supone una renuncia explcita a considerar sus relaciones a largo plazo, ya que estas
manifiestan necesariamente en sus niveles tal y como pusieron de manifiesto, entre otros, Sargan (1964),
Hendry y Mizon (1978) y Davidson et al (1978) . En este contexto, y aunque los modelos de correccin de
error propuestos por Sargan (1964) fueron siempre una alternativa muy valiosa para combinar el corto y
el largo plazo en el anlisis dinmico de series, la formalizacin del concepto de cointegracin por parte
de Engle y Granger (1987) fue decisiva. La posibilidad de combinar niveles de series integradas de
forma tal que esa combinacin resultase estacionaria, se ha convertido en una de las aportaciones
conceptuales ms interesantes y en las que se ha apoyado de forma incuestionable el avance reciente de
la econometra moderna.

6/11

introductorio como este pero, en cualquier caso, debe recordarse siquiera el trmino
cointegracin como una aportacin interesante. La trascendencia de esta definicin es
inmediata. Si dos series no estacionarias estn cointegradas, esto significar que entre
ambas existe un vnculo estable y compatible con las tendencias individuales de cada
una de ellas, o sea, una relacin de equilibrio a largo plazo. A esa ligazn, representada
por el denominado vector de cointegracin, no le afectan ms que de forma temporal
los shocks que inciden en cada una de las series de forma permanente y, por tanto, cabe
pensar en la idea de un equilibrio estacionario en el que las desviaciones sean
exclusivamente temporales.

IV.- CORRECCIN DE LA AUTOCORRELACIN


Si admitimos como vlida la hiptesis de la falta de estacionariedad de las variables
implicadas en la regresin, parece evidente que no podremos utilizar estas variables
niveles y, por tanto, cualquier esfuerzo de camuflar la autocorrelacin con la
utilizacin de Mnimos Cuadrados Generalizados o transformaciones a partir del
parmetro ? estimado sera cuestionable.
Dado que en la mayor parte de las ocasiones8 la autocorrelacin es un sntoma de una
especificacin deficiente (modelizacin en niveles con variables no estacionarias,
omisin de alguna variable relevante, .), se sigue que en la mayor parte de las
ocasiones la forma adecuada de corregir un problema de autocorrelacin es la
correccin de la especificacin. Es decir, la aucorrelacin es, en muchas ocasiones, un
sntoma de no es una enfermedad; por tanto, podemos optar por camuflar el
sntoma, pero siempre ser ms razonable intentar atajar la enfermedad.
1.- Adaptando la especificacin a la naturaleza de los datos
En el caso en que se comprobase, como sucede en nuestro ejemplo, y con la adecuada
utilizacin de contrastes de No Estacionariedad9, la existencia de variables integradas,
convendra utilizar diferencias de las variables originales o bien tasas de crecimiento,
estimando entonces de nuevo la ecuacin.
Puede comprobarse como, en ambos casos, los resultados en trminos de
significatividad son decepcionantes. Este resultado tiene su lgica ya que, como seala
Gujarati10 al tomar las primeras diferencias estamos estudiando esencialmente el
comportamiento de variables alrededor de sus valores de tendencia(lineal) :

Algunos autores distinguen esta situacin de aquella en la que la autocorrelacin no viene provocada
por una deficiente especificacin. Gujarati, por ejemplo, define esta situacin como Autocorrelacin
Pura.
9

Existen varios contrastes muy utilizados para detectar la No Estacionariedad en varianza de las series.
Los ms sencillos y populares son los contrates DF y ADF (Dickey-Fuller y Augmented Dickey-Fuller),
el contraste PP (Phillips Perron), ambos incluidos desde hace tiempo en el software E-Views.
10

Econometra. (4 Edicin). Mc-Graw-Hill.

7/11

Regresin con variables en diferencias


Dependent Variable: D(IMPK)
Method: Least Squares
Date: 03/15/06 Time: 09:06
Sample(adjusted): 1981:2 2002:2
Included observations: 85 after adjusting endpoints
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
D(FBCK)
D(GTOHOGK)
D(PIMPENER)

291.8475
0.670183
-0.033462
1.173410

65.10598
0.114304
0.115973
2.967580

4.482653
5.863145
-0.288528
0.395410

0.0000
0.0000
0.7737
0.6936

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

0.324554
0.299538
453.1934
16636122
-638.4483
1.603458

Mean dependent var


S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

434.3882
541.4910
15.11643
15.23138
12.97361
0.000001

Regresin con variables en tasas intertrimestrales11


Dependent Variable: @PCH(IMPK)
Method: Least Squares
Date: 03/15/06 Time: 09:07
Sample(adjusted): 1981:2 2002:2
Included observations: 85 after adjusting endpoints
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
@PCH(FBCK)
@PCH(GTOHOGK)
@PCH(PIMPENER)

0.016229
0.787737
-0.382166
-0.015416

0.003206
0.125760
0.352991
0.018807

5.062309
6.263833
-1.082650
-0.819696

0.0000
0.0000
0.2822
0.4148

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

0.340840
0.316427
0.022344
0.040440
204.5401
1.953758

Mean dependent var


S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

0.021866
0.027025
-4.718590
-4.603641
13.96121
0.000000

Dicho de otro modo, el satisfactorio resultado obtenido en la estimacin preliminar era


ficticio y originado, ms que probablemente, por la utilizacin de variables no
estacionarias: cuando se elimina la tendencia estocstica de estas variables, la relacin
de causalidad se diluye.
2.- Camuflando la autocorrelacin
En el caso concreto ilustrado por nuestro ejemplo, la nica solucin al problema de la
autocorrelacin consiste en la mejora de la especificacin; no obstante, una vez que
renunciamos a una correccin genuina, o una vez agotados todos los recursos para
11

La utilizacin de tasas interanuales tambin sera posible en este caso al tratarse de variables
trimestrales. Sin embargo, salvo que se compruebe la existencia de races unitarias (no estacionariedad)
estacionales, esta tasa no resolvera el problema de la no estacionariedad en la componente regular (no
estacional).

8/11

ajustar la especificacin del modelo, siempre cabe la alternativa de corregir los sntomas
evitando en parte los efectos indeseables de una inadecuada estimacin MCO en un
contexto en que esta estrategia no es vlida.
Quiz la forma ms burda de hacer esta correccin sea simplemente camuflar el mal
dato del DW aadiendo la endgena retardada en la regresin; como puede imaginarse,
esta tctica, ni siquiera trata de adaptar la ineficiente herramienta de estimacin MCO al
problema de la autocorrelacin sino, directamente, distorsionar el modelo de forma que
el DW no refleje la verdadera dimensin de la autocorrelacin.
Dependent Variable: IMPK
Method: Least Squares
Date: 03/15/06 Time: 09:29
Sample(adjusted): 1981:2 2002:2
Included observations: 85 after adjusting endpoints
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
FBCK
GTOHOGK
PIMPENER
IMPK(-1)

5585.058
0.089965
-0.134891
-4.880665
1.082308

2395.831
0.052576
0.059548
1.705419
0.039181

2.331157
1.711143
-2.265243
-2.861856
27.62295

0.0223
0.0909
0.0262
0.0054
0.0000

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

0.998390
0.998310
497.8493
19828313
-645.9085
1.434628

Mean dependent var


S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

21493.54
12110.32
15.31549
15.45918
12406.11
0.000000

Efectivamente, aunque el valor del nuevo DW parece ahora aceptable, debe recordarse
que, en realidad, en presencia de autocorrelacin, se propone utilizar el estadstico h
de Durbin en lugar del estadstico DW original.
h ? ?

n
1 ? n?2 (b1 )

donde: s 2(b1) es la desviacin tpica estimada para el parmetro de la endgena


retardada. Es decir, en nuestro caso, el DW obtenido en la regresin que incluye la
variable endgena retardada es 1.434, es decir, se corresponde con una estimacin
aproximada del coeficiente autorregresivo ? de 0.283. As pues, el valor de la h de
Durbin es:

h ? ?

n
85
? 0.283
? 2.798
2
1 ? n? (b1 )
1 ? 85 ? (0.039181) 2

El valor de este estadstico se contraste suponiendo una distribucin normal (0,1), as,
con un nivel de significacin del 5%, el valor a superar es 1,645. Si el estadstico
calculado supera este valor, debe rechazarse la hiptesis de autocorrelacin nula; en
nuestro caso, el valor 2.798 supera ampliamente el valor crtico por lo que,
evidentemente, la h de Durban refleja la existencia de autocorrelacin por mucho que
el valor del DW haya mejorado artificialmente.

9/11

Una transformacin algo ms elegante, aunque inadecuada cuando el problema de fondo


es una incorrecta especificacin en niveles, es, tal y como se expuso en las sesiones
tericas, optar por utilizar la transformada de las variables originales, es decir, la
denominada MCG Factibles (MCGF) o Mnimos Cuadrados Generalizados Estimados
(MCGE):

y t* ? y t ? ?? y t ? 1
x *jt ? x jt ? ?? x jt ? 1
Dependent Variable: IMPK-0.85*IMPK(-1)
Method: Least Squares
Date: 03/15/06 Time: 09:21
Sample: 1981:2 2002:2
Included observations: 85
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
FBCK-0.85*IMPK(-1)
GTOHOGK-0.85*GTOHOGK(-1)
PIMPENER-0.85*PIMPENER(-1)

-15935.61
-1.098756
4.446807
13.99607

2599.656
0.085707
0.225190
12.79506

-6.129892
-12.81990
19.74694
1.093865

0.0000
0.0000
0.0000
0.2773

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

0.976361
0.975485
1896.145
2.91E+08
-760.1053
1.970663

Mean dependent var


S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

21493.54
12110.32
17.97895
18.09390
1115.159
0.000000

Como puede observarse, hemos perdido una observacin al realizar la regresin de


MCGF. Con el fin de no perder esta primera observacin, aspecto especialmente
relevante en muestras pequeas, puede optarse por utilizar la denominada
transformacin de Prais Winsten que permite mantener la primera observacin de la
variable endgena y exgenas considerando para su clculo:

Y1* ? Y1 1 ? ?2
X *j 1 ? X j1 1 ? ?2
En realidad, dado que el clculo directo del rho implica cierta probabilidad de error,
suele ser conveniente utilizar el procedimiento de clculo iterativo de ? conocido como
Cochrane Orcutt descrito en clase. Esto implicara un proceso sucesivo de re-clculo
de rho a partir de los nuevos resultados del DW obtenidos en esta regresin, y una
nueva transformacin de las variables previamente transformadas ES decir, en
nuestro ejemplo, el nuevo valor del DW es ahora 1.97 lo que implica un valor del ? de
0.015; podra utilizarse ese nuevo valor para transformar de nuevo las variables y
reestimar nuevamente la ecuacin.12
12

Este procedimiento iterativo finaliza cuando entre dos estimaciones sucesivas de rho no existe una
diferencia significativa o bien cuando no existe un cambio notable en los parmetros de las exgenas de
la regresin.

10/11

En todo caso, no merece la pena insistir en un procedimiento de correccin que se ha


ilustrado convenientemente con este ejemplo.
La ltima de las estrategias para mejorar la estimacin de un modelo de autocorrelacin
consiste, evidentemente, en la utilizacin de Mnimos Cuadrado Generalizados
considerando para ello la matriz S de varianzas y covarianzas que corresponde al patrn
de autocorrelacin detectado. En caso de verificarse la existencia de un proceso AR(1)
en los residuos, la forma de la matriz de autocorrelacin es bien conocida pero si no
pudisemos verificar que el proceso de autocorrelacin sigue ese modelo AR(1)
deberamos considerar estimaciones alternativas de sigma. Como ya se dijo en el
contexto de la heterocedasticidad, el riesgo de la transformacin o de la utilizacin de
MCG radica, evidentemente, en la verosimilitud del modelo de autocorrelacin
supuesto; si el modelo de autocorrelacin resulta desconocido o complejo, los
eventuales beneficios de eficiencia derivados de la utilizacin de un procedimiento de
MCG o MCO sobre variables corregidas podran ser menores de los previstos en cuanto
que estarn condicionados a la decisin sobre el patrn de autocorrelacin considerado.
Existe, para finalizar, una propuesta de correccin similar a la estimacin automtica
corregida de heterocedasticidad de White, pero ideada para el contexto en el que exista
un problema de autocorrelacin. Esta correccin, que no se desarrollar tericamente en
este texto, y que en esencia sigue la misma estrategia que la expuesta para la correccin
de heterocedasticidad de White, se denomina Estimacin de Newey West pero slo
resulta conveniente para muestras muy grandes. La mayor parte de los programas
informticos incorporan esta correccin automtica bajo la denominacin Estimador
Newey Wets o bien estimacin con errores estndar CHA (consistentes con la
heterocedasticidad y la autocorrelacin).

11/11