Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Un supuesto importante del modelo clsico lineal presentado en el inicio del curso
es que no hay autocorrelacin o correlacin serial entre las perturbaciones i
consideradas dentro de la funcin de regresin poblacional. En este apartado, se
examinara en forma critica este supuesto con el fin de buscar respuestas a las
siguientes preguntas:
1. Cul es la naturaleza de la autocorrelacin?
2. Cules son las consecuencias tericas y practicas de la autocorrelacin?
3. Puesto que el supuesto de no autocorrelacin se relaciona con las
como se sabe que hay autocorrelacin en
perturbaciones no observables i,
cualquier situacin dada?
4. Cmo se puede remediar el problema de la autocorrelacin?
El lector encontrara en este apartado, similitudes en muchos aspectos con el
apartado anterior sobre heteroscedasticidad, puesto que en presencia de
autocorrelacin y de heteroscedasticidad, los estimadores, de mnimos cuadrados,
a pesar de ser insesgados, dejan de tener mnima varianza entre todos los
estimadores lineales insesgados. En resumen, dejan de ser mejores estimadores
lineales insesgados.
ij
Notas preparadas para la materia de Econometra (tomadas del libro de Damodar N. Gujarati, Econometra
3era Edicin. 1997. Mxico. Pgs. 393 442.
2
Maestro del Departamento de Economa Agrcola de la DCSE de la Universidad Autnoma Agraria Antonio
Narro. De Saltillo Coah., Mxico.
ij
En esta situacin, la interrupcin ocasionada por una huelga este trimestre puede
afectar muy fcilmente la produccin del siguiente trimestre, o los incrementos en
el gasto de consumo de una familia pueden inducir muy fcilmente a otra familia a
aumentar su gasto de consumo para no quedarse atrs de la primera.
Antes de encontrar la razn de la existencia de la autocorrelacin, es esencial
aclarar algunos aspectos de terminologa. Aunque, hoy en da, es prctica comn
tratar como sinnimos los trminos autocorrelacin y correlacin serial, algunos
autores prefieren diferenciar los dos trminos. Por ejemplo se define
autocorrelacin como (correlacin rezagada de una serie dada consigo
misma, rezagada por un nmero de unidades de tiempo), mientras que reserva
el trmino correlacin serial para (correlacin rezagada entre dos series
diferentes). Aunque la distincin entre los dos trminos puede ser de utilidad, en
este apartado se consideraran como sinnimos.
Se pueden visualizar algunos de los patrones razonables de autocorrelacin y de
no autocorrelacin, los cuales estn dados en la siguiente figura.
2. DETECCION DE LA AUTOCORRELACIN
La autocorrelacin es potencialmente un problema grave. Por consiguiente, las
medidas remdiales deben ser ciertamente apropiadas. Por supuesto, antes de
hacer algo, es esencial averiguar si existe autocorrelacin en una situacin dada.
En estos apuntes se consideraran algunas pruebas de correlacin serial usadas
comnmente.
1. Prueba d de Durbin- Watson3
La prueba mas conocida para detectar correlacin serial es la desarrollada por los
estadsticos Durbin y Watson. Es comnmente conocida como el estadstico d de
Durbin- Watson. el cual se define como
d = ( ut u t-1)2 / u2t
que es simplemente la razn de la suma de las diferencias al cuadrado de
residuales sucesivos sobre la SCR. Obsrvese que en el numerador d el nmero
de observaciones es n -1 porque una observacin se pierde al obtener las
diferencias consecutivas.
Una gran ventaja del estadstico d es que esta basado en los residuales
estimados, que aparecen sistematizados en los anlisis de regresin. Debido a
esta ventaja, es frecuente incluir el estadstico d de Durbin-Watson en los informes
de anlisis de regresin, junto con otros estadsticos resumen tales como el R2, el
R ajustado, las razones t, etc. Aunque el estadstico d es utilizado ahora en forma
sistematizada, es importante anotar los supuestos en los cuales este se basa:
1. El modelo de regresin incluye el trmino de intercepto. Si dicho trmino no
esta presente, como es el caso de la regresin a travs del origen, es
esencial efectuar nuevamente la regresin incluyendo el trmino del
intercepto para obtener la SCR.
En estos apuntes slo se considera esta prueba. (como medida de deteccin y para poder remediar el modelo
cuando aparezca autocorrelacin).
= (utut-1) / (u2t)
como el coeficiente de autocorrelacin muestral de primer orden, un estimador de ,
es posible expresar como
d 2 (1 p)
pero puesto que 1 p 1, implica que, 0 d 4
Estos son los lmites de d; cualquier valor d estimado debe caer dentro de estos
lmites.
Cuadro 1.
Decisin
Rechazar
No tomar decisin
Rechazar
No tomar decisin
No rechazar
S
0 < d < dL
dL < d < dU
4- dL < d < 4
4 dU < d < 4 dL
dU < d < 4 - dU
A pesar de ser muy popular, la prueba d tiene una gran desventaja: cuando cae en
la zona de indecisin o regin de ignorancia, no se puede concluir si la
autocorrelacin existe o no. Para resolver este problema, diversos autores han
propuesto modificaciones a la prueba d de Durbin - Watson pero son un poco
complicadas y estn por fuera del alcance de estos apuntes.
3. MEDIDAS REMDIALES
Puesto que en presencia de correlacin serial los estimadores de mnimos
cuadrados son ineficientes, es esencial buscar medidas remdiales. El remedio,
sin embargo, depende del conocimiento que se tenga sobre la naturaleza de la
interdependencia entre las perturbaciones. Se distinguen dos situaciones: cuando
la estructura de autocorrelacin es conocida y cuando no lo es.
a) Cuando la estructura de la autocorrelacin es conocida4
Puesto que las perturbaciones i no son observables, la naturaleza de la
correlacin serial es frecuentemente un asunto de especulacin o de exigencias
practicas. En la practica, usualmente se supone que las i siguen el esquema
autorregresivo de primer orden, a saber,
t = t-1 + t
donde I p I < 1 y donde las t siguen los supuestos mnimos cuadrados de valor
esperado cero, varianza constante y no autocorrelacin. Si se supone la validez de
la anterior ecuacin, el problema de correlacin serial puede ser resuelto
satisfactoriamente si se conoce p, el coeficiente de autocorrelacin. Para esto se
tiene en cuenta el modelo con dos variables,
Yt = + xt + t
Si es cierta en el tiempo t, tambin es cierta en t-1, por tanto,
Yt-1 = + xt-1 + t-1
Multiplicando por p a ambos lados, se obtiene
pYt-1 = p + pX t-1 + pt-1
Restando esta ecuacin de la inicial se tiene
(Yt pYt-1 = (1 p) + Xt pX t-1 + (t pt-1)
= (1 p) + (Xt pXt-1) + t
se puede expresar como
Y*t = * + *X*t + t
Donde * = (1 p), Y*t = (Yt pYt-1) y X*t = (Xt pXt-1).
4. RESUMEN Y CONCLUSIONES
10