Econometra bsica

Autocorrelacin

CAPITULO 7
AUTOCORRELACION

7.1 NATURALEZA
Autocorrelacin se define como la correlacin existente entre los
miembros de una serie de observaciones ordenadas en el tiempo (series
de tiempo) o en el espacio (series de corte transversal).
El modelo de regresin lineal clsico supone que no existe
autocorrelacin. Simblicamente,
E ( t t s ) 0
E ( i j ) 0

s 0 Serie de tiempo
i j Corte transversal

Es decir, si la produccin de un trimestre es inferior, no existe razn

alguna para esperar que ella sea inferior en el prximo trimestre (serie de
tiempo).
De modo similar, el efecto de un aumento en el ingreso de una familia
sobre sus gastos no se espera que afecten tambin los gastos de
consumo de otra familia (serie de corte transversal)
Si existe tal dependencia simblicamente podemos expresar 1:
E ( t t s ) 0
E ( i j ) 0

s 0 Serie de tiempo
i j Corte transversal

Algunos autores distinguen entre autocorrelacin y correlacin en serial. As autocorrelacin lo

definen como la correlacin de rezagos de una serie dada consigo misma, rezagada en un nmero
de unidades de tiempo. Y correlacin serial lo definen como la correlacin de rezagos entre dos
series diferentes.

Econometra bsica

Autocorrelacin

Por qu existe autocorrelacin?. Existen algunas razones, dentro de las

cuales tenemos:

Inercia
En series econmicas cuya caracterstica es que son cclicas
probablemente observaciones sucesivas sean interdependientes.

Sesgo de especificacin: variables excluidas

Supongamos que tenemos el siguiente modelo:
Yt 1 2 X 2t 3 X 3t 4 X 4t t

Sin embargo, por alguna razn se adopt el siguiente modelo:

Yt 1 2 X 2t 3 X 3t t

Esto equivale a decir que:

t 4 X 4t t

En la medida en que X4t afecte a Yt , Vt reflejar un patrn sistemtico

generando una falsa autocorrelacin

Sesgo de especificacin: forma funcional incorrecta

Supongamos que el modelo correcto o verdadero es:
CMg i 0 1Qi 2Qi2 i

Pero se ajusta el siguiente modelo:

CMg i 0 1Qi i
2
De hecho que i 2Qi i , y por tanto reflejar autocorrelacin
debido al uso de una forma funcional incorrecta.

Fenmeno de la telaraa
Sea el siguiente modelo de oferta agrcola:
St 1 2 Pt 1 t

Econometra bsica

Autocorrelacin

En general, no deberamos esperar que t sea aleatoria.

Rezagos
Sea el siguiente modelo denominado modelo autorregresivo:
Ct 1 2Yt 3Ct 1 t

El trmino de error resultante reflejar un patrn sistemtico debido a

la influencia del consumo rezagado sobre el consumo actual.

Manipulacin de datos
Se puede originar patrones sistemticos en los errores y por tanto, un
problema de autocorrelacin, si a travs de informacin incompleta se
obtiene informacin derivada mediante interpolaciones o promedios.

7.2 PROPIEDADES DE LOS ESTIMADORES MINIMO CUADRATICOS

En presencia de Autocorrelacin Cules son las propiedades de los
estimadores que nos proporciona el MMCO? Siguen siendo ptimos?
Al respecto supongamos el siguiente modelo2:
Yt 1 2 X 2t t

Donde:
E ( t t s ) 0 S NUMEROS NEGATIVOS

Si por fines prcticos definimos que3:

t t 1 t 1 1

Siendo el coeficiente de autocovarianza y t es la perturbacin

estocstica tal que satisface los supuestos del MMCO tradicionales.
El estimador mnimo cuadrtico para 2 es:

El esquema que se presenta se le denomina como esquema autorregresivo de primer orden y se

denota por AR(1). No existe ninguna razn por la cual adoptar este esquema a priori, sin embargo
es utilizado por su sencillez y por su gran utilidad demostrada en muchas aplicaciones.
3
El esquema propuesto de autocorrelacin se conoce como esquema autorregresivo de primer
orden y se denota generalmente como AR(1).

Econometra bsica

Autocorrelacin

2 wtYt
2 wt ( 1 2 X 2t t )
2 1 wt 2 wt X 2 t wt t

Siendo:

w X
t

2t

2 2 wt t
E ( 2 ) 2 wt E ( t )

E ( 2 ) 2

Es decir, aun cuando exista autocorrelacin, el estimador mnimo

cuadrtico sigue siendo un estimador insesgado.
Por otro lado, s:
2 2 wt t

Definimos que,
var( 2 ) E ( 2 2 ) 2 E ( wt t ) 2

var(2 ) E ( w11 w2 2 ... wn n ) 2

var( 2 ) E ( w12 12 ... wn2 n2 2w1w2 1 2 2 w1w2 1 2 2w1w3 13 ... 2 wn 1wn n 1 n

Siendo:
2 1 2 1 A2
3 2 3 ( 1 2 ) 2 1 2 3 2 1 A3
4 3 4 ( 2 1 2 3 ) 4 3 1 2 2 3 4 3 1 A4
.
.
.
n n 1 n ( n 2 1 n 3 2 n 2 3 ... n 1 ) n n 11 An
3 2 3 2 B3

4 3 4 ( 2 3 ) 4 2 2 3 4 2 2 B4

Econometra bsica

Autocorrelacin

5 4 5 ( 2 2 3 4 ) 5 3 2 2 3 4 5 3 2 B5
.
.
.
n n 1 n ( n 3 1 n 4 2 n 5 3 ... n 1 ) n n 2 2 Bn
4 3 4 3 C 4

5 4 5 ( 3 4 ) 5 2 3 4 5 2 3 C5
6 5 6 ( 2 3 4 5 ) 6 3 3 2 4 5 5 3 3 C 6 .
.
.
n n1 n ( n 4 3 n 5 2 n 6 3 ... n1 ) n n 3 3 C n
n 1 n 2 n 1 n 2 Rn 1

n n 1 n ( n 2 n 1 ) n 2 n 2 n 1 n 2 n 2 Rn
n n 1 n n 1 Z n

Reemplazando y calculando el valor esperado tenemos:

var( 2 ) E ( w12 12 ... wn2 n2 2w1w2 1 2 2 w1w2 1 2 2w1w3 13 ... 2 wn 1wn n 1 n
var( 2 )

2
t

E ( t2 ) 2 w1 w2 E[u1 ( 1 A2 )] 2 ww w2 E[u1 ( 2 1 A3 )] ...

2 w1 wn E[u1 ( n 1 1 An )] 2 w2 w3 E[u 2 ( 2 B3 )] 2 w2 w4 E[u 2 ( 2 2 B4 )] ...

2 w2 wn E[u 2 ( n 2 2 Bn )] 2 w3 w4 E[u 3 ( 3 C 4 )] 2 w3 w5 E[u 3 ( 2 3 C 5 )] ...
2 w3 wn E[u 3 ( n 3 3 C n )] ... 2 wn 1 wn E[u n 1 ( n 1 RC n )]

Reemplazando y calculando el valor esperado tenemos:

var( 2 )

2
t

E ( t2 ) 2 w1 w2 E ( 12 ) 2 w1 w3 2 E ( 12 ) ... 2w1 wn n 1 E ( 12 )

2 w2 w3 E ( 22 ) 2 w2 w4 2 E ( 22 ) ... 2 w2 wn n 2 E (u 22 ) 2 w3 w4 E ( 32 )
2 w3 w5 2 E ( 32 ) ... 2 w3 wn n 3 E (u 32 ) ... 2 wn 1 wn E ( n21 )
var( 2 ) u2 wt2 2 u2 w1 w2 2 u2 w1 w3 2 ... 2 u2 u2 w1 wn n 1

2 u2 w2 w3 2 u2 w2 w4 2 ... 2 u2 w2 wn n 2 2 u2 w3 w4
2 u2 w3 w5 2 ... 2 u2 w3 wn n 3 ... 2 u2 wn 1 wn

Por tanto, la varianza del estimador 2, bajo un esquema autorregresivo

de primer orden es:
n

n 1

n2

n 3

t 1

t 1

t 2

t 3

var( 2 ) AR (1) u2 wt2 2 u2 [ wt wt 1 2 wt wt 2 3 wt wt 3 ... n 1 w1 wn ]

7.3 ESTIMACION

Econometra bsica

Autocorrelacin

Dentro de todos los estimadores lineales e insesgados La Var ( 2 ) AR (1)

es mnima?
En realidad no. El mtodo de mnimos cuadrados generalizados nos
proporciona otro estimador de varianza menor.
El procedimiento de estimacin es el siguiente:
Por hiptesis tenemos,
Yt 1 X 2t t

t t 1 t

Donde:
1 1

y adems,

E ( t ) 0

E ( t2 ) 2
E ( t t s ) 0

De lo anterior es posible escribir,

Yt 1 1 X 2t 1 t 1

Yt 1 1 X 2t 1 t 1
Yt Yt 1 (1 ) 1 2 ( X 2t X 2t 1 ) ( t t 1 )
Yt Yt 1 (1 ) 1 2 ( X 2t X 2t 1 ) t
Yt* 1* 2 X 2*t t
E (Yt * ) 1* 2 X 2*t

FRP

Mediante el mtodo de mnimos cuadrados ordinarios se obtiene:

y x
x
*
t

*
2t

* 2
2t

Siendo:
Yt * Yt Yt 1

Econometra bsica

Autocorrelacin

Yt 1

Yt * Yt Yt 1
y t* y t y t 1

Anlogamente,
x 2*t x 2t x 2t 1

Reemplazando:

MCG
2

( y y )( x
( x x
t 1

2t

2t

x 2 1 )

2 t 1

Por tanto su varianza ser:

Var ( 2 ) MCG

(x

2t

x 2t 1 )

7.4 CONSECUENCIAS
Cules son las consecuencias de utilizar MCO en presencia de
autocorrelacin?
Dos casos:
Estimacin de MCO permitiendo autocorrelacin:
Intervalos de confianza amplios
Tendencia a no rechazar la hiptesis nula cuando deberamos
hacerlo
Estimacin de MCO sin tener en cuenta autocorrelacin.
Es probable que la varianza obtenida por el mtodo de mnimos
cuadrados ordinarios la subestime
Se sobre estima el coeficiente de determinacin
Las pruebas de significancia dejan de ser vlidas y conducen a
conclusiones errneas
Se subestima la pendiente y se sobreestima el intercepto de la
lnea de regresin de dos variables.
7.5 IDENTIFICACION DEL PROBLEMA DE AUTOCORRELACION

Econometra bsica

Autocorrelacin

Cmo detectar la autocorrelacin? Al respecto debe seguirse las

siguientes reglas prcticas.
a) Mtodo grfico
Realizar un grfico de los residuos y sus rezagos correspondiente y tratar
de identificar si existe algn patrn sistemtico.
b) La prueba de aleatoriedad o de corridas
Asumiendo la Hiptesis nula de que los residuos son independientes
(aleatorios) bajo el supuesto que N 1 10 y N 2 10 , el nmero de corridas
tiene una distribucin (asintticamente) normal con:

Media:

E ( n)

Varianza:

n2

2 N1 N 2
1
N1 N 2

2 N 1 N 2 (2 N1 N 2 N 1 N 2 )
( N 1 N 2 ) 2 ( N1 N 2 1)

Donde:
= Nmero de observaciones
= Nmero de residuos positivos
= Nmero de residuos negativos.
= Nmero de corridas.

N
N1
N2

Para sostener la hiptesis de aleatoriedad (no existencia de

autocorrelacin) de los residuos debemos esperar que n se encuentre
entre [ E ( n) 1.96 n ] con un 95% de confianza.
c) La prueba 2 de independencia de los residuos.
La idea es construir una tabla de contingencia de et y de et 1 de
acuerdo al nmero de signos observados en cada una de las series. Bajo
la hiptesis nula de que las et estn distribuidas en forma independiente
se puede demostrar que:

(A

Ei ) 2

Ei

Donde:

~ (2r 1)( c 1)

Econometra bsica
Ai

Autocorrelacin

es la frecuencia real u observada en la celda i.

es la frecuencia terica o esperada en la celda i.
es el nmero de filas.
es el nmero de columnas

Ei

d) Prueba d de Durbin-Watson
El estadstico d se define como:
d

(e e
e
t

t 1

)2

2
t

Supuestos:

El modelo de regresin incluye intercepto.

Las variables explicativas son fijas o no estocsticas.
Las perturbaciones se generan a travs de un esquema autorregresivo
de primer orden.
El modelo no incluye valores rezagados de la variable dependiente
como variable explicativa
No hacen falta observaciones en los datos.

Siendo:

et21 2 et et 1

2
t

d 2(1

e e
e
t

t 1

2
t

2
t

Y adems definimos que:

e e
e
t

t 1

2
t

Entonces:
d 2(1 )

Lo que implica que: 0 d 4

Es decir, cualquier valor estimado de d debe encontrarse dentro de
estos lmites.

Econometra bsica

Autocorrelacin 10

Es evidente que s:
0
1

d 2 No existe autocorrelacin de primer orden.

d 0 Existe autocorrelacin serial positiva.
d 4 Existe autocorrelacin serial negativa

La mecnica de la prueba de Durbin-Watson es la siguiente:

Realizar la regresin por el MMCO y obtener et
Calcular d
Para un tamao de muestra dado y un nmero de variables
explicativas determinado, hallar los valores crticos de d L y d U
Seguir las reglas de decisin segn el grfico siguiente 4:

f(d)

Rechazar Ho

0
Ho:
Ho*:

Zona de
Indecisin

dL

dU

Aceptar
Ho
Aceptar
Ho*

Zona de
Indecisin

4-dU

Rechazar Ho*

4-dL

No hay autocorrelacin positiva.

No hay autocorrelacin negativa.

7.6 SOLUCIONES AL PROBLEMA DE AUTOCORRELACION

Cmo remediar un problema de autocorrelacin?
El remedio depende del conocimiento que se tenga sobre la naturaleza de
la interdependencia existente entre las perturbaciones.
CASO 1:
Cuando se conoce la estructura de la autocorrelacin. En la prctica se
supone frecuentemente que:
t t 1 t
4

Una de las desventajas de esta prueba es que si estas caen en la zona de indecisin no se
puede concluir si existe o no autocorrelacin. Para resolver este problema es posible determinar la
prueba d modificada que est fuera del propsito del curso.

Econometra bsica

Autocorrelacin 11

Donde:
1 1

Satisface los supuestos del MMCO.

Siendo el modelo:
Yt 1 2 X 2t t

Rezagando en un periodo
Yt 1 1 X 2t 1 t 1

Multiplicando por en ambos miembros de la ecuacin anterior

tenemos:
Yt 1 1 X 2t 1 t 1

Restando el modelo original menos la ltima expresin miembro a

miembro tenemos:
Yt Yt 1 (1 ) 1 2 ( X 2t X 2t 1 ) ( t t 1 )
Yt Yt 1 (1 ) 1 2 ( X 2t X 2t 1 ) t

Puesto que t satisface los supuestos del MMCO podemos aplicar dicho
mtodo al modelo transformado para obtener estimadores ptimos 5.
CASO 2:
Cuando no se conoce la estructura de la autocorrelacin.
En la prctica es raro conocer el valor de por ello se necesita disear
mtodos alternos, algunos de los cuales son los siguientes:
a)

Mtodo de la primera diferencia.

Sea el modelo:
Yt 1 2 X 2t t

Donde:
t t 1 t
5

Aplicar el MMCO al modelo transformado es equivalente a utilizar el MMCG.

Econometra bsica

Autocorrelacin 12

1 1

y t satisface los supuestos del MMCO.

Si suponemos que:

No existe autocorrelacin entonces: 0

El modelo a estimar debe ser el mismo.

Existe autocorrelacin positiva entonces: 1

El modelo a estimar debera ser el siguiente:
Yt Yt 1 2 ( X 2t X 2t 1 ) ( t t 1 )
Yt Yt 1 2 ( X 2 t X 2 t 1 ) t

Existe autocorrelacin negativa entonces: = -1

El modelo a estimar debera ser el siguiente:
Yt Yt 1 2 1 2 ( X 2 t X 2 t 1 ) ( t t 1 )
Yt Yt 1 2 1 2 ( X 2 t X 2t 1 ) ( t t 1 )

Yt Yt 1
( X 2t X 2t 1 )
1 2
t
2
2

b)

Mtodo en el estadstico d Durbin-Watson

Siendo el estadstico de Durbin-Watson: d 2(1 )

Entonces, se puede despejar y utilizarlo para poder transformar los
datos como se ilustr anteriormente y aplicar el MMCO.
Sin embargo, el procedimiento anterior puede no ser vlido para muestras
pequeas, de modo que se sugiere que se calcula en base al
estadstico d modificado:

d
n 2 (1 ) k 2
2

n2 k 2

Econometra bsica

Autocorrelacin 13

ANEXO G
NOCIONES BASICAS DE EVIEWS 3.1
AUTOCORRELACIN
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). 6
Dependent Variable: IMPK
Method: Least Squares
Date: 03/13/06 Time: 11:17
Simple: 1981:1 2002:2
Included observations: 86
Variable
C
FBCK
GTOHOGK
PIMPENER
6

Coefficient
-56823.91
-0.149782
1.265278
30.80776

Std. Error
2537.860
0.166913
0.100670
3.582319

t-Statistic
-22.39049
-0.897365
12.56854
8.599948

Prob.
0.0000
0.3722
0.0000
0.0000

Para reproducir los resultados de la regresin utilice el archivo en formato Eviews: Capitulo
7_Autocorrelacin_Practica 1

Econometra bsica
R-squared
Adjusted R-squared
S.E. of regresin
Sum squared resid
Log likelihood
Durbin-Watson stat

Autocorrelacin 14
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

Comentario sobre los resultados

La funcin de regresin muestral 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 es inversa (negativa).

Los contrastes individuales son significativos para todos los coeficientes a excepcin
de FBCK cuyo p-value es inadmisiblemente elevado: slo puede 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.

Frente a estos resultados empricos contrarios a la lgica econmica cabe sospechar que
estamos ante un error de especificacin. Efectivamente, y aunque se ver con detalle ms
adelante, el valor del estadstico DW indica una fuerte autocorrelacin positiva que,
seguramente, viene causada por una indebida especificacin.
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.
PRUEBAS DE AUTOCORRELACION
a) Mtodo Grfico
El anlisis grfico del residuo de la regresin estimada indica un claro patrn
sistemtico denotando autocorrelacin positiva de primer grado por que la
evolucin de los residuos tienen un patrn sistemtico sinusoidal o de ondas y
existe una relacin directa entre los residuos y los residuos desfasados en un
periodo; lo cierto es que el componente auto - regresivo del error es muy claro.

Econometra bsica

Autocorrelacin 15

b) Prueba de Aleatoriedad o de corridas

Asumiendo la Hiptesis nula de que los residuos son independientes
(aleatorios) bajo el supuesto que N 110 y N210, el nmero de corridas tiene
una distribucin (asintticamente) normal con:
Media:

E ( n)

Varianza:

n2

2 N1 N 2
1
N1 N 2

2 N 1 N 2 (2 N1 N 2 N 1 N 2 )
( N 1 N 2 ) 2 ( N1 N 2 1)

Donde:
N
N1
N2

= Nmero de observaciones
= Nmero de residuos positivos
= Nmero de residuos negativos.

Econometra bsica
n

Autocorrelacin 16

= Nmero de corridas.

Para sostener la hiptesis de aleatoriedad de los residuos debemos esperar

que n se encuentre entre E ( n) 1.96 n con un 95% de confianza.
Considerando la Tabla N 01 se tiene:
N
N1
N2
n

=
= 44
= 42
= 18

Entonces,
E ( n)

Media:

2(44)(42)
1 43.9767442
44 42

Varianza:
n2

2( 44)(42)[(44)(42) 44 42] 7'148,064

11.3703178
628,660
(86) 2 (85)

Por tanto, el intervalo de confianza del 95% para E (n) es:

43.9767442 1.96 (3.37199019) = (37.3676434, 50585845)
Si n=18 se deduce que est fuera del intervalo establecido. Luego, se rechaza
la hiptesis de que la secuencia observada de los residuos que se ilustra en el
Tabla N 01, no es aleatoria con un nivel de confianza del 95%. Por tanto, es
muy probable que exista autocorrelacin.
c) Prueba de independencia de los residuos
La idea es construir una tabla de contingencia de e t y et-1 de acuerdo al nmero
de signos observados en cada una de las series. Bajo la hiptesis nula de que
las et estn distribuidas en forma independiente se puede demostrar que:

(A

Ei ) 2

Ei

~ (2r 1)( c 1)

TABLA N 01
RESIDUOS Y SUS FRECUENCIAS DE SIGNOS
AO
1981.1

RESIDUOS SIGNO FRECUENCIA

+
1,254.268
+
1,665.997
+
1,546.703
+
1,573.366

AO

1992.1

RESIDUOS SIGNO FRECUENCIA

-2,029.501
-2,348.353
-1,878.591
-2,412.832

Econometra bsica
1982.1

1983.1

1984.1

1985.1

1986.1

1987.1

1988.1

1989.1

1990.1

1991.1

1,359.431
1,639.177
1,312.639
1,042.407
484.214
321.077
175.135
-612.199
-205.070
79.525
-847.921
-734.975
-2,044.363
-1,230.492
-863.570
-767.517
413.002
1,451.669
2,354.731
1,685.566
420.600
581.358
944.321
1,068.600
402.614
503.182
673.498
-223.911
791.804
-1,164.962
-1,582.512
-1,987.625
-843.202
-892.976
-2,448.450
-3,512.930
-2,140.277
-1,599.239
-2,029.501
-2,348.353

+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
-

Autocorrelacin 17

1993.1

11.000

1994.1

2.000
1.000
1995.1

1996.1
6.000

1997.1

1998.1

11.000
1.000
1.000

1999.1

2000.1

2001.1

2002.1

-2,345.298
-2,308.679
-2,875.039
-2,899.523
-2,870.680
-541.606
-790.367
-1,124.827
-781.418
-398.604
1,403.111
439.444
-18.364
39.673
-452.167
-349.831
1,490.633
257.235
497.825
1,214.710
918.067
1,287.866
1,600.000
3,159.702
2,961.924
3,602.893
2,923.230
3,004.623
2,238.171
1,849.051
-315.490
-238.995
1,264.366
-277.492
1,031.966
12.763
-1,032.168
-223.246
-786.525
-1,940.350

Donde:
Ai Es la frecuencia real u observada en la celda i.
E i Es la frecuencia terica o esperada en la celda i.

Es el nmero de filas.
Es el nmero de columnas

+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
-

23.000
2.000
1.000
1.000
2.000

14.000
2
1
1
2

Econometra bsica

Autocorrelacin 18

Considerando la Tabla N 02, es posible obtener las siguientes tablas de

contingencia:
TABLA N 03
TABLA DE CONTINGENCIA: RESIDUOS OBSERVADOS

Periodo t(-1)

Periodo (t)
N de Residuos
Positivos

N de Residuos
negativos

Total

N de Residuos Positivos

35

44

N de Residuos negativos

33

41

Total

43

42

85

TABLA N 04
TABLA DE CONTINGENCIA: RESIDUOS ESPERADOS

Periodo t(-1)

Periodo (t)

(A

N de Residuos
Positivos

N de Residuos
negativos

Total

N de Residuos Positivos

20.81

28.19

49

N de Residuos negativos

27.19

36.81

64

Total

48

65

113

Ei ) 2

Ei

(35 20.81) 2 (9 28.19) 2 (8 27.19) 2 (33 36.81) 2

36.6
20.81
28.19
27.19
36.81

6
Siendo 12 6.63 para un nivel de significancia del 95% se rechaza la hiptesis nula de
independencia, luego concluimos que los et y et 1 no son independientes por lo tanto
es muy probable que exista autocorrelacin.
TABLA N 02
RESIDUOS Y RESIDUOS DESFASADOS EN UN PERIODO
AOS
1981.1

RESIDUOS RESIDUOS(-1) SIGNOS

1,254.3

AOS

RESIDUOS
-2,348.4

RESIDUOS(-1) SIGNOS
--2,029.5

Econometra bsica

1982.1

1983.1

1984.1

1985.1

1986.1

1987.1

1988.1

1989.1

1990.1

1991.1

1,666.0
1,546.7
1,573.4
1,359.4
1,639.2
1,312.6
1,042.4
484.2
321.1
175.1
-612.2
-205.1
79.5
-847.9
-735.0
-2,044.4
-1,230.5
-863.6
-767.5
413.0
1,451.7
2,354.7
1,685.6
420.6
581.4
944.3
1,068.6
402.6
503.2
673.5
-223.9
791.8
-1,165.0
-1,582.5
-1,987.6
-843.2
-893.0
-2,448.5
-3,512.9
-2,140.3
-1,599.2
-2,029.5
-2,348.4

Autocorrelacin 19
1,254.3
1,666.0
1,546.7
1,573.4
1,359.4
1,639.2
1,312.6
1,042.4
484.2
321.1
175.1
-612.2
-205.1
79.5
-847.9
-735.0
-2,044.4
-1,230.5
-863.6
-767.5
413.0
1,451.7
2,354.7
1,685.6
420.6
581.4
944.3
1,068.6
402.6
503.2
673.5
-223.9
791.8
-1,165.0
-1,582.5
-1,987.6
-843.2
-893.0
-2,448.5
-3,512.9
-2,140.3
-1,599.2
-2,029.5

++
++
++
++
++
++
++
++
++
++
-+
-+ -+
-----+ ++
++
++
++
++
++
++
++
++
++
-+
+ -+
-----------

d) Prueba d de Durbin Watson

1992.1

1993.1

1994.1

1995.1

1996.1

1997.1

1998.1

1999.1

2000.1

2001.1

2002.1

-1,878.6
-2,412.8
-2,345.3
-2,308.7
-2,875.0
-2,899.5
-2,870.7
-541.6
-790.4
-1,124.8
-781.4
-398.6
1,403.1
439.4
-18.4
39.7
-452.2
-349.8
1,490.6
257.2
497.8
1,214.7
918.1
1,287.9
1,600.0
3,159.7
2,961.9
3,602.9
2,923.2
3,004.6
2,238.2
1,849.1
-315.5
-239.0
1,264.4
-277.5
1,032.0
12.8
-1,032.2
-223.2
-786.5
-1,940.4

-2,348.4
-1,878.6
-2,412.8
-2,345.3
-2,308.7
-2,875.0
-2,899.5
-2,870.7
-541.6
-790.4
-1,124.8
-781.4
-398.6
1,403.1
439.4
-18.4
39.7
-452.2
-349.8
1,490.6
257.2
497.8
1,214.7
918.1
1,287.9
1,600.0
3,159.7
2,961.9
3,602.9
2,923.2
3,004.6
2,238.2
1,849.1
-315.5
-239.0
1,264.4
-277.5
1,032.0
12.8
-1,032.2
-223.2
-786.5
-1,940.4

------------+ ++
-+
+ -+
-+ ++
++
++
++
++
++
++
++
++
++
++
++
++
-+
-+ -+
+ ++
-+
----

Econometra bsica

Autocorrelacin 20

El estadstico d de Durban-Watson se utiliza para hacer

contrastes sobre la presencia de autocorrelacin de primer orden
y se define como:

[e e
d
e
t

t 1

2
t

Este estadstico es vlido si:

El modelo de regresin incluye intercepto.

Las variables explicativas son fijas o no estocsticas.
El modelo no incluye valores rezagados de la variable
dependiente como variable explicativa
No hacen falta observaciones en los datos.

Por la regresin, anteriormente efectuada, se tiene que el

estadstico d=0.290343. Para comprobar dicho resultado
efecte lo siguiente:
Estando en el Work File:

Seleccionar Genr
En la ventana activa escribir e1=resid
Nuevamente seleccionar Genr
En la ventana activa escribir e2=resid(-1)

Estando en el Work File, en la lnea de comandos escribir:

Scalar d=(e1-e2)^2/(e1)^2
Pulsar doble clic sobre el icono del scalar generado

e) Prueba h de Durbin
El estadstico "d" de Durbin y Watson no puede utilizarse para
detectar correlacin serial (de primer orden) en los modelos
autorregresivos debido a que el valor "d" calculado en tales
modelos generalmente tiende a 2, que corresponde al valor de
"d" esperado en una secuencia aleatoria.
Por ello Durbin ha proporcionado una prueba para muestras
grandes para detectar correlacin serial de primer orden en los
modelos autorregresivos. Esta prueba denominada estadstico H
es la siguiente.

Econometra bsica
H

Autocorrelacin 21

n
1 n[var( 2 )]

p se puede aproximar a partir de "d"

[1

1
d) ;
2

Si se supone que n es grande entonces H~AN(0,1); es decir, H

tiene una distribucin asintmaticamente normal (AN) con
promedio cero y varianza unitaria. Como a partir de la distribucin
normal se sabe que:
Pr[ 1.96 H 1.96] 0.95

Entonces, la regla de decisin es: " si H se encuentra entre -1,96

y + 1,96 no se rechaza la hiptesis nula de que no existe
autocorrelacin de primer orden (positiva o negativa).
En el Eviews, para verificar el valor del estadstico de DurbinWatson luego de realizar la regresin, se debe proceder del
modo siguiente:
Estando en el Work File.

Seleccionar Genr
En la ventana activa escribir e=resid
Por segunda vez, seleccionar Genr
En la ventana activa escribir e2=e*e
Por tercera vez, seleccionar Genr
En la ventana activa escribir ee2=(e-e(-1))^2

Estando en el Work File, escribir en la lnea de comandos:

scalar dw=@sum(ee2)/@sum(e2)
Pulsar doble clic sobre el cono del escalar dw

f) Prueba de Breusch y Godfrey

El estadstico de Breusch-Godfrey supone que el trmino de
perturbacin es generado por el esquema autorregresivo de
orden p.
t 1 t 1 2 t 2 3 t 3 ..., p t p t

Econometra bsica

Autocorrelacin 22

La hiptesis nula es: H 0 : 1 2 3 ... p 0 es decir que no hay

autocorrelacin de ningn orden.
Breusch-Godfrey ha demostrado que la hiptesis nula puede ser
probada de la siguiente manera:

Estimar el modelo por MCO y obtener los residuos et

Efectuar la siguiente regresin:

et 1 2 X 2t ... k 1et 1 2 et 2 ... p et p

As, si p=4 se introducen en el modelo 4 valores rezagados de

los residuos, por tanto el modelo auxiliar contiene n-p
observaciones.

De dicha regresin obtener R 2

Si el tamao de la muestra es grande entonces:

[n p]R 2 ~ p2

Luego si [n p]R 2 excede el valor crtico de p , al nivel de

significancia seleccionado, se rechaza la hiptesis nula por
cuanto por lo menos un es significativamente diferente de
cero.
2

En el Eviews, para obtener el estadstico de Breusch y

Godfrey, se debe proceder del modo siguiente:
Estando en el Workfile:

Seleccionar la variable endgena (IMPK) seguida de las

variables exgenas (FBCK, GTOHOGK y PIMPENER)
presionando la tecla ctrl.
Con un click en el botn derecho del mouse seleccionar
Open/as Equation
En la ventana activa (Equation Specification) pulsar OK.

Estando en el objeto equation UNTITLED:

Seleccionar View/resuals Test/Serial Correlation LM Test

En la ventana activa especificar el nmero de rezagos a

considerar (por defecto es 2 que corresponde a verificar la
existencia de autocorrelacin de segundo orden)

Este procedimiento nos permite obtener los siguientes

resultados:

Econometra bsica

Autocorrelacin 23

Este resultado nos permite observar el estadstico de Breusch

y Godfrey cuyo valor es de 61.71334. Ntese que la
probabilidad de rechazar la hiptesis nula (No existe
autocorrelacin) siendo esta cierta
es de 0.0000
(aproximadamente igual a cero) de modo que rechazamos
dicha hiptesis y sostenemos que existe autocorrelacin.
Adicionalmente, ntese que en la regresin adjunta, el
coeficiente de RESID(-1) es estadsticamente significativo, lo
cual implica la existencia de autocorrelacin de primer orden
AR(1).