Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Autocorrelacion PDF
Autocorrelacion PDF
Si = 0 no existe autocorrelacin
Si = 1 existe autocorrelacin positiva perfecta
Si = -1 existe autocorrelacin negativa perfecta
En trminos matriciales, este problema supone que los elementos que se
encuentran fuera de la diagonal principal de la matriz de varianza-covarianza
(E[UU]) pueden ser no ceros.
Entre las principales causas que hacen que aparezca la autocorrelacin en una
muestra tenemos las siguientes:
Inercia. Cuando existen tendencias marcadas que influyen en los valores
futuros de la serie.
Sesgos de especificacin. Cuando se elige mal la forma funcional o cuando
se omiten variables, lo cual genera un comportamiento sistemtico en el
trmino estocstico.
Tiempo de ajuste. Implica el tiempo que los agentes econmicos deben
tomar para procesar informacin de un perodo dado. As un fenmeno
sucedido en un perodo determinado puede impactar en uno o varios
posteriores.
Preparacin de datos. En datos de corte transversal al ordenar los datos
con respecto alguna variable (consumo ordenado de mayor a menor por la
variable ingreso) puede introducir un proceso aparentemente
autocorrelacionado.
3) AUTOCORRELACIN IDENTIFICACIN
( )
2
t t 1
d= t =2
t =T
2
t
t =1
t2 + t21 + 2t t 1
d= t =2 t =2
t =T
t =2
2(1 )
t =1
2
t
(d)
? ?
=1 =0 = -1
0
4
dl du (4-du) (4-dl)
Se puede observar claramente como los valores siguen una ruta que va desde
el cuadro inferior izquierdo al cuadro superior derecho marcando un claro ascenso
en diagonal. Este comportamiento es tpico de un proceso autorregresivo positivo
(=1). Si el comportamiento hubiera sido desde el cuadro superior izquierdo al
cuadro inferior derecho la autocorrelacin sera (= -1) negativa.
4) OTRAS PRUEBAS DE AUTOCORRELACIN
(e et 1 )
2
t
t =2
2
RVN = 2 =
(T 1)
T
s
(et e )
2
t =2
1
Maddala, G. S. 1996. Introduccin a la Econometra. PRENTICE-HALL HISPANOAMERICANA, S.A.
Mjico.
Para muestras grandes , la RVN puede considerarse como normalmente
distribuido con media y varianzas dadas por:
2 2n
E 2 =
s n 1
2 4n 2 (n 2 )
V 2 =
s (n 1)(n 1)
3
e 2
t
g= t =2
T
u
t =2
2
t
Ntese que tanto ut, como Yt-1 dependen de ut-1, las dos variables estaran
correlacionadas. El estimador MCO de a ser inconsistente y si es positivo, el
parmetro ser sesgado hacia arriba y el estimador de rho ser sesgado hacia
abajo, de forma tal que el DW estimado estar sesgado hacia 2 y no encontrar
evidencia de autocorrelacin serial.
T
h =
1 T * S 2
Var ( ) =
(1 )
2
T
La normal estandarizada calculada (Zc) se obtiene por.
Zc = ~Z(0,1)
Var ( )
En las muestras pequeas (<30) se puede utilizar esta prueba como
aproximacin.
2
Kamenta, Jan. 1977. Elementos de Econometra. Editorial Vicens-Vives Barcelona.
3
Godfrey, L.G., 1978. Testing Against General Autoregressive and Moving Average Error Models When
the Regressors Include Lagged Dependent Variables. Econometrica: 46.
Godfrey, L.G., 1988. Misspecification Tests in Econometrics. Cambridge: Cambridge University Press.
autorregresivos y de promedios mviles ( o una mezcla de ambos a la vez). Las
formalidades de los procedimientos pueden ser vistas en sus artculos y textos.
Donde los errores (t) siguen: un AR(p), proceso autorregresivo del orden p;
o un MA(p), proceso de promedios mviles de orden p.
4
Breusch, T. 1978. Testing for Autocorrelation in Dynamic Linear Model. Australian Economic Papers, 17
5
Greene, W.H., 1999. Anlisis Economtrico. PRENTICE HALL IBERIA. Madrid. Tercera Edicin
ejemplo 13.6). Obtener los residuos con LIMDEP, es trivial, slo requiere aadir al
comando REGRESS, simplemente ;RES=<nombre>.
2c=T*R2~ 2p.
6
Box, G., & D. Pierce, 1970. Distribution of Residual Autocorrelations in Autoregressive Moving Average
Time Series Models. Journal of American Statistical Association, 65
7
Ljung, G. and G. Box,1979. On a Measure of Lack of Fit in Time Series Models. Biometrika, 66, 265
270.
En la figura el Chi calculado es 8.64 y Chi de tabla con 99% de confianza y
con 3 grados de libertad (p=3) es de 11.34 y se rechaza la hiptesis nula de
ausencia de autocorrelacin, si se disminuye a un 95% el nivel de confianza no se
podra rechazar la hiptesis nula.
L t t j
Q = Tr ~ 2 t = j +1
2
j L , donde r j = T
j =i
t =1
t
2
L r j2
QLB = T [T + 2] ~ 2L.
j =1 Tj
5.3. Correlograma
6) PROCEDIMIENTOS ITERATIVOS.
Suponga que se sigue un proceso AR1 como. La matriz para este modelo
esta dada por:
1 2 L T 1
2 1 L T 2
E (UU ') =
L L L L L
T 1
T 2 T 3 L 1
Su inversa por.
1 0 L 0
1 + 2 L 0
1
1 =
1 2 L L L L L
0 0 0 L 1
Considrese la matriz de transformacin de orden T-1 x T:
1 0 L 0 0
0 0 L 0 0
=
L L L L L L
0 0 0 L 1 T 1,T
1 1
L( ) = exp ( ' )
(2 )
2 T /2
2
2
ln L(U )
T
2
(
ln 2 + 1 2 ) 1
2 2
( ' )
6.2. Correccin
8
Johnston, J. 1989. Mtodos Econometra. Editorial Vicens-Vives. Barcelona
(3) (Yt - Yt-1) = [ (1-) + (Xt - Xt-1)+ (ut - ut-1)]
Donde *=(1-), Y*=(Yt - Yt-1), X*=(Xt - Xt-1) y t =(ut - ut-1). Ntese que con la
transformacin t ~N(0, 2)
El estimado
El estimado inicial
El estimado final
El t calculado del
El estimado inicial
El estimado final
El t calculado del
/* Metodo de Cochrane-Orcutt */
?Estimacin inicial
REGRESS; LHS= GNP; RHS=ONE, MONEY, INTEREST;
AR1; ALG=CORC; ; RES=EC$
PLOT; RHS= EC; LHS=YEAR$
IDENTIFY ; Rhs = EC ; Pds = 5$
?Transformacin
Create ; GNPR=GNP-RHO*GNP[-1]
; MONEYR=MONEY -RHO*MONEY[-1]
; INR=INTEREST-RHO*INTEREST[-1]$
?Estimacin Corregida
REGRESS; LHS= GNPR; RHS=ONE, MONEYR, INR;
AR1; ALG=CORC; RES=E2$
PLOT; RHS= E2; LHS=YEAR$
IDENTIFY ; Rhs = E2 ; Pds = 5$
/* Metodo de Maximoverosimilitud */
?Estimacin inicial
REGRESS; LHS= GNP; RHS=ONE, MONEY, INTEREST;
AR1; ALG=MLE; RES=EML$
PLOT; RHS= EML; LHS=YEAR$
IDENTIFY ; Rhs = EML; PDS=5$
?Transformacin
Create; GNPR=GNP-RHO*GNP[-1];
MONEYR=MONEY -RHO*MONEY[-1];
INR=INTEREST-RHO*INTEREST[-1]$
?Estimacin Corregida
REGRESS; LHS= GNPR; RHS=ONE, MONEYR, INR;
AR1; ALG=MLE;RES=E3$
PLOT; RHS= E3; LHS=YEAR$
IDENTIFY ; Rhs = E3 ; Pds = 5$
7) DATOS AUTOCORRELACIN
Reset$
? GNPM1.DAT
DATES ; 1966 $
PERIOD ; 1966 - 1985 $
8) Bibliografa