Está en la página 1de 6

Autocorrelacin

La autocorrelacin es un problema que se presenta en una regresin cuando


existe relacin entre los errores de las diferentes observaciones

Para detectar la presencia de autocorrelacin se pueden utilizar mtodos


grficos y contrastes de hiptesis. A travs de los contrastes grficos se
intuir si existe autocorrelacin cuando existan comportamientos sistemticos
para los residuos. Los contrastes de hiptesis, por su parte, permiten, a travs
de una regla de decisin, considerar si con los datos de la muestra y con un
nivel de significacin (a) concreto se debe o no rechazar la hiptesis nula.

Anlisis grfico de los residuos

En el grfico de los residuos, se observa como los residuos muestran un


comportamiento sistemtico. Se observa un comportamiento de rachas tanto
positivas como negativas.

El grfico de los residuos pertenecientes al modelo


Se puede observar que los residuos no se comportan de forma totalmente
aleatoria, aunque no se observa una senda de signos continuamente alternada.
En el panel inferior se encuentra el grfico de residuos estimados versus el
tiempo.
En este grfico se ven claros sntomas de autocorrelacin positiva, pues los
residuos parecen tener una fuerte persistencia. Es decir, cuando la serie
alcanza valores negativos estos tienden a persistir, el mismo ocurre con los
valores positivos.

Contrastes de Autocorrelacin

Prueba de DURBIN-WATSON

La prueba de Durbin-Watson es 1.54, se encuentra en el intervalo que indica que est


en duda la autocorrelacion de primer orden.

Prueba de BREUSCH-GODFREY

0 =
1 =

Vemos en el cuadro (de anexos):

Con un 95% de confianza podemos decir que existe autocorrelacin de orden 2,


entonces podemos concluir que nuestro modelo presenta problemas de
autocorrelacin.

El testo arroja una valor-p de 0.0014, lo cual confirma la existencia de


autocorrelacion.

Para confirmarlo, podemos hacer una breve inspeccin grfica con el correlograma de
los residuos y se observa cmo claramente el primer retardo se sale de las bandas de
confianza. Es decir, presentan estructura autorregresiva.
Correlograma de los residuos

Nos servir para identificar la autocorrelacin de orden (p). Ya que s el


valor estimado se encuentra dentro del lmite, este no es significativamente distinto
de cero para un nivel de confianza del 95%. (Grfica .. de anexos)

El rango del correglama son:

2
= = 0.2425
68

Los valores fuera del rango 0.2425 nos indicara el orden de AR(p). lo cual elegimos
AR(1), AR(4) y AR(5)

Observado los contrastes se concluye que hay autocorrelacion para poder explicar mejor
nuestro modelo trataremos de corregir el modelo usando retardos.

Correccin de la Autocorrelacin:

Para corregir nuestro modelo introduciremos los retardos AR(1), AR(4) y AR(5)
que se salen de la banda de confianza.

Por consiguiente, nuestro nuevo modelo B tiene esta nueva salida.


El indicativo Durbin-watson esta proximo a 2 lo cual indica que no hay autocorrelacion .Por lo que
hacemos un analisis grafica de los residuos del modelo

En este caso los residuos deja de tener rachas pronunciadas y muestra una afinidad
respecto a su media, lo cual parece que no hay autocorrelacion. Para verificar eso se
procede si los residuos del nuevo modelo presentan algn tipo de estructura
autorregresiva. Se observa que los valores estn en la banda de confianza lo cual se
infiere que ya no autocorrelacion.
Para verificarlo haremos un contraste de la autocorrelacin de orden 1 usando
la Prueba de BREUSCH-GODFREY para el modelo B

Segn el test en el grafico (anexo) el p valor es 0.3697 lo cual es mayor que


0.05.Podemos decir que no existe autocorrelacion en el modelo B por lo que se
peude hacer contraste hiptesis a los coeficientes del modelo B.

Contrastes de significancia para los coeficientes del modelo 2

Significancia individual

0 : = 0

1 : 0

Los t estadsticos proporcionan una significancia en la variables excepto en la


variable impuesto que se mermada.

En la significancia global el F estadstico tiene una probabilidad de 0. Por lo que


con una confianza de 95% los coeficientes de la variables explicativas del
modelo B tienen una significancia global .
Test normalidad de los residuos

Para contrastar normalidad en los residuos, utilizamos el test de JARQUE-BERA


disponible en Eviews

Las hiptesis de contraste son las siguientes:

0 : ~
1 : ~

Los resultados obtenidos del contraste indican que aceptamos la hiptesis nula con un
=0.05 de que los residuos se distribuyen como una Normal.

Por otro lado, hay que resaltar que para que se distribuyeran como una Normal el
coeficiente de Asimetra debera ser prximo a cero (Skewness = 0.3717) y el de
apuntamiento debera ser prximo a 3 (Kurtosis = 4.3267) .