ANALISIS DE AUTOCORRELACIÓN

Se dispone de la siguiente información acerca de la producción agraria anual

Año PRODUC EMPLEADOS FINANC MQAGRIC

1957 172200.0 1179.000 1636.000 38079.00
1958 211710.0 1018.000 2142.000 44511.00
1959 220160.0 909.0000 2135.000 52756.00
1960 222370.0 930.0000 3057.000 64143.00
1961 249610.0 1668.000 4214.000 80191.00
1962 281670.0 1647.000 5640.000 105390.0
1963 319760.0 2096.000 69048.00 133490.0
1964 320110.0 2264.000 62048.00 157980.0
1965 341030.0 2170.000 73876.00 185180.0
1966 386330.0 2769.000 84599.00 218230.0
1967 403540.0 2976.000 99050.00 254800.0
1968 433630.0 3029.000 124050.0 292210.0
1969 462300.0 3480.000 144850.0 332450.0
1970 471830.0 3642.000 158490.0 363680.0
1971 535650.0 4151.000 176786.0 398770.0
1972 578840.0 4708.000 196320.0 438290.0
1973 675400.0 5614.000 235340.0 480110.0
1974 813020.0 6095.000 281960.0 523490.0
1975 917140.0 6660.000 319250.0 566950.0
1976 1016000. 6850.000 372840.0 606070.0
1977 NA 6860.000 381030.0 701040.0

1. Se propone el siguiente modelo para la producción total agraria

yt = 0 + 1 x3t + t

donde Yt : Producción total agraria

X3t: Financiación pública y privada del sector (FINANC)

Obteniéndose los siguientes resultados por MCO

Dependent Variable: Y
Method: Least Squares
Date: 12/05/01 Time: 15:14
Sample(adjusted): 1957 1976
Included observations: 20 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C 197998.0 11469.56 17.26291 0.0000
X3 2.098323 0.069917 30.01154 0.0000
R-squared 0.980407 Mean dependent var 451615.0
Adjusted R-squared 0.979318 S.D. dependent var 241154.3
S.E. of regression 34680.61 Akaike info criterion 23.84039
Sum squared resid 2.16E+10 Schwarz criterion 23.93996
Log likelihood -236.4039 F-statistic 900.6924
Durbin-Watson stat 0.801647 Prob(F-statistic) 0.000000
 8
Series: Residuals
Sample 1957 1976
Observations 20
6
Mean 5.75E-11
Median -5190.772
Maximum 71837.48
4
Minimum -58731.14
Std. Dev. 33755.63
Skewness 0.349618
2 Kurtosis 2.390372

Jarque-Bera 0.717148
Probability 0.698672
0
-75000 -50000 -25000 0 25000 50000 75000

Autocorrelograma

Prueba de Breusch - Godfrey

Breusch-Godfrey Serial Correlation LM Test:

F-statistic 3.917184 Probability 0.041241
Obs*R-squared 6.574010 Probability 0.037366

Test Equation:
Dependent Variable: RESID
Method: Least Squares
Date: 12/05/01 Time: 15:18

Variable Coefficient Std. Error t-Statistic Prob.

C -84.24161 10080.81 -0.008357 0.9934
X3 0.006877 0.064244 0.107043 0.9161
RESID(-1) 0.632223 0.250575 2.523086 0.0226
RESID(-2) -0.089599 0.282255 -0.317439 0.7550
R-squared 0.328700 Mean dependent var 5.75E-11
Adjusted R-squared 0.202832 S.D. dependent var 33755.63
S.E. of regression 30138.47 Akaike info criterion 23.64185
Sum squared resid 1.45E+10 Schwarz criterion 23.84100
Log likelihood -232.4185 F-statistic 2.611456
Durbin-Watson stat 1.966296 Prob(F-statistic) 0.087161

a) ¿Qué problemas encuentra en la regresión con los resultados obtenidos?,

¿Tendría problemas si pretendiera efectuar mediciones con los resultados
obtenidos en la estimación por MCO?. Justifique.

Luego de analizar los resultados se concluye que el modelo tiene problemas de

perturbaciones autocorrelacionadas.
DW = 0.801647 Valores críticos al 5% son DL = 1.20 DU=1.41
QLB=7.007 prob= 0.008 Existe correlación de primer orden significativa

Si pretendiéramos hacer mediciones con los resultados de MCO tendríamos

problemas al realizar análisis de significancia ya que los estimadores son poco
eficientes y obtendríamos además predicciones con intervalos muy amplios. Pero
el mayor problema es que las varianzas de los estimadores obtenidas como
resultado de MCO asumen no correlación, por lo que no corresponden a la
verdadera varianza de los estimadores.

b) ¿Qué solución plantearía Ud. Para solucionar el problema encontrado?

Estimar el modelo incluyendo la estructura de autocorrelación.

Dependent Variable: PRODUC

Method: Least Squares
Date: 06/04/10 Time: 19:26
Sample(adjusted): 1958 1976
Included observations: 19 after adjusting endpoints
Convergence achieved after 8 iterations
Variable Coefficient Std. Error t-Statistic Prob.
C 211892.3 27637.56 7.666826 0.0000
FINANC 2.053196 0.128486 15.97996 0.0000
AR(1) 0.606332 0.209225 2.897989 0.0105
R-squared 0.986701 Mean dependent var 466321.1
Adjusted R-squared 0.985038 S.D. dependent var 238370.7
S.E. of regression 29157.09 Akaike info criterion 23.54272
Sum squared resid 1.36E+10 Schwarz criterion 23.69185
Log likelihood -220.6559 F-statistic 593.5336
Durbin-Watson stat 1.723690 Prob(F-statistic) 0.000000
Inverted AR Roots .61

Luego el modelo estimado es:

Produc = 211892.3 +2.053196 Financ + et

et = 0.606 et-1 + vt

Matriz de covarianzas
 C FINANC AR(1)
C 763834462.555 -2701.72868633 1815.12782749
FINANC -2701.72868633 0.0165085680324 -0.00382486585408
AR(1) 1815.12782749 -0.00382486585408 0.0437750893526

2. Se propone el siguiente modelo para la producción total agraria

yt = 0 + 1 x1t + t

donde Yt : Producción total agraria (PRODUC)

X1t: Volumen de trabajadores agrícolas (EMPLEADOS)
Al realizar el ajuste por MCO se obtuvo los resultados siguientes:

Dependent Variable: PRODUC

Method: Least Squares
Sample(adjusted): 1957 1976
Included observations: 20 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C 57961.32 19472.43 2.976584 0.0081
EMPLEADOS 123.2961 5.258464 23.44717 0.0000
R-squared 0.968297 Mean dependent var 451615.0
Adjusted R-squared 0.966536 S.D. dependent var 241154.3
S.E. of regression 44114.93 Akaike info criterion 24.32162
Sum squared resid 3.50E+10 Schwarz criterion 24.42120
Log likelihood -241.2162 F-statistic 549.7699
Durbin-Watson stat 0.776543 Prob(F-statistic) 0.000000

6
Series: Residuals
Sample 1957 1976
5 Observations 20

4 Mean -1.82E-11
Median -5416.766
Maximum 113460.3
3
Minimum -74745.72
Std. Dev. 42938.32
2 Skewness 0.697315
Kurtosis 3.740596
1
Jarque-Bera 2.077896
Probability 0.353827
0
-50000 0 50000 100000
 a) Analice los resultados obtenidos, interprete los estadísticos de Durbin-
Watson y de Ljung – Box, Bera- Jarque.

Luego de analizar los resultados se concluye que el modelo tiene problemas de

perturbaciones autocorrelacionadas.
DW = 0.777 Valores críticos al 5% son DL = 1.20 DU=1.41
QLB = 3.046 prob = 0.046 Existe correlación de primer orden significativa

JB = 2.078 prob = 0.354, No hay incumplimiento del supuesto de

normalidad en las perturbaciones.

b) Luego de aplicar la última iteración con el método de Cochran-Orcutt se

obtuvo los siguientes resultados para el modelo en ecuación de cuasi-
diferencia.

Dependent Variable: PRODUC-0.475*PRODUC(-1)

Method: Least Squares
Date: 12/07/01 Time: 01:56
Sample(adjusted): 1958 1976
Included observations: 19 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C 32753.62 17773.61 1.842824 0.0829
EMPLEADOS-0.475*EMPLEADOS(-1) 124.4441 8.249629 15.08481 0.0000
R-squared 0.930485 Mean dependent var 265913.6
Adjusted R-squared 0.926396 S.D. dependent var 140979.4
S.E. of regression 38247.82 Akaike info criterion 24.04086
Sum squared resid 2.49E+10 Schwarz criterion 24.14028
Log likelihood -226.3882 F-statistic 227.5515
Durbin-Watson stat 1.106989 Prob(F-statistic) 0.000000
Matriz de covarianzas de los coeficientes estimados
C EMPLEADOS-0.475*EMPLEADOS(-1)
3.16E+08 -127511.2
-127511.2 68.05637

Obs Actual Ajustado Residuo Gráfico de residuos

1960 117794. 94754.8 23039.2 | . | *. |
1961 143984. 185353. -41368.9 | *. | . |
1962 163105. 139116. 23989.3 | . | *. |
1963 185967. 196233. -10266.0 | . *| . |
1964 168224. 190599. -22374.5 | .* | . |
1965 188978. 168970. 20007.6 | . | *. |
1966 224341. 249069. -24727.8 | .* | . |
1967 220033. 239421. -19387.8 | .* | . |
1968 241948. 233781. 8167.89 | . |* . |
1969 256326. 286772. -30446.3 | .* | . |
1970 252238. 280273. -28035.4 | .* | . |
1971 311531. 334039. -22508.2 | .* | . |
1972 324406. 373267. -48860.6 | *. | . |
1973 400451. 453088. -52637.4 | *. | . |
1974 492205. 459392. 32813.5 | . | *. |
1975 530956. 501270. 29685.4 | . | *. |
1976 580358. 491517. 88841.7 | . | . *|

b1) Escriba el modelo para la producción agrícola, con los coeficientes de MCG

Modelo en cuasi diferencia:

y t   y t 1   1 (1   )   2 ( x1t   x1t 1 )   t    t 1
y t*   1*   2* x1*t  v t

32753.62
ˆ1*  32753.62 luego ˆ1   62387.8476
1  0.475
ˆ 2*  124.444  ˆ 2

El modelo estimado para la producción agrícola es:

Product = 62387.8476 + 124.444 Empleadost + et

b2) Obtenga la matriz de varianzas y covarianzas para los coeficientes del modelo

 3.16 E  08  127511 .2

V ( ˆ * )  
  127511 .2 68.05637 
 S 2ˆ
*
3.16 E  08
S 2ˆ1  1
2
  1146485261
(1   ) (1  0.475) 2

S ˆ *
ˆ2  127511.2
S ˆ ˆ  1
  242878.4762
1 2
(1   ) (1  0.475)

Luego la matriz de varianzas y covarianzas de los coeficientes del modelo es:

 1146485261  242878.4762
V ( ˆ )  
  242878.4762 68.05637 

b3) Obtenga una predicción puntual e interválica para 1977 si Empleados = 6860
YˆT  h  E (YˆT  h / T )  X T´  h ˆ  ˆ h eT

L  YˆT  h  t1 / 2 X T´  h V ( ˆ ) X T  h   v2 ( ˆ 2( h1)  ˆ 2( h 2 )  ...   2  1)

Predicción puntual

Product = 62387.8476 + 124.444 Empleadost + et

e t  YT  X T´ ˆ

e1976 = 1016000 – ( 62387.8476 + 124.444 (6850)) = 101170.7524

Pr oduc t  62387.8476  124.444(6860)  0.475(101170 .7524)
 964129.795

Predicción interválica
L  YˆT 1  t 1 / 2 X T´ 1 V ( ˆ ) X T 1   v2

 1146485261  242878.4762  1 
X T' 1V ( ˆ ) X T 1   1 6860 
  242878.4762 68.05637  6860
 1016898117

T=20, entonces los grados de libertad = 20-1-2=17; t0.975(17) = 2.11

 L  964129.795  2.11 1016898117  38247.82²
Li  859057.01
Ls  1069202.58

3. Se propone el siguiente modelo para la producción total agraria

yt = 0 + 1 x1t +2 x2t +3 x3t + t

donde Yt : Producción total agraria (PRODUC)

X1: Volumen de trabajadores agrícolas (EMPLEADOS)
X2: Parque de maqinaria agrícola (MQAGRIC)
X3: Financiamiento público y privado (FINANC)

Por MCO se obtuvo los resultados siguientes:

Dependent Variable: PRODUC
Method: Least Squares
Date: 12/07/01 Time: 02:43
Sample(adjusted): 1957 1976
Included observations: 20 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C 166481.1 29797.88 5.587013 0.0000
EMPLEADOS 69.69591 28.65254 2.432451 0.0271
MQAGRIC -0.706170 0.252354 -2.798333 0.0129
FINANC 2.077047 0.433377 4.792704 0.0002
R-squared 0.987467 Mean dependent var 451615.0
Adjusted R-squared 0.985117 S.D. dependent var 241154.3
S.E. of regression 29419.44 Akaike info criterion 23.59356
Sum squared resid 1.38E+10 Schwarz criterion 23.79270
Log likelihood -231.9356 F-statistic 420.2195
Durbin-Watson stat 1.499751 Prob(F-statistic) 0.000000
Matriz de covarianzas de los coeficientes estimados
C EMPLEADOS MQAGRIC FINANC
8.88E+08 -682628.4 79.84679 10867.50
-682628.4 820.9681 -3.924890 -7.373468
79.84679 -3.924890 0.063682 -0.037575
10867.50 -7.373468 -0.037575 0.187815
 10
Series: Residuals
Sample 1957 1976
8 Observations 20

Mean 3.97E-11
6 Median 2553.024
Maximum 63108.35
Minimum -52960.45
4 Std. Dev. 26997.13
Skewness 0.124209
Kurtosis 3.156167
2
Jarque-Bera 0.071750
Probability 0.964761
0
-75000 -50000 -25000 0 25000 50000 75000

White Heteroskedasticity Test:

F-statistic 1.558300 Probability 0.249385
Obs*R-squared 11.67524 Probability 0.232243

a) Realice un análisis completo de los resultados obtenidos e indique que

problemas tendría el modelo.

Luego del análisis de los resultados de este modelo encontramos que es

completamente satisfactorio no hay incumplimiento de supuestos, además de
que tiene un alto poder explicativo (R 2 = 0.987) de la variabilidad de la
producción anual agraria.
Si comparamos con los dos modelos anteriores podemos observar que la
autocorrelación observada en ellos se ha debido a una especificación
insuficiente del modelo para explicar a la producción agraria.

b) Si el modelo estimado por MCO proporciona coeficientes ELIO, obtener una

predicción puntual e interválica para la producción agrícola total de 1977 si
el volumen de empleados fuera de 6860, el parque de maquinaria agrícola
de 701040 y el financiamiento de 381030.