Ej Resueltos Autocrrelacion

lOMoARcPSD|8915758
Ejercicios resueltos de Econometría I
Econometría I (Universidad Nacional Federico Villarreal)
StuDocu is not sponsored or endorsed by any college or university

Downloaded by Cesar Cetraro (rodolforojasrodriguez1@gmail.com)
lOMoARcPSD|8915758
Solucionario – Econometría I
1. Habiendo estimado por MCO el siguiente modelo para el consumo:

Ct = 1 + 2 Rt + t ;
se ha detectado autocorrelación de primer orden.
Con la finalidad de corregir este problema, un analista obtiene inicialmente la
siguiente regresión auxiliar: ^ ^ ^ ^ ^
Ct = α 0 + α 1 C t−1 + α 2 Rt + α 3 Rt−1
Explique detalladamente los pasos del procedimiento que el analista ha decidido
aplicar.
Solución
En vista que el modelo presenta perturbaciones de tipo AR(1) al haber estimado el

modelo como Ct = 1 + 2 Rt + t por MCO, los coeficientes estimados pierden
eficiencia y por ende no se podra realizar inferencia con el modelo, ante esto se debe
aplicar una tranformacion al modelo original a fin de corregir la autocorrelacion.
Usando MCG obtendriamos el modelo con informacion completa o modelo de

tranformacion de Prais-Winsten que seria de la forma:
[ ][ ][ ] [ ]
√1− ρ2 C 1 √ 1− ρ2 √1− ρ2 R1 √ 1−ρ2 ε1
C 2−ρ C 1 = 1−ρ R2−ρ R1 β 1 + ε 2−ρ ε 1
… … … β2 …
C T −ρ CT −1 1−ρ RT −ρ R T−1 ε T − ρ ε T−1
Ahora omitiendo la primera fila de la matriz de transformacion T −1 , es decir usando

el modelo con informacion inclompleta o modelo de tranformacion de Cochrane y
Orcut se tendria que el modelo original
Ct = 1 + 2 Rt + t
Se convertiria en
Ct −ρ C t−1=β 1 (1− ρ)+β 2 ( R t− ρ Rt −1 ) +ε t −ρ ε t−1
Ahora despejando Ct
Ct =ρ C t−1 + β 1( 1−ρ)+ β2 ( Rt −ρ Rt −1 ) + ε t −ρ ε t −1
Ct =β 1 (1−ρ ) + ρ Ct −1+ β2 ( Rt −ρ Rt−1 ) + v t
Ct =β 1 (1−ρ ) +ρ Ct −1+ β2 Rt −β 2 ρ Rt −1 + v t
Que puede ser reescrito como
Ct =α 0 +α 1 C t−1 +α 2 Rt −α 3 R t−1 +v t
Que luego de hacer la estimacion por MCO quedaria como:
Ct = α^ 0 + α^ 1 C t−1 + α^ 2 Rt − α^ 3 R t−1

lOMoARcPSD|8915758
Notamos que al haberle dado esta forma al modelo se busca hallar ρ, por lo que
presumimos que inicialmente ρ debe haber sido desconocido. En este modelo
α^ 1=^ρ
Luego reemplazando ^ρ en la ecuacion del modelo en cuasidiferencia tendriamos:
Ct −^ρ C t−1=β 1 (1− ^ρ)+β 2 ( R t− ^ρ Rt −1 ) +ε t −^ρ ε t−1
Lo que se escribira como:
Ct¿ =β 1¿ + β 2¿ Rt¿ + v t
Luego estimando este modelo obtendriamos:
[]
^¿
^β ¿= β1
^β ¿2
En donde:
^
^β ¿1= β 1 ^β ¿2= β^ 2
1−^ρ
Y asi tendriamos el modelo original con sus verdaderos coeficientes estimados, por
MCG (y no por MCO), logrando que si sean eficientes e insesgados.
Solucionado por: Justo Cornejo, Juan Pablo; Morales Ortiz, Renzo; Morillo Torres,
Milagros; Vera Pérez, Carlos
2. Con los siguientes datos sobre la industria del cobre

Año Pc PNB IPI PCBL H PAL
1951 21.89 330.2 45.1 220.4 1491.0 19.00
1952 22.29 347.2 50.9 259.5 1504.0 19.41
1953 19.63 366.1 53.3 256.3 1438.0 20.93
1954 22.85 366.3 53.6 249.3 1551.0 21.78
1955 33.77 399.3 54.6 352.3 1646.0 23.68
1956 39.18 420.7 61.1 329.1 1349.0 26.01
1957 30.58 442.0 61.9 219.6 1224.0 27.52
1958 26.30 447.0 57.9 234.8 1382.0 26.89
1959 30.70 483.0 64.8 237.4 1553.7 26.85
1960 32.10 506.0 66.2 245.8 1296.1 27.23
1961 30.00 523.3 66.7 229.2 1365.0 25.46
1962 30.80 563.8 72.2 233.9 1492.5 23.88
1963 30.80 594.7 76.5 234.2 1634.9 22.62
1964 32.60 635.7 81.7 347.0 1561.0 23.72
1965 35.40 688.1 89.8 468.1 1509.7 24.50
1966 36.60 753.0 97.8 555.0 1195.8 24.50
1967 38.60 796.3 100.0 418.0 1321.9 24.98
1968 42.20 868.5 106.3 525.2 1545.4 25.58
1969 47.90 965.5 111.1 620.7 1499.5 27.18
1970 58.20 982.4 107.8 588.6 1469.0 28.72

lOMoARcPSD|8915758
1971 52.00 1063.4 109.6 444.4 2084.5 29.00

1972 51.20 1171.1 119.7 427.8 2378.5 26.67
1973 59.50 1306.6 129.8 727.1 2057.5 25.33
1974 77.30 1412.9 129.3 877.6 1352.5 34.06
1975 64.20 1528.8 117.8 556.6 1171.4 39.79
1976 69.60 1700.1 129.8 780.6 1547.6 44.49
1977 66.80 1887.2 137.1 750.7 1989.8 51.23
1978 66.50 2127.6 145.2 709.8 2023.3 54.42
1979 98.30 2628.8 152.5 935.7 1749.2 61.01
1980 101.40 2633.1 147.1 940.9 1298.5 70.87
Donde:
Pc: Precio del cobre en USA, promedio en el año ( centavos de dolar por libra)
PNB: Producto Nacional Bruto ( miles de millones)
IPI: Indice de producción Industrial (promedio mensual en el año)
PCBL: Precio del cobre en la Bolsa de metales de Londres
H: Nº de casas construidas por año ( miles de unidades)
PAL: Precio del aluminio, promedio en el año ( centavos de dolar por libra)
a) Estime el modelo
lnPct = 1 + 2 lnIPIt + 3 ln PCBLt + 4 lnHt + 5 lnPALt + t
interprete los resultados
b) Interprete el estadístico de DW y comente sobre la naturaleza de la
autocorrelación
c) Aplique otras pruebas y determine la estructura de autocorrelación de las
perturbaciones.
d) ¿Es posible eliminar la autocorrelación de las perturbaciones?. Justifique su
respuesta.
e) Bajo la estructura de autocorrelación detectada, ¿qué método de estimación es
aplicable?
Solución
a) Estime el modelo
lnPct = 1 + 2 lnIPIt + 3 ln PCBLt + 4 lnHt + 5 lnPALt + t
LS LOG(PC) C LOG(PNB) LOG(IPI) LOG(PCBL) LOG(H) LOG(PAL)
Dependent Variable: LOG(PC)

Method: Least Squares
Date: 06/29/12 Time: 13:20
Sample: 1951 1980
Included observations: 30
Variable Coefficient Std. Error t-Statistic Prob.
C -1.500441 1.003020 -1.495923 0.1472

LOG(IPI) 0.467509 0.165987 2.816541 0.0093
LOG(PCBL) 0.279443 0.114726 2.435745 0.0223
LOG(H) -0.005152 0.142947 -0.036038 0.9715
LOG(PAL) 0.441449 0.106508 4.144737 0.0003
R-squared 0.936090 Mean dependent var 3.721145

Adjusted R-squared 0.925864 S.D. dependent var 0.447149
S.E. of regression 0.121749 Akaike info criterion -1.222692
Sum squared resid 0.370573 Schwarz criterion -0.989159

lOMoARcPSD|8915758
Log likelihood 23.34039 Hannan-Quinn criter. -1.147983

F-statistic 91.54312 Durbin-Watson stat 0.954940
Matrix de covarianzas
C LOG(IPI) LOG(PCBL) LOG(H) LOG(PAL)
C 1.006049 0.047266 -0.023179 -0.137750 -0.019848
LOG(IPI) 0.047266 0.027552 -0.015266 -0.008052 -0.005762
LOG(PCBL) -0.023179 -0.015266 0.013162 0.002528 -0.001897
LOG(H) -0.137750 -0.008052 0.002528 0.020434 0.002565
LOG(PAL) -0.019848 -0.005762 -0.001897 0.002565 0.011344
*Interpretación de coeficientes:
 ^β =−1.50 ⇒ Nos indica el valor autónomo del log del precio del
1
cobre, cuyo valor monetario sería en promedio de 0.22
centavos de dólar, explicado por otras variables no incluidas en
la especificación.
 ^β 2=0.47 ⇒ Nos indica que dado un incremento en el 1% en el

IPI (Índice promedio de producción industrial), se estima que el
promedio del precio interno del cobre en USA se incrementará
en 0.47%, manteniendo todo lo demás constante, es decir
existe una relación directa entre estas dos variables.
 ^β 3=0.28 ⇒ Nos indica que dado un incremento el 1% en el PCBL

(Precio promedio del cobre en la bolsa de metales de Londres),
se estima que el promedio de precio del cobre en USA, se
incrementará en 0.28%, manteniendo todo lo demás constante,
es decir existe una relación directa entre estas dos variables.
 ^β 4=−0.005 ⇒ Nos indica que dado un incremento en el 1% en

el H (Número de casas construidas por año), se estima que el
promedio de precio interno del cobre en USA disminuirá en
0.005%, es decir existe una relación inversa entre estas dos
variables, pero también observamos que este coeficiente no es
significativo (p=0.97), por lo que se recomienda retirar del
modelo.
 ^β 5=0.44 ⇒ Nos indica que dado un incremento en el 1% en PAL

(Precio del aluminio), se estima que el promedio del precio
interno del cobre en USA, se incrementará en 0.44%, es decir
existe una relación directa entre estas dos variables.
 R2=0.936 ⇒ Se dice que el 94% de las variaciones en el

promedio del precio interno del cobre en USA están siendo
explicada por las variables del modelo en su conjunto.

lOMoARcPSD|8915758
Solucionado por: Delgado aragón, Rodrigo; Ibañez Campos, Marcia; Pampas

Ogosi, Liliana Elizabeth; Querhuayo Huamaní, Jessica.
Esta solución ha requerido algunas rectificaciones

lOMoARcPSD|8915758
b) Interprete el estadístico de DW y comente sobre la naturaleza de la

autocorrelación.
*Datos:
 DW =0.954940 ≅ 0.95
 n=30
 k =4
 d l=1.14
 d u=1.74
 4−du =2.26

4−dl =2.86
DW =0.95< d L =1.14
*Interpretando: Con un 5% de significancia, se rechaza la hipótesis

nula, por lo tanto se acepta la hipótesis alternativa, es decir existe
autocorrelación positiva, por lo menos de primer orden.
Además, como sabemos DW =2(1− ^ρ) , de tal forma que

DW
^ρ=1− ≅ 0.525 ,sin embargo este estimador es sesgado y no lo
2
deberíamos emplear para cualquier correción.
Solucionado por: Delgado aragón, Rodrigo; Ibañez Campos, Marcia; Pampas Ogosi,
Liliana Elizabeth; Querhuayo Huamaní, Jessica
c) Aplique otras pruebas y determine la estructura de autocorrelación de las

perturbaciones.
Corremos en eviws la prueba breusch-godfrey:

lOMoARcPSD|8915758
Breusch-Godfrey Serial Correlation LM Test:

F-statistic 9.417751 Probability 0.001028
Obs*R-squared 13.50683 Probability 0.001167
Test Equation:
Dependent Variable: RESID
Date: 07/01/12 Time: 01:10
Presample missing value lagged residuals set to zero.
C -0.552588 0.785758 -0.703255 0.4890
LOG(IPI) -0.036780 0.134421 -0.273620 0.7868
LOG(PCBL) 0.028677 0.095271 0.301008 0.7661
LOG(H) 0.082020 0.112179 0.731149 0.4721
LOG(PAL) -0.017166 0.082432 -0.208239 0.8369
RESID(-1) 0.795135 0.184599 4.307363 0.0003
RESID(-2) -0.489015 0.191703 -2.550900 0.0179
R-squared 0.450228 Mean dependent var 6.82E-17
Log likelihood 32.31415 F-statistic 3.139250
Durbin-Watson stat 1.918606 Prob(F-statistic) 0.021333
Encontramos la presencia de auto correlacion con alta probabilidad.

Y para reconocar la estructura de autocorrelacion corremos las pruebas de los
residuos y escogemos “correlograma Q-statistics.
Prueba de Lunjg y Box
Date: 07/01/12 Time: 02:24

Sample: 1951 1980
Autocorrelation Partial Correlation AC PAC Q-Stat Prob
. |**** | . |**** | 1 0.520 0.520 8.9399 0.003
. *| . | ****| . | 2 -0.076 -0.474 9.1363 0.010
. **| . | . |* . | 3 -0.252 0.093 11.389 0.010
. *| . | . *| . | 4 -0.164 -0.089 12.385 0.015
. *| . | . **| . | 5 -0.151 -0.192 13.256 0.021
. **| . | . **| . | 6 -0.270 -0.230 16.161 0.013
. **| . | . | . | 7 -0.250 -0.028 18.770 0.009
. **| . | ***| . | 8 -0.207 -0.344 20.647 0.008
. *| . | . *| . | 9 -0.154 -0.128 21.737 0.010
. *| . | . **| . | 10 -0.093 -0.248 22.157 0.014
. |* . | . | . | 11 0.102 0.047 22.682 0.020
. |** . | . **| . | 12 0.217 -0.290 25.184 0.014
. |* . | . | . | 13 0.187 -0.016 27.158 0.012
. |* . | . *| . | 14 0.170 -0.102 28.893 0.011
. |* . | . *| . | 15 0.151 -0.069 30.358 0.011
. | . | . **| . | 16 0.055 -0.295 30.565 0.015
Observando la gráfica de correlacion parcial se aprecia que hasta el segundo rezago

tenemos correlacion parcial significativa, podemos concluir que la estructura que nos
lleva a pensar es la adecuada seria un AR(2)
Es decir:

lOMoARcPSD|8915758
ε t =ρ1 ε t −1+ ρ2 ε t−2 +¿ µt ; E ( µ t ) =0 , ; E ( µ12) =❑2
Solucionado por: Colqui Segama, Sally Jasmin; Beraun Tapia, Jose Carlos; Herbas
Pariona,Percy; Perez Condor, Enrique
Esta solución ha requerido alguna rectificación
d) ¿Es posible eliminar la autocorrelación de las perturbaciones?. Justifique su

respuesta.
La autocorrelación en las perturbaciones puede ser eliminada si reformulamos el
modelo incluyen otras variables que sean influyentes en la variabilidad del precio del
cobre y que no han sido incluidas, recordemos que la especificación insuficiente puede
acarrear autocorrelación y heterocedasticidad.
e) Bajo la estructura de autocorrelación detectada, ¿qué método de estimación es

aplicable?
Si la estructura es AR(2) ya no son aplicables los métodos de Praiss Winsten ni
Cochrane Orcutt, puesto que estos han sido diseñados sólo para el caso AR(1).
En este caso aplicaríamos un método de optimización para obtener el estimador de
Mínimos Cuadrados no lineales, incluyendo en la especificación la estructura AR(2),
con lo cual obtenemos el siguiente resultado:
Dependent Variable: LOG(PC)

Date: 07/17/12 Time: 10:48
Sample (adjusted): 1953 1980
Included observations: 28 after adjustments
Convergence achieved after 12 iterations
C -2.197711 1.211249 -1.814417 0.0839

LOG(IPI) 0.440705 0.165082 2.669613 0.0143
LOG(PCBL) 0.291529 0.103733 2.810379 0.0105
LOG(H) 0.102070 0.175678 0.581003 0.5674
LOG(PAL) 0.429664 0.118911 3.613311 0.0016
AR(1) 0.773154 0.187421 4.125223 0.0005
AR(2) -0.531700 0.192073 -2.768223 0.0115

Durbin-Watson stat 1.850812
aplicando la prueba de Breusch y Godfrey
F-statistic 0.049725 Prob. F(3,18) 0.9854

Obs*R-squared 0.000000 Prob. Chi-Square(3) 1.0000

lOMoARcPSD|8915758
Test Equation:
Date: 07/17/12 Time: 11:31
Sample: 1953 1980
Presample missing value lagged residuals set to zero.
C 0.007753 1.306792 0.005933 0.9953

LOG(IPI) -0.007496 0.180716 -0.041477 NA
LOG(PCBL) -0.005236 0.113637 -0.046078 0.9638
LOG(H) -0.001053 0.189372 -0.005559 0.9956
LOG(PAL) 0.019946 0.138315 0.144205 0.8869
AR(1) 0.146442 0.526977 0.277890 0.7843
AR(2) 0.056221 0.520940 0.107921 0.9153
RESID(-1) -0.189721 0.611778 -0.310113 0.7600
RESID(-2) -0.189043 0.596612 -0.316861 0.7550
RESID(-3) -0.062584 0.476490 -0.131343 0.8970

Durbin-Watson stat 1.816702
encontramos que no hay evidencias de correlación entre los residuos.
3. Se ha estimado por MCO la función de producción para la economía española con

datos anuales para el periodo 1964-1977
lnProdt = -1.73 + 0.78 ln Kt + 0.58 ln Lt ; R²=0.831 DW= 0.325

S=1.03 S=0.02 S=10.09
a) ¿Existe autocorrelación positiva?
b) Suponiendo que ut = 0.8 ut-1 + t con t N(0, ²)
Describa detalladamente un procedimiento de estimación para obtener los
estimadores insesgados y eficientes.
Solución
a) ¿Existe autocorrelación positiva?
Usando la tabla de DW, para n=14 k=2 al 5% de significancia obtenemos

los límites:
DL=0.91 4−DU =2.45
DU =1.55 4−DL=3.09
Ho: No existe autocorrelacion
0 . 32 DL 0.91 DU 1.55 4  DU 2.45 4  DL 3.09

0 2 4
Com DW=0.32, décimos que existe autocorrelación positiva, rechazamos la
hipotesis nula y concluímos que el modelo tiene problemas de autocorrelación
em las perturbaciones.

lOMoARcPSD|8915758
Solucionado por: Román Córdova, Willy Javier; Neciosup Quesnay, German
b) Suponiendo que ut = 0.8 ut-1 + t con t N(0, ²)

Describa detalladamente un procedimiento de estimación para obtener los
estimadores insesgados y eficientes.
Como dato adicional la perturbación sigue una estructura de autocorrelación definida

por la siguiente ecuación:
ut =0.8 ut −1 +ε t , con ε t N (0, σ )

2
Es decir, tiene la forma: ut =ρ ut−1 +ε t , −1< ρ<1
con lo cual ε t=u t− ρu t−1
Por lo tanto, sabemos que ε t , cumple con las condiciones de MCO y

buscaremos que el modelo sea reescrito en función de esta perturbación de la
siguiente manera.
Tenemos el modelo de regresión especificado:

lnProdt =β 0 + β 1 ln K t + β 2 lnLt +ut …( 1)
Si lo es para t también para (t-1)

lnProdt −1=β 0 +β 1 ln K t −1+β 2 lnLt −1 +ut −1
Multiplicando por el por ρ :coeficiente de correlaci ó n

β
ρ(¿ ¿ 2lnLt −1)+ ρ ut −1 … (2)
ρ(lnProd t−1 )=ρ β 0+ ρ( β 1 ln K t −1)+¿
Si restamos (2) de (1) tenemos:
lnProdt −1
¿
lnLt −ρ lnLt −1
lnProd t −ρ ¿
Donde:
ε t =ut −ρ ut −1
Expresamos (3) de la siguiente manera:
lnProdt ¿ =β0¿ +β 1¿ ln K t¿ + β 2¿ lnLt ¿ +ε t
El término de error satisface los supuestos de MCO, aplicamos este método a

¿ ¿ ¿
las variables transformadas lnProdt , ln K t , ln K t para obtener estimadores
que sean MELI.
En este proceso de diferenciación se pierde una observación, para evitar esta

perdida la primera observación se transforma de la siguiente manera:
lnProd1 √ 1−ρ2 , ln K 1 √ 1−ρ2 , lnL1 √ 1− ρ2 , lo que equivale a la

lOMoARcPSD|8915758
transformación conocida como transformación Prais-Winsten.
Solucionado por: Tania Rios tarazona, Maribel Violeta Balboa Rojas, Luis Angel
Gutierrez huayhua, Elías Moreno Alfaro, Helber Francisco Huamán Tauccaya,
Meguis Sicha Morales
4. Se ha propuesto el modelo 1 para analizar las relaciones existentes entre la demanda de

dinero (M) y el PIB para España para los 20 últimos años. Dados los resultados de la
estimación en el modelo 1 se ha propuesto un modelo alternativo cuya estimación se
presenta en modelo 2.
a) Determine la causa que ha hecho necesario pasar del modelo 1 al 2.

b) Defina y exponga los pasos que se han realizado para estimar el modelo 2.
c) Defina el significado del coeficiente estimado que acompaña a la variable M t-1 .
Modelo 1
M^ t = -201.8 + 0.14 PIBt R2 = 0.98 DW =0.54 Test de White =0.03
t student (6.48) (29.44)
Modelo 2
M^ t = -103.21 + 0.82 Mt-1 + 0.36 PIBt -0.295 PIBt-1 R2=0.95 DW=2

t student (4.72) (4.68) (4.23)
Solución
a) Determine la causa que ha hecho necesario pasar del modelo 1 al 2.
Análisis de heterocedasticidad
Con los datos del ejercicio, es necesario contrastar la presencia de heterocedasticidad
mediante la prueba de White donde se plantea a través del análisis de los residuos bajo el
supuesto de que la varianza de las perturbaciones depende de alguna manera de las
variables explicativas.
Teniendo en cuenta σ i = E( ε 2i ) ≅ e2i

2
Se estima un modelo auxiliar para ei en función de las variables regresoras, sus
cuadrados y sus productos cruzados de segundo orden:
Sea el modelo: M t = β 1 + β 2 PIBt + ε i

Modelo auxiliar: e i =α 1+α 2 PIB + α 3 PIB
2 2
+ Ui donde ρ=3
Bajo las hipótesis

H 0 : ∃ homocedasticidad
H 1 : ∃ heterocedasticidad
2 2
Estadistica : n R ≅ X ρ−1
donde 0.03 ¿ 5.99

2
Al 5% de significancia se obtiene 0.03 ≅ X 2

lOMoARcPSD|8915758
El valor ji-cuadrado obtenido no excede al valor ji cuadrado critico al nivel de significancia

del 5%, la conclusión es que no hay heterocedasticidad, lo cual quiere decir que en la
regresión auxiliar α 2 = α 3 = 0, entonces la varianza del error es homocedastica e igual
a la constante α 1 .
En el primer modelo el valor de t correspondiente a la variable explicativa PBI es altamente

significativo, mientras que el de la constante no lo es. Por otro lado el modelo es globalmente
significativo teniendo un R2 de 0.98, es decir el modelo explica el 98% de la variabilidad total
de la demanda de dinero.
Análisis de Autocorrelación
La estadística Durbin Watson es 0.54 la cual es más cercano a cero que a dos, este resultado
nos sugiere la presencia de auto correlación positiva de orden 1. Para asegurarnos de esta
afirmación verificamos nuestro valor en la tabla de durbin- Watson.
k=1
n=20
∝=0.05
dl= 1.20 du=1.41
Se rechaza la H0 de ausencia de autocorrelación de orden 1 y se concluye con un nivel de

significancia del 5% que existe autorrelación positiva de orden 1.
Por lo tanto, con lo anterior mencionado, concluimos que el método de Mínimos cuadrados
ordinarios no es el adecuado para obtener las estimaciones ya que estas serán ineficientes y
nos llevaran a conclusiones erróneas. Por lo tanto, los estadísticos t y F pierden validez.
Esto ha sido la causa para pasar del modelo 1 al modelo 2, tener un DW= 0.54 con
significancia positiva con lo cual al estimar por MCO los estimadores serian ineficientes, y al
observar el modelo 2 los problemas de autocorrelación ya no existen ya que DW=2, con lo
cual podríamos obtener estimadores insesgados y óptimos.
b) Defina y exponga los pasos que se han realizado para estimar el modelo 2.
M^ t = -103.21 + 0.82 Mt-1 + 0.36 PIBt -0.295 PIBt-1 R2=0.95 DW=2

t student (4.72) (4.68) (4.23)
Como conocemos las consecuencias de la autocorrelación sobre la falta de eficiencia de los

estimadores de MCO, quizá deseemos corregir el problema.
La solución depende del conocimiento respecto a la naturaleza de la interdependencia entre

las perturbaciones; es decir, conocer la estructura de la autocorrelación.
Consideremos el modelo de regresión de dos variables:
M t = β1 + β2 PIBt + U t

lOMoARcPSD|8915758
Y suponga que el término de error sigue el esquema AR(1), a saber:
U t = ρ U t−1 + ε t donde -1 ¿ ρ<1
Cuando se conoce ρ
Si se conoce el coeficiente del primer orden, el problema de autocorrelación se resuelve muy
fácil. Si es válida en el tiempo t , también lo es para el tiempo ( t−1 ) Por tanto:
M t−1 = β 1 + β 2 PIBt −1 + U t −1
Al multiplicar por ρ en ambos miembros, obtenemos:

ρ M t −1 = ρ β1 + ρ β2 PIBt −1 + ρ U t−1
Si restamos resulta:
( M t - ρ M t −1 ) = β 1 (1 – ρ ) + β 2 ( PIBt – ρ PIBt −1 ) + ε t
Donde ε t = ( U t – ρ U t −1 )
Luego podemos despejar Mt en función de las demás variables, incluido su rezago

M t = β 1 (1 – ρ ) + ρ M t −1 + β 2 PIBt – ρ β2 PIBt −1 ) + εt
Que es el modelo que se habría estimado como modelo 2
c) Defina el significado del coeficiente estimado que acompaña a la variable M t-1 .
El coeficiente que acompaña a Mt-1 tiene um valor de 0.82, vendría a ser el coeficiente ρ
el cual sería el coeficiente de correlación de primer orden en el modelo para las
perturbaciones Ut
De otro lado informa sobre la variación en la demanda de dinero de hoy ante cambios en la
demanda de dinero en un periodo anterior. Si la demanda de dinero en el periodo anterior
aumentara en un sol en el periodo siguiente este variará en 0.82 soles.
Solucionado por: Gonzales López Luz Mery; Leon Villegas Enrique, Ramos Hoyos
Heyner, Quiñones Aicatuiro Katheryn, Alcántara Rufasto Henry.
β β β ut
5. Sea la función de producción
y t =e 0 Lt 1 K t 2 e ,en donde se
cumple
ut = 0.4 ut-1 + t, con E(t) = 0 , V(t) = 2
Se dispone de la siguiente información muestral

lOMoARcPSD|8915758
Ln Yt Ln Lt Ln Kt
35 19 8
37 24 11
40 27 13
42 29 14
42 30 15
44 34 16
46 35 18
46 36 19
a) Plantear el modelo transformado y las expresiones matriciales para

obtener la estimación óptima de 0, 1 y 2 utilizando el método de
Cochrane - Orcutt
b) Se aplicó el método de Cochrane- Orcutt y se obtuvo los siguientes
resultados
[ ] [ ]
13. 1448 6. 4743 −0 .4995 0.3385
¿ ¿
B = 0 . 4014 V (B )= −0. 4995 0.0857 −0 .1197
0. 5305 0 .3385 −0 .1197 0.2043
Obtenga las estimaciones de los coeficientes del modelo original y su
matriz de covarianzas.
c) Comentar las características de la función de producción estimada:
^ ^
rendimientos, significado de β 1 y β 2 y probar el supuesto de la
existencia de rendimientos constantes de escala.
Solución
a) Plantear el modelo transformado y las expresiones matriciales para

obtener la estimación óptima de 0, 1 y 2 utilizando el método de
Cochrane - Orcutt
Modelo transformado
β β β ut
y t =e 0 Lt 1 K t 2 e
Dado el modelo
el modelo linealizado sería Ln Yt=0+1* Ln Lt +2 * Ln Kt +ut ρ =0.4
El modelo transformado de Cochrane- Orcuttc (Modelo de cuasidiferencias) es:
Ln Yt - ρ Ln Yt-1 =0 (1- ρ ¿ +1* (Ln Lt - ρ Ln Lt-1)+2 * (Ln Kt - ρ Ln Kt-1) + t - ρ

t-1
En el problema: Ln Yt*=0*+1* Ln Lt* +2 * Ln Kt * +vt

lOMoARcPSD|8915758
  0.4 1 0 0 0 0 0 0
  0.4 0 
 0 1 0 0 0 0
 0 0  0.4 1 0 0 0 0
 
T  1  0 0 0  0.4 1 0 0 0
 0 0 0 0  0.4 1 0 0
 
 0 0 0 0 0  0.4 1 0
  0.4 1 
 0 0 0 0 0 0
[ ] [] [ ][]
37−0.4∗35 23 24−0.4∗19 16.4
40−0.4∗37 25.2 40−0.4∗37 17.4
42−0.4∗40 26 42−0.4∗40 18.2
Ln Yt*= 42−0.4∗42 = 25.2 Ln Lt*= 42−0.4∗42 = 18.4
44−0.4∗42 27.2 44−0.4∗42 22
46−0.4∗44 28.4 46−0.4∗44 21.4
46−o .4∗46 27.6 46−o .4∗46 22
[ ][]
11−0.4∗8 7.8
13−0.4∗11 8.6
14−0.4∗13 8.8
Ln Kt*= 15−0.4∗14 = 9.4
16−0.4∗15 10
18−0.4∗16 11.6
19−o .4∗18 11.8
 37  0.4*35   1 24  0.4*19 11  0.4*8 

 40  0.4*37   1 27  0.4*24 13  0.4*11 

 42  0.4* 40   1 29  0.4*27 14  0.4*13   0 
   
 42  0.4* 42   1 30  0.4* 29 15  0.4*14  *  1 
 44  0.4* 42   1 34  0.4*30 16  0.4*15    2 
   
 46  0.4* 44   1 35  0.4*34 18  0.4*16 
 46  0.4* 46   1 36  0.4*35 19  0.4*18


lOMoARcPSD|8915758
 23  1 16.4 7.8 
 25.2   1 17.4 8.6 
   
 26   1 18.2 8.8    0 
     
 25.2   1 18.4 9.4  *  1 
 27.2   1 22 10    2 
   
 28.4   1 21.4 11.6 
 27.6   1 22 11.8 
   
Ln Yt - ρ Ln Yt-1 =0 (1- ρ ¿ +1* (Ln Lt - ρ Ln Lt-1)+2 * (Ln Kt - ρ Ln Kt-1)
b) Se aplicó el método de Cochrane- Orcutt y se obtuvo los siguientes

resultados
[ ] [ ]
13. 1448 6. 4743 −0 .4995 0.3385
¿ ¿
B = 0 . 4014 V (B )= −0. 4995 0.0857 −0 .1197
0. 5305 0 .3385 −0 .1197 0.2043
Obtenga las estimaciones de los coeficientes del modelo original y su

matriz de covarianzas.
 0   0 (1   )
 0* 1  1
0  1 0.4014
1 
13.1448  2   2
0  21.907933
1  0.4  2 0.5305
Modelo : ln Yt 21.9079  0.4014* LnLt  0.5305*ln K t  vt

Matriz
 17.9842  0.8325 0.5642 

V (  )   0.8325 0.0857  0.1197 
 0.5642  0.1197 0.2043 
c) Comentar las características de la función de producción estimada:

^ ^
rendimientos, significado de β 1 y β 2 y probar el supuesto de la
existencia de rendimientos constantes de escala

lOMoARcPSD|8915758
Modelo : ln Yt 21.9079  0.4014* LnLt  0.5305*ln K t  vt

Yt a 21.9079  0.4014* Lat  0.5305* K ta
Interpretaciones:
ˆ 1 0.401424 ,indica que si el nivel de trabajo aumenta en 1%, el nivel de

producción se incrementa en 0.401424%, es decir nos indica la elasticidad del
LnYt
producto-empleo, LnLt =0.401424.
ˆ2 =0.5305, indica que si el nivel de capital aumenta en 1 % entonces el nivel de la

producción se incrementara en 0.5305%, es decir nos indica la elasticidad del
LnYt
producto-capital, LnKt =0.5305
yt e21.908 L0.4014
t K t
0.5305 ut
e
Modelo original:
Para probar los rendimientos de escala multiplicamos por “t”
t n yt e 21.908 (tL0.4014
t )(tKt0.5305 )eut
t n yt e 21.908 (t 0.40140.5305 ) L0.4014
t K t0.5305eut
t n yt e 21.908 (t 0.93 ) L0.4014
t K t0.5305eut
n 0.93
La hipótesis de rendimientos constantes a escala postula que la suma de las
elasticidades trabajo y capital debe ser igual a la unidad; si la suma supera la unidad
se habla de rendimientos crecientes a escala
Como el n=0.93 se podría afirmar la existencia de rendimientos constantes de escala
pues 0.93 se acerca a 1 , pero es necesario realizar el test de Wald:
1. -Planteamiento de hipótesis:

lOMoARcPSD|8915758
 
H 0 :  1   2 1
 
H1 :  1   2 1
2.-Estadístico
Utilizamos la prueba t
Utilizando la ratio “t” podemos computar la hipótesis:
( β^ 1 + β^ 2)−1
=t n−k
DT ( β^ 1 + β^ 2 )
 0.401424  0.5305  1  0.01681  t

5
4.0503
Donde β1 y β2 son respectivamente las elasticidades capitales y del trabajo obtenidas

en la regresión y la desviación típica de la suma queda:
√
DT ( β^ 3 )=DT ( β^ 1 + β^ 2 )= Var ( β^ 1 )+Var ( β^ 2 ) +2 Cov ( β^ 1 , β^ 2 )
Para obtener las desviaciones típicas de ambos parámetros β1 y β2 recordamos que:
Así pues:

lOMoARcPSD|8915758
   
DT ˆ3 DT ˆ1  ˆ2  17.9842  0.0857  2*(  0.8325) 4.0503
En nuestro caso n-k=20-3=1, con lo que el contraste queda:
 ˆ  ˆ   1   0.068070  0.01681
1 2
DT  ˆ  ˆ 
1
4.050296
2
3.-Valor Crítico:
T =T (0.975) (8−3 )=T (0.975) (5 )=2.571

(1− α2 ) (n−k )
4.- Decisión
De la grafica
se observa
que con un
95% de nivel
de confianza
el tcalc > t
tab , por lo
que se
acepta la
hipótesis
nula, es
decir la
función de
producción
cumple con
los rendimientos constantes de escala.
Solucionado por: Valencia Ortiz, Stephania; Ramos Torres, Luis; Torres Polanco, Diana;
Barrantes Limahuaya, Jesús; Meza Sales, Richard.
6. Se planteó el modelo It = 0 + 1 Pt + t para la inversión privada bruta (I) y los

beneficios de las empresas (P). Con información recopilada de 1963 a 1994 por
MCO se obtuvo los siguientes resultados
Dependent Variable: I
Date: 12/11/04 Time: 12:19
Sample: 1963 1990
C -19.51625 12.69440 -1.537391 0.1363
P 1.739477 0.125353 13.87662 0.0000
S.E. of regression 16.76535 Akaike info criterion 8.545255

lOMoARcPSD|8915758
Sum squared resid 7308.000 Schwarz criterion 8.640412

Log likelihood -117.6336 F-statistic 192.5607

C 1.243598 7.003423 0.177570 0.8606
P -0.010925 0.069452 -0.157297 0.8763
RESID(-1) 1.162356 0.193073 6.020283 0.0000
RESID(-2) -0.409680 0.198181 -2.067197 0.0497
a) ¿Es válido hacer inferencia con el modelo estimado? Justifique. 2p

b) Se estimó el siguiente modelo alternativo
Date: 12/11/04 Time: 12:52
Sample(adjusted): 1964 1990
Included observations: 27 after adjusting endpoints
C 25.86427 23.58631 1.096580 0.2837
P 1.383736 0.150585 9.189042 0.0000
AR(1) 0.870644 0.087468 9.953901 0.0000
Inverted AR Roots .87

C 4.278928 22.36070 0.191359 0.8500
P -0.041441 0.135807 -0.305146 0.7631
AR(1) -0.013206 0.095777 -0.137879 0.8916
RESID(-1) 0.626626 0.202860 3.088966 0.0054
RESID(-2) -0.389098 0.232121 -1.676273 0.1078
Matriz de covarianza de los coeficientes estimados

C P AR(1)
C 556.3141 -2.820691 0.951551
P -2.820691 0.022676 -0.002677
AR(1) 0.951551 -0.002677 0.007651
b1) Interprete los coeficientes estimados con este modelo

b2) ¿Es válido hacer inferencia con el modelo estimado? Justifique.

lOMoARcPSD|8915758
b3) Si los estimadores del modelo son ELIO, conociendo que I 90= 208.5, P90 =
131.5 y P91= 113.1, obtener una predicción puntual e interválica para I91. De lo
contrario proponer algún procedimiento alternativo para obtener estimadores
eficientes de los coeficientes del modelo.
Solución
a) ¿Es válido hacer inferencia con el modelo estimado? Justifique.
De las estimaciones observamos que el modelo es globalmente significativo pues el

coeficiente de determinación es 88% y además la prueba F lo respalda; sin embargo,
el intercepto no alcanza significancia, solamente la variable “P” es altamente
significativa. Como el modelo en su forma conjunta y las variables en forma
individual son significativos, se descarta que haya indicios de multicolinealidad.
Además, observando la prueba de Breusch-Godfrey, la probabilidad asociada es

menor a 0,05 por lo que se rechaza la hipótesis nula a favor de la hipótesis alterna, es
decir, la perturbación del modelo sigue una estructura autoregresiva.
La autocorrelación puede deberse a una mala especificación del modelo por lo que no
sería pertinente ni valido hacer inferencia.
c) Se estimó el siguiente modelo alternativo
Date: 12/11/04 Time: 12:52
Sample(adjusted): 1964 1990
Included observations: 27 after adjusting endpoints
C 25.86427 23.58631 1.096580 0.2837
P 1.383736 0.150585 9.189042 0.0000
AR(1) 0.870644 0.087468 9.953901 0.0000
Inverted AR Roots .87

C 4.278928 22.36070 0.191359 0.8500
P -0.041441 0.135807 -0.305146 0.7631
AR(1) -0.013206 0.095777 -0.137879 0.8916
RESID(-1) 0.626626 0.202860 3.088966 0.0054

lOMoARcPSD|8915758
RESID(-2) -0.389098 0.232121 -1.676273 0.1078
Matriz de covarianza de los coeficientes estimados

C P AR(1)
C 556.3141 -2.820691 0.951551
P -2.820691 0.022676 -0.002677
AR(1) 0.951551 -0.002677 0.007651
b1) Interprete los coeficientes estimados con este modelo
Tenemos:
 Inv=25,86+ 1,38 P+ ε t
C=25,86 ; representa la inversión autónoma.
P=1,38 ; representa la sensibilidad de la inversión respecto a los beneficios. Ante un

incremento de 1 u.m. en los beneficios de la empresa, la inversión privada bruta se
incrementa en 1,38u.m.
 ε t =0,8706 ε t−1
Es el esquema autorregresivo de 1er orden.
La perturbación del modelo está en función de un rezago que ante un aumento de éste la
perturbación aumenta en 0,8706.
b2) ¿Es válido hacer inferencia con el modelo estimado? Justifique.
Según el test de Breusch-Godfrey no es válido hacer inferencia pues la probabilidad es

menor que 0,05, por lo que existe autocorrelación.
b3) Si los estimadores del modelo son ELIO, conociendo que I 90= 208.5, P90 = 131.5 y P91=
113.1, obtener una predicción puntual e interválica para I 91. De lo contrario proponer
algún procedimiento alternativo para obtener estimadores eficientes de los coeficientes
del modelo.
No es posible utilizar el modelo para inferir pues se ha presentado un caso de

autocorrelación. Lo que se recomienda es optar por una de las 4 sgtes opciones:
 Averiguar si la autocorrelación es una correlación pura o es el resultado de una

mala especificación del modelo. Debemos tener en cuenta que muchas veces se
observan patrones en los residuos debido a que el modelo está mal especificado,
lo cual quiere decir que, fueron excluidas algunas variables importantes o porque
su forma funcional no era correcta.
 Si estuviéramos en el caso de una autocorrelación pura, podríamos utilizar una
transformación mediante el uso del método de Mínimos Cuadrados Generales
(MCG).
 Para muestras grandes podemos utilizar el método de Newey-West para obtener
los errores estándar de los estimadores MCO que ya se encuentran corregidos
para la autocorrelación.

lOMoARcPSD|8915758
 Por último, de ser posible podemos seguir utilizando el método de MCO.
Solucionado por: Valencia Ortiz, Stephania; Ramos Torres, Luis; Torres Polanco, Diana;
Barrantes Limahuaya, Jesús; Meza Sales, Richard.

Ej Resueltos Autocrrelacion

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Ej Resueltos Autocrrelacion

Cargado por

Copyright:

Formatos disponibles

lOMoARcPSD|8915758

Ejercicios resueltos de Econometría I

Econometría I (Universidad Nacional Federico Villarreal)

StuDocu is not sponsored or endorsed by any college or university

1. Habiendo estimado por MCO el siguiente modelo para el consumo:

En vista que el modelo presenta perturbaciones de tipo AR(1) al haber estimado el

Usando MCG obtendriamos el modelo con informacion completa o modelo de

Ahora omitiendo la primera fila de la matriz de transformacion T −1 , es decir usando

Ct =β 1 (1−ρ ) + ρ Ct −1+ β2 ( Rt −ρ Rt−1 ) + v t

Que puede ser reescrito como

Que luego de hacer la estimacion por MCO quedaria como:

Downloaded by Cesar Cetraro (rodolforojasrodriguez1@gmail.com)

Ct −^ρ C t−1=β 1 (1− ^ρ)+β 2 ( R t− ^ρ Rt −1 ) +ε t −^ρ ε t−1

Lo que se escribira como:

Luego estimando este modelo obtendriamos:

2. Con los siguientes datos sobre la industria del cobre

Downloaded by Cesar Cetraro (rodolforojasrodriguez1@gmail.com)

1971 52.00 1063.4 109.6 444.4 2084.5 29.00

LS LOG(PC) C LOG(PNB) LOG(IPI) LOG(PCBL) LOG(H) LOG(PAL)

Dependent Variable: LOG(PC)

Variable Coefficient Std. Error t-Statistic Prob.

C -1.500441 1.003020 -1.495923 0.1472

R-squared 0.936090 Mean dependent var 3.721145

Downloaded by Cesar Cetraro (rodolforojasrodriguez1@gmail.com)

Log likelihood 23.34039 Hannan-Quinn criter. -1.147983

 ^β 2=0.47 ⇒ Nos indica que dado un incremento en el 1% en el

 ^β 3=0.28 ⇒ Nos indica que dado un incremento el 1% en el PCBL

 ^β 4=−0.005 ⇒ Nos indica que dado un incremento en el 1% en

 ^β 5=0.44 ⇒ Nos indica que dado un incremento en el 1% en PAL

 R2=0.936 ⇒ Se dice que el 94% de las variaciones en el

Downloaded by Cesar Cetraro (rodolforojasrodriguez1@gmail.com)

Solucionado por: Delgado aragón, Rodrigo; Ibañez Campos, Marcia; Pampas

Esta solución ha requerido algunas rectificaciones

Downloaded by Cesar Cetraro (rodolforojasrodriguez1@gmail.com)

b) Interprete el estadístico de DW y comente sobre la naturaleza de la

*Interpretando: Con un 5% de significancia, se rechaza la hipótesis

Además, como sabemos DW =2(1− ^ρ) , de tal forma que

c) Aplique otras pruebas y determine la estructura de autocorrelación de las

Corremos en eviws la prueba breusch-godfrey:

Downloaded by Cesar Cetraro (rodolforojasrodriguez1@gmail.com)

Breusch-Godfrey Serial Correlation LM Test:

Encontramos la presencia de auto correlacion con alta probabilidad.

Prueba de Lunjg y Box

Date: 07/01/12 Time: 02:24

Observando la gráfica de correlacion parcial se aprecia que hasta el segundo rezago

Downloaded by Cesar Cetraro (rodolforojasrodriguez1@gmail.com)

ε t =ρ1 ε t −1+ ρ2 ε t−2 +¿ µt ; E ( µ t ) =0 , ; E ( µ12) =❑2

Esta solución ha requerido alguna rectificación

d) ¿Es posible eliminar la autocorrelación de las perturbaciones?. Justifique su

e) Bajo la estructura de autocorrelación detectada, ¿qué método de estimación es

Dependent Variable: LOG(PC)

Variable Coefficient Std. Error t-Statistic Prob.

C -2.197711 1.211249 -1.814417 0.0839

S.E. of regression 0.096996 Akaike info criterion -1.615986

aplicando la prueba de Breusch y Godfrey

Breusch-Godfrey Serial Correlation LM Test:

F-statistic 0.049725 Prob. F(3,18) 0.9854

Downloaded by Cesar Cetraro (rodolforojasrodriguez1@gmail.com)

Variable Coefficient Std. Error t-Statistic Prob.

C 0.007753 1.306792 0.005933 0.9953

S.E. of regression 0.104336 Akaike info criterion -1.409954

encontramos que no hay evidencias de correlación entre los residuos.

En el problema: Ln Yt=0+1* Ln Lt* +2 * Ln Kt * +vt

 37  0.435   1 24  0.419 11  0.4*8 