Documentos de Académico
Documentos de Profesional
Documentos de Cultura
CONTENIDO
INTRODUCCIÓN
Introducción
1.1 Naturaleza de la Autocorrelación
•En general, la relación entre dos o más
1.2 Consecuencias fenómenos o variables se puede
1.3 Pruebas para detectar la expresar:
autocorrelación
1.4 Soluciones posibles a la Autocorrelación
Variables
Variable
Y=f(X2,X3,..XK) explicativas
dependiente
1
Para comprender los supuestos del Modelo lineal
clásico, se debe distinguir entre la Función de 2000
Regresión Poblacional (FRP) y la Función De Regresión Ejemplo: Se desea
Muestral (FRM) efectuar el análisis 1800
del comportamiento
Recordemos: El objetivo del análisis de regresión es de los gastos en
1600
E(Y/Xi) Gráficamente: u
m
o 800
Es decir el promedio de Y para cada nivel (
de la(s) variable(s) explicativa(s) X B
s
600
.
Por lo tanto: ) 400
0 400 800 1200 1600 2000 2400 2800
De donde:
( (
B 600 B 600
s s
.
) 400 Yi Yˆi ei .
) 400
Yi ˆ1 ˆ2 Xi ei
0 400 800 1200 1600 2000 2400 2800 0 400 800 1200 1600 2000 2400 2800
2
Supuestos:
MCO: Hacer mínima la suma de cuadrados
de los errores de estimación, es decir:
2. Los valores de las variables
Min ei2 Min (Yi Yˆi) 2 explicativas son fijos en el
muestreo repetido
MCO dará las mejores estimaciones si se
cumplen los siguientes supuestos: Por tanto el análisis de regresión
es un análisis condicional.
1.El modelo es lineal en los
parámetros
Yi 1 2 X 2i .... k X ki U i
2000
Ingreso (Bs.)
O lo que es lo mismo:
f(u) Consumo
1 0 ... 0 2 0 ... 0
0 E[UU ' ] 0
2
2 0 1 ... ... 0
E[UU ' ] 1 ... ...
... ... ... ... ... ...
0
0
0 ... 2 0 ... 2
3
6. La cov[X,u)=0.
7. El número de observaciones debe ser
La variable X y U no están correlacionadas
mayor al número de parámetros a estimar
(no se influyen)
En el siguiente ejemplo este supuesto no se cumple 8. No existe multicolinealidad
f(u) Consumo
X
iv) X es un conjunto de números fijos
v) Rango de X =K< n
Por tanto: U N (0, 2 In) vi) U N( 0, 2)
2000
Yi
FRP: E[Y/Xi]= 1+1800 ei 1.1 NATURALEZA DE LA AC Y SUS CONSECUENCIAS
2Xi
^Y Ui Nos ocuparemos del incumplimiento:
Ui = Yi- E[Y/Xi]=
1600 i E[UU’]= ² In
1400 2 0 ...
0
No confundir: 0 2 ...
0
C 1200
o
E[UU ' ]
n ... ... ... ...
Yˆi ˆ1 2 Xi : FRM
s 1000 0 2
...
u 0
m
De donde: o 800
Que expresa el doble supuesto:
(
Yi Yˆi ei B
s
600 •Homoscedasticidad: E[Ui2] = ² (Constante)
.
Yi ˆ1 ˆ2 Xi ei) 400 •No Autocorrelación: E[Ut Ut+s] = 0 ; s0
0 400 800 1200 1600 2000 2400 2800
Ingreso (Bs.)
4
Qué significa? Autocorrelación: Correlación existente entre los miembros
de una serie de observaciones ordenadas en el tiempo, si
se trata de datos temporales, o en el espacio si se trata
No Autocorrelación: E[Ut Ut+s] = 0 ; s0 de datos de corte transversal.
Ut Ut
Ut
t t
t
No Autocorrelación
Ut Ut
Ut
t t
t
Autocorrelación positiva
5
1.1 NATURALEZA DE LA AC Y SUS CONSECUENCIAS
1.2 Consecuencias de la Autocorrelación
La forma más usual de AC es la de primer orden,
AR(1), es decir: i) Los estimadores de MCO siguen siendo insesgados
Ut=Ut-1+t y consistentes, pero ya no son eficientes, para
Donde:||<1 ; -1<<1 ningún tipo de muestra (grande o pequeña).
ii) S2 estimador de u² subestima el valor de la
E[t]=0 y Var[t]= 2 y E[t t+s]=0 varianza. Recordemos que la matríz de varianzas y
covarianzas del estimador mínimo cuadrático es:
Que se conoce como: Var[ˆ ] 2 ( X ' X ) 1
Esquema autorregresivo de Markov O en el caso del modelo de dos variables:
En general, se puede suponer que la dependencia 2
temporal se extiende hasta p retardos, es decir: Var[ ˆ1 ] Var[ ˆ2 ] 2
X i
2
1.3 PRUEBAS PARA DETECTAR AUTOCORRELACIÓN 1.3 PRUEBAS PARA DETECTAR AUTOCORRELACIÓN
1.3.1 Método gráfico 1.2.1 Método gráfico
También puede utilizarse la Función de Autocorrelación y el gráfico
de la Función de autocorrelación, es decir, de las correlaciones Gráfico de la Función de autocorrelación, en SPSS, es el
sucesivas de los residuos.
siguiente:
Con los datos de AL Autocorrelaciones
En SPSS, la salida Serie:Unstandardized Residual
Retardo Estadístico de Box-Ljung
Analizar
2 ,219 ,176 4,344 2 ,114
T k 3 ,085 ,173 4,585 3 ,205
(e e )(e
t t k e) 4
5
,010
-,058
,169
,165
4,588
4,713
4
5
,332
,452 Predicciones
̂ k t 1
T
6 -,082 ,162 4,967 6 ,548
(e e ) Autocorrelaciones
2 7 -,112 ,158 5,466 7 ,603
t 8
dimensio
-,366 ,154 11,094 8 ,196
t 1
n1
(Versión 17)
12 -,088 ,138 17,561 12 ,130
13 ,055 ,134 17,732 13 ,168
14 ,003 ,129 17,733 14 ,219
15 -,040 ,124 17,835 15 ,271
16 -,085 ,120 18,340 16 ,304
a. El proceso subyacente asumido es la independencia (ruido blanco).
b. Basado en la aproximación chi cuadrado asintótica.
6
1.3 PRUEBAS PARA DETECTAR AUTOCORRELACIÓN 1.3 PRUEBAS PARA DETECTAR AUTOCORRELACIÓN
1.3.2 Prueba de Von Neumann 1.3.2 Prueba de Von Neumann 2 2
E 2
Prueba para autocorrelación: Ut=Ut-1+t S2 S N 0,1
• Por tanto: Z
2
• Ho: No Autocorrelación H1: Autocorrelación Var 2
S
• Estadístico de prueba:
2
(e e
t t 1 )2
N(0. 1)
n 1
S 2
(e e )
t
2
n AC + NO AC AC -
• Para muestras suficientemente grandes:
2 2 2
N E 2 ,Var 2
S2 S S 0.025 0.025
-1.96 0 1.96 z
2 2n 2 4n 2 (n 2)
E 2 ;Var 2 Toma de decisión: Contrastando el valor observado con el
S n 1 S (n 1)(n 1)
3
valor teórico para un valor dado de nivel de significación.
1.3 PRUEBAS PARA DETECTAR AUTOCORRELACIÓN 1.3 PRUEBAS PARA DETECTAR AUTOCORRELACIÓN
1.3.3 Prueba Durbin-Watson
1.3.3 Prueba Durbin-Watson
Se basa en los siguientes supuestos: • Ho: No Autocorrelación H1: Autocorrelación
• La AC se genera mediante el esquema • Estadístico de prueba:
autorregresivo de primer orden: Ut=Ut-1+t
d
(e e
t t 1 )2
• El modelo incluye el término independiente o
e
2
intercepto t
1.3 PRUEBAS PARA DETECTAR AUTOCORRELACIÓN 1.3 PRUEBAS PARA DETECTAR AUTOCORRELACIÓN
1.3.3 Prueba Durbin-Watson 1.3.3 Prueba Durbin-Watson Tabla:
Gráficamente:
AC + In NO AC In AC -
0 dl du 2 4-du 4-dl 4
• 0 < d < 4
• Sin AC los valores de d estarán próximos a 2
7
1.3 PRUEBAS PARA DETECTAR AUTOCORRELACIÓN 1.3 PRUEBAS PARA DETECTAR AUTOCORRELACIÓN
1.3.3 Prueba Durbin-Watson 1.3.3 Prueba de Durbin-Watson
Tabla: al 1%
• Ho: No Autocorrelación H1: Autocorrelación
• Estadístico de prueba:
d
(e e )
t t 1
2
(e e )t
2
AC + In NO AC In AC -
1.3 PRUEBAS PARA DETECTAR AUTOCORRELACIÓN 1.3 PRUEBAS PARA DETECTAR AUTOCORRELACIÓN
1.3.3 Prueba Durbin-Watson 1.3.3 Prueba Durbin-Watson
Para modelos que incluyen valores rezagados de la
Se puede utilizar la aproximación a variable dependiente se utiliza el estadístico h de
d
la normal si la muestra es grande: n 1 N 0,1 Durbin (d tiende a 2).
2
N(0. 1) h ˆ
n
1 nS 2ˆy ( 1)
; donde : ˆ 1 d
2
AC + NO AC AC - Ejemplo: Yt 1 2 X t 3Yt 1 U t Modelo Autorregresivo
Procedimiento:
1.3 PRUEBAS PARA DETECTAR AUTOCORRELACIÓN 1.3 PRUEBAS PARA DETECTAR AUTOCORRELACIÓN
1.3.3 Prueba Durbin-Watson
1.3.4 Prueba Breusch-Godfrey (BG)
Para muestras grandes h N(0, 1)
h ˆ
n Se puede utilizar para probar:
Nota importante: 1 n *Var ( 3 ) •Modelos autorregresivos de primer orden AR(1)
•Modelos de promedios móviles de términos de error
No se puede realizar la prueba h cuando: de ruido blanco
n *Var[ ˆ3 ] 1
Por qué????? Esta prueba se conoce como:
Cuando esto sucede se utiliza otro procedimiento. Se
estima el modelo:
Prueba de Multiplicador de Lagrange o Prueba ML
et et 1 1Yt 1 2 X t U t
Se prueba la significación estadística de
8
1.3 PRUEBAS PARA DETECTAR AUTOCORRELACIÓN 1.3 PRUEBAS PARA DETECTAR AUTOCORRELACIÓN
1.3.4 Prueba Breusch-Godfrey (BG)
1.3.4 Prueba Breusch-Godfrey (BG)
Sea el modelo: Yt 1 2 X t U t
Sea el modelo: Yt 1 2 X t U t Ho: 1 2 3 ..... p 0 (No Autocorrelación)
H1: Por lo menos uno diferente de 0
Suponiendo que el término de error sigue un esquema
AR(p), es decir: (n-p) R22(p) (asintóticamente)
consumo opara
H1: Por lo menos uno diferente de 0
A.L.: Test Equation:
Dependent Variable: RESID
Method: Least Squares
9
1.3 PRUEBAS PARA DETECTAR AUTOCORRELACIÓN 1.3 PRUEBAS PARA DETECTAR AUTOCORRELACIÓN
1.3.5 Prueba de secuencias o rachas 1.3.5 Prueba de las secuencias o rachas
Ejemplo: Tabla:
+ + - + + - - - + + - + + + + - -
N1= 10 Número de signos positivos
N2= 7 Número de signos negativos
N= 17 Total signos
n = 8 Número de secuencias
AC + NO AC AC -
2 5 8 14 17
1.3 PRUEBAS PARA DETECTAR AUTOCORRELACIÓN 1.3 PRUEBAS PARA DETECTAR AUTOCORRELACIÓN
1.3.5 Prueba de las secuencias o rachas 1.3.5 Prueba de secuencias o rachas
Tabla: Si N1> 10 y N2> 10 (más de 20 observaciones)
n N En,Var n
2 N1 N 2 (2 N1 N 2 N1 N 2 )
Donde: En 1;Var n
2 N1 N 2
•
N1 N 2 ( N1 N 2 ) 2 ( N1 N 2 1)
• Por tanto:
n En
Z N 0,1 N(0. 1)
Var n
AC + NO AC AC -
0.025 0.025
-1.96 0 1.96 z
10
1.4 SOLUCIONES POSIBLES A LA AUTOCORRELACIÓN 1.4 SOLUCIONES POSIBLES A LA AUTOCORRELACIÓN
ii) Utilizando el estadístico de D-W
Para corregir el modelo es necesario estimar
Recordemos que: d
(e e ) t t 1
2
d
et et21 2 et et 1
2
1º Correr la regresión: et
2
ˆ
et et 1
d 2(1 ˆ ) ˆ 1 d
e 2
2
t
Se detiene el proceso iterativo cuando el valor Se utiliza cuando tiene valor próximo a 1
estimado de difiere de las anteriores estimaciones
por menos de 0.01 o 0.005 Si = 0 No existe AC
En SPSS: Si = +1 Existe AC perfecta (positiva o negativa)
Analizar Series temporales autorregresión Sea = 1 en el modelo de dos variables:
Yt 1 1 2 X t 1 U t 1
Si No existiese el módulo de Series temporales se (Yt Yt 1 ) (1 ) 1 2 ( X t X t 1 ) (U t U t 1 )
puede crear un archivo de Sintaxis (programa) con la Yt* 1* 2 X t* t*
siguiente instrucción:
(Yt Yt 1 ) (0) 1 2 ( X t X t 1 ) t
AREG consumo WITH PIB / METHOD=C0/
CONSTANT/ RHO=0. Yt 2 X t t
Correr el modelo de las primeras diferencias de la variable
dependiente en función de la primera diferencia de las
variables explicativas sin intecepto
11
1.4 SOLUCIONES POSIBLES A LA AUTOCORRELACIÓN 1.4 SOLUCIONES POSIBLES A LA AUTOCORRELACIÓN
v) Método de la primera diferencia vi) Método de la primera diferencia
Dado que se supone que = 1 Prueba Berenblutt-Web
Este método es válido si: Ejemplo: g=0.35
• El coefic. de autocorrelación es cercano a 1 (>0.8)
• d es muy bajo (AC+ de primer orden alta)
Maddala: Si d < R2 AC + In NO AC In AC -
Este método es válido si =1. Existe una prueba para
probar este supuesto. 0 0.35 1.201 1.411 2 2.589 2.799 4
Ho: =1 H1: 1 (Prueba Berenblutt-Web) • n = 20; k’=1 (Si el modelo original tiene intercepto)
e (mod .dif )
2
Estadístico: g t • Puesto que g < 1.201 (límite inferior)
e (mod .MCO)
2
t Al 5%, No se rechaza Ho: =1, en consecuencia la
Se obtiene el valor de g y se compara con los valores transformación en diferencia bajo este supuesto puede ser
críticos de la tabla D-W adecuada
Ut Ut 1 t
/CONSTANT
Si:
Coeficientes de regresión
/CONSTANT /CONSTANT Deuda Pública
Exportaciones Externa Suma de
(millones de (millones de cuadrados Constante
Rho (AR1) $US) $US) Constante ajustada Marquardt
12
Método de Newey-West
Eviews: Options
13