Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Unidad temática 5
El problema de la autocorrelación
7.1.- CONCEPTUALIZACIÓN
E(ui , u j ) 0 i j
Debemos distinguir dos casos, dependiendo de la naturaleza de las series. Así, tenemos
“autocorrelación espacial” cuando suponemos que el ordenamiento de los individuos (sea en la
población como en la muestra) responde a algún patrón de comportamiento y dicho patrón
resulta relevante.
Yi ui
Yj u j Cov(ui , u j ) 0 para i j
Yt ut
Yt s ut s Cov(ut , ut s ) 0 para s 0
En término muy generales en presencia de autocorrelación, los EMC a pesar de ser lineales,
insesgados y tener distribución asintótica normal (en muestras grandes) dejan de presentar varianza
mínima respecto a otros estimadores lineales insesgados, por lo tanto, no son eficientes (no son
ELIO) y, en consecuencia, las pruebas “t”, “F” y Chi-cuadrado tienden a resultar no ser válidas.
La autocorrelación en general se refiere a una situación donde el fenómeno se estudia en una serie
en particular (en este caso, la de los residuos o las perturbaciones). O sea, el supuesto de no
existencia de autocorrelación implica:
MG.ITURRARTE, DARÍO 1
Econometría I - Apunte de clase 2020
Autocorrelación E(ui , u j ) 0 i j
u1 , u2 ,..., un
Misma serie desfasada
u2 , u3 ,..., un 1
u1 , u2 ,..., un
Dos series diferentes
v2 , v3 ,..., vn 1
Múltiples son las razones por las cuáles puede existir autocorrelación en los modelos
econométricos. Aquí detallamos las más importantes:
MG.ITURRARTE, DARÍO 2
Econometría I - Apunte de clase 2020
Verdadero modelo: Yt 1 2 . X 2t 3 . X 3t 4 . X 4t ut
Modelo estimado: Yt 1 2 . X 2t 3 . X 3t ut
Entonces: vt 4 . X 4t ut
Verdadero modelo: Yi 1 2 . X i 3 . X i2 ut
Modelo estimado: Yi 1 2 . X i ui
MG.ITURRARTE, DARÍO 3
Econometría I - Apunte de clase 2020
6. Manipulación de los datos: En muchos casos las series económicas se obtienen a partir
de promedios “artificialmente” creados a partir de datos de menor frecuencia temporal
y este fenómeno genera autocorrelación.
Enero Y1 Y
Febr. Y2 Y i
Y
3
Marzo Y3 Y
(-) Yt 1 2 . X t ut
Yt 1 1 2 . X t 1 ut 1
Yt Yt Yt 1 2 .( X t X t 1 ) ut ut 1
MG.ITURRARTE, DARÍO 4
Econometría I - Apunte de clase 2020
8. No estacionariedad: Si Yt es una serie no estacionaria (como la mayoría de las series
económicas), entonces ut presentará un comportamiento autorregresivo.
Yt 1 2 . X t ut E (ut , ut s ) 0 para ( s 0)
Supondremos que t es de comportamiento “White noise”, ruido blanco. Esto implica que:
E ( t ) 0
Error del tipo
Var ( t ) 2
ruido blanco
Cov( t , t s ) 0 s0
MG.ITURRARTE, DARÍO 5
Econometría I - Apunte de clase 2020
2
Var (ut ) E ut2
1 2
2
Cov(ut , ut s ) E (ut , ut s ) s .
1 2
Cor (ut , ut s ) s
2
xt . yt 2
Var ( 2 )
x 2
t x 2
t
Var ( 2 ) AR (1)
2
. 1 2. .
xt .xt 1 2. 2 . xt .xt 2 ... 2. n1. xt .xt n1
x 2
t xt2 xt2 xt2
Podríamos comparar ambas fórmulas de las varianzas del estimador, es decir:
Var ( 2 ) vs Var ( 2 ) AR (1)
Ejemplo:
Si: Yt 1 2 . X t 1 ut y ut .ut 1 t
r 0, 6 0,8
Var ( 2 ) AR (1) 2,8461.Var ( 2 ) MCO
1
Var ( 2 ) MCO .Var ( 2 ) 0,3513.Var ( 2 )
2,8461
Conclusión: El valor usual de MCO subestimará la Var ( 2 ) AR (1) en un 65%
MG.ITURRARTE, DARÍO 6
Econometría I - Apunte de clase 2020
¿Qué características posee entonces el estimador 2 y qué propiedades cumple y deja de
cumplir?
Es lineal
Es insesgado
¿Es óptimo? No. No presenta varianza mínima. No es eficiente. El
EMC eficiente es 2* (Mínimos Cuadrados Ponderados, caso particular
de Mínimos Cuadrados Generalizados)
Donde: “C” y “D” son dos constantes que en la práctica pueden ser ignoradas. Los Estimadores
de Mínimos Cuadrados Generalizados (EMG) son estimadores ELIO y salvo que el coeficiente de
autocorrelación sea igual a cero, MCO no. Existe un teorema, denominado “Teorema de Kruskall”
donde se establecen las CN y CS para que los EMG sean ELIO, cumpliendo entre otras cosas con
Gauss- Markov.
1. 2 no es asintóticamente eficiente. Su consecuencia es que resulta probable que se
obtenga un coeficiente que resulte estadísticamente no significativo aunque en realidad
lo sea.
MG.ITURRARTE, DARÍO 7
Econometría I - Apunte de clase 2020
2
2
u t
subestime 2
n2
2. Las pruebas “t” y “F” dejan de ser válidas y es probable que conduzcan a conclusiones
erróneas respecto a la significancia de los coeficientes de regresión estimados.
2
2 . n 2. .r
1
E ( ) 2
En presencia de Autocorrelación
n2
Donde:
r
x .x t t 1
(Coeficiente de correlación muestral)
x 2
t
2
2
.
1 2. .
xt .xt 1 2. 2 . xt .xt 2 ... 2. n1. xt .xt n1
x 2
t xt2 xt2 xt2 xt2
<
EJEMPLO
Para comparar los errores que se cometen al utilizar MCO en presencia de Autorrelación,
planteemos el siguiente caso, basado en un experimento del tipo Montecarlo.
MG.ITURRARTE, DARÍO 8
Econometría I - Apunte de clase 2020
t t ut =0,7.ut-1+t
0 0,000 uo=5
1 0,464 u1=0,7(5)+0,465=3,964
2 2,026 u2=0,7(3,964)+2,026=4,8008
3 2,455 5,8157
4 -0,323 3,7480
5 -0,068 2,5556
6 0,296 2,0849
7 -0,288 1,1714
8 1,298 2,1180
9 0,241 1,7236
10 -0,957 0,2496
Xt t Yt =1+0,8.Xt+ut
1 3,9640 Y1=1+0,8(1)+3,964=5,764
2 4,8010 7,4008
3 5,8157 9,2157
4 3,7480 7,9480
5 2,5556 7,5556
6 2,0849 7,8849
7 1,1714 7,7714
8 2,1180 9,5180
9 1,7236 9,9236
10 0,2495 9,9295
MG.ITURRARTE, DARÍO 9
Econometría I - Apunte de clase 2020
Y practicamos la regresión muestral correspondiente con esta información:
Si, en tanto, =0
Xt t Yt =1+0,8.Xt+t
1 0,464 2,264
2 2,026 4,626
3 2,455 5,855
4 -0,323 3,877
5 -0,068 4,932
6 0,296 6,096
7 -0,288 6,132
8 1,298 8,698
9 0,241 8,441
10 -0,957 8.043
MG.ITURRARTE, DARÍO 10
Econometría I - Apunte de clase 2020
Podemos apreciar como aumentó la varianza de los errores y con ello, la varianza de cada uno de
los coeficientes de regresión estimados, mostrando como MCO en presencia de autocorrelación
subestima la 2 y la Var ( i )
1. EL MÉTODO GRÁFICO.
Si ut (Perturbaciones, no observables) u t (Residuos, observables)
Si bien no son iguales, u t da pistas sobre el comportamiento de ut
ut
Definimos los residuos estandarizados como: Re set
N (0,1)
Si u t y u RESET (t ) son aproximadamente iguales, es probable que ut no sea aleatoria, y exista
autocorrelación.
MG.ITURRARTE, DARÍO 11
Econometría I - Apunte de clase 2020
Autocorrelación (+)
Vamos a definir como “racha” a una sucesión de eventos o símbolos idénticos. Longitud de
racha es la cantidad de elementos que la componen. Así:
Longitud de racha
(- - - - - - - - - )(+++++++++)(- - - - - - - - )(+++)(- -)(+++++++++)
Racha Nro.1 Racha Nro.1
De esta manera:
N= Número total de observaciones [# (-) + # (+)]
N1= Número de signos (+)
N2 = Número de signos (-)
R= Cantidad de rachas
Si, N1 10 y N 2 10 , entonces:
2.N1.N 2
Media de rachas E ( R) 1
N
2.N1.N 2 .(2.N1.N 2 N )
Var. de rachas R
2
N 2 .( N 1)
Entonces:
Prob E ( R) 1,96. R R E ( R) 1,96. R 0,95
Ejemplo.
N1 () 24 E ( R ) 24
N 2 () 22 R2 11
N 46 R 3,32
MG.ITURRARTE, DARÍO 12
Econometría I - Apunte de clase 2020
Si R es pequeña, entonces tenemos AUTOC.(+), si R es grande, entonces tenemos AUTOC.(-)
n
(u t u t 1 )2
d t 2
n 2
ut
t 1
Supuestos:
El estadístico de Durbin Watson define algunas zonas de decisión, para una hipótesis nula
consistente en la no existencia de autocorrelación poblacional.
La distribución de Durbin Watson semeja una normal, pero no es así. En caso de muestras
pequeñas (distribuciones de muestreo exactas) posee una expresión matemática compleja que
involucra en dicho estadístico todas las variables explicativas incluidas en el modelo. Además,
vemos que está acotada entre 0-4, cosa que no ocurría con la distribución normal. Sólo la
distribución DW se asemeja bastante a una normal cuando el tamaño de muestra tiende a infinito.
MG.ITURRARTE, DARÍO 13
Econometría I - Apunte de clase 2020
Además:
2 2
d
u t u t 1 2. u t .u t 1
2
u t
Si suponemos que:
2 2
u u t t 1
Entonces:
u t . u t 1
d 2. 1
2
u t
Y como:
u t .u t 1
d 2.(1 )
2
u t
Sabiendo que cualquier coeficiente de autocorrelación cumple con: 1 1 , entonces:
0d 4
Nuestro planeo de hipótesis de contraste será:
Ejemplo.
N T 46
k 1 TABLA D d L 1, 475 ; dU 1,566
5% d 0, 21
MG.ITURRARTE, DARÍO 14
Econometría I - Apunte de clase 2020
Los software (R, Stata, Eviews,…) tienen una forma de calcular el p-valor de la probabilidad
exacta de Durbin Watson, esto es:
Cuando aparece Yt-1 como variable explicativa (modelos autorregresivos), se utiliza una versión
alternativa de la prueba de Durbin Watson, llamada “Prueba h” de Durbin, aunque la prueba de
Breush-Godfrey resulta más poderosa.
Entonces, si n
d
n . 1 N (0,1) y como n. N (0,1)
2
En nuestro ejemplo:
0, 2176
46. 1 6,04 RHo)
2
El supuesto más fuerte donde el estadístico de DW fracasa es cuando X t es estocástica (en este
caso, d no es válida ni para muestras grandes ni para muestras pequeñas)
4. LA PRUEBA DE BREUSCH-GODFREY.
Yt 1 2 . X t ut ut : AR ( p )
ut 1.ut 1 2 .ut 2 ... p .ut p t
t : Ruido blanco.
La hipótesis de testeo:
1. Estimar por MCO y obtener u t
2. Hacer la regresión entre u t y Xt, u t 1 , u t 2 , …, u t p . Es decir:
u t 1 2 . X t 1 .ut 1 2 .ut 2 ... p .ut p t
MG.ITURRARTE, DARÍO 15
Econometría I - Apunte de clase 2020
3. Si “n” es grande, entonces:
(n p).R 2 p2
ut t 1. t 1 2 . t 2 ... q . t q
3. Si p=1 , o sea el proceso es AR(1), los resultados de la prueba de BG coinciden con la de DW.
4. Crítica: “p” no puede ser precisado “a-priori”. Hay criterios para decidirlo como son los
estadísticos Akaike o de Schwartz.
5. Crítica: Puede que “ut” presente heteroscedasticidad (primero hay que resolver este
problema antes de corregir por autocorrelación)
Ejemplo:
N T 46
(n p) 40 k 6
R 0, 7498
2
(n p).R 2 29,9
Por lo tanto, Rho) y, en consecuencia, alguna p debe ser distinta de cero, existe autocorrelación
de orden “p”
Cuando estudiamos el ejemplo original se descubrió que sólo 1 0 lo cual será suficiente con
incorporar en el modelo un proceso AR(1).
PROCEDIMIENTOS GENERALES:
MG.ITURRARTE, DARÍO 16
Econometría I - Apunte de clase 2020
¿Puede que la autocorrelación provenga o se origine en la omisión de una variable relevante (por
ejemplo, “t”)?
ln(Yt ) 0,1209 1, 0283.ln( X t ) 0, 0075.ln(t ) R 2 0,99
(e.e) (0,3070) (0,0776) (0,0015) d 0, 45
t.St 0,39 13,26 -4,89 0,0131
Comentario adicional:
Se aplica además la prueba de Jarque Bera (JB) y se encuentra que los residuos se muestran
normalmente distribuidos, lo cual habilita el uso de la tabla d de DW.
Yt 1 .Yt 1 (1 ).1 2 .( X t 1 . X t 1 ) t
Donde: t ut .ut 1
Por lo tanto:
Yt* 1* 2*. X t* t y aplico MCO
Donde: 1.(1 )
1
*
Y Yt .Yt 1
t
*
X X t .X t 1
t
*
2
*
2
MG.ITURRARTE, DARÍO 17
Econometría I - Apunte de clase 2020
Del proceso de diferenciación se pierde una observación para las variables, lo que puede resultar
preocupante si las muestras son pequeñas. Por ello se utiliza la corrección o transformación de
PRAIS-WINSTEN, que consiste:
Sabiendo que:
1 1
En esta ocasión, t está libre de correlación serial de primer orden (dado que no está en ella)
Para estimarse el modelo debe utilizarse la opción de “regresión a través del origen”, dado que
no contamos con valor de ordenada. Si se incorporara en la regresión un “a”, lo que en realidad
se estaría probando sería la significancia estadística de una variable de tendencia lineal.
Yt 0, 6539.X t
t (11,40) r 2 0, 42 y d 1, 74
Los resultados sobre el “r” y el “d”, sugiere la presencia de un esquema del tipo AR. Otros
aspectos interesantes de este modelo consisten en:
t Es de naturaleza no estacionaria (o sea Var, Cov )
t ut (estacionario del tipo ruido blanco)
Ventajas del modelo:
Ho) 1
MG.ITURRARTE, DARÍO 18
Econometría I - Apunte de clase 2020
Ha) 1
Primeras diferencias (sin intersepto)
n
e t
g t 2
n
u
t 1
2
t Nivel (con intersepto)
Ejemplo:
Como d=0,21, entonces rechazo Ho), es distinto de 1 y entonces no resulta válida aplicar la
prueba de primeras diferencias al caso.
Sabiendo que:
d
1 Siempre de “n” sea grande
2
Ejemplo:
d 0, 2176 0,8912
Yt* Yt 0,8912.Yt 1
X t* X t 0,8912. X t 1
ut .ut 1 t
Ejemplo:
ut 0,8678. u t 1 0,8678
MG.ITURRARTE, DARÍO 19
Econometría I - Apunte de clase 2020
3.4.- MÉTODOS ITERACTIVOS PARA ESTIMAR (COCHRANE-OURCUTT) .
PASOS:
Paso Nro.1
Yt o 1. X 1t ... k . X kt ut : Estimamos por MCO y obtenemos del
DW
Paso Nro.2
Yt* (1 ).o 1*. X1*t ... k*. X kt* vt Obtenemos el *
….
El proceso concluye cuando se verifica que: *
Logrado el objetivo que la diferencia en valor absoluto entre dos coeficientes correlativos de
autocorrelación sea menor a un nivel de significación determinado, habremos concluido el
proceso y corregido el modelo por autocorrelación de orden k.
NOTA:
Como se utiliza en lugar de para realizar las transformaciones, no hay garantías que las
estimaciones de los
MCG
sean ELIO. Sin embargo, sí son ELIO en sentido asintótico, es decir,
en muestras grandes
Procedimiento CHA
(Consistentes con heteroscedasticidad Yt 32, 74 0, 67. X t
Y autocorrelación e.e. (2,91) (0,03)
r 2 0,97; d=0,17
MG.ITURRARTE, DARÍO 20