Apunte de Autocorrelación

Econometría I - Apunte de clase 2020
Unidad temática 5
El problema de la autocorrelación
7.1.- CONCEPTUALIZACIÓN
El fenómeno de la autocorrelación se genera cuando las perturbaciones se encuentran

correlacionadas. Es decir, dada una secuencia temporal o transversal de perturbaciones en el
modelo de regresión, los mismos presentan algún patrón de asociación. Formalmente:
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
La situación de correlación espacial no es muy usual en Econometría. Por lo general, cuando se

habla de autocorrelación se lo hace en el sentido de “autocorrelación temporal”. Este fenómeno
ocurre cuando existe un ordenamiento natural de las observaciones en el tiempo que de alguna
manera se debe respetar. Así, las observaciones sucesivas en el tiempo muestran cierto grado de
interdependencia.
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:
Cov(ui , u j / X i , X j )  E(ui , u j )  0 para i  j
Esquemáticamente, hay que diferenciar el concepto de “autocorrelación” del de “correlación serial”

(que involucra dos o más series de datos)
MG.ITURRARTE, DARÍO 1
Autocorrelación  E(ui , u j )  0 i  j
u1 , u2 ,..., un
Misma serie desfasada
u2 , u3 ,..., un 1
Correlación serial  E (ui , v j )  0 i  j
u1 , u2 ,..., un
Dos series diferentes
v2 , v3 ,..., vn 1
Analicemos gráficamente el comportamiento de algunos patrones de autocorrelación.
Un caso de no existencia de autocorrelación, presentado en términos gráficos:
7.2.- RAZONES DE EXISTENCIA DE AUTOCORRELACIÓN
Múltiples son las razones por las cuáles puede existir autocorrelación en los modelos
econométricos. Aquí detallamos las más importantes:
1. Inercia temporal: Representa el efecto combinado que presentan las variables a

moverse en forma manera parecida a lo largo del tiempo.
2. Sesgo de especificación (omisión de variables relevantes): Cuando en un modelo

econométrico se omite una variable de relevancia se tiende a generar un tipo especial de
autocorrelación denominado “sesgo de especificación”
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
Comportamiento de los residuos en el Comportamiento de los residuos en el

modelo verdadero modelo con omisión de variable
3. Sesgo de especificación (forma funcional incorrecta): Ocurre cuando en vez de estimar

un modelo vinculado en un determinado grado o forma funcional con las variables
explicativas se adopta otro inapropiadamente.
Verdadero modelo: Yi  1  2 . X i  3 . X i2  ut
Modelo estimado: Yi  1   2 . X i  ui
4. Fenómeno de la telaraña: Los modelos económicos que incorporan desfases temporales

de las variables (por ejemplo, el modelo de la telaraña, modelos de ajuste del capital, etc)
son de naturaleza autorregresiva.
Yt  1   2 .Pt 1  ut  Ecuación de oferta
Entonces si: Pt  Pt 1  t  1: Yt 1  Yt (patrón de telaraña)
5. Modelos de rezagos o autorregresivos: Se trata de modelos que incorporan la variable

dependiente desfasada (AR) o alguna de las explicativas desfasadas (de rezagos
distribuidos).
Const  1   2 .Const 1  3 .Ingt  ut  Modelo de consumo dinámico
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
7. Transformación de los datos: Las series de tiempo diferenciadas son de naturaleza

autorregresiva.
(-) 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
Entonces, en estos modelos:

Yt   2 .X t  vt  Primeras diferencias
“vt” es un componente autorregresivo en el modelo de regresión.
8. No estacionariedad: Si Yt es una serie no estacionaria (como la mayoría de las series
económicas), entonces ut presentará un comportamiento autorregresivo.
7.3.- TIPOS DE AUTOCORRELACIÓN
De acuerdo a cómo se muestran las perturbaciones (o residuos) correlacionados entre sí,

podemos tener dos tipos de situaciones:
La mayoría de las series económicas presentan autocorrelación positiva. La autocorrelación

negativa es más frecuente de estudios de aleatoriedad, como por ejemplo del lanzamiento de
una moneda.
7.4.- ESTIMACIÓN MCO EN PRESENCIA DE AUTOCORRELACIÓN
Proponiendo el siguiente modelo:
Yt  1   2 . X t  ut E (ut , ut  s )  0 para ( s  0)
Y un comportamiento autorregresivo para las perturbaciones de tipo AR(1)
AR(1)  ut   .ut 1   t con 1     1
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 s0
El coeficiente de autocorrelación (  ) se puede presentar como:
E ut  E (ut ) .ut 1  E (ut 1 )  E (ut , ut 1 )

 
Var (ut ). Var (ut 1 ) Var (ut 1 )
Y además,
 2
Var (ut )  E  ut2  
1  2
 2
Cov(ut , ut  s )  E (ut , ut  s )   s .
1  2
Cor (ut , ut s )   s
En un modelo clásico corriente:
2  
 xt . yt  2
Var (  2 ) 
x 2
t x 2
t
Con un esquema del tipo AR(1):

Var (  2 ) AR (1) 
2 
. 1  2. .
 xt .xt 1  2. 2 .  xt .xt 2  ...  2. n1.  xt .xt n1 
 x  2
t  xt2  xt2  xt2 
Podríamos comparar ambas fórmulas de las varianzas del estimador, es decir:
 
Var (  2 ) vs Var (  2 ) AR (1)
Entonces, siempre que   0 existirá un sesgo en el componente de la varianza.
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%
7.5.- ESTIMADOR ELIO EN PRESENCIA DE AUTOCORRELACIÓN

¿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)
La fórmula del estimador MCG del coeficiente de regresión y de su varianza es:
 MCG  ( x  .x ).( y

t t 1 t   . yt 1 )  MCG 2
2  t 2
C y Var (  2 ) D
 ( x   .x
t 2
t t 1 )2  ( xt  .xt 1 )2
t 2
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.
7.6.- CONSECUENCIAS DE UTILIZAR MCO EN PRESENCIA DE

AUTOCORRELACIÓN

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.
Este problema implica:
 Que la varianza de los residuos subestime la verdadera varianza.

2  
 2
u t
subestime 2
n2
 Consecuencia de subestimar  2 ocurre que R2 quede sobre-estimado.


 Aunque  2 no esté subestimada, la Var (  2 ) puede subestimar la
 AR (1)
Var (  2 )
 MCG
Esta última es más grande que la Var (  2 ) .
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.
3. El estimador de varianza de las perturbaciones MCO es sesgado en presencia de

autocorrelación. Esto es:
  2  
 2 . n     2. .r 

  1   
E ( )  2
En presencia de Autocorrelación
n2
Donde:
r
 x .x t t 1
(Coeficiente de correlación muestral)
x 2
t
Si:  , r  0 (típico de series económicas)


E ( 2 )   2
 
Y, consecuencia de esto: Sesgo 2 incide en Var (  2 )
Además:
  AR (1)
Var (  2 )  Var (  2 )
2

2
.

1  2. .
 xt .xt 1  2. 2 .  xt .xt 2  ...  2. n1.  xt .xt n1 
x 2
t  xt2   xt2  xt2  xt2 
<
La varianza MCO subestimará la varianza con AR(1). Por consiguiente, usar

 
Var (  2 ) en presencia de AR infla la precisión del estimador  2
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.
De modelo poblacional, conocemos: 1  1 y  2  0,8
Por lo tanto, la Función de Regresión Poblacional (FRP) será:
Yt  1  0,8. X t  ut entonces: E (Yt / X t )  1  0,8. X t
Si proponemos la siguiente relación para el comportamiento de los residuos de

naturaleza AR(1):
ut  0, 7.ut 1   t y además:  t  N (0,1)
Generamos 10 números aleatorios, respondiendo a una distribución normal (0,1) y,

partiendo de un valor arbitrario inicial (por ejemplo, uo  5 ).
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
Ahora proponemos una serie de valores para Xt y reconstruimos la Yt muestral.
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
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
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 )
7.7.- MÉTODOS DE DETECCIÓN PARA LA AUTOCORRELACIÓN
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.
Si se sospecha que ut no se comporte de manera aleatoria, entonces graficamos ut respecto a

ut 1
Autocorrelación (+)
2. EL MÉTODO DE LAS RACHAS O DE GEARY.
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
 24  1,96.(3,32)  17,5  R  30,5

Por lo tanto: Si R5  Queda excluida del intervalo
Existe autocorrelación
Si R es pequeña, entonces tenemos AUTOC.(+), si R es grande, entonces tenemos AUTOC.(-)
Además, si N1 o N 2 son menores 20 (caso frecuente en muestras pequeñas), existen Tablas de

rachas críticas
3. LA PRUEBA DE DURBIN WATSON.
Definimos al estadístico de Durbin Watson como:
n  
 (u t  u t 1 )2
d t 2
n 2
 ut
t 1
Supuestos:
a. El modelo incluye un intersepto.

b. Variables explicativas Xt no estocásticas (fijas en el muestreo)
c. Esquema AR(1) para ut, es decir, ut=.ut-1+t
d. Distribución normal de ut, es decir, ut – N(0,1)
e. No procede para modelos autorregresivos, es decir, cuando Yt-k aparece como
variable explicativa.
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.
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:
0d 4
Nuestro planeo de hipótesis de contraste será:
Ho) No hay autocorrelación de primer orden;  0 ; d 2

Ha) Hay autocorrelación de primer orden;   0 ; d  2
Ejemplo.
N  T  46
k 1  TABLA D d L  1, 475 ; dU  1,566
  5% d  0, 21
Los software (R, Stata, Eviews,…) tienen una forma de calcular el p-valor de la probabilidad
exacta de Durbin Watson, esto es:
P ( d  0, 21)  0, 00  Como es menor al 5%, Rho)
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.
Esta prueba permite, a diferencia de Durbin Watson:
a. Que las variables Xt puedan ser estocásticas.

b. Incorporar esquemas AR de mayor orden.
c. Incorporar esquemas MA para t
La prueba de Breush-Godfrey se basa en el principio o método de estimación de los

multiplicadores de Lagrange. Básicamente:
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:
Ho ) 1  2  ...   p  0 (No hay autorregresión de orden “p”)
Los pasos para realizar el test son:

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
De esta regresión, fundamentalmente nos interesa capturar el valor del R2
3. Si “n” es grande, entonces:
(n  p).R 2   p2
Ventajas del uso de la prueba de BG:
1. Permite incorporar a Yt i como variable explicativa (modelos autorregresivos).

2. Permiten incorporar esquemas o procesos de medias móviles (MA) en el modelo:
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
El valor de tabla: 6;2  5%  12,59 P(  2  29,9)  0, 0001
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).
7.8.- MEDIDAS REMEDIALES ANTE LA PRESENCIA DE AUTOCORRELACIÓN
PROCEDIMIENTOS GENERALES:
1. Asegurarse que el problema de la autocorrelación provenga de una autocorrelación pura

y no originado en un sesgo de especificación.
2. Si se trata de una autocorrelación pura, transformar el modelo mediante MCG.
3. Para muestras grandes, se puede utilizar el método de NEWEY-WEST para obtener

errores estándar en los  corregidos por AR.
4. En algunos casos se puede seguir usando MCO.
1. ESPECIFICACIÓN INCORRECTA VS. AUTOCORRELACIÓN PURA.
Planteamos el siguiente caso:


ln(Yt )  1, 6067  0, 6522.ln( X t ) r 2  0,9845
(e.e) (0,05) (0,01) d  0, 2176

t.St 29,36 52,80   0,0221
¿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
Como el estadístico “d” no varió sustancialmente y sigue indicando la presencia de

autocorrelación pura, entonces no se trata de un sesgo de especificación.
Si en vez de “t” hubiéramos incorporado otra variable, por ejemplo, X t2 ?


ln(Yt )  1, 7843  2,1963.ln( X t )  0,1752.ln( X t2 ) R 2  0,99
(e.e) (0,6441) (0,2929) (0,0332) d  0,356

t.St -2.77 7.50 -5.27   0,0165
Al continuar el estadístico “d” sustantivamente bajo, el modelo presenta autocorrelación pura y

no es un caso de sesgo de especificación.
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.
2. AUTOCORRELACIÓN PURA: MCG, CONOCIENDO 
A partir del siguiente modelo:

Yt  1   2 . X t  ut con: ut   .ut 1   t ; 1   1
Como primera medida, diferencio Yt:

Yt 1  1   2 . X t 1  ut 1
Multiplico la expresión anterior m.a.m. por   .Yt 1   .1   . 2 . X t 1   .ut 1
Resto las dos expresiones anteriores:
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
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:
Y1*  Y1. 1   2 y X1*  X1. 1   2
3. AUTOCORRELACIÓN PURA: MCG, DESCONOCIENDO 
¿Cómo obtener  cuando el mismo resulta desconocido?

Existen varias formas alternativas de hacerlo:
3.1.- EL MÉTODO DE LAS PRIMERAS DIFERENCIAS.
Sabiendo que:
1     1
Por lo tanto, si  1:

Yt  Yt 1   2 .( X t  X t 1 )  (ut  ut 1 )
Yt   2 .X t   t
En esta ocasión, t está libre de correlación serial de primer orden (dado que no está  en ella)
El método es particularmente útil de aplicar si: d  R2 (en nuestro ejemplo: 0,21<0,98)
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.
Si aplico primeras diferencias al modelo que veníamos estudiando:

 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:
1. Un modelo AR de primer orden puede transformarse en

primeras diferencias en un modelo no AR (O sea elimina AR de
primer orden).
2. Transforma una serie no estacionaria en estacionaria.
Esta prueba es válida sólo si   1 (o próximo a la unidad)
Para probar si esta prueba resulta válida, hacemos:
Ho)  1
Ha)  1
Primeras diferencias (sin intersepto)
n 
e t
g t 2
n 
u
t 1
2
t Nivel (con intersepto)
Ejemplo:
 
 ut2  0, 0214  et2  0, 0046

0, 0046
g  0, 2149
0, 0214
DW (45 g.lib.)  d L  1, 288 ; du  1,375
Como d=0,21, entonces rechazo Ho),  es distinto de 1 y entonces no resulta válida aplicar la
prueba de primeras diferencias al caso.
3.2.-  BASADO EN EL ESTADÍSTICO “d” de DW.
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
3.3.-  ESTIMADO A PARTIR DE LOS RESIDUOS.
Definiendo un proceso del tipo AR(1):
ut   .ut 1   t
Y reemplazando cada componente por:

 
ut  ut ; ut 1  ut 1 ;  t  vt

Obtenemos  por aplicar MCO sobre la ecuación:
Ejemplo:

  
ut  0,8678. u t 1    0,8678
3.4.- MÉTODOS ITERACTIVOS PARA ESTIMAR (COCHRANE-OURCUTT) .
El método de Cochrane Ourcutt tiene la ventaja de permitir corregir de autocorrelación

modelos que presenten componentes autorregresivos mayores a 1.
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
4. EL MÉTODO DE NEWEY-WEST PARA CORREGIR LOS ERRORES ESTÁNDAR DE LOS

COEFICIENTES DE REGRESIÓN MCO.
Es un procedimiento estrictamente válido en muestras grandes. El método da directamente


s.e.( ) corregidos por AR.
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
Donde los estadísticos “t” verifican: tCHA  to ( MCO)

Apunte de Autocorrelación

Cargado por

Información del documento

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

Apunte de Autocorrelación

Cargado por

Copyright:

Formatos disponibles

Econometría I - Apunte de clase 2020

El fenómeno de la autocorrelación se genera cuando las perturbaciones se encuentran

La situación de correlación espacial no es muy usual en Econometría. Por lo general, cuando se

Cov(ui , u j / X i , X j )  E(ui , u j )  0 para i  j

Esquemáticamente, hay que diferenciar el concepto de “autocorrelación” del de “correlación serial”

Correlación serial  E (ui , v j )  0 i  j

Analicemos gráficamente el comportamiento de algunos patrones de autocorrelación.

Un caso de no existencia de autocorrelación, presentado en términos gráficos:

7.2.- RAZONES DE EXISTENCIA DE AUTOCORRELACIÓN

1. Inercia temporal: Representa el efecto combinado que presentan las variables a

2. Sesgo de especificación (omisión de variables relevantes): Cuando en un modelo

Comportamiento de los residuos en el Comportamiento de los residuos en el

3. Sesgo de especificación (forma funcional incorrecta): Ocurre cuando en vez de estimar

4. Fenómeno de la telaraña: Los modelos económicos que incorporan desfases temporales

Yt  1   2 .Pt 1  ut  Ecuación de oferta

Entonces si: Pt  Pt 1  t  1: Yt 1  Yt (patrón de telaraña)

5. Modelos de rezagos o autorregresivos: Se trata de modelos que incorporan la variable

Const  1   2 .Const 1  3 .Ingt  ut  Modelo de consumo dinámico

7. Transformación de los datos: Las series de tiempo diferenciadas son de naturaleza

Entonces, en estos modelos:

“vt” es un componente autorregresivo en el modelo de regresión.

7.3.- TIPOS DE AUTOCORRELACIÓN

De acuerdo a cómo se muestran las perturbaciones (o residuos) correlacionados entre sí,

La mayoría de las series económicas presentan autocorrelación positiva. La autocorrelación

7.4.- ESTIMACIÓN MCO EN PRESENCIA DE AUTOCORRELACIÓN

Proponiendo el siguiente modelo:

Y un comportamiento autorregresivo para las perturbaciones de tipo AR(1)

AR(1)  ut   .ut 1   t con 1     1

El coeficiente de autocorrelación (  ) se puede presentar como:

E ut  E (ut ) .ut 1  E (ut 1 )  E (ut , ut 1 )

En un modelo clásico corriente:

Con un esquema del tipo AR(1):

Entonces, siempre que   0 existirá un sesgo en el componente de la varianza.

7.5.- ESTIMADOR ELIO EN PRESENCIA DE AUTOCORRELACIÓN

La fórmula del estimador MCG del coeficiente de regresión y de su varianza es:

 MCG  ( x  .x ).( y

7.6.- CONSECUENCIAS DE UTILIZAR MCO EN PRESENCIA DE

Este problema implica:

 Que la varianza de los residuos subestime la verdadera varianza.

 Consecuencia de subestimar  2 ocurre que R2 quede sobre-estimado.

3. El estimador de varianza de las perturbaciones MCO es sesgado en presencia de

Si:  , r  0 (típico de series económicas)

La varianza MCO subestimará la varianza con AR(1). Por consiguiente, usar

De modelo poblacional, conocemos: 1  1 y  2  0,8

Por lo tanto, la Función de Regresión Poblacional (FRP) será:

Yt  1  0,8. X t  ut entonces: E (Yt / X t )  1  0,8. X t

Si proponemos la siguiente relación para el comportamiento de los residuos de

Generamos 10 números aleatorios, respondiendo a una distribución normal (0,1) y,

Ahora proponemos una serie de valores para Xt y reconstruimos la Yt muestral.

7.7.- MÉTODOS DE DETECCIÓN PARA LA AUTOCORRELACIÓN

Si se sospecha que ut no se comporte de manera aleatoria, entonces graficamos ut respecto a

2. EL MÉTODO DE LAS RACHAS O DE GEARY.

 24  1,96.(3,32)  17,5  R  30,5

Además, si N1 o N 2 son menores 20 (caso frecuente en muestras pequeñas), existen Tablas de

3. LA PRUEBA DE DURBIN WATSON.

Definimos al estadístico de Durbin Watson como:

a. El modelo incluye un intersepto.

Ho) No hay autocorrelación de primer orden;  0 ; d 2

P ( d  0, 21)  0, 00  Como es menor al 5%, Rho)

Esta prueba permite, a diferencia de Durbin Watson:

a. Que las variables Xt puedan ser estocásticas.

La prueba de Breush-Godfrey se basa en el principio o método de estimación de los

Ho ) 1  2  ...   p  0 (No hay autorregresión de orden “p”)

Los pasos para realizar el test son: