AUTOCORRELACION

INTEGRANTES:
Adriana Romaneth Teran Valdivia
Christian Santiago Corpus Veizan
Carlos Eduardo Mamani Arias
Kevin Mauricio Hugo Lora
DOCENTE:
Luis Fernando Cernadas Miranda
ASIGNATURA:
ECONOMETRIA 1
INTRODUCCON
La autocorrelación econométrica es un fenómeno en el que los
errores de un modelo econométrico tienen cierto grado de
correlación serial, lo que significa que los valores actuales de
los errores están correlacionados con los valores pasados. La
presencia de autocorrelación puede conducir a estimaciones
sesgadas e inconsistentes de los coeficientes del modelo y a
la mala especificación del modelo. Los métodos para tratar la
autocorrelación varían según la naturaleza del problema y se
pueden aplicar a través de técnicas econométricas tales como
pruebas de diagnóstico y modelos de corrección de errores.
NATURALEZA CAUSAS DE
LA AUTOCORRELACION
Existe auto correlación cuando el término de error de un modelo econométrico está correlacionado consigo
mismo a través del tiempo y puede venir de diversas causas

Existencia de ciclos y tendencias: Variables omitidas:

El verdadero modelo de una variable endógena es:
Si la autocorración es positiva Entonces el Y=b1+b2x2t++b3x3t+u
valor alto de u que genera un valor y por t=1,2,....,T
encima de su promedio tendrá una Pero en cambios especifica que el modelo
probabilidad elevada de ir seguido de un Y=b1+b2x2t++b3x3t+u entonces el término error B es igual a
valor alto de de u + 1 u + b3x3 que se presenta una autocorrelación Entonces el
término de error también estará autocorrelacionado Incluso si
u estaba libre de problema
NATURALEZA CAUSAS DE
LA AUTOCORRELACION

Relaciones no lineales: Relaciones dinámicas:

La mayoría de las relaciones entre variables económicas se
Supongamos que la verdadera relación entre tipos
extienden a más de un período especialmente si el período
de interés y el stock de deuda pública es:
de observación de los datos es mensual o trimestral en tal
r=b1+b2d1+b3d^2+u
caso se tiene relaciones entre inflación y crecimiento de la
Indicando que los tipos de interés aumentan al
oferta monetaria del tipo:
crecer el stock de deuda aunque menos
π=B1+B2m+B3πt-1+u
proporcionalmente porque tiene:
ar/aD=B2+2B3D^2<B2
NATURALEZA CAUSAS DE LA
AUTOCORRELACION
La autocorrelación econométrica es un fenómeno en el que los
errores de un modelo econométrico tienen cierto grado de
correlación serial, lo que significa que los valores actuales de
los errores están correlacionados con los valores pasados. La
presencia de autocorrelación puede conducir a estimaciones
sesgadas e inconsistentes de los coeficientes del modelo y a
la mala especificación del modelo. Los métodos para tratar la
autocorrelación varían según la naturaleza del problema y se
pueden aplicar a través de técnicas econométricas tales como
pruebas de diagnóstico y modelos de corrección de errores.
CONSECUENCIAS DE LA
AUTOCORRELACION
El estimador que se obtiene para los parámetros del modelo
de regresión lineal por el método de mínimos cuadrados
ordinarios,sigue siendo insegado en presencia de
autocorrelación, sin embargo deja de ser eficiente, y no se
pueden obtener como hasta ahora las varianzas de los
estimadores de los parámetros, por lo que los contrastes
pierden validez.

En esta situación, tendiendo en cuenta las correlaciones del

error, es posible obtener un estimador para los parámetros
del modelo que resulte más eficiente: el estimador de
mínimos cuadrados generalizados

THIAGO CORPUS
 CONTRASTE DURBIN
WATSON
Se utiliza para realizar una prueba de autocorrelación AR(1) sobre un
conjunto de datos. Este contraste se centra en el estudio de los residuos
de Mínimos Cuadrados Ordinarios.

Es una prueba estadística que contrasta la presencia de autocorrelación

en los residuos de una regresión. La principal característica de una serie
de datos con los residuos autocorrelacionados es la tendencia definida
de los datos.

La autocorrelación se produce cuando las variables independientes

tienen una estructura temporal que se repite en determinadas ocasiones a
lo largo del tiempo. Entonces, los residuos de hoy (t=2) dependerán de
los residuos pasados (t=1) y no se cumplirá el supuesto de independencia
del modelo lineal clásico.
THIAGO CORPUS
EJEMPLO Contraste Durbin Watson

THIAGO CORPUS
EJEMPLO Contraste Durbin Watson

THIAGO CORPUS
EJEMPLO Contraste Durbin Watson

THIAGO CORPUS
EJEMPLO Contraste Durbin Watson

THIAGO CORPUS
 CONTRASTE DE BREUSCH Y
GODFREY
Si queremos probar la autocorrelación en ordenes superiores al primer orden
debemos realizar el mas conocido el contraste de multiplicadores de Lagrange
introducido por Breusch y Godfery. Ellos sugieren:
Estimar el modelo de regresión por MCO y obtener los residuos .
Estimar una regresión de los residuos sobre p retardados: así
como las variables explicativas x, del modelo original. El numero de retardos
debe coincidir con el numero de estadísticos cuya significancia conjunta se
pretende contrastar.
Comparar TR2 con las tablas de una distribución chi-cuadrado con p grados de
libertad y rechazar la hipótesis nula de no autocorrelación si TR2 es superior al
valor de las tablas. Si esta es cierta el coeficiente de determinación de la
regresión auxiliar que hemos descrito debería tender a 0.
 CONTRASTES GRAFICOS
Se trata de un examen del grafico de contra . Si la mayoría de los puntos en
dicho grafico se hallan en el primer y tercer cuadrante, es un indicio de
autocorrelación positiva mientras que si se hallan en el segundo y cuarto cuadrante es
un indicio de autocorrelación negativa.
La limitación de este procedimiento es que solo es realmente útil si la autocorrelación
puede aproximarse por un modelo autorregresivo de orden 1. Así mismo el contraste
también puede basarse en rachas de residuos de igual signo, si hay pocas rachas
indica una autocorrelación positiva, si hay muchas rachas se trata de una
autocorrelación negativa.
CONTRASTES GRAFICOS
CONTRASTES GRAFICOS
 ESTIMACION DE MODELOS MCG DE
COCHRANE ORCUTT
La estimación de modelos MCG (Mínimos Cuadrados Generalizados) de Cochrane-
Orcutt es una técnica utilizada para abordar la presencia de autocorrelación en
los datos de una serie temporal. Esta técnica es una extensión del método de
Mínimos Cuadrados Ordinarios (MCO) y se utiliza cuando se sospecha que los
residuos del modelo presentan autocorrelación.
ESTIMACION DE MODELOS MCG DE
COCHRANE ORCUTT
procedimiento de
Cochrane-Orcutt
 Estimación máxima verosimilitud del modelo
autoregresivo de primer orden

La estimación de máxima verosimilitud (EMV) es un método utilizado para estimar

los parámetros de un modelo estadístico utilizando la función de verosimilitud. En
el caso del modelo autoregresivo de primer orden (AR(1)), la EMV busca encontrar
los valores de los parámetros que maximizan la probabilidad de observar los
datos observados dado el modelo especificado.
¡MUCHAS GRACIAS!