Series de Tiempo II

TEMA 2: Autocorrelación en regresiones con series
temporales
Basado en Wooldridge (2010), Capı́tulo 12
Stock y Watson (2012), Capı́tulo 15
Econometrı́a II
Departamento de Economı́a,
Universidad de Santiago
Departamento de Economı́a (USACH) Tema 2. Autocorrelación Econometrı́a II 1 / 43

Estructura
1 Introducción
2 Propiedades del estimador MCO con errores autocorrelacionados
3 Contrastes de autocorrelación
Contraste de orden superior y de Breusch-Godfrey
4 Inferencia Robusta con MCO

Errores estándar HAC
5 Solución con regresores estrictamente exógenos: MCG y MCGF

Errores AR(1) con parámetro de autocorrelación conocido: MCG
Comparación MCO y MCGF

Introducción
Motivación
¿Es lógico pensar en que los valores de una variable observada a

través del tiempo no tengan relación entre sı́?
¿Podemos seguir manteniendo el supuesto sobre la autocorrelación

nula de los errores para este tipo de datos?
Por ejemplo, en la inflación en Chile, que es observada de forma

mensual, ¿es factible suponer que su componente estocástico no
guarda relación entre un perı́odo y otro?
La idea de este tema es tratar el problema de la autocorrelación en las

series temporales.

Introducción
Motivación
La presencia de autocorrelación en el término de error ut , provoca que
los estimadores MCO de los parámetros pierdan consistencia.
Problema: La inferencia con estos estimadores induce a error, es decir,

tanto contrastes de hipótesis como intervalos de confianza nos pueden
llevar a conclusiones equı́vocas respecto al comportamiento de la
población.
La idea es identificar la presencia de este problema y luego corregir los

errores estándar de los estimadores MCO habituales, de tal modo que
sean consistentes en presencia de heterocedasticidad y
autocorrelación.
Estimaremos los errores estándar HAC para solucionar este problema.
Y realizaremos una comparación en la estimación entre distintos

métodos que corrigen la autocorrelación.
Propiedades del estimador MCO con errores autocorrelacionados
Propiedades del estimador MCO con errores

autocorrelacionados
Si mantenemos los supuestos TS.1 a TS.3, el problema de la

autocorrelación no cambia la insesgadez de los estimadores MCO.
Si no se cumple el supuesto de no autocorrelación (TS.5), el Teorema
de Gauss-Markov no es válido.
Por lo tanto,
MCO es ineficiente, puesto que no tiene mı́nima varianza;
los errores estándar habituales no son válidos y por tanto, los
contrastes estadı́sticos habituales de la t, de la F y el LM tampoco
son válidos
Si los datos son estacionarios y débilmente dependientes, las medidas
de bondad de ajustes R 2 siguen siendo válidos.

Distribución del estimador MCO con errores

autocorrelacionados
Supongamos un modelo de retardos distribuı́dos sin retardos y que

cumple con los supuestos para este tipo de modelos.
Yt = β0 + β1 Xt + ut (1)
La idea es mostrar que la varianza del estimador β

c1 es el producto de
dos términos:
Si ut no está autocorrelacionada, la expresión de Var [βˆ1 ]
Factor de corrección que surge de (Xt − uX )ut


autocorrelacionados
Como sabemos, el estimador MCO de la ecuación 1 es

1 PT
(Xt − X̄ )ut
β1 = β1 + 1 Pt=1
c T
T
(2)
2 − X̄ )
T t=1 (Xt
Dado que X̄ y T1 T 2 2
t=1 (Xt − X̄ ) tienden en probabilidad a µX y σX ,
P
respectivamente, podemos rescribir la ecuación 2

1 PT
c1 = β1 + T t=1 (Xt − µX )ut
β (3)
σX2


autocorrelacionados
Como en muestras grandes βˆ1 − β1 es aproximadamente el segundo

término de la ecuación 3 y renombrando (Xt − µX )ut por vt
tendremos que " #
v̄ Var [v̄ ]
Var [βˆ1 ] = Var 2 = (4)
σX (σX2 )2
Cabe suponer que si vt es i.i.d entonces la varianza de βˆ1 es la

habitual.
El problema en nuestro caso es que estos términos no están
distribuidos de forma independiente a través del tiempo.


autocorrelacionados
Como vt está correlacionada serialmente, la varianza de v̄ está dada
por la varianza de cada término de v más la covarianza entre todos
los términos de v .
Por lo cual tendremos que la varianza de v̄ está dada por

σv2
fTVar [v̄ ] = (5)
T
donde fT es el término que representa la covarianza de los términos
de v y está dada por la siguiente expresión
T −1
T −j
X
fT = 1 + 2 ρj (6)
j=1
T
donde ρj = corr (vt , vt−j ). Además, en muestras grandes fT tiende a

f∞ = 1 + 2 ∞
P
j=1 ρj .

autocorrelacionados
Combinando las ecuaciones 4 y 5 tenemos que
" #
1 σv2
Var [βˆ1 ] = fT (7)
T (σX2 )2
donde fT está dada por la ecuacion 6.

El primer término de la ecuación 7 es la varianza habitual de βˆ1 en
ausencia de correlación serial.
El segundo término es el factor que corrige el problema de
autocorrelación que presentan las series.
Este factor es el que nos interesará estimar una vez que hallemos la
presencia de autocorrelación.
Finalmente la idea es obtener los errores estándar robustos a la
presencia de heterocedasticidad y autocorrelación.
Insesgadez, eficiencia e inferencia
Cabe destacar que el estimador MCO será insesgado y eficiente si

ρ = 0.
En caso que ρ ̸= 0, el estimador MCO seguirá siendo insesgado, pero

no tendrá mı́nima varianza, lo cual implica que:
Si ρ1 > 0, el estimador habitual de la varianza por MCO subestima la

varianza real, que implica un estadı́stico t mayor (los estadı́sticos t, F y
ML son inválidos).
Si ρ1 < 0, es posible que el estimador habitual de la varianza por MCO

sobrestima la varianza real, que implica un estadı́stico t menor (los
estadı́sticos t, F y ML son inválidos).

Contrastes de autocorrelación
La naturaleza de los datos de series temporales nos permite verificar

mediante inferencia estadı́stica, la presencia de autocorrelación.
Las pruebas se realizan luego de obtener los residuos de las

estimaciones por MCO.
Una forma de iniciar es mediante la representación gráfica de los

residuos
La idea es probar la hipótesis de que no existe autocorrelación.


Métodos de prueba de la correlación serial
Suponga el siguiente modelo de regresión lineal múltiple con

regresores estrictamente exógenos:
yt = β0 + β1 xt1 + ... + βk xtk + ut .
En el modelo AR(1), la hipótesis nula de que los errores no se

correlacionan de forma serial es
H0 : ρ = 0.

Prueba de correlación serial AR(1) con regresores

estrictamente exógenos:
1 Efectúe la regresión por MCO de yt sobre xt1 , ..., xtk y obtenga los
residuales de MCO, ût , para todo t = 1, 2, ..., n.
2 Realice la regresión de ût sobre ût−1 para todo t = 2, ..., n. Obtener

el coeficiente ρ̂ y su estadı́stico tρ̂ .
3 Utilice tρ̂ para probar H0 : ρ = 0. contra H1 : ρ ̸= 0 en la forma

común. Ya que con frecuencia se espera que ρ > 0 , la alternativa
puede ser H1 : ρ > 0.

Prueba de Durbin-Watson bajo los supuestos clásicos
El estadı́stico de Durbin-Watson (DW) también se basa en los

residuales de MCO:
Pn 2
t=2 (ût − ût−1 )
DW = Pn 2
t=1 ût
El estadı́stico DW y ρ̂ están estrechamente relacionados:
DW ≈ 2(1 − ρ̂)

Regla de decisión en DW
H0 : ρ1 = 0 vs. H1 : ρ1 > 0
d < dL < dU < 2 =⇒ Rechazar H0 ,
entonces existe autocorrelación positiva.
d > dU > dL =⇒ No Rechazar H0
dL < d < dU el contraste no es concluyente
H0 : ρ1 = 0 vs. H1 : ρ1 < 0
Para usar los valores crı́ticos tabulados (de la hipótesis anterior)
usamos d ∗ = 4 − d, donde d es valor inicial del estadı́stica,
d ∗ < dL =⇒ Rechazar H0
entonces existe autocorrelación negativa.
d ∗ > dU =⇒ No Rechazar H0
dL < d ∗ < dU el contraste no es concluyente

Prueba de correlación serial AR(1) sin regresores

estrictamente exógenos
1 Realice la regresión por MCO de yt sobre xt1 , ..., xtk y obtenga los
residuales de MCO, ût , para toda t = 1, 2, ..., n..
2 Realice la regresión de ût sobre xt1 , ..., xtk , ût−1 para todo t = 2, ..., n.
Obtener el coeficiente ρ̂ y su estadı́stico tρ̂ .
3 Utilice tρ̂ para probar H0 : ρ = 0. contra H1 : ρ ̸= 0 en la forma

común.

Contrastes de autocorrelación Contraste de orden superior y de Breusch-Godfrey
Contraste de autocorrelación de orden superior
Si el término de error sigue un proceso autorregresivo de orden q
εt r .b. 0, σε2

ut = ρ1 ut−1 + ρ2 ut−2 + · · · + ρq ut−q + εt ,
La hipótesis a contrastar es
H0 : ρ 1 = ρ2 = · · · = ρq = 0 , H1 : ρj ̸= 0 para algún j ∈ {1, 2, . . . , q}
Utilizamos un contraste de significancia conjunta, de los q retardos de
los residuos en
u
bt = γ0 + γ1 xt1 + γ2 xt2 + · · · + γk xtk
+ρ1 u bt−2 + · · · + ρq u
bt−1 + ρ2 u bt−q + ϵt , t = (q + 1) , . . . , T
Se puede utilizar una versión robusta a heterocedasticidad.

Este contaste se puede realizar con el estadı́stico F o el estadı́stico LM.
Este último se denomina contraste de Breusch-Godfrey.

Contrastes de autocorrelación Contraste de orden superior y de Breusch-Godfrey
Solución con regresores estrictamente exógenos
¿Qué hacemos si los contrastes detectan correlación serial en los errores?
Si nuestro objetivo es estimar un modelo con dinámica completa,

necesitaremos volver a especificar el modelo
En caso contrario, podemos llevar a cabo la inferencia estadı́stica de
dos formas
1 Usar estimadores de MCO con la varianza robusta a la presencia de
correlación serial.
2 Usar estimadores de MCG explotando una estructura concreta de
correlaciones de ut .
Estos estimadores serán más eficientes que MCO, siempre que el
supuesto sea correcto.
Requiere exogeneidad estricta

Inferencia Robusta con MCO
Inferencia robusta
A pesar de tener el problema de autocorrelación, los estimadores

MCO son consistentes.
La idea es corregir los errores estándar de los estimadores MCO a la

presencia de autocorrelación y de heterocedasticidad para el proceso
de inferencia.
Independiente de que exista autocorrelación de los errores,

utilizaremos procedimientos robustos válidos en muestras grandes.
Los errores estándar corregidos se llama errores estándar consistentes

a la heterocedasticidad y a la autocorrelación (HAC).

Inferencia Robusta con MCO Errores estándar HAC
Retomando la idea de la ecuación 7

" #
1 σv2
Var [βˆ1 ] = fT
T (σX2 )2
donde fT está dada por la ecuacion 6

T −1
T −j
X
fT = 1 + 2 ρj
j=1
T
y ρj = corr (vt , vt−j ).

P∞
Además, en muestras grandes fT tiende a f∞ = 1 + 2 j=1 ρj .

Debemos estimar ft , pues las autocorrelaciones de vt son

desconocidas.
Sin embargo, el estimador de la varianza de βc1 es consistente en

presencia de heterocedasticidad y autocorrelación de vt , HAC y
su raı́z cuadrada es el error estándar HAC.
La fórmula del estimador de la varianza HAC está dado por
σ̃ 2b = σ
b 2b fc (8)
β1 β1 T

La idea es construir un estimador consistente de fc

T.
Como fc T depende de las autocorrelaciones de v , debemos encontrar

el número óptimo de autocorrelaciones a incluir en la estimación.
Podemos tener problemas con estos dos casos:
Si incluimos todas las autocorrelaciones el estimador se produce un
error de estimación de fT y por lo tanto su estimador se vuelve
inconsistente con una varianza grande.
Si incluimos muy pocas autocorrelaciones el estimador también es
inconsistente, pues podrı́a no estar considerando todas las
autocorrelaciones necesarias.

Una solución intuitiva a este problema es que:

Si el tamaño de la muestra es pequeño, se deberı́a incluir pocas
autocorrelaciones.
En cambio si el tamaño de la muestra es grande, se deberı́a incluir más
autocorrelaciones.
En concreto, el estimador de fT está dado por
m−1
X m−j

fc
T =1+2 ρ˜j (9)
j=1
m
donde ρ˜j es la autocorrelación de vbt que depende de la cantidad de

retardos que se consideren.
Estos retardos se determinarán por el parámetro de truncamiento
m.

El parámetro de truncamiento m puede obtenerse por la siguiente

fórmula
m = 0.75T 1/3 (10)
la cual proporciona una regla de referencia para la mejor elección de
m según el número de observaciones.
De todos modos se aconseja probar con uno o dos valores cercanos a

m para verificar que los resultados de estimación no son sensibles a
este parámetro.

Cabe mencionar que el estimador de la varianza obtenido en la

ecuación 8 se denomina el estimador de la varianza de
Newey-West.
Además, los resultados obtenidos se pueden extrapolar a la inclusión

de más retardos y/o más variables explicativas con errores
autocorrelacionados.
Finalmente podemos calcular los errores estándares y hacer inferencia

robusta. r
serobust = var^ (βb1 |x ) (11)

Inferencia robusta
Con los errores estandar de Newey-West podemos realizar los

contrastes habituales de la t y de la F
también existe una versión robusta del contraste LM.
Como los contrastes robustos son siempre asintóticos, cabe destacar

que con Newey-West estimamos la varianza asintótica.
Independiente de que se cumplan los supuestos de que prueban la

insesgadez y la normalidad de los errores, NO conocemos la
distribución exacta de MCO en presencia de autocorrelación.

Ejemplo: Curva de Phillips estática: Chile 1989-2019
Estimación de MCO con errores estándar
\t = 17.68817 − 1.414098 desempt

inflac ∗∗∗ (4.92 ∗∗∗ ) (−3.11 )
T = 31 R = 0.25 F (1, 29) = 9.67∗∗∗

2
σ
b = 5.0388
Estimación de MCO con errores robustos
\t = 17.68817 − 1.414098 desempt

inflac ∗∗∗ (4.88 ∗∗∗ ) (−3.54 )
2 ∗∗∗
T = 31 R = 0.25 F (1, 29) = 12.53 σ
b = 5.0388

En stata utilizamos el comando newey para estimar el modelo con los

errores estándar de Newey-West.
Recordemos que debemos seguir la regla descrita en la ecuación 10
para el número de retardos a incluir en la estimación.
En el caso del ejemplo tenemos que m = 2.35 ≈ 2 (m = 0.75(311/3 ))
\t = 17.68817 − 1.414098 desempt

inflac ∗∗∗ (3.35 ∗∗ ) (−2.49 )
T = 31 F (1, 29) = 6.22∗∗

(entre paréntesis, los estadı́sticos t)

Ejemplo: Curva de Phillips dinámica: Chile 1989-2019

Estimación de MCO con errores estándar
\t = 17.36606 − 1.61623 desempt + 0.245105 desempt−1
inflac ∗∗∗ (4.58 ∗ ) (−2.01 ) (0.31)
2 ∗∗
T = 31 R = 0.2526 F (2, 28) = 4.73 σ
b = 5.1193
Estimación de MCO con errores robustos

inflac ∗∗∗ (4.39 ∗∗∗ ) (−3.17 ) (0.47)
2 ∗∗∗
T = 31 R = 0.2526 F (2, 28) = 6.94 σ
b = 5.1193
Estimación de MCO con errores Newey-West

inflac ∗∗∗ (3.07 ∗∗∗ ) (−3.11 ) (0.57)
∗∗∗
T = 31 F (2, 28) = 4.83
Solución con regresores estrictamente exógenos: MCG y MCGF Errores AR(1) con parámetro de autocorrelación conocido: MCG
Corrección de correlación serial con regresores

Se asume que los errores siguen el modelo AR(1):
ut = ρut−1 + et para todo t = 1, 2, ...
yt−1 = β0 + β1 xt−1 + ut−1

yt = β0 + β1 xt + ut .
si se multiplica la primera ecuación por ρ y se le resta de la segunda

ecuación, se obtiene:
yt − ρyt−1 = (1 − ρ)β0 + β1 (xt − ρxt−1 ) + et , t ≥ 2,

Corrección de correlación serial con regresores

Se puede escribir como
ỹt = (1 − ρ)β0 + β1 x̃t + et , t ≥ 2,
Donde ỹt = yt − ρyt−1 y x̃t = xt − ρxt−1 son los datos cuasi

diferenciados.
Los términos de error en esta ecuación no están correlacionados

serialmente; de hecho, esta ecuación satisface todos los supuestos de
Gauss-Markov.
Si se conoce ρ, se puede estimar β0 y β1 al hacer la regresión de ỹt

sobre x̃t , siempre y cuando se divida el intercepto estimado por
(1 − ρ).

Estimación por MCG factibles con errores AR(1)
1 Realice la regresión por MCO de yt sobre xt1 , ..., xtk y obtenga los
residuales de MCO, ût , t = 1, 2, ..., n.
2 Efectúe la regresión de ût sobre ût−1 y obtenga ρ̂.
3 Aplique MCO a la ecuación:
ỹt = β0 (1 − ρ̂) + β1 x̃t1 + ... + βk x̃tk + error
Los errores estándar usuales, los estadı́sticos t y los estadı́sticos F son

asintóticamente válidos.

Estimación por MCG factibles con errores AR(1)
Como el estimador de MCGF no es insesgado, desde luego que no se

puede decir que es MELI.
Es asintóticamente más eficiente que el estimador de MCO cuando el

modelo AR(1) para la correlación serial es válido (y las variables
explicativas son estrictamente exógenas).
Podemos identificar dos procedimientos diferentes:

El método de Cochrane-Orcutt (CO) omite la primera observación.
El método de Prais-Winsten (PW) utiliza la primera observación.
Ambos métodos son idénticos de forma asintótica, mientras que en

muestras finitas se observan diferencias.

Estimación por MCG factibles: Notas adicionales
Existe una forma alternativa para estimar por este método. Este es el
Procedimiento Iterativo para MCGF, con el cual se debe estimar de
forma conjunta los parámetros β y ρ1 .
De todos modos, tiene las mismas propiedades asintóticas que el

MCGF habitual.
Si supone que el término de error sigue un proceso AR(q), con q > 1,

entonces debe realizar el mismo procedimiento anterior, pero
extrapolado a la cantidad de los q rezagos del término de error.
El procedimiento iterativo mencionado anteriormente también se puede

emplear.


Retomemos el modelo de la curva de Phillips estática para Chile en
1989-2919.
inflact = β0 + β1 desempt + ut (12)
Usando los datos del Banco Mundial sobre inflación y desempleo en
Chile para el perı́odo mencionado
1 Estimamos el modelo 12 por MCO y obtenemos los residuos u
bt
\t = 17.68617 − 1.414098 desempt
inflac ∗∗∗ (4.92 ∗∗∗) (−3.11 )
T = 31 2
R̄ = 0.2242 F (1, 29) = 9.67∗∗∗ σ̂ = 5.0388
2 Realizamos la regresión
\t = −0.322756 + 0.5701135 uhatt−1
uhat ∗∗∗
(−0.45) (4.25 )
T = 31 2
R̄ = 0.3624 F (1, 29) = 18.05∗∗∗ σ̂ = 3.9558

¿Existe una evidencia de autocorrelación?

3 Contrastamos (frente a una alternativa bilateral o unilateral)
H 0 : ρ1 = 0
Contraste t de autocorrelación AR(1) con exogeneidad estricta
H1 : ρ1 ̸= 0
Estadı́stica del contraste es t = 4.25 con p − valor ≈ 0
Contraste de Durbin-Watson
H 1 : ρ1 > 0
Estadı́stica de DW es d = 0.859773 < dl < du (dl = 1.35 y du = 1.49)

Contraste de autocorrelación AR(1) con regresores generales

Estimamos el modelo modificado de los errores
\t = −4.416059 + 0.5308134 desempt + 0.6329902 uhatt−1
uhat
(−1.50) (1.44) (4.56)
T = 31 R̄ 2 = 0.3850 F (2, 28) = 10.39 σ̂ = 3.88522

H1 : ρ1 ̸= 0
Estadı́stica del contraste es t = 4.56 con p − valor ≈ 0

¿Existe una evidencia de autocorrelación de orden 2?

\t = −0.2410201 + 0.6077051 uhatt−1 + 0.0361575 uhatt−2 , T = 30
uhat ∗∗∗ (3.21 ) (0.21)
(−0.32)
H0 : ρ1 = ρ2 = 0
Estadı́stica del contraste de Breusch-Godfrey es LM = 12.714 con
p − valor = 0.0017
En cada una de las pruebas se puede concluir que existe evidencia

empı́rica de correlación serial de primer y segundo orden.

Ejemplo: Curva de Phillips estática (cont.)
MCGF bajo el supuesto de errores AR (1)

El método de Cochrane-Orcutt
\t = 6.46592 − 0.1149714 desempt
inflac
(1.20) (−0.19)
2
T = 55 R̄ = 0.4943 F (1, 53) = 5.0907 σ̂ = 2.1428 ρ = 0.78191
El método de Prais-Winsten
\t = 9.558761 − 0.3337987 desempt
inflac
(1.97∗) (−0.58∗∗)
T = 31 R̄ 2 = 0.0576 F (1, 29) = 2.83 σ̂ = 3.7323 ρ = 0.7290378


Solución con regresores estrictamente exógenos: MCG y MCGF Comparación MCO y MCGF
Comparación MCO y MCGF
Si bien las estimaciones por MCO y MCGF pueden entregar

resultados muy distintos, no implica que MCGF sea superior a MCO.
Salvo si existe evidencia de autocorrelación y resultados similares, pues

MCGF es más eficiente y los estadı́sticos de constraste son
asintóticamente válidos.
La dependencia débil es el sostén de las propiedades de consistencia y

normalidad asintótica de los estimadores MCO y MCGF.
Si existen diferencias de significancia estadı́stica se debe emplear un

método más sofisticado, el cual se escapa del alcance de este curso.

Solución con regresores estrictamente exógenos: MCG y MCGF Comparación MCO y MCGF
Comparación MCO y MCGF (cont.)
Comparamos los resultados de la curva de Phillips estática para Chile

entre 1989-2019
MCO MCOrobusto MCONW MCGFCO MCGFPW

β1 -1.414 -1.414 -1.414 -0.1149 -0.3337
error estándar 0.4547*** 0.399*** 0.5669** 0.589 0.575

Series de Tiempo II

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

Series de Tiempo II

Cargado por

Copyright:

Formatos disponibles

TEMA 2: Autocorrelación en regresiones con series

Departamento de Economı́a (USACH) Tema 2. Autocorrelación Econometrı́a II 1 / 43

2 Propiedades del estimador MCO con errores autocorrelacionados

4 Inferencia Robusta con MCO

5 Solución con regresores estrictamente exógenos: MCG y MCGF

Departamento de Economı́a (USACH) Tema 2. Autocorrelación Econometrı́a II 2 / 43

¿Es lógico pensar en que los valores de una variable observada a

¿Podemos seguir manteniendo el supuesto sobre la autocorrelación

Por ejemplo, en la inflación en Chile, que es observada de forma

La idea de este tema es tratar el problema de la autocorrelación en las

Departamento de Economı́a (USACH) Tema 2. Autocorrelación Econometrı́a II 3 / 43

Problema: La inferencia con estos estimadores induce a error, es decir,

La idea es identificar la presencia de este problema y luego corregir los

Estimaremos los errores estándar HAC para solucionar este problema.

Y realizaremos una comparación en la estimación entre distintos

Propiedades del estimador MCO con errores

Si mantenemos los supuestos TS.1 a TS.3, el problema de la

Departamento de Economı́a (USACH) Tema 2. Autocorrelación Econometrı́a II 5 / 43

Distribución del estimador MCO con errores

Supongamos un modelo de retardos distribuı́dos sin retardos y que

La idea es mostrar que la varianza del estimador β

Si ut no está autocorrelacionada, la expresión de Var [βˆ1 ]

Factor de corrección que surge de (Xt − uX )ut

Departamento de Economı́a (USACH) Tema 2. Autocorrelación Econometrı́a II 6 / 43

Distribución del estimador MCO con errores

Como sabemos, el estimador MCO de la ecuación 1 es

respectivamente, podemos rescribir la ecuación 2

Departamento de Economı́a (USACH) Tema 2. Autocorrelación Econometrı́a II 7 / 43

Distribución del estimador MCO con errores

Como en muestras grandes βˆ1 − β1 es aproximadamente el segundo

Cabe suponer que si vt es i.i.d entonces la varianza de βˆ1 es la

Departamento de Economı́a (USACH) Tema 2. Autocorrelación Econometrı́a II 8 / 43

Distribución del estimador MCO con errores

Por lo cual tendremos que la varianza de v̄ está dada por

donde ρj = corr (vt , vt−j ). Además, en muestras grandes fT tiende a

Distribución del estimador MCO con errores

donde fT está dada por la ecuacion 6.

Insesgadez, eficiencia e inferencia

Cabe destacar que el estimador MCO será insesgado y eficiente si

En caso que ρ ̸= 0, el estimador MCO seguirá siendo insesgado, pero

Si ρ1 > 0, el estimador habitual de la varianza por MCO subestima la

Si ρ1 < 0, es posible que el estimador habitual de la varianza por MCO

Departamento de Economı́a (USACH) Tema 2. Autocorrelación Econometrı́a II 11 / 43

La naturaleza de los datos de series temporales nos permite verificar

Las pruebas se realizan luego de obtener los residuos de las

Una forma de iniciar es mediante la representación gráfica de los

La idea es probar la hipótesis de que no existe autocorrelación.

Departamento de Economı́a (USACH) Tema 2. Autocorrelación Econometrı́a II 12 / 43

Departamento de Economı́a (USACH) Tema 2. Autocorrelación Econometrı́a II 13 / 43

Métodos de prueba de la correlación serial

Suponga el siguiente modelo de regresión lineal múltiple con

yt = β0 + β1 xt1 + ... + βk xtk + ut .

En el modelo AR(1), la hipótesis nula de que los errores no se

Departamento de Economı́a (USACH) Tema 2. Autocorrelación Econometrı́a II 14 / 43

Prueba de correlación serial AR(1) con regresores

2 Realice la regresión de ût sobre ût−1 para todo t = 2, ..., n. Obtener

3 Utilice tρ̂ para probar H0 : ρ = 0. contra H1 : ρ ̸= 0 en la forma

Departamento de Economı́a (USACH) Tema 2. Autocorrelación Econometrı́a II 15 / 43

Prueba de Durbin-Watson bajo los supuestos clásicos

El estadı́stico de Durbin-Watson (DW) también se basa en los

El estadı́stico DW y ρ̂ están estrechamente relacionados:

Departamento de Economı́a (USACH) Tema 2. Autocorrelación Econometrı́a II 16 / 43

Departamento de Economı́a (USACH) Tema 2. Autocorrelación Econometrı́a II 17 / 43

Prueba de correlación serial AR(1) sin regresores