Econometra bsica

Autocorrelacin

CAPITULO 7 AUTOCORRELACION

7.1 NATURALEZA Autocorrelacin se define como la correlacin existente entre los miembros de una serie de observaciones ordenadas en el tiempo (series de tiempo) o en el espacio (series de corte transversal). El modelo de regresin lineal clsico supone que no existe autocorrelacin. Simblicamente, E ( t t + s ) = 0 E ( i j ) = 0 s 0 Serie de tiempo i j Corte transversal

Es decir, si la produccin de un trimestre es inferior, no existe razn alguna para esperar que ella sea inferior en el prximo trimestre (serie de tiempo). De modo similar, el efecto de un aumento en el ingreso de una familia sobre sus gastos no se espera que afecten tambin los gastos de consumo de otra familia (serie de corte transversal) Si existe tal dependencia simblicamente podemos expresar1: E ( t t + s ) 0 E ( i j ) 0
1

s 0 Serie de tiempo i j Corte transversal

Algunos autores distinguen entre autocorrelacin y correlacin en serial. As autocorrelacin lo definen como la correlacin de rezagos de una serie dada consigo misma, rezagada en un nmero de unidades de tiempo. Y correlacin serial lo definen como la correlacin de rezagos entre dos series diferentes.

Econometra bsica

Autocorrelacin

Por qu existe autocorrelacin?. Existen algunas razones, dentro de las cuales tenemos: Inercia En series econmicas cuya caracterstica es que son cclicas probablemente observaciones sucesivas sean interdependientes. Sesgo de especificacin: variables excluidas Supongamos que tenemos el siguiente modelo: Yt = 1 + 2 X 2t + 3 X 3t + 4 X 4t + t Sin embargo, por alguna razn se adopt el siguiente modelo: Yt = 1 + 2 X 2t + 3 X 3t + t Esto equivale a decir que:

t = 4 X 4t + t
En la medida en que X4t afecte a Yt , Vt reflejar un patrn sistemtico generando una falsa autocorrelacin

Sesgo de especificacin: forma funcional incorrecta Supongamos que el modelo correcto o verdadero es: CMg i = 0 + 1Qi + 2Qi2 + i Pero se ajusta el siguiente modelo: CMgi = 0 + 1Qi + i
2 De hecho que i = 2Qi + i , y por tanto reflejar autocorrelacin debido al uso de una forma funcional incorrecta.

Fenmeno de la telaraa Sea el siguiente modelo de oferta agrcola:

Econometra bsica St = 1 + 2 Pt 1 + t

Autocorrelacin

En general, no deberamos esperar que t sea aleatoria.

Rezagos Sea el siguiente modelo denominado modelo autorregresivo: Ct = 1 + 2Yt + 3Ct 1 + t El trmino de error resultante reflejar un patrn sistemtico debido a la influencia del consumo rezagado sobre el consumo actual.

Manipulacin de datos Se puede originar patrones sistemticos en los errores y por tanto, un problema de autocorrelacin, si a travs de informacin incompleta se obtiene informacin derivada mediante interpolaciones o promedios. trasformacin de datos nos puede generar problemas de auto correlacin .

7.2 PROPIEDADES DE LOS ESTIMADORES MINIMO CUADRATICOS En presencia de Autocorrelacin Cules son las propiedades de los estimadores que nos proporciona el MMCO? Siguen siendo ptimos? Al respecto supongamos el siguiente modelo2: Yt = 1 + 2 X 2t + t Donde: E ( t t + s ) 0 Si por fines prcticos definimos que3:

t = t 1 + t
2

1 < < 1

El esquema que se presenta se le denomina como esquema autorregresivo de primer orden y se denota por AR(1). No existe ninguna razn por la cual adoptar este esquema a priori, sin embargo es utilizado por su sencillez y por su gran utilidad demostrada en muchas aplicaciones. 3 El esquema propuesto de autocorrelacin se conoce como esquema autorregresivo de primer orden y se denota generalmente como AR(1).

Econometra bsica

Autocorrelacin

Siendo el coeficiente de autocovarianza y t es la perturbacin estocstica tal que satisface los supuestos del MMCO tradicionales. El estimador mnimo cuadrtico para 2 es: 2 = wtYt 2 = wt ( 1 + 2 X 2t + t ) 2 = 1 wt + 2 wt X 2t + wt t Siendo:

=0

w X
t

2t

=1

2 = 2 + wt t E ( 2 ) = 2 + wt E ( t ) E(2 ) = 2 Es decir, aun cuando exista autocorrelacin, el estimador mnimo cuadrtico sigue siendo un estimador insesgado. Por otro lado, s: 2 = 2 + wt t Definimos que, var( 2 ) = E ( 2 2 ) 2 = E ( wt t ) 2 var( 2 ) = E ( w11 + w2 2 + ... + wn n ) 2
2 2 var( 2 ) = E ( w12 12 + ... + wn n + 2w1w2 1 2 + 2w1w2 1 2 + 2w1w3 13 + ... + 2wn 1wn n 1 n Siendo:

2 = 1 + 2 = 1 + A2 3 = 2 + 3 = ( 1 + 2 ) = 2 1 + 2 + 3 = 2 1 + A3 4 = 3 + 4 = ( 2 1 + 2 + 3 ) + 4 = 3 1 + 2 2 + 3 + 4 = 3 1 + A4 .

Econometra bsica

Autocorrelacin

. . n = n 1 + n = ( n 2 1 + n 3 2 + n 2 3 + ... + n 1 ) + n = n 11 + An

3 = 2 + 3 = 2 + B3

4 = 3 + 4 = ( 2 + 3 ) + 4 = 2 2 + 3 + 4 = 2 2 + B4 5 = 4 + 5 = ( 2 2 + 3 + 4 ) + 5 = 3 2 + 2 3 + 4 + 5 = 3 2 + B5 . . . n = n 1 + n = ( n 3 1 + n 4 2 + n 5 3 + ... + n 1 ) + n = n 2 2 + Bn 4 = 3 + 4 = 3 + C 4 5 = 4 + 5 = ( 3 + 4 ) + 5 = 2 3 + 4 + 5 = 2 3 + C 5 6 = 5 + 6 = ( 2 3 + 4 + 5 ) + 6 = 3 3 + 2 4 + 5 + 5 = 3 3 + C 6 . . . n = n 1 + n = ( n 4 3 + n 5 2 + n 6 3 + ... + n 1 ) + n = n 3 3 + C n n 1 = n 2 + n 1 = n 2 + Rn 1 n = n 1 + n = ( n 2 + n 1 ) + n = 2 n 2 + n 1 + n = 2 n 2 + Rn n = n 1 + n = n 1 + Z n
Reemplazando y calculando el valor esperado tenemos:
2 2 var( 2 ) = E ( w12 12 + ... + wn n + 2w1w2 1 2 + 2w1w2 1 2 + 2w1w3 13 + ... + 2wn 1wn n 1 n var( 2 ) = wt2 E ( t2 ) + 2 w1 w2 E[u1 ( 1 + A2 )] + 2 ww w2 E[u1 ( 2 1 + A3 )] + ...

+ 2 w1 wn E[u1 ( n 1 1 + An )] + 2w2 w3 E[u 2 ( 2 + B3 )] + 2w2 w4 E[u 2 ( 2 2 + B4 )] + ... + 2 w3 wn E[u 3 ( n 3 3 + C n )] + ... + 2wn 1 wn E[u n 1 ( n 1 + RC n )] Reemplazando y calculando el valor esperado tenemos: var( 2 ) = wt2 E ( t2 ) + 2 w1 w2 E ( 12 ) + 2 w1 w3 2 E ( 12 ) + ... + 2w1 wn n 1 E ( 12 )

+ 2 w2 wn E[u 2 ( n 2 2 + Bn )] + 2 w3 w4 E[u 3 ( 3 + C 4 )] + 2 w3 w5 E[u 3 ( 2 3 + C 5 )] + ...

2 2 2 2 + 2 w2 w3 E ( 2 ) + 2 w2 w4 2 E ( 2 ) + ... + 2w2 wn n 2 E (u 2 ) + 2w3 w4 E ( 3 ) 2 2 2 + 2 w3 w5 2 E ( 3 ) + ... + 2 w3 wn n 3 E (u 3 ) + ... + 2 wn 1 wn E ( n 1 ) 2 2 2 2 2 var( 2 ) = u wt2 + 2 u w1 w2 + 2 u w1 w3 2 + ... + 2 u u w1 wn n 1

Econometra bsica

Autocorrelacin

2 2 2 + 2 u w2 w3 + 2 u w2 w4 2 + ... + 2 u2 w2 wn n 2 + 2 u w3 w4 2 2 + 2 u w3 w5 2 + ... + 2 u w3 wn n 3 + ... + 2 u2 wn 1 wn

Por tanto, la varianza del estimador 2, bajo un esquema autorregresivo de primer orden es:
2 2 var( 2 ) AR (1) = u wt2 + 2 u [ wt wt +1 + 2 wt wt + 2 + 3 wt wt +3 +... + n 1 w1 wn ] t =1 t =1 t =2 t =3 n n 1 n2 n 3

7.3 ESTIMACION Dentro de todos los estimadores lineales e insesgados La Var ( 2 ) AR (1) es mnima? En realidad no. El mtodo de mnimos cuadrados generalizados nos proporciona otro estimador de varianza menor. El procedimiento de estimacin es el siguiente: Por hiptesis tenemos, Yt = 1 + X 2t + t

t = t 1 + t De primer orden, Donde:

1 < < 1 y adems, E ( t ) = 0 E ( t2 ) = 2 E ( t t +s ) = 0 De lo anterior es posible escribir, Yt 1 = 1 + X 2t 1 + t 1

Yt 1 = 1 + X 2t 1 + t 1 Rezagado en un periodo, multiplicado por

Yt Yt 1 = (1 ) 1 + 2 ( X 2t X 2t 1 ) + ( t t 1 ) Yt Yt 1 = (1 ) 1 + 2 ( X 2t X 2t 1 ) + t

Econometra bsica
* Yt * = 1* + 2 X 2t + t

Autocorrelacin

* E (Yt * ) = 1* + 2 X 2t FRP este modelo que cumple con todos los requisitos para q el mtodo de mmco sea eficiente,

Mediante el mtodo de mnimos cuadrados ordinarios se obtiene: 2 =

y x x
* t

* 2t * 2 2t

en funcin de ro.

Siendo: Yt * = Yt Yt 1

= Yt Yt 1

Yt * = Yt Yt 1 y t* = y t y t 1 Anlogamente,
* x 2t = x 2t x 2t 1

Reemplazando:

2 MCG =

( y y )( x ( x x
t t 1 2t

2t

x 2 1 ) )
2

2 t 1

Por tanto su varianza ser: Var ( 2 ) MCG =

2

Lo nico que necesitamos es conocer el valor de ro y obtenemos elmodleo transformado. Et=roet-1 Si yo se cuanto es el DW puedo haya el ro 7.4 CONSECUENCIAS

(x

2t

x 2t 1 )

Econometra bsica

Autocorrelacin

Cules son las consecuencias de utilizar MCO en presencia de autocorrelacin? Dos casos: Estimacin de MCO permitiendo autocorrelacin: Intervalos de confianza amplios Tendencia a no rechazar la hiptesis nula cuando deberamos hacerlo Estimacin de MCO sin tener en cuenta autocorrelacin. Es probable que la varianza obtenida por el mtodo de mnimos cuadrados ordinarios la subestime Se sobre estima el coeficiente de determinacin Las pruebas de significancia dejan de ser vlidas y conducen a conclusiones errneas Se subestima la pendiente y se sobreestima el intercepto de la lnea de regresin de dos variables. 7.5 IDENTIFICACION DEL PROBLEMA DE AUTOCORRELACION Cmo detectar la autocorrelacin? Al respecto debe seguirse las siguientes reglas prcticas. a) Mtodo grfico Realizar un grfico de los residuos y sus rezagos correspondiente y tratar de identificar si existe algn patrn sistemtico. b) La prueba de aleatoriedad o de corridas Asumiendo la Hiptesis nula de que los residuos son independientes (aleatorios) bajo el supuesto que N 1 > 10 y N 2 > 10 , el nmero de corridas tiene una distribucin (asintticamente) normal con: 2 N1 N 2 +1 N1 + N 2

Media:

E ( n) =

Varianza: Donde:
N N1 N2

2 n =

2 N1 N 2 (2 N1 N 2 N1 N 2 ) ( N 1 + N 2 ) 2 ( N 1 + N 2 1)

= Nmero de observaciones = Nmero de residuos positivos = Nmero de residuos negativos.

Econometra bsica n = Nmero de corridas.

Autocorrelacin

Para sostener la hiptesis de aleatoriedad (no existencia de autocorrelacin) de los residuos debemos esperar que n se encuentre entre [ E (n) 1.96 n ] con un 95% de confianza. c) La prueba 2 de independencia de los residuos. La idea es construir una tabla de contingencia de et y de et 1 de acuerdo al nmero de signos observados en cada una de las series. Bajo la hiptesis nula de que las et estn distribuidas en forma independiente se puede demostrar que:

(A

Ei ) 2

Ei Donde: Ai Ei r c

~ (2r 1)( c 1)

es la frecuencia real u observada en la celda i. es la frecuencia terica o esperada en la celda i. es el nmero de filas. es el nmero de columnas

d) Prueba d de Durbin-Watson El estadstico d se define como:

(e e d= e
t 2 t

t 1

)2

Supuestos: El modelo de regresin incluye intercepto. Las variables explicativas son fijas o no estocsticas. Las perturbaciones se generan a travs de un esquema autorregresivo de primer orden. El modelo no incluye valores rezagados de la variable dependiente como variable explicativa No hacen falta observaciones en los datos.

Siendo:

Econometra bsica

Autocorrelacin 10
t t 1

e + e 2 e e d= e
2 t 2 t 1

d = 2(1

Y adems definimos que:

e e e
t

2 t

t 1 2 t

e e e

t t 1 2 t

Entonces: d = 2(1 ) Lo que implica que: 0 d 4 0 Es decir, cualquier valor estimado de d debe encontrarse dentro de estos lmites. Es evidente que s:

=0 =1 = 1

d = 2 No existe autocorrelacin de primer orden. d = 0 Existe autocorrelacin serial positiva. d = 4 Existe autocorrelacin serial negativa

La mecnica de la prueba de Durbin-Watson es la siguiente: f(d) Realizar la regresin por el MMCO y obtener et Calcular d Para un tamao de muestra dado y un nmero de variables explicativas determinado, hallar los valores crticos de d L y d U Seguir las reglas de decisin segn el grfico siguiente4:

Rechazar Ho

Zona de Indecisin

Aceptar Ho Aceptar Ho*

Zona de Indecisin

Rechazar Ho*

Una de las desventajas de esta prueba es que si estas caen en la zona de indecisin no se puede concluir si existe o no autocorrelacin. Para resolver este problema es posible determinar la prueba d modificada que est fuera del propsito del curso.

Econometra bsica

Autocorrelacin 11

0 Ho: Ho*:

dL

dU

4-dU

4-dL

No hay autocorrelacin positiva. No hay autocorrelacin negativa.

7.6 SOLUCIONES AL PROBLEMA DE AUTOCORRELACION Cmo remediar un problema de auto-correlacin? El remedio depende del conocimiento que se tenga sobre la naturaleza de la interdependencia existente entre las perturbaciones. CASO 1: Cuando se conoce la estructura de la autocorrelacin. En la prctica se supone frecuentemente que:

t = t 1 + t
Donde: 1 < < 1

Satisface los supuestos del MMCO.

Siendo el modelo: Yt = 1 + 2 X 2t + t Rezagando en un periodo Yt 1 = 1 + X 2t 1 + t 1 Multiplicando por en ambos miembros de la ecuacin anterior tenemos:

Yt 1 = 1 + X 2t 1 + t 1
Restando el modelo original menos la ltima expresin miembro a miembro tenemos: Yt Yt 1 = (1 ) 1 + 2 ( X 2t X 2t 1 ) + ( t t 1 ) Yt Yt 1 = (1 ) 1 + 2 ( X 2t X 2t 1 ) + t

Econometra bsica

Autocorrelacin 12

Puesto que t satisface los supuestos del MMCO podemos aplicar dicho mtodo al modelo transformado para obtener estimadores ptimos5. CASO 2: Cuando no se conoce la estructura de la autocorrelacin. En la prctica es raro conocer el valor de por ello se necesita disear mtodos alternos, algunos de los cuales son los siguientes: a) Mtodo de la primera diferencia.

Sea el modelo: Yt = 1 + 2 X 2t + t Donde:

t = t 1 + t
1 < < 1 y t satisface los supuestos del MMCO. Si suponemos que: No existe autocorrelacin entonces: = 0 El modelo a estimar debe ser el mismo. Existe autocorrelacin positiva entonces: = 1 El modelo a estimar debera ser el siguiente: Yt Yt 1 = 2 ( X 2t X 2t 1 ) + ( t t 1 ) Yt Yt 1 = 2 ( X 2t X 2t 1 ) + t Existe autocorrelacin negativa entonces: = -1 El modelo a estimar debera ser el siguiente: Yt + Yt 1 = 2 1 + 2 ( X 2t X 2t 1 ) + ( t t 1 ) Yt + Yt 1 = 2 1 + 2 ( X 2t X 2t 1 ) + ( t t 1 )

Aplicar el MMCO al modelo transformado es equivalente a utilizar el MMCG.

Econometra bsica Yt + Yt 1 ( X 2t X 2t 1 ) = 1 + 2 + t 2 2 b) Mtodo en el estadstico d Durbin-Watson

Autocorrelacin 13

Siendo el estadstico de Durbin-Watson: d = 2(1 ) Entonces, se puede despejar y utilizarlo para poder transformar los datos como se ilustr anteriormente y aplicar el MMCO. Sin embargo, el procedimiento anterior puede no ser vlido para muestras pequeas, de modo que se sugiere que se calcula en base al estadstico d modificado: d n 2 (1 ) + k 2 2 = 2 n k2

Econometra bsica

Autocorrelacin 14

ANEXO G NOCIONES BASICAS DE EVIEWS 3.1 AUTOCORRELACIN La siguiente regresin muestra una ecuacin en la que tratamos de explicar el valor real de las importaciones trimestrales (IMPK) en funcin de tres explicativas: el valor real de la formacin bruta de capital fijo (FBCK), el valor real del consumo privado de los hogares (GTOHOGK) y los precios de importacin de productos energticos (PIMPENER). 6
Dependent Variable: IMPK Method: Least Squares Date: 03/13/06 Time: 11:17 Simple: 1981:1 2002:2 Included observations: 86 Variable Coefficien t C 56823.91 FBCK bestima GTOHOGK 1.265278 PIMPENER 30.80776 R-squared 0.983182

Std. Error

t-Statistic

Prob. 0.0000

2537.860 -22.39049

0.166913 -0.897365 0.3722 0.100670 12.56854 0.0000 3.582319 8.599948 0.0000 Mean dependent 21327.7 var 0 Adjusted R-squared 0.982566 S.D. dependent var 12136.7 2 S.E. of regresin 1602.487 Akaike info criterion 17.6419 0 Sum squared resid 2.11E+08 Schwarz criterion 17.7560 5 Log likelihood F-statistic 1597.88 754.6015 3 Durbin-Watson stat 0.290346 Prob(F-statistic) 0.00000 0

Comentario sobre los resultados La funcin de regresin muestral presenta signos incorrectos en los parmetros estimados de FBCK y PIMPENER. Para el caso de la inversin, la relacin entre inversin e importaciones debera ser positiva; para el caso de los precios de importacin energticos, la relacin ms razonable es inversa (negativa). Los contrastes individuales son significativos para todos los coeficientes a excepcin de FBCK cuyo p-value es
6

Para reproducir los resultados de la regresin utilice el archivo en formato Eviews: capitulo7_Autocorrelaciun.

Econometra bsica

Autocorrelacin 15

inadmisiblemente elevado: slo puede rechazarse la hiptesis de nulidad del parmetro real con un (1-0,37)=0,63% de nivel de confianza. Pese a la incorreccin de dos de los signos y un bajo contraste de significacin para FBCK, la R2 es muy elevada. Frente a estos resultados empricos contrarios a la lgica econmica cabe sospechar que estamos ante un error de especificacin. Efectivamente, y aunque se ver con detalle ms adelante, el valor del estadstico DW indica una fuerte autocorrelacin positiva que, seguramente, viene causada por una indebida especificacin. Resulta muy probable que la ecuacin exhiba, as mismo, problemas de multicolinealidad, heterocedasticidad u otros incumplimientos bsicos pero, por el momento, nos concentraremos en utilizar este ejemplo con el fin de ilustrar el problema de la autocorrelacin. PRUEBAS DE AUTOCORRELACION a) Mtodo Grfico El anlisis grfico del residuo de la regresin estimada indica un claro patrn sistemtico denotando autocorrelacin positiva de primer grado por que la evolucin de los residuos tienen un patrn sistemtico sinusoidal o de ondas y existe una relacin directa entre los residuos y los residuos desfasados en un periodo; lo cierto es que el componente auto - regresivo del error es muy claro.

Econometra bsica

Autocorrelacin 16 GRAFICO N 01 Errores Muestrales 1982-2002

4,000.000 3,000.000 2,000.000 1 ,000.000 0.000 1 .1 981 -1 ,000.000 -2,000.000 -3,000.000 -4,000.000

1 988.1

1 995.1

2002.1

GRAFICO N 02 Residuos y Residuos (-1)

4,000.000 3,000.000 2,000.000 1 ,000.000 0.000 -1 ,000.000 0.000 -1 ,000.000 -2,000.000 -3,000.000 -4,000.000

-4,000.000

-3,000.000

-2,000.000

1 ,000.000

2,000.000

3,000.000

4,000.000

b) Prueba de Aleatoriedad o de corridas Asumiendo la Hiptesis nula de que los residuos son independientes (aleatorios) bajo el supuesto que N1>10 y N2>10, el nmero de corridas tiene una distribucin (asintticamente) normal con: Media: E ( n) = 2 N1 N 2 +1 N1 + N 2

2 Varianza: n =

2 N1 N 2 (2 N1 N 2 N1 N 2 ) ( N 1 + N 2 ) 2 ( N 1 + N 2 1)

Donde: N = Nmero de observaciones

Econometra bsica N1 = Nmero de residuos positivos N2 = Nmero de residuos negativos. n = Nmero de corridas.

Autocorrelacin 17

Para sostener la hiptesis de aleatoriedad de los residuos debemos esperar que n se encuentre entre E (n) 1.96 n con un 95% de confianza. Considerando la Tabla N 01 se tiene: N N1 N2 n = = 44 = 42 = 18

Entonces, Media: E ( n) = 2(44)(42) + 1 = 43.9767442 44 + 42

Varianza: 2(44)(42)[(44)(42) 44 42] 7'148,064 2 n = = = 11.3703178 628,660 (86) 2 (85) Por tanto, el intervalo de confianza del 95% para es: 43.9767442 50585845) 1.96 (3.37199019) = E (n)

(37.3676434,

Si n=18 se deduce que est fuera del intervalo establecido. Luego, se rechaza la hiptesis de que la secuencia observada de los residuos que se ilustra en el Tabla N 01, no es aleatoria con un nivel de confianza del 95%. Por tanto, es muy probable que exista autocorrelacin. c) Prueba de independencia de los residuos La idea es construir una tabla de contingencia de et y et-1 de acuerdo al nmero de signos observados en cada una de las series. Bajo la hiptesis nula de que las et estn distribuidas en forma independiente se puede demostrar que:

Econometra bsica

Autocorrelacin 18 ~ (2r 1)( c 1) TABLA N 01

(A

Ei ) 2

Ei

RESIDUOS Y SUS FRECUENCIAS DE SIGNOS

AO 1981.1 RESIDUOS SIGNO FRECUENCIA + 1,254.268 + 1,665.997 + 1,546.703 + 1,573.366 + 1,359.431 + 1,639.177 + 1,312.639 + 1,042.407 + 484.214 + 321.077 + 175.135 11.000 -612.199 -205.070 2.000 + 79.525 1.000 -847.921 -734.975 -2,044.363 -1,230.492 -863.570 -767.517 6.000 + 413.002 + 1,451.669 + 2,354.731 + 1,685.566 + 420.600 + 581.358 + 944.321 + 1,068.600 + 402.614 + 503.182 + 673.498 11.000 -223.911 1.000 + 791.804 1.000 -1,164.962 -1,582.512 -1,987.625 -843.202 -892.976 -2,448.450 -3,512.930 -2,140.277 -1,599.239 -2,029.501 -2,348.353 AO RESIDUOS SIGNO FRECUENCIA -2,029.501 -2,348.353 -1,878.591 -2,412.832 -2,345.298 -2,308.679 -2,875.039 -2,899.523 -2,870.680 -541.606 -790.367 -1,124.827 -781.418 -398.604 23.000 + 1,403.111 + 439.444 2.000 -18.364 1.000 + 39.673 1.000 -452.167 -349.831 2.000 + 1,490.633 + 257.235 + 497.825 + 1,214.710 + 918.067 + 1,287.866 + 1,600.000 + 3,159.702 + 2,961.924 + 3,602.893 + 2,923.230 + 3,004.623 + 2,238.171 + 1,849.051 14.000 -315.490 -238.995 2 + 1,264.366 1 -277.492 1 + 1,031.966 + 12.763 2 -1,032.168 -223.246 -786.525 -1,940.350 4

1992.1

1982.1

1993.1

1983.1

1994.1

1984.1

1995.1

1985.1

1996.1

1986.1

1997.1

1987.1

1998.1

1988.1

1999.1

1989.1

2000.1

1990.1

2001.1

1991.1

2002.1

Econometra bsica

Autocorrelacin 19

Donde: Ai Ei r c Es Es Es Es la la el el frecuencia real u observada en la celda i. frecuencia terica o esperada en la celda i. nmero de filas. nmero de columnas

Considerando la Tabla N 02, es posible obtener las siguientes tablas de contingencia: TABLA N 03 TABLA DE CONTINGENCIA: RESIDUOS OBSERVADOS Periodo (t)
N de Residuos Positivos N de Residuos negativos 9 33 42 Total 44 41 85

Periodo t(-1)

N de Residuos Positivos N de Residuos negativos Total

35 8 43

TABLA N 04 TABLA DE CONTINGENCIA: RESIDUOS ESPERADOS Periodo (t)

N de Residuos Positivos N de Residuos negativos 28.19 36.81 65 Total 49 64 113

Periodo t(-1)

N de Residuos Positivos N de Residuos negativos Total

20.81 27.19 48

Econometra bsica

Autocorrelacin 20

(A
66

Ei ) 2

Ei

(35 20.81) 2 (9 28.19) 2 (8 27.19) 2 (33 36.81) 2 = + + + = 36. 20.81 28.19 27.19 36.81

Siendo 12 = 6.63 para un nivel de significancia del 95% se rechaza la hiptesis nula de independencia, luego concluimos que los et y et 1 no son independientes por lo tanto es muy probable que exista autocorrelacin. TABLA N 02 RESIDUOS Y RESIDUOS DESFASADOS EN UN PERIODO
AOS 1981.1 RESIDUO RESIDUOS( SIGNO RESIDUOS(- SIGNO S -1) S AOS RESIDUOS 1) S -1,254.3 -2,348.4 -2,029.5 -1,666.0 1,254.3 + + 1992.1 -1,878.6 -2,348.4 -1,546.7 1,666.0 + + -2,412.8 -1,878.6 -1,573.4 1,546.7 + + -2,345.3 -2,412.8 -1,359.4 1,573.4 + + -2,308.7 -2,345.3 -1,639.2 1,359.4 + + 1993.1 -2,875.0 -2,308.7 -1,312.6 1,639.2 + + -2,899.5 -2,875.0 -1,042.4 1,312.6 + + -2,870.7 -2,899.5 -484.2 1,042.4 + + -541.6 -2,870.7 -321.1 484.2 + + 1994.1 -790.4 -541.6 -175.1 321.1 + + -1,124.8 -790.4 -+ --612.2 175.1 -781.4 -1,124.8 ---205.1 -612.2 -398.6 -781.4 79.5 -205.1 + - 1995.1 1,403.1 -398.6 + -+ -847.9 79.5 439.4 1,403.1 + + --+ -735.0 -847.9 -18.4 439.4 --2,044.4 -735.0 39.7 -18.4 + --+ -1,230.5 -2,044.4 1996.1 -452.2 39.7 ---863.6 -1,230.5 -349.8 -452.2 --767.5 -863.6 1,490.6 -349.8 + 413.0 -767.5 + 257.2 1,490.6 + + 1,451.7 413.0 + + 1997.1 497.8 257.2 + + 2,354.7 1,451.7 + + 1,214.7 497.8 + + 1,685.6 2,354.7 + + 918.1 1,214.7 + + 420.6 1,685.6 + + 1,287.9 918.1 + + 581.4 420.6 + + 1998.1 1,600.0 1,287.9 + + 944.3 581.4 + + 3,159.7 1,600.0 + + 1,068.6 944.3 + + 2,961.9 3,159.7 + + 402.6 1,068.6 + + 3,602.9 2,961.9 + + 503.2 402.6 + + 1999.1 2,923.2 3,602.9 + + 673.5 503.2 + + 3,004.6 2,923.2 + + -+ -223.9 673.5 2,238.2 3,004.6 + +

1982.1

1983.1

1984.1

1985.1

1986.1

1987.1

1988.1

Econometra bsica
1989.1 791.8 -1,165.0 -1,582.5 -1,987.6 -843.2 -893.0 -2,448.5 -3,512.9 -2,140.3 -1,599.2 -2,029.5 -2,348.4 -223.9 791.8 -1,165.0 -1,582.5 -1,987.6 -843.2 -893.0 -2,448.5 -3,512.9 -2,140.3 -1,599.2 -2,029.5

Autocorrelacin 21 + -+ ----------1,849.1 -315.5 -239.0 1,264.4 -277.5 1,032.0 12.8 -1,032.2 -223.2 -786.5 -1,940.4 2,238.2 1,849.1 -315.5 -239.0 1,264.4 -277.5 1,032.0 12.8 -1,032.2 -223.2 -786.5 -1,940.4

2000.1

1990.1

2001.1

1991.1

2002.1

++ -+ -+ -+ + ++ -+ ----

d) Prueba d de Durbin Watson El estadstico d de Durban-Watson se utiliza para hacer contrastes sobre la presencia de autocorrelacin de primer orden y se define como:

[e e d= e
t 2 t

t 1

Este estadstico es vlido si: El modelo de regresin incluye intercepto. Las variables explicativas son fijas o no estocsticas. El modelo no incluye valores rezagados de la variable dependiente como variable explicativa No hacen falta observaciones en los datos. Por la regresin, anteriormente efectuada, se tiene que el estadstico d=0.290343. Para comprobar dicho resultado efecte lo siguiente: Estando en el Work File:

Seleccionar Genr En la ventana activa escribir e1=resid Nuevamente seleccionar Genr En la ventana activa escribir e2=resid(-1)

Estando en el Work File, en la lnea de comandos escribir:

Scalar d=(e1-e2)^2/(e1)^2

Econometra bsica

Autocorrelacin 22

Pulsar doble clic sobre el icono del scalar generado

e) Prueba h de Durbin El estadstico "d" de Durbin y Watson no puede utilizarse para detectar correlacin serial (de primer orden) en los modelos autorregresivos debido a que el valor "d" calculado en tales modelos generalmente tiende a 2, que corresponde al valor de "d" esperado en una secuencia aleatoria. Por ello Durbin ha proporcionado una prueba para muestras grandes para detectar correlacin serial de primer orden en los modelos autorregresivos. Esta prueba denominada estadstico H es la siguiente. H = n 1 n[var( 2 )]

p se puede aproximar a partir de "d" 1 = [1 d ) ; 2 Si se supone que n es grande entonces H~AN(0,1); es decir, H tiene una distribucin asintmaticamente normal (AN) con promedio cero y varianza unitaria. Como a partir de la distribucin normal se sabe que: Pr[1.96 H 1.96] = 0.95 Entonces, la regla de decisin es: " si H se encuentra entre -1,96 y + 1,96 no se rechaza la hiptesis nula de que no existe autocorrelacin de primer orden (positiva o negativa). En el Eviews, para verificar el valor del estadstico de DurbinWatson luego de realizar la regresin, se debe proceder del modo siguiente: Estando en el Work File.

Seleccionar Genr En la ventana activa escribir e=resid Por segunda vez, seleccionar Genr En la ventana activa escribir e2=e*e Por tercera vez, seleccionar Genr

Econometra bsica

Autocorrelacin 23

En la ventana activa escribir ee2=(e-e(-1))^2

Estando en el Work File, escribir en la lnea de comandos:

scalar dw=@sum(ee2)/@sum(e2) Pulsar doble clic sobre el cono del escalar dw

f) Prueba de Breusch y Godfrey El estadstico de Breusch-Godfrey supone que el trmino de perturbacin es generado por el esquema autorregresivo de orden p.

t = 1 t 1 + 2 t 2 + 3 t 3 + ..., p t p + t
La hiptesis nula es: H 0 : 1 = 2 = 3 = ... p = 0 es decir que no hay autocorrelacin de ningn orden. Breusch-Godfrey ha demostrado que la hiptesis nula puede ser probada de la siguiente manera: Estimar el modelo por MCO y obtener los residuos et Efectuar la siguiente regresin: et = 1 + 2 X 2t + ... + k + 1et 1 + 2 et 2 + ... + p et p As, si p=4 se introducen en el modelo 4 valores rezagados de los residuos, por tanto el modelo auxiliar contiene n-p observaciones. De dicha regresin obtener R 2 Si el tamao de la muestra es grande entonces:
2 [ n p ]R 2 ~ p 2 Luego si [n p ]R 2 excede el valor crtico de p , al nivel de significancia seleccionado, se rechaza la hiptesis nula por cuanto por lo menos un es significativamente diferente de cero.

En el Eviews, para obtener el estadstico de Breusch y Godfrey, se debe proceder del modo siguiente: Estando en el Workfile:

Econometra bsica

Autocorrelacin 24

Seleccionar la variable endgena (IMPK) seguida de las variables exgenas (FBCK, GTOHOGK y PIMPENER) presionando la tecla ctrl. Con un click en el botn derecho del mouse seleccionar Open/as Equation En la ventana activa (Equation Specification) pulsar OK.

Estando en el objeto equation UNTITLED:

Seleccionar View/resuals Test/Serial Correlation LM Test En la ventana activa especificar el nmero de rezagos a considerar (por defecto es 2 que corresponde a verificar la existencia de autocorrelacin de segundo orden)

Este procedimiento nos permite obtener los siguientes resultados:

Este resultado nos permite observar el estadstico de Breusch y Godfrey cuyo valor es de 61.71334. Ntese que la probabilidad de rechazar la hiptesis nula (No existe autocorrelacin) siendo esta cierta es de 0.0000 (aproximadamente igual a cero) de modo que rechazamos dicha hiptesis y sostenemos que existe autocorrelacin. Adicionalmente, ntese que en la regresin adjunta, el coeficiente de RESID(-1) es estadsticamente significativo, lo

Econometra bsica

Autocorrelacin 25

cual implica la existencia de autocorrelacin de primer orden AR(1).