Autocorrelación de Est2

CONTENIDO
AUTOCORRELACIN ............................................................................................
.................. 2
CAUSAS DE LA AUTO CORRELACIN
........................................................................... 3
PROBLEMAS DE LA AUTO
CORRELACIN................................................................... 4
IDENTIFICACIN DE LA
AUTOCORRELACIN............................................................. 5
CONTRASTE DE DURBIN WATSON:
........................................................................... 5
MTODO GRFICO
.......................................................................................................... 7
CONTRASTE DE WALLIS (1972)
.................................................................................. 8
CONTRASTE DE BREUSCH-GODFREY13 (1978)
................................................... 10
CORRECCIN DE LA AUTOCORRELACIN
............................................................... 11
1.
ADAPTANDO LA ESPECIFICACIN A LA NATURALEZA DE LOS DATOS 12
2. CAMUFLANDO LA AUTOCORRELACIN
........................................................ 13
EJERCICIO 1 EN GRETL:
...................................................................................................... 20
EJERCICIO 2(EXCEL)
............................................................................................................ 22
BIBLIOGRAFIA: .....................................................................................................
................... 24
AUTOCORRELACINECONOMETRA
PGINA
1
AUTOCORRELACIN
La autocorrelacin surge
cuando los trminos de error del modelo no son
independientes entre s, es decir, cuando: E (uiuj) 0. Para todo ij. Entonces

los errores estarn vinculados entre s. Los estimadores mnimos cuadrticos
ordinarios (MCO) obtenidos, bajo esta circunstancia, dejan de ser eficientes. La
autocorrelacin generalmente aparece
en datos
en
serie de
tiempo
aunque tambin se presenta en el caso de una muestra de corte transversal.

Como primera aproximacin se asume que las observaciones se generan de la
siguiente manera:
Yt =a + b Xt+ ut
ut= ut-1+t
para
1< <1
Este modelo expresa un comportamiento autorregresivo de primer orden de los

errores y se denota como AR(1). En este caso a rho () se le conoce como
coeficiente de auto covarianza o de autocorrelacin y el error () es una
perturbacin estocstica que satisface los supuestos MCO tradicionales. El
coeficiente de autocorrelacin (rho) se mueve entre los valores de menos uno y
uno ( -1 < < 1). Al encontrarse entre los valores extremos se dice que existe
un proceso autorregresivo de las perturbaciones o disturbios de los errores.
Si = 0 no existe autocorrelacin
Si = 1 existe autocorrelacin positiva perfecta
Si = -1 existe autocorrelacin negativa perfecta
En trminos matriciales, este problema supone que los elementos que se
encuentran fuera de la diagonal principal de la matriz de varianza-covarianza
(E[UU]) pueden no ser ceros.
PGINA
2
CAUSAS DE LA AUTO CORRELACIN

El problema de la autocorrelacin se presenta mucho en series histricas, en
las cuales la memoria se transmite a travs de los errores. Un shock grande
o pequeo se mantiene en el tiempo.
Entre las principales causas que hacen que aparezca la autocorrelacin en una
muestra tenemos las siguientes:
Inercia. Cuando existen tendencias marcadas que influyen en los

valores futuros de la serie.
Sesgos de especificacin. Cuando se elige mal la forma funcional o

cuando se omiten variables, lo cual genera un comportamiento
sistemtico en el trmino estocstico.
Tiempo de ajuste. Implica el tiempo que los agentes econmicos deben

tomar para procesar informacin de un perodo dado. As un fenmeno
sucedido en un perodo determinado puede impactar en uno o varios
posteriores.
Preparacin de datos. En datos de corte transversal al ordenar los

datos con respecto alguna variable (consumo ordenado de mayor a
menor
por
la
variable
ingreso)
puede
introducir
un
proceso
aparentemente autocorrelacionado.
Las consecuencias inmediatas, producto de la autocorrelacin, es que los
estimadores son poco eficientes, ya que sus varianzas estarn sobre o
subestimada lo cual imposibilita utilizar las pruebas de contrates test
estadstico usuales para verificar la validez de las estimaciones. Pero los
estimadores siguen siendo lineales, insesgados y consistentes pero han
perdido (como consecuencia de autocorrelacin) su propiedad de varianza
mnima, pero la insesgadez ser til para resolver el problema.
PGINA
3
PROBLEMAS DE LA AUTO CORRELACIN

Con la presencia de autocorrelacin los estimadores obtenidos con mnimos
cuadrados ordinarios dejan de ser MELI, en el sentido que dejan de ser
aquellos con varianza mnima, aun cuando sean insesgados.
En consecuencia se tendra como principales problemas:
Estimadores poco eficientes
Invalidez de las pruebas de contraste usuales
Ignorar el problema de la autocorrelacin lleva a que las pruebas t y F dejen de

ser vlidas ya que muy probablemente arrojen conclusiones erradas. Debido a
que la matriz de varianzas y covarianzas estarn erradas.
No se debe dejar de considerar ciertos aspectos al analizar el problema:
En la practica el no se conoce por lo tanto hay que estimarlo y esto

genera perdidas de grados de libertad, el problema, en
muestras
pequeas, es relevante si el estimado es mayor a 0,3. cuando el

proceso es autorregresivo de primer orden.
Si la estructura de autorregresin de los errores es ms compleja no se

debe ignorar el problema ni asumir supuestos heroicos.
En series con datos mensuales (o trimestrales) pueden surgir procesos

autorregresivos de duodcimo (o cuarto) orden y no detectar por tanto el
proceso si se realizan pruebas de contraste de primer orden
Es posible confundir una mala especificacin con un proceso

autorregresivo.
Tambin es posible inducir al surgimiento de un proceso autorregresivo

al ordenar, los datos de
corte transversal, los valores de la
variable dependiente de mayor a menor o viceversa
PGINA
4
IDENTIFICACIN DE LA AUTOCORRELACIN
CONTRASTE DE DURBIN WATSON:
Para detectar la presencia de autocorrelacin en una serie de datos la prueba
ms utilizada y que es calculada en, prcticamente,
todos los programas
economtricos, es la de Durbin Watson. Para este fin se define el estadstico

de la siguiente manera:
Donde t es el residuo estimado para el periodo t. Es posible escribir a d

como:
Dado que t2
y t-12
grandes (y dado tambin que
son aproximadamente iguales para muestras

=[t
t-1/t2]). Tambin se ha
demostrado que el valor esperado de d, cuando =0, esta dado por la siguiente
relacin (Maddala, 1996).
PGINA
5
La distribucin del muestreo de la prueba y su contraste depende del

nmero de observaciones, del nmero de parmetros, de la inclusin o no del
intercepto y de la incorporacin de variables rezagadas en el modelo, adems
del nivel de significancia. Los valores del estadstico Durbin-Watson poseen un
rango que va de cero a cuatro.
Valor del Durbin entre
Valor del
Conclusin
Limites 0dL
Limites dLdU
1
?
Autocorrelacin Positiva
Ausencia de Evidencia
Limites dU4-dU
Ausencia de Autocorrelacin
Limites 4-dU4-dL
Ausencia de Evidencia
Limites 4-dL4
-1
Autocorrelacin Negativa
PGINA
6
Existen tablas para probar la hiptesis de autocorrelacin cero (=0) contra la

hiptesis de autocorrelacin positiva (>0), que arrojan los lmites: inferior (dL)
y superior (dU), para la autocorrelacin negativa se estima por diferencia con
lmites dado por la tabla que son 4-dU y 4-dL.
MTODO GRFICO
Con el uso del programa se pueden construir y graficar los residuos de forma
muy simple, se corre el modelo se estiman los residuos y se construyen los
residuos rezagados para graficar. Las instrucciones correspondientes se listan
a continuacin.
NAMELIST
; X = ONE, MONEY, INTEREST; Y=
GNP$ CREATE
; E1 = 0 ; .E2 = 0 ;
E3 = 0 $
REGRESS ; Lhs = Y ; Rhs = X ; Res = E $ PERIOD

; 1969 - 1985 $
CREATE
; E1 = E[-1] ; E2 = E[-2]; E3 = E[-3] $ SAMPLE
; All $
PLOT; RHS= E; LHS=YEAR$
Es fcil apreciar la existencia de un comportamiento sistemtico de los errores

graficados con respecto a los aos, se puede observar, si unimos los puntos,
PGINA
7
como sube y bajan parecido a una montaa rusa los residuos con
montaas y valles, lo cual hace pensar en un modelo o comportamiento
subyacente que no ha sido capturado en la estimacin.
Otro grfico usual para detectar la presencia de procesos autorregresivos en
los errores es graficar los errores contra ellos mismos pero rezagado, es decir
s grfica el error t versus t-1 y centrando en cero se ve si crecen o
decrecen montonamente. La instruccin que a continuacin se lista muestra la
existencia de un proceso autorregresivo positivo
PLOT; RHS= E; LHS=E1$
Se puede observar claramente como los valores siguen una ruta que va desde
el cuadro inferior izquierdo al cuadro superior derecho marcando un claro
ascenso en diagonal. Este comportamiento es tpico de un proceso
autorregresivo positivo (=1). Si el comportamiento hubiera sido desde el
cuadro superior izquierdo al cuadro inferior derecho la autocorrelacin sera (=
-1) negativa
CONTRASTE DE WALLIS (1972)
Este contraste presenta una modificacin del estadstico de Durbin-Watson
para los modelos que utilizan datos trimestrales en los que, dado el carcter
estacional de estas series, se espera que la perturbacin de una observacin
concreta no est relacionada con la perturbacin del
PGINA
8
periodo inmediatamente anterior sino que dependa de la perturbacin del

mismo
trimestre
pero del ao anterior, es decir, que la estructura de
autocorrelacin sea ut jut4 et

El contraste plantea en la hiptesis nula la ausencia de autocorrelacin,
H0 :j 0
No existe autocorrel acin
H1 : 0 j 1
Existe autocorrel acin
Para verificar si esta estructura de autocorrelacin es o no cierta Wallis

propone una modificacin del estadstico de Durbin-Watson que denomina d4 :
Este estadstico tambin fue
tabulado por Wallis bajo el supuesto de modelo
de regresin con un nico trmino independiente y tambin para el caso de

regresiones que incluyan trminos independientes y variables ficticios
estacionales (trimestrales). Al igual que el contraste de Durbin-Watson, el
estadstico d4 se ha tabulado suponiendo que la matriz de regresores es no
aleatoria y suponiendo tambin que el modelo tiene trmino independiente.
Adems de este contraste, King9
(1983) desarroll otra modificacin del
estadstico de Durbin-Watson. En este caso se obtuvieron los valores de

los lmites superiores (du) e inferiores (dL) de autocorrelacin para definir las
regiones de rechazo, indecisin y no rechazo cuando se trabaja con datos
mensuales.
PGINA
9
CONTRASTE DE BREUSCH-GODFREY13 (1978)
Los contrastes anteriores, a pesar de su validez
y robustez para detectar
autocorrelaciones de rdenes superiores, se disearon inicialmente para

contrastar la presencia de procesos autorregresivos de primer orden por lo que
el procedimiento adecuado, una vez detectado un problema de autocorrelacin,
consistir en el anlisis de otros procesos de autocorrelacin, ya sean
autorregresivos de orden superior, procesos de medias mviles o procesos
mixtos.
En este sentido, el contraste de Breusch-Godfrey se especifica con la finalidad
de analizar si existe o no autocorrelacin de orden superior a uno; para ello, en
la hiptesis alternativa se incluyen especificaciones ms generales que la del
modelo autorregresivo de primer orden y que se pueden generalizar a cualquier
especificacin ARMA (p,q).
En la hiptesis nula se considera ahora que no existe autocorrelacin; la
hiptesis alternativa especificar un esquema concreto de autocorrelacin.
Por ejemplo, en un modelo autorregresivo de orden p. u = j u + j u + + j u +
e1
la hiptesis nula se formulara con el supuesto de ausencia de autocorrelacin,

es decir, nulidad de todos los coeficientes autorregresivos,
H0
j1
j 2...
jp
Este contraste, al igual que los estudiados hasta el momento, se basa en los
residuos MCO y se define como una prueba de significacin conjunta de las
primeras p autocorrelaciones de los residuos. Para su aplicacin emprica es
necesario desarrollar las siguientes etapas:
1. Estimacin por MCO del modelo de regresin y obtencin de los
residuos MCO (et )
PGINA
10
2. Estimacin de una regresin auxiliar de los residuos et sobre p retardos

de los mismos, et -1, et -2, ..., et -p, as como sobre las variables
explicativas del modelo original.
3. Obtencin del coeficiente de determinacin (R2) de la regresin auxiliar.
4. Forma del estadstico experimental, incluidos en la regresin auxiliar;
esto es, el orden de autocorrelacin que se est contrastando; n es
el nmero de observaciones del modelo.
5. Regla de decisin: si el valor del estadstico experimental excede del
estadstico terico entonces hay evidencia suficiente para rechazar la
hiptesis nula y admitir que existe autocorrelacin; en caso
contrario
no sera correcto rechazar la ausencia de autocorrelacin.

Este contraste presenta algunas ventajas frente al estadstico de DurbinWatson; se puede considerar que el contraste de Breusch-Godfrey puede
utilizarse en modelos que incluyan como regresores algunos retardos de la
variable endgena, sin que por ello cambien las propiedades del contraste.
En
segundo
lugar
se
puede
sealar
que
este
contraste
permite
especificar en la hiptesis alternativa cualquier esquema de autocorrelacin

ya sea a travs de un proceso autorregresivo, de medias mviles o mixto.
A pesar de estas ventajas que lo pueden hacer preferible al contraste de Durbin
Watson, no hay que olvidar que para la aplicacin de este contraste es
necesario especificar una longitud del retardo y que sta se determinar por un
procedimiento de experimentacin basado en el anlisis de significacin
individual de los retardos de los residuos, lo que en principio podra dificultar la
tarea de seleccin del orden de autocorrelacin.
CORRECCIN DE LA AUTOCORRELACIN
Si admitimos como vlida la hiptesis de la falta de estacionariedad de las
variables implicadas en la regresin, parece evidente que no podremos utilizar
estas variables niveles y, por tanto, cualquier esfuerzo de camuflar la
autocorrelacin con la utilizacin de Mnimos Cuadrados Generalizados o
transformaciones a partir del parmetro estimado sera cuestionable.
PGINA
11
Dado que en la mayor parte de las ocasiones la autocorrelacin es un sntoma

de una especificacin deficiente (modelizacin en niveles con variables no
estacionarias, omisin de alguna variable relevante, .), se sigue que en la
mayor parte de las ocasiones la forma adecuada de corregir un problema de
autocorrelacin es
la
correccin
autocorrelacin es, en muchas
de la
especificacin. Es
decir,
la
ocasiones, un sntoma de no es una
enfermedad; por tanto, podemos optar por camuflar el sntoma, pero siempre
ser ms razonable intentar atajar la enfermedad.
1. ADAPTANDO LA ESPECIFICACIN A LA NATURALEZA DE LOS
DATOS
En el caso en que se comprobase, como sucede en nuestro ejemplo, y con la
adecuada utilizacin de contrastes de No Estacionariedad , la existencia de
variables integradas, convendra utilizar diferencias de las variables originales
o bien tasas de crecimiento, estimando entonces de nuevo la ecuacin.
Puede comprobarse como, en ambos casos, los resultados en trminos de
significatividad son decepcionantes. Este resultado tiene su lgica ya que,
como seala Gujarati al tomar las primeras diferencias estamos estudiando
esencialmente el comportamiento de variables alrededor de sus valores de
tendencia (lineal) un movimiento siempre ms complejo que el de la mera
progresin tendencial:
Regresin con variables en diferencias
Dependent Variable: D(IMPK)
Method: Least Squares
Date: 03/15/06 Time: 09:06
Sample(adjusted): 1981:2 2002:2
Included observations: 85 after adjusting endpoints
Variable
Coefficient
Std. Error
t-Statistic
C
291.8475
65.10598
4.482653
D(FBCK)
0.670183
0.114304
5.863145
D(GTOHOGK)
-0.033462
0.115973
-0.288528
D(PIMPENER)
1.173410
2.967580
0.395410
R-squared
0.324554 Mean dependent var
Adjusted R-squared
0.299538 S.D. dependent var
S.E. of regression
453.1934 Akaike info criterion
Sum squared resid
16636122 Schwarz criterion
Log likelihood
-638.4483 F-statistic
Durbin-Watson stat
1.603458 Prob(F-statistic)
Prob.
0.0000
0.0000
0.7737
0.6936
434.3882
541.4910
15.11643
15.23138
12.97361
0.000001
PGINA
12
REGRESIN CON VARIABLES EN TASAS INTERTRIMESTRALES

Dependent Variable: @PCH(IMPK)
Date: 03/15/06 Time: 09:07
Variable
Coefficient
Std. Error
t-Statistic
C
0.016229
0.003206
5.062309
@PCH(FBCK)
0.787737
0.125760
6.263833
@PCH(GTOHOGK)
-0.382166
0.352991
-1.082650
@PCH(PIMPENER) -0.015416
0.018807
-0.819696
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
0.040440 Schwarz criterion
Log likelihood
204.5401 F-statistic
Durbin-Watson stat
Prob.
0.0000
0.0000
0.2822
0.4148
0.021866
0.027025
-4.718590
-4.603641
13.96121
0.000000
Dicho de otro modo, el satisfactorio resultado obtenido en la estimacin

preliminar era ficticio y originado, ms que probablemente, por la utilizacin
de variables no estacionarias: cuando se elimina la tendencia estocstica de
estas variables, la relacin de causalidad se diluye.
2. CAMUFLANDO LA AUTOCORRELACIN
En el caso concreto ilustrado por nuestro ejemplo, la nica solucin al problema

de la autocorrelacin consiste en la mejora de la especificacin; no obstante,
una vez que renunciamos a una correccin genuina, o una vez agotados todos
los recursos para ajustar la especificacin del modelo, siempre cabe la
alternativa de corregir los sntomas evitando en parte los efectos indeseables
de una inadecuada estimacin MCO en un contexto en que esta estrategia no
es vlida.
La estrategia para eliminar los efectos en la estimacin de un modelo de
autocorrelacin consiste, evidentemente, en la utilizacin de Mnimos Cuadrado
Generalizados considerando para ello la matriz de varianzas y covarianzas
que corresponde al patrn de autocorrelacin detectado. En caso de verificarse
PGINA
13
la existencia de un proceso AR(1) en los residuos, la forma de la matriz de

autocorrelacin es bien conocida pero si no pudisemos verificar que el
proceso de autocorrelacin sigue ese modelo AR(1) deberamos considerar
estimaciones alternativas de sigma. Como ya se dijo en el contexto de la
heterocedasticidad, el riesgo de la transformacin o de la utilizacin de MCG
radica, evidentemente, en la verosimilitud del modelo de autocorrelacin
supuesto; si el modelo de autocorrelacin resulta desconocido o complejo, los
eventuales beneficios de eficiencia derivados de la utilizacin de un
procedimiento de MCG o MCO sobre variables corregidas podran ser menores
de los previstos en cuanto que estarn condicionados a la decisin sobre el
patrn de autocorrelacin considerado.
Quiz la forma ms burda de hacer una correccin factible sea simplemente
camuflar el mal dato del DW aadiendo la endgena retardada en la
regresin; como puede imaginarse, esta tctica, ni siquiera trata de adaptar la
ineficiente herramienta de estimacin MCO al problema de la autocorrelacin
sino, directamente, distorsionar el modelo de forma que el DW no refleje la
verdadera dimensin de la autocorrelacin
Dependent Variable: IMPK

Date: 03/15/06 Time: 09:29
Variable
Coefficient
Std. Error
t-Statistic
C
5585.058
2395.831
2.331157
FBCK
0.089965
0.052576
1.711143
GTOHOGK
-0.134891
0.059548 -2.265243
PIMPENER
-4.880665
1.705419 -2.861856
IMPK(-1)
1.082308
0.039181
27.62295
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
Prob.
0.0223
0.0909
0.0262
0.0054
0.0000
21493.54
12110.32
15.31549
15.45918
12406.11
0.000000
PGINA
14
Efectivamente, aunque el valor del nuevo DW parece ahora aceptable, debe

recordarse que, en realidad, en presencia de autocorrelacin, se propone
utilizar el estadstico h de Durbin en lugar del estadstico DW original.
n
1 n (b1 )
2
Dnde: (b1) es la desviacin tpica estimada para el parmetro de la endgena

retardada. Es decir, en nuestro caso, el DW obtenido en la regresin que incluye la
variable endgena retardada es 1.434, es decir, se corresponde con una
estimacin aproximada del coeficiente autorregresivo de 0.283. As pues, el
valor de la h de Durbin es:
h
n
85
0.283
2.798
2
1 85 (0.039181)
1 n (b
1
2
)
El valor de este estadstico se contrasta suponiendo una distribucin normal (0,1),

as, con un nivel de significacin del 5%, el valor a superar es 1,645. Si el
estadstico calculado supera este valor, debe rechazarse la hiptesis de
autocorrelacin nula; en nuestro caso, el valor 2.798 supera ampliamente el valor
crtico por lo que, evidentemente, la h de Durbin refleja
la existencia de
autocorrelacin por mucho que el valor del DW haya mejorado artificialmente.

Una transformacin algo ms elegante, aunque inadecuada cuando el problema de
fondo es una incorrecta especificacin en niveles, es, tal y como se expuso en las
sesiones tericas, optar por utilizar la transformada de las variables originales, es
decir, la denominada MCG Factibles (MCGF) o Mnimos Cuadrados Generalizados
Estimados (MCGE):
*
y t yt yt 1
x*jt x jt x jt 1
Partiendo de la serie de residuos obtenida en la estimacin analizada, puede

realizarse fcilmente en E-Views la estimacin minimocuadrtica del coeficiente
PGINA
15
anterior cuyo resultado se muestra a continuacin y en donde se observa un valor

muy parecido al estimado directamente a partir del estadstico Durbin Watson. Este
parecido entre el valor de derivado del estadstico DW o el obtenido a partir de
una estimacin MCO directa del mismo se garantiza siempre en presencia de
muestras grandes.
Dependent Variable: R
Date: 03/13/06 Time: 11:49
Variable
Coefficient Std. Error
t-Statistic
R(-1)
0.857483 0.057251 14.97773
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
0.727543
823.3101
56938521
-690.7401
S.D. dependent var

Akaike info criterion
Schwarz criterion
Durbin-Watson stat
Prob.
0.0000
14.75610
1577.299
16.27624
16.30497
2.120850
Expresando las variables en semi diferencias obtenemos la estimacin de

MCGF:
Dependent Variable: IMPKC

Date: 04/14/09 Time: 11:29
Variable
Coefficient
Std. Error
t-Statistic
0.15
-39256.67
3377.876 -11.62170
FBCKC
0.686680
0.158123
4.342694
GTOHOGKC
0.717545
0.100133
7.165918
PIMPENERC
8.369428
4.015530
2.084265
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
Prob.
0.0000
0.0000
0.0000
0.0403
3593.261
2010.989
15.79166
15.90661
253.6474
0.000000
Como puede observarse, hemos perdido una observacin al realizar la

regresin de MCGF. Con el fin de no perder esta primera observacin, aspecto
especialmente relevante en muestras pequeas, puede optarse por utilizar la
denominada transformacin de Prais Winsten que permite mantener la
primera observacin de la variable endgena y exgena considerando para su
clculo:
*
Y 1 Y1 1 2
X *j1 X j1 1 2
En realidad, dado que el clculo directo del rho implica cierta probabilidad de
error, suele ser conveniente utilizar el procedimiento de clculo iterativo de
conocido como Cochrane Orcutt descrito en clase. Esto implicara un proceso
sucesivo de re-clculo de rho a partir de los nuevos resultados del DW
obtenidos en esta regresin, y una nueva transformacin de las variables
previamente transformadas Es decir, en nuestro ejemplo, el nuevo valor del
DW es ahora 1.53 lo que implica un valor del de 0.24; podra utilizarse ese
nuevo valor para transformar de nuevo las variables y reestimar nuevamente la
ecuacin.

Date: 04/14/09 Time: 11:37
Variable
Coefficient
Std. Error
t-Statistic
0.114
-35097.07
3820.809
-9.185769
FBCKCC
0.821343
0.150840
5.445132
GTOHOGKCC
0.608853
0.098655
6.171565
PIMPENERCC
4.489336
4.133892
1.085983
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
Prob.
0.0000
0.0000
0.0000
0.2807
2765.136
1553.521
15.71868
15.83443
151.4494
0.000000
En todo caso, no merece la pena insistir en un procedimiento de correccin que

se ha ilustrado convenientemente con este ejemplo.
Conviene observar, no obstante, las importantes alteraciones sufridas en el
valor de los coeficientes como resultado de haber transformado los datos
originales. Este cambio resulta particularmente incmodo en cuanto que los
efectos tericos de de la autocorrelacin no afectan al valor de los parmetros
y, por tanto, su correccin no debera generar valores tan diferentes respecto a
los iniciales. El cambio, sin embargo, resulta inevitable dado que hemos
pasado desde un modelo original en niveles a tratar de explicar las diferencias
(o semideiferencias), es decir, el movimiento de las series originales.
Con el fin de concentrar la correccin exclusivamente en la varianza (y no en el
valor de los parmetros) existe, para finalizar, una propuesta de correccin
similar a la estimacin automtica corregida de heterocedasticidad de White,
pero ideada para el contexto en el que exista un problema de autocorrelacin.
Esta correccin, que no se desarrollar tericamente en este texto, y que en
esencia sigue la misma estrategia que la expuesta para la correccin de
heterocedasticidad de White, se denomina Estimacin de Newey West pero
slo resulta conveniente para muestras muy grandes. La mayor parte de los
programas informticos incorporan esta correccin automtica bajo la
denominacin Estimador Newey Wets o bien estimacin con errores estndar
CHA (consistentes con la heterocedasticidad y la autocorrelacin).
Como puede observarse, la estimacin de Newey West realizada en E-Views
conserva el valor original de los parmetros pero altera la estimacin de las
varianzas, un nuevo clculo de las varianzas consistente con el verdadero valor
en presencia de autocorrelacin.
Dependent Variable: IMPK

Date: 04/14/09 Time: 12:10
Sample: 1981:1 2002:2
Included observations: 86
Newey-West HAC Standard Errors & Covariance (lag truncation=3)
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
-56823.91
4607.825
-12.33205
0.0000
FBCK
-0.149782
0.324371
-0.461762
0.6455
GTOHOGK
1.265278
0.194668
6.499658
0.0000
PIMPENER
30.80776
5.283256
5.831207
0.0000
R-squared
21327.70
Adjusted R-squared
12136.72
S.E. of regression
17.64190
Sum squared resid
2.11E+08 Schwarz criterion
17.75605
Log likelihood
1597.883
Durbin-Watson stat
0.000000
Comparando los valores de las desviaciones tpicas de los parmetros de esta

ecuacin con los de la ecuacin original, puede observarse que la estimacin
de White indica una subestimacin de la varianza de los parmetros en la
ecuacin original del orden de la mitad del clculo corregido.
EJERCICIO 1 EN GRETL:
Importaciones en Guatemala 1965 - 2000
Ao
1965
1966
1967
1968
1969
1970
1971
1972
1973
1974
1975
1976
1977
1978
1979
1980
1981
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
Importaciones Precio
Relativo
Reales 1/
2/
imp.
precio
247
1.076
251
1.09
267
1.088
277.7
1.074
271.8
1.087
293.2
1.087
312
1.134
294.7
1.277
324.2
1.352
416.4
1.598
352.1
1.573
457.1
1.524
498.1
1.431
521.6
1.495
482.8
1.603
441.2
1.755
424.6
1.738
334.3
1.687
269.2
1.589
287.2
1.589
250.3
2.358
213.6
2.009
315.9
2.149
327.7
2.117
346.9
2.13
344.3
2.336
369.2
2.055
506
1.992
527.3
1.894
553.5
1.79
595.5
1.785
554.7
1.752
662.8
1.599
825.2
1.5
831.1
1.612
882.2
1.679
PIB
Real 1/
pib
1355.2
1429.9
1488.6
1619.2
1695.9
1792.8
1892.8
2031.6
2169.4
2307.7
2352.7
2526.5
2723.8
2859.9
2994.6
3106.9
3127.6
3016.6
2939.6
2953.5
2936.1
2940.2
3044.4
3162.9
3287.6
3389.6
3513.6
3683.6
3828.3
3982.7
4179.8
4303.4
4491.2
4715.5
4896.9
5072.5
PGINA
20
12345ABCDE
Utilizando las 36 observaciones 1965-2000
Variable dependiente: l_Imp
VARIABLE
const
l_Pre
l_Pi
COEFICIENTE
VALOR P
-4.07067
0.866285
-1.11768
0.178485
1.32852
0.116351
DESV.TP.
ESTAD T
-4.699
-6.262
11.418
0.00004 ***
<0.00001 ***
<0.00001 ***
Media de la var. dependiente = 5.96924

Desviacin tpica de la var. dependiente. = 0.373215
Suma de cuadrados de los residuos = 0.929512
Desviacin tpica de los residuos = 0.16783
R-cuadrado = 0.809336
R-cuadrado corregido = 0.79778
Estadstico F (2, 33) = 70.0396 (valor p < 0.00001)
Estadstico de Durbin-Watson = 0.897449
Coef. de autocorr. de primer orden. = 0.548243
Log-verosimilitud = 14.7373
Criterio de informacin de Akaike (AIC) = -23.4746
Criterio de informacin Bayesiano de Schwarz (BIC) = -18.724
Criterio de Hannan-Quinn (HQC) = -21.8165
Resultado:
Se puede concluir que si existe autocorrelacin positiva ya que el
resultado de durbin-watson que nos proporciona gretl es de 0.897449 y
que segn la cantidad de datos(son 36) y el nmero de variables
independientes (son k2) ubicndolo en la tabla de durbin-watson donde :
o Dl es un valor critico inferior
o Du en un valor critico superior
Nos da los intervalos de:
PGINA
21
Dl = 1.35
Du = 1.59
Y ya que el resultado de durbin-watson es de 0.897449 que es menor al valor
critico inferior se dice que es una autocorrelacin positiva.
EJERCICIO 2(EXCEL)
ventas K=1
K=2
K=3
K=4
K=5
K=6
K=7
K=8
K=9
Yt-1
Yt-2
Yt-3
Yt-4
Yt-5
Yt-6
Yt-7
Yt-8
Yt-9
654
658
665
672
673
671
693
694
701
703
702
710
712
711
654
658
665
672
673
671
693
694
701
703
702
710
712
654
658
665
672
673
671
693
694
701
703
702
710
654
658
665
672
673
671
693
694
701
703
702
654
658
665
672
673
671
693
694
701
703
654
658
665
672
673
671
693
694
701
654
658
665
672
673
671
693
694
654
658
665
672
673
671
693
654
658
665
672
673
671
tiempo
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Yt
654
658
665
672
673
671
693
694
701
703
702
710
712
711
728
n=
MEDIA
15
689.8
K=1
2
(yt -y)
1281.64
1011.24
615.04
316.84
282.24
353.44
10.24
17.64
125.44
174.24
148.84
(yt
- Y)(Yt1
- Y)
1138.44
788.64
441.44
299.04
315.84
-60.16
13.44
47.04
147.84
161.04
K=2
(yt
- Y)(Yt2
- Y)
887.84
566.04
416.64
334.64
-53.76
-78.96
35.84
55.44
136.64
K=3
(yt
- Y)(Yt3
- Y)
K=4
(yt
- Y)
(Yt4- Y)
K=5
(yt
- Y)
(Yt5- Y)
K=6
(yt
- Y)
(Yt6- Y)
637.24
534.24 601.44
466.24 597.84 673.04
-56.96 -79.36 -101.76 -114.56
-70.56 -74.76 -104.16 -133.56
-210.56 -188.16 -199.36 -277.76
42.24 -248.16 -221.76 -234.96
51.24
39.04 -229.36 -204.96
K=7
(yt
- Y)
(Yt7- Y)
K=8
(yt
- Y)
(Yt8- Y)
K=9
(yt
- Y)
(Yt9- Y)
-150.36
-356.16 -400.96
-327.36 -419.76 -472.56
-217.16 -302.56 -387.96
PGINA
22
408.04
492.84
449.44
1459.24
246.44
448.44
470.64
809.84
266.64
270.84
428.24
848.04
226.24
293.04
258.64
771.64
84.84
248.64
279.84
466.04
64.64
93.24
237.44
504.24
7146.4 5267.96 4114.12 2942.68 1727.24
716.2
-379.76 -339.36 -359.56 -500.96

71.04 -417.36 -372.96 -395.16
89.04
67.84 -398.56 -356.16
427.84 160.44 122.24 -718.16
-757.64 1579.48 2132.12 2830.96
COEFICIENTE DE
AUTOCORRELACION
r1
r2
r3
r4
r5
r6
r7
r8
r9
0.737149 0.575691 0.411771 0.241694 0.100218 -0.10602 -0.22102 -0.29835 -0.39614

error estndar de la autocorrelacin
SE(r1)
SE(r2 )
SE(r3)
SE(r4)
SE(r5)
SE(r6)
SE(r7)
SE(r8)
SE(r8)
0.258199 0.372986 0.428145 0.453779 0.462281 0.463727 0.46534 0.472287 0.484689
distribucin T
2.144787
Calculo de los Lmites de significacin del 5% para la
autocorrelacin
0.553782 0.799975 0.918279 0.973259 0.991495 0.994596 0.998056 1.012955 1.039554
-0.55378 -0.79998 -0.91828 -0.97326 -0.99149 -0.9946 -0.99806 -1.01295 -1.03955
PGINA
23
Autocorrela
cion
1.20
1.00
0.80
0.60
0.40
0.20
0.00
-0.20
-0.40
-0.60
-0.80
-1.00
-1.20
FUNCION DE
AUTOCORRELACION-VENTAS
(con limites de signifcacion de
5% para las
autocorrelaci
ones)
Desfa
ce
BIBLIOGRAFIA:
PGINA
24
1. https://sites.google.com/site/udadisiuniversity/
2. http://www.uoc.edu/in3/emath/material.htm
PGINA
25

Autocorrelación de Est2

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Autocorrelación de Est2

Hochgeladen von

Copyright:

Verfügbare Formate

CONTENIDO

ADAPTANDO LA ESPECIFICACIN A LA NATURALEZA DE LOS DATOS 12

cuando los trminos de error del modelo no son

independientes entre s, es decir, cuando: E (uiuj) 0. Para todo ij. Entonces

aunque tambin se presenta en el caso de una muestra de corte transversal.

Este modelo expresa un comportamiento autorregresivo de primer orden de los

CAUSAS DE LA AUTO CORRELACIN

Inercia. Cuando existen tendencias marcadas que influyen en los

Sesgos de especificacin. Cuando se elige mal la forma funcional o

Tiempo de ajuste. Implica el tiempo que los agentes econmicos deben

Preparacin de datos. En datos de corte transversal al ordenar los

PROBLEMAS DE LA AUTO CORRELACIN

Estimadores poco eficientes

Invalidez de las pruebas de contraste usuales

Ignorar el problema de la autocorrelacin lleva a que las pruebas t y F dejen de

En la practica el no se conoce por lo tanto hay que estimarlo y esto

pequeas, es relevante si el estimado es mayor a 0,3. cuando el

Si la estructura de autorregresin de los errores es ms compleja no se

En series con datos mensuales (o trimestrales) pueden surgir procesos

Es posible confundir una mala especificacin con un proceso

Tambin es posible inducir al surgimiento de un proceso autorregresivo

corte transversal, los valores de la

variable dependiente de mayor a menor o viceversa

todos los programas

economtricos, es la de Durbin Watson. Para este fin se define el estadstico

Donde t es el residuo estimado para el periodo t. Es posible escribir a d

grandes (y dado tambin que

son aproximadamente iguales para muestras

La distribucin del muestreo de la prueba y su contraste depende del

Valor del Durbin entre

Existen tablas para probar la hiptesis de autocorrelacin cero (=0) contra la

; X = ONE, MONEY, INTEREST; Y=

REGRESS ; Lhs = Y ; Rhs = X ; Res = E $ PERIOD

; E1 = E[-1] ; E2 = E[-2]; E3 = E[-3] $ SAMPLE

Es fcil apreciar la existencia de un comportamiento sistemtico de los errores

periodo inmediatamente anterior sino que dependa de la perturbacin del

pero del ao anterior, es decir, que la estructura de

autocorrelacin sea ut jut4 et

No existe autocorrel acin

Existe autocorrel acin

Para verificar si esta estructura de autocorrelacin es o no cierta Wallis

Este estadstico tambin fue

tabulado por Wallis bajo el supuesto de modelo

de regresin con un nico trmino independiente y tambin para el caso de

(1983) desarroll otra modificacin del

estadstico de Durbin-Watson. En este caso se obtuvieron los valores de

CONTRASTE DE BREUSCH-GODFREY13 (1978)

Los contrastes anteriores, a pesar de su validez

y robustez para detectar

autocorrelaciones de rdenes superiores, se disearon inicialmente para

la hiptesis nula se formulara con el supuesto de ausencia de autocorrelacin,

2. Estimacin de una regresin auxiliar de los residuos et sobre p retardos

no sera correcto rechazar la ausencia de autocorrelacin.

especificar en la hiptesis alternativa cualquier esquema de autocorrelacin

Dado que en la mayor parte de las ocasiones la autocorrelacin es un sntoma

autocorrelacin es, en muchas

ocasiones, un sntoma de no es una

REGRESIN CON VARIABLES EN TASAS INTERTRIMESTRALES

Dicho de otro modo, el satisfactorio resultado obtenido en la estimacin

En el caso concreto ilustrado por nuestro ejemplo, la nica solucin al problema

la existencia de un proceso AR(1) en los residuos, la forma de la matriz de

Dependent Variable: IMPK

Efectivamente, aunque el valor del nuevo DW parece ahora aceptable, debe

Dnde: (b1) es la desviacin tpica estimada para el parmetro de la endgena