UNIVERSIDAD NACIONAL DE TUMBES

FACULTAD DE CIENCIAS ECONMICAS

ESCUELA ACADMICO PROFESIONAL DE ECONOMA

PROYECTO MONOGRFICO :
Violaciones de los modelos econmicos- La Autocorrelacin

AUTORES:
Ludeas Malmaceda, Estefany M,
Taboada Delgado, Misael A.
Risco Mogolln, Kliver S.
Garca Esquivel, Deyner T.

ASIGNATURA:
Econometria I

CICLO:
VIII

ASESOR:
Eco. Agurto Moran, Segundo

TUMBES PER
2017

Contenido
1 INTRODUCCIN...........................................................................................3
2 OBJETIVOS..................................................................................................4
2.1 OBJETIVO GENERAL............................................................................4
2.2 OBJETIVOS ESPECIFICOS...................................................................4

1
3 CONOCIMIENTOS PREVIOS.......................................................................5
4 MARCO TERICO: LA AUTOCORRELACION............................................6
4.1 DEFINICIN............................................................................................6
4.2 CAUSAS DE LA AUTOCORRELACIN.................................................9
4.3 PROBLEMAS DE LA AUTO CORRELACIN......................................10
4.4 IDENTIFICACIN DE LA AUTOCORRELACION.................................11
4.4.1 CONTRASTE DE DURBIN WATSON:...........................................12
4.4.2 MTODO GRAFICO.......................................................................14
5 QU HACER CUANDO HAY AUTOCORRELACIN: MEDIDAS
CORRECTIVAS?................................................................................................17
6 Ejemplo:.......................................................................................................18
7 Conclusiones:..............................................................................................28

2
1 INTRODUCCIN

Este tema aborda el problema de autocorrelacin, una caracterstica que

puede presentar el trmino de error de un modelo economtrico y que se
manifiesta con mayor frecuencia al tratar con datos observados a lo largo
del tiempo. Este tipo de datos, llamados datos de series temporales, son
observaciones de una variable recogidas a lo largo del tiempo (das, meses,
trimestres, aos etc.) de cierta unidad econmica (empresa, consumidor,
regin, pas etc.). Estos datos presentan un ordenamiento natural, ya que
las observaciones estn ordenadas de acuerdo al momento del tiempo en
que han sido observadas.

Es probable que a la hora de explicar el comportamiento de una variable

observada en el tiempo, se tenga que tener en cuenta que sus
observaciones puedan estar correlacionadas a lo largo del mismo. Por
ejemplo, el consumo de una familia en un ao es probable que esta
correlacionada con el consumo del ao anterior ya que en media, ceteris
paribus, esperaramos que una familia no cambiara mucho su
comportamiento en su consumo de un ao a otro. Esto implicara
posiblemente, introducir en el modelo para explicar el consumo de un ao,
por ejemplo, el consumo del ao anterior.

Finalmente, adems de factores observables cuya influencia en el consumo

se distribuye a lo largo del tiempo, podemos tener factores no observables
recogidos en el trmino de perturbacin del modelo cuya influencia se
mantiene durante varios periodos presentando lo que se llama
autocorrelacin o correlacin serial en el tiempo.

Tambin estudiaremos las implicaciones de la existencia de autocorrelacin

en los mtodos de estimacin alternativos y en los contrastes de hiptesis
sobre los parmetros de inters del modelo. En un tema posterior nos
ocuparemos de la dinmica en la parte sistemtica.

3
2 OBJETIVOS

2.1 OBJETIVO GENERAL

1. Entender en qu consiste el problema esencial del enfoque de la
Econometria: la autocorrelacin y cmo afecta ste a la matriz de
varianzas y covarianzas y a los estimadores MCO.

2.2 OBJETIVOS ESPECIFICOS

1. Conocer las causas que pueden provocar el incumplimiento de la
hiptesis de autocorrelacin.
2. Analizar el problema de la autocorrelacin en modelos con datos
de serie temporal, y comprender los conceptos de autocovarianza
y coeficiente de autocorrelacin simple.
3. Aprender a detectar, con ayuda de Programas, la presencia de
autocorrelacin en un modelo, tanto por medios grficos como a
travs de contrastes de hiptesis.
4. Explicar cmo podemos solucionar el problema de la
Autocorrelacin para que nuestros modelos sean ms
significativos y confiables.

4
3 CONOCIMIENTOS PREVIOS

Para el anlisis de mencionado tema es conveniente tener un conocimiento

amplio y ah profundidad de los temas mencionados a continuacin:

Introduccin al MRLG (Modelos de regresin lineal general)

Regresin Lineal Mltiple

5
4 MARCO TERICO: LA AUTOCORRELACION

4.1 DEFINICIN
Cuando se mide una variable a lo largo del tiempo, las observaciones en
diferentes periodos a menudo estn relacionadas o correlacionadas. Esta
correlacin se mide usando el coeficiente de autocorrelacin.

Autocorrelacin es la correlacin que existe entre una variable

retrasada uno o ms periodos consigo misma.

Los patrones de datos que incluyen componentes como tendencia y

estacionalidad pueden estudiarse usando autocorrelaciones. Los patrones
se identifican examinando los coeficientes de autocorrelacin de una
variable en diferentes retrasos de tiempo.

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:

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

6
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.

Manipulacin de datos

En el anlisis emprico con frecuencia se manipulan los datos simples. Por

ejemplo, en las regresiones de series de tiempo con datos trimestrales, por
lo general estos datos provienen de datos mensuales a los que se agregan
simplemente las observaciones de tres meses y se divide la suma entre 3.
Este procedimiento de promediar las cifras suaviza en cierto grado los datos
al eliminar las fluctuaciones en los datos mensuales. Por consiguiente, la
grfica referente a datos trimestrales aparece mucho ms suave que la que
contiene los datos mensuales, y este suavizamiento puede, por s mismo,
inducir un patrn sistemtico en las perturbaciones, lo que agrega
autocorrelacin. Otra fuente de manipulacin es la interpolacin o
extrapolacin de datos. Por ejemplo, el Censo de Poblacin se realiza cada
10 aos en Estados Unidos, y los dos ltimos se efectuaron en 1990 y 2000.
Ahora bien, si necesitamos datos para algn ao comprendido en el periodo
intercensal, la prctica comn consiste en interpolar con base en algunos
supuestos ad hoc. Todas estas tcnicas de manejo podran imponer sobre

7
los datos un patrn sistemtico que quiz no estara presente en los datos
originales.

Sesgo de especificacin: caso de variables excluidas

En el anlisis emprico, con frecuencia el investigador empieza con un

modelo de regresin razonable que puede no ser perfecto. Despus del
anlisis de regresin, el investigador hara el examen post mortem para ver
si los resultados coinciden con las expectativas a priori. De no ser as,
iniciara la ciruga. Por ejemplo, el investigador graficara los residuos u i
obtenidos de la regresin ajustada y observara patrones como los de las
figuras 12.1 a) a d). Estos residuos (representaciones de las ui) pueden
sugerir la inclusin de algunas variables originalmente candidatas pero que
no se incluyeron en el modelo por diversas razones.

8
Las figuras 12.1 a) a d) muestran un patrn distinguible entre las u. La
figura 12.1 a) muestra un patrn cclico; las figuras 12.1 b) y c) sugieren
una tendencia lineal hacia arriba o hacia abajo en las perturbaciones; y la
figura 12.1 d) indica que hay trminos de tendencia tanto lineal como
cuadrtica en las perturbaciones. Slo la figura 12.1 e) indica que no hay
un patrn sistemtico, y apoya as el supuesto de no autocorrelacin del
modelo clsico de regresin lineal.

4.2 CAUSAS DE LA AUTOCORRELACIN

9
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 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.

4.3 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.

10
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 prdidas 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.

4.4 IDENTIFICACIN DE LA AUTOCORRELACION

Para detectar la presencia de autocorrelacin se pueden utilizar mtodos

grficos y contrastes de hiptesis.

A travs de los contrastes grficos se intuir si existe autocorrelacin

cuando existan comportamientos sistemticos para los residuos.

11
Los contrastes de hiptesis, por su parte, permiten, a travs de una regla
de decisin, considerar si con los datos de la muestra y con un nivel de
significacin ( ) concreto se debe o no rechazar la hiptesis nula.

Todos los contrastes numricos de autocorrelacin se plantean con

idnticas hiptesis; as, podemos sealar que la forma general del contraste
es:

Autocorrelacin

H 0: No existe autocorrelacin

H 1: Existe autocorrelacin

Esto es, en la hiptesis nula se considera que el trmino de perturbacin

correspondiente a una observacin es independiente del correspondiente a
cualquier otra observacin. En la hiptesis alternativa se seala que el
trmino de error de un modelo economtrico est autocorrelacionado a
travs del tiempo.

Los patrones de datos que incluyen componentes como tendencia y

estacionalidad pueden estudiarse usando autocorrelaciones. Es decir
examinando los coeficientes de autocorrelacin de una variable en
diferentes retrasos de tiempo.

Donde

Donde:

12
 = coeficiente de autocorrelacin para un retraso de K periodos

= media de los valores de la serie

= observaciones del periodo

= observaciones k periodos anteriores durante un periodo

4.4.1 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 (Et) es el residuo estimado para el periodo t. Es posible escribir a d

como:

13
Dado que y t-12 son aproximadamente iguales para muestras grandes
(y dado tambin que =[t t-1/t2]). Tambin se ha demostrado que
el valor esperado de d, cuando =0, esta dado por la siguiente relacin
(Maddala, 1996).

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 1 Autocorrelacin Positiva
Limites dLdU ? Ausencia de Evidencia
Limites dU4-dU 0 Ausencia de
Autocorrelacin
Limites 4-dU4-dL ? Ausencia de Evidencia
Limites 4-dL4 -1 Autocorrelacin Negativa

14
 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.

4.4.2 MTODO GRAFICO

Recuerde que el supuesto de no autocorrelacin del modelo clsico se

relaciona con las perturbaciones poblacionales ut, las cuales no pueden
observarse directamente. En su lugar disponemos de valores sustitutos, los
residuos u t, a partir del procedimiento usual MCO. Aunque las u t no son
lo mismo que las ut, con mucha frecuencia un examen visual de las da
algunas claves sobre la posible presencia de autocorrelacin en las u. En
realidad, un examen visual de ut o (u2t) proporciona informacin til no
slo sobre la autocorrelacin, sino tambin sobre heteroscedasticidad
(como vimos en el captulo anterior), sobre el grado de adecuacin del
modelo o sobre el sesgo de especificacin, lo cual veremos en el siguiente
captulo. Como afirma un autor:

No se puede exagerar la importancia de producir y analizar grficos [de

residuos] como parte habitual del anlisis estadstico. Adems de
proporcionar en ocasiones un resumen accesible para entender un
problema complejo, permiten el examen simultneo de los datos,
considerados en su conjunto, mientras que a la vez ilustran con claridad el
comportamiento de los casos individuales.

Hay diversas formas de examinar los residuos. Podemos graficarlos

simplemente respecto del tiempo, con una grfica secuencial de tiempo. Por
otro lado, podemos graficar los residuos estandarizados respecto del
tiempo. Los valores de los residuos estandarizados sern nmeros puros
(desprovistos de unidades de medicin) y, por consiguiente, son
comparables con los residuos estandarizados de otras regresiones.

15
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.

La autocorrelacin surge cuando los trminos del error del modelo no son
independientes entre s, encontrndose los errores vinculados entre ellos.

Para detectar la presencia de autocorrelacin mediante el anlisis grfico

obtendremos unos resultados nicamente ilustrativos, en los cuales
observaremos el comportamiento de la variable Residuo.

En primer lugar, estimaremos el modelo original por el criterio de MCO. A

partir de esta estimacin, procedemos a generar una serie de los residuos
mnimos cuadrticos; seguidamente, crearemos los grficos introduciendo
una serie de comandos de los que obtendremos Et frente a Et-1 y Et en el
tiempo.

Et frente a Et-1:

Observando el grfico, podemos intuir que hay un cambio de signo (de

menos a ms), lo que resulta indicativo respecto a la posibilidad de
presencia de autocorrelacin en el modelo, en este caso positiva.

Et en el tiempo:

16
En este caso, la grfica muestra un comportamiento sistemtico,
posiblemente cclico (sube, baja, sube, baja), hecho que sigue indicando
la posible existencia de problemas de autocorrelacin.

5 QU HACER CUANDO HAY AUTOCORRELACIN:

MEDIDAS CORRECTIVAS?
Si despus de aplicar una o ms pruebas de diagnstico para la
autocorrelacin de las analizadas en la seccin previa encontramos
autocorrelacin, qu hacer? Hay cuatro opciones:

1. Trate de averiguar si se trata de autocorrelacin pura y no el resultado

de una mala especificacin del modelo. Como analizamos
anteriormente, a veces se observan patrones en los residuos porque el
modelo est mal especificado es decir, se excluyeron variables
importanteso porque su forma funcional no es correcta.

17
 2. Si se trata de autocorrelacin (pura), se puede utilizar una
transformacin apropiada del modelo original de manera que en el
modelo transformado no se presente el problema de la autocorrelacin
(pura). Como en la heteroscedasticidad, habr que emplear algn
mtodo generalizado de mnimos cuadrados (MCG).
3. En muestras grandes se puede utilizar el mtodo o Prueba de Durbin-
Watson para obtener los errores estndar de los estimadores de MCO
corregidos para autocorrelacin. Este mtodo en realidad es una
extensin del mtodo de errores estndar consistentes con
heteroscedasticidad de White, que analizamos en el captulo anterior.
4. En algunas situaciones se puede conservar el mtodo MCO. Debido a la
importancia de cada uno de estos temas, les dedicamos una seccin.

6 Ejemplo:
venta K= K= K= K= K= K= K= K= K=
s 1 2 3 4 5 6 7 8 9
tiemp Yt Yt- Yt- Yt- Yt- Yt- Yt- Yt- Yt- Yt-9
o 1 2 3 4 5 6 7 8

1 654

2 658 65
4
3 665 65 65
8 4
4 672 66 65 65
5 8 4

18
 5 673 67 66 65 65
2 5 8 4
6 671 67 67 66 65 65
3 2 5 8 4
7 693 67 67 67 66 65 65
1 3 2 5 8 4
8 694 69 67 67 67 66 65 65
3 1 3 2 5 8 4
9 701 69 69 67 67 67 66 65 65
4 3 1 3 2 5 8 4
10 703 70 69 69 67 67 67 66 65 654
1 4 3 1 3 2 5 8
11 702 70 70 69 69 67 67 67 66 658
3 1 4 3 1 3 2 5
12 710 70 70 70 69 69 67 67 67 665
2 3 1 4 3 1 3 2
13 712 71 70 70 70 69 69 67 67 672
0 2 3 1 4 3 1 3
14 711 71 71 70 70 70 69 69 67 673
2 0 2 3 1 4 3 1
15 728 711 71 71 70 70 70 69 69 671
2 0 2 3 1 4 3
n= MEDI
A

15 689.
8

K=1 K=2 K= K=4 K=5 K=6 K=7 K=8 K=9

3
2 (yt - Y) (yt - Y) (yt - Y) (yt - Y) (yt - Y) (yt - Y) (yt - Y) (yt - Y) (yt - Y)
(yt -y) (Yt1 (Yt2 (Yt3 (Yt4 (Yt5- (Yt6 (Yt7 (Yt8 (Yt9-
- Y) - Y) - Y) - Y) Y) - Y) - Y) - Y) Y)

1281.
64
1011. 1138.
24 44
615.0 788.6 887.8
4 4 4

19
 316.8 441.4 566.0 637.2
4 4 4 4
282.2 299.0 416.6 534.2 601.4
4 4 4 4 4
353.4 315.8 334.6 466.2 597.8 673.0
4 4 4 4 4 4
10.2 - - - - - -
4 60.16 53.76 56.96 79.36 101.7 114.5
17.6 13.44 - - - - - -
4 78.96 70.56 74.76 104.1 133.5 150.3
125.4 47.04 35.84 - - - - - -
4 210.5 188.1 199.3 277.7 356.1 400.9
174.2 147.8 55.44 42.2 - - - - - -
4 4 4 248.1 221.7 234.9 327.3 419.7 472.5
148.8 161.0 136.6 51.2 39.04 - - - - -
4 4 4 4 229.3 204.9 217.1 302.5 387.9

408.0 246.4 266.6 226.2 84.8 64.6 - - - -

4 4 4 4 4 4 379.7 339.3 359.5 500.9
492.8 448.4 270.8 293.0 248. 93.2 71.0 - - -
4 4 4 4 64 4 4 417.3 372.9 395.1
449.4 470.6 428.2 258.6 279. 237. 89.0 67.84 - -
4 4 4 4 84 44 4 398.5 356.1
1459. 809.8 848.0 771.6 466. 504. 427.8 160.4 122.2 -
24 4 4 4 04 24 4 4 4 718.1
- - -
7146. 5267. 4114. 2942. 1727. 716. - 1579. 2132. 2830.
4 96 12 68 24 2 757.6 48 12 96
4

COEFICIENTE DE
AUTOCORRELACI
ON
r1 r2 r3 r4 r5 r6 r7 r8 r9
0.7371 0.5756 0.4117 0.2416 0.1002 - - - -
49 91 71 94
error estndar de la autocorrelacin 18 0.1060 0.2210 0.2983 0.3961

SE(r1) SE(r2 ) SE(r3) SE(r4) SE(r5) SE(r6) SE(r7) SE(r8) SE(r8)

0.2581 0.3729 0.4281 0.4537 0.4622 0.4637 0.4653 0.4722 0.4846
99 86 45 79 81 27 4 87 89

Distribucion de
t
2.144787

Calculo de los Lmites de significacin del 5%

para la autocorrelacin

0.5537 0.7999 0.9182 0.9732 0.9914 0.9945 0.9980 1.0129 1.0395

82 75 79 59 95 96 56 55 54
20
 - - - - - - - - -
0.5537 0.7999 0.9182 0.9732 0.9914 0.9946 0.9980 1.0129 1.0395

FUNCION DE AUTOCORRELACION-VENTAS
(con limites de significacion de 5% para las
autocorrelaciones)

1.20
1.00
0.80
0.60
0.40
0.20
0.00
-0.20
-0.40
-0.60
-0.80 1 2 3 4 5 6 7 8 9
-1.00
-1.20

Desface

Tambin podemos realizar la autocorrelacion mediante Eviews 8.

Insertamos la serie de datos en Eviews 8

21
 Ahora seleccionamos la opcin de correlograma

Insertamos el nmero de retrasos que queremos efectuar; en este

caso son 9 retrasos

22
 Ahora, tendremos nuestro correlograma y los coeficientes de
autocorrelacion

Eviews nos arroja el correlograma, el correlograma parcial y los lmites de

significancia.

Resolucin en Minitab 17

23
 Ingresamos nuestros datos y nos vamos a la opcin de autocorrelacion.

Ahora seleccionamos la variable e indicamos el nmero de retrasos a

efectuar

24
 Minitab 17 nos arroja los coeficientes de correlacion y la grfica de estos
mismos junto con los lmites de significancia

Grafica de autocorrelacion.

autocorrelacion
1,0

0,8

0,6

0,4
Autocorrelacin

0,2

0,0

-0,2

-0,4

-0,6

-0,8

-1,0

1 2 3 4 5 6 7 8 9
Desfase

25
Ahora desarrollamos la autocorrelacion en Gretl

Introducimos los datos de nuestra variable

Ahora seleccionamos la opcin de correlograma

26
 Ahora

introducimos el nmero de retrasos que vamos a efectuar

Estos son nuestro coeficientes de Autocorrelacion

27
 Grafica de coeficientes de autocorrelacion y los lmites de significancia.

FAC de consumo
1
+- 1.96/T^0.5

0.5

-0.5

-1
0 2 4 6 8 10
retardo

FACP de consumo
1
+- 1.96/T^0.5

0.5

-0.5

-1
0 2 4 6 8 10
retardo

28
7 Conclusiones:

1. Si se viola el supuesto del modelo clsico de regresin lineal de que

los errores o las perturbaciones ut consideradas dentro de la funcin
de regresin poblacional (FRP) son aleatorios o no correlacionados,
surge el problema de autocorrelacin o correlacin serial.

2. La autocorrelacin surge por diversas razones, como la inercia o

pasividad de las series de tiempo econmicas, el sesgo de
especificacin resultante de excluir variables importantes del modelo
o de utilizar la forma funcional incorrecta, el fenmeno de la telaraa,
el manejo y transformacin de datos, etc. Como resultado, es til
distinguir entre la autocorrelacin pura y la autocorrelacin inducida,
debido a uno o ms de los factores que acabamos de mencionar.

3. Aunque en presencia de autocorrelacin los estimadores de MCO se

mantienen insesgados, consistentes y distribuidos asintticamente en
forma normal, dejan de ser eficientes. Como resultado, las pruebas
2, t y F usuales no son aplicables legtimamente. Por tanto, se
necesita la aplicacin de medidas correctivas.

29