Existe auto correlacin cuando el termino de

error de un modelo economtrico esta

correlacionado consigo mismo a travs del
tiempo, es decir E(u
i
u
j
) 0
La auto correlacin puede venir producida
por diversas causas:
1) Existencia de ciclos y tendencias
2) Variables omitidas
3) Relaciones no lineales
4) Relaciones dinmicas



Dado el modelo: Y
t
= B
1
+ B
2
X
2t
+ u
t

y hay autocorrelacion de primer orden:
u
t
=pu
t-1
+
t

Si la auto correlacin es positiva, es decir si p
es positivo, entonces un valor alto de u
t
que
genera un valor de Y
t
por encima de su
promedio, tendr una probabilidad elevada
de ir seguido de un valor alto de u
t+1
, por ello
de un valor alto de Y
t+1
por encima de su
promedio; lo mismo ocurrira para valores de
y
t
, por debajo de su promedio.
En el caso de la autocorrelacion negativa,
valores de y
t
por encima de su promedio irn
seguidos con mucha probabilidad, de valores
de y
t
por debajo de su promedio. Por lo tanto,
la autocorrelacin positiva esta asociada a la
existencia de rachas de valores altos y bajos
de Y.
si como ocurre debido a la inercia de la
mayora de las variables macroeconmicas, la
variable endgena del modelo economtrico
presenta ciclos altos y estos no son bien
explicados por las variables exgenas del
modelo, el termino de error tendr
autocorrelacion.
Igualmente es cierto que la mayora de las
variables econmicas tienen una tendencia
generalmente creciente. Si el conjunto de
variables explicativas del modelo no explican
adecuadamente dicho comportamiento,
entonces el termino de error incorporara
dicha tendencia, y ello conduce a la
existencia de autocorrelacion positiva: Una
primera racha de residuos negativos seguida
por una racha de residuos positivos

Si el verdadero modelo que explica el
comportamiento de la variable endgena es
Y
t
= B
1
+ B
2
X
2t
+ B
3
X
3t
+ u
t

En cambio se especifica el modelo:
: Y
t
= B
1
+ B
2
X
2t
+v
t
entonces del termino de
error v
t
es igual a B
3
X
3t
+ u
t
si la variable x
3t

por las razones antes expuestas, presenta
autocorrelacion, entonces el termino de error
v
t
tambin estar autocorrelacionado, incluso
si u
t
estaba libre de tal problema

Supongamos que la verdadera relacin entre la
tasa de inters y el stock de deuda publica D
t
es:
r
t
= B
1
+ B
2
D
t
+ B
3
D
2
t
+ u
t

Donde: B
2
>0 y B
3
<0
dr/dD = (B
2
+ 2B
3
D)< B
3

Sin embargo si se especifica un modelo lineal
r
t
= B
1
+ B
2
D
t
+ v
t

El termino de error ser igual a (B
3
D
2
t
+ u
t
)
Entonces se tendr una racha de residuos
negativos seguida de una racha de residuos
positivos, para terminar con otra racha negativa.
Ello generara autocorrelacion del termino de
error


Y
X
La mayora de las relaciones entre variables
econmicas se extienden a mas de un
periodo, especialmente si el periodo de
observacin de los datos es mensual o
trimestral
Por ejemplo el caso del siguiente modelo
donde la inflacin depende de la oferta
monetaria del periodo y de la inflacin del
periodo anterior:

t
= B
1
+ B
2
M
t
+ B
3

t-1
+ u
t


Si no consideramos la variable con retardo
t-1

Entonces el modelo seria:

t
= B
1
+ B
2
M
t
+v
t

Donde v
t
= B
3

t-1
+ u
t

La omisin del variable con retardo hara que
el termino de error del modelo incorporara
dicha variable, mostrando ciertas
propiedades sistemticas, que no serian sino
reflejo de la influencia de
t-1
sobre
t


Cuando se estima un modelo por mnimos
cuadrados ordinarios ignorando que tiene
autocorrelacion, el estimador de mnimos
cuadrados, aun sigue siendo insesgado, pero
no es eficiente, es decir, el estimador ya no
tienen la varianza mnima por lo cual las
pruebas de hiptesis T-student y F pierden
validez.
Para ilustrar este hecho consideremos el modelo
lineal simple: Y
t
= a + b X
t
+ u
t
Si Cov(u
i
u
j
)= 0
Donde: b = x
t
y
t
/ x
t
2
y Var(b )
Mco
=
2
/x
t
2

Cuando Cov( u
i
u
j
)0, y
Si consideremos autocorrelacion de primer
orden: u
t
= p u
t-1
+
t

Var( b )
AR1
=
2
/x
t
2
[1 + 2px
t
x
t-1
/x
t
2
+2p
2
x
t
x
t-2
/x
t
2
+. . .]

si ignoramos la expresin entre parntesis =>
estaramos subestimando la var(b )

=> Var( b

)
MCO
< Var (b )
AR1

La prueba d de Durbin-Watson
1) El estadstico de uso comn para detectar
la autocorrelacion es la estadstica: d o Dw
de Durbin Watson
2) d= ( u
t
-u
t-1
)
2
/ u
t
2

3) Donde u
t
es el termino de error estimado
para el modelo:
Y
t
= B
1
+ B
2
X
2t
+ B
3
X
3t
+ . . . B
k
X
kt
+ u
t

4) d=( u
t
2
-2 u
t
u
t-1
+ u
2
t-1
)/ u
t
2



5) Dado que: u
t
2
y u
t
2
-1
son
aproximadamente iguales si la muestra es
grande => tenemos que:
6) d= (2 u
t
2
-2 u
t
u
t-1
)/ u
t
2

d= 2 u
t
2
/ u
t
2
- 2 u
t
u
t-1
/ u
t
2

=>d=2- 2p =2(1-p ). Porque p = u
t
u
t-1
/ u
t
2

d= 2(1-p ).
7) Pero: -1p1
Si p= -1 => d= 2(1+1) = 4
Si P= 1 => d= 2( 1-1) = 0
8) => 0d4

0 4
2
d
u
4-d
u
4-d
L

d
L

No hay
autocorrelacion
positiva ni
negativa
Hay
autocorre
lacion
positiva Hay
autocorre
lacion
negativa
Zona
de
indeci
sion
Zona
de
indeci
sion
Para 5% de significacin se lee en la tabla de
Durbin-Watson un cota superior d
L
y un cota
inferior para d
L

Generalmente cuando el estadstico: d o DW
calculado es 2 o su valor esta alrededor de 2
la ecuacin estimada no tiene auto
correlacin de ningn tipo