Você está na página 1de 12

Universidad Autnoma de Asuncin

Facultad de Ciencias Econmicas y Empresariales


Departamento de Economa
Econometra Intermedia (ECON-4!"
#ro$% &os' An(al Ins$r)n #elo*o
ins$ran+mmail%com%py
Clase ,-
AU.OCO//E0ACION
La autocorrelacin puede definir como la correlacin entre miembros de series de
observaciones ordenadas en el tiempo (como en la observacin de series de tiempo) o en
el espacio.
En el modelo de MCO se supone que no existe autocorrelacin entre las perturbaciones o
errores.
E(u
i
u
j
) ! i j
Es decir que la perturbacin i no se "alla relacionada con la perturbacin j. #in embar$o
si esto no es verdadero% se tiene la autocorrelacin.
E(u
i
u
j
) ! i j
&nicialmente se puede detectar la autocorrelacin $raficando las u
i
estimadas contra el
tiempo. 'al como se puede ver en la (i$. )*.) de la +,$. -./.
#or 1ue sur2e la Autocorrelacin3
a" Inercia
(" 4es2o de Especi$icacin5 caso de varia(les e6cluidas
c" 4es2o de Especi$icacin5 $orma $uncional incorrecta
d" Fenmeno de la .elara7a
e" /e*a2os
$" 89anipulacin: de datos
Estimacin de los 9CO en presencia de la Autocorrelacin
0ue sucede con los estimadores MCO 1 sus varian2as cuando E(u
i
%uj) ! i j
3tilicemos el modelo de dos variables para explicar sus principales efectos%
#upon$amos que las u
t
4s se $eneran de acuerdo al si$uiente proceso
t t t
u u +
,
donde es conocido como el coeficiente de autocovarian2a 1 donde las
t
es una
perturbacin estoc,stica que satisface los supuestos MCO
( )
( )
( ) ! ;
!
<

+s t t
t
t
Cov
Var
E

donde s !
Este es conocido como es1uema autore2resivo de primer orden de 9ar=ov o
simplemente es1uema autore2resivo de primer orden; $eneralmente se lo denota
como 56()). Este modelo puede ser interpretado como7
a) Como la re$resin de u
i
sobre su propio re2a$o un per8odo.
b) El coeficiente de autocovarian2a puede ser interpretado como el coeficiente de
autocorrelacin de primer orden o m,s precisamente% el coeficiente de
autocorrelacin del re2a$o ).
9o "a1 ra2on a priori para suponer que podamos adoptar un 56(-) 1 56(*).
'ambi:n se puede suponer que las u
t
4s se $eneran de acuerdo al si$uiiente modelo
,
+
t t t
v v u
donde v
t
es un error aleatorio con media cero 1 varian2a constante 1

es una constante tal
que ;; <).
Este esquema $enerador de errores es conocido como media mvil de primer orden o
esquema 9A(,"; 1a que comprende el promedio de dos variables aleatorias ad1acentes.
'ambi:n se puede considerar el si$uiente esquema conocido como A/9A(,;,"%
Esquemas 56M5 de orden superior tambi:n pueden ser considerados.
, ,
+ +
t t t t
v v u u
3tili2ando un esquema 56()) para las perturbaciones% puede demostrar que la varian2a
de los estimadores es7
( )
1
1
1
1
]
1

+ + + +

+
n
t
t
n
n
t
t
n
t
t t
n
t
t
n
t
t t
t t
AR
x
x x
x
x x
x
x x
x x
Var
,
<
, <
,
<
<
,
<
<
,
<
,
,
,
<
<
<
<
, <
%%%%%%%
<
>

mientras que en ausencia de autocorrelacin%


( )

<
<
<
>
t
x
Var

#upon$ase que se esta ante un modelo con autocorrelacin 56()) 1 se estiman los
par,metros MCO% cuales son sus consecuencias para las propiedades de los estimadores.
En $eneral diremos que los mismos si$uen siendo lineales e inses$ados% pero no
eficientes. 9o son MEL&.
Estimador 9E0I en presencia de autocorrelacin
El estimador de
*
est, dado por la si$uiente expresin% suponiendo el proceso 56())7
( ) ( )
( )
c
x x
y y x x
n
t
t t
n
t
t t t t
MCG
+


<
<
,
<
, ,
<
>

donde c es un factor de correccin que puede ser


i$norado en la pr,ctica. Obs:rvese que el subindice de t var8a a partir de * 1 su varian2a
est, dada por
( )
( )
D
x x
Var
n
t
t t
MCG
+

<
<
,
<
<
>

En $eneral% el m:todo de los MC= incorpora la informacin adicional existente al


proceso de estimacin% mediante la transformacin de variables% mientras que los MCO
no lo consideran.
La pre$unta es a"ora% que sucede si a pesar de la autocorrelacin se continua trabajando
con los MCO4s>>>
E4.I9ACION 9CO #E/9I.IENDO AU.OCO//E0ACION
Como en el caso de la "eterocedasticidad% la presencia de autocorrelacin no elimina las
propiedades de linealidad% inses$amiento 1 consistencia de los estimadores. #in
embar$o% los mismos dejan de ser eficientes. +or lo tanto% que pasa con los
procedimientos usuales de inferencia estad8stica>>
Existen * casos7
a" Estimacin 9CO permitiendo la Autocorrelacin
Como 1a "emos dic"o% el estimador
<
>
no es MEL& 1 a?n si se fuera a usar var(
<
>
)
es probable que los intervalos de confian2a derivados de alli sean m,s amplios que
aquellos basados en el procedimiento MC= 1 esto puede ocurrir a?n si la muestra
aumenta indefinidamente. Es decir%
<
>
no es asintticamente eficiente. La implicancia
de esto es que% es posible que se declare que un coeficiente no es estad8sticamente
si$nificativo% a?n cuando en la realidad pueda no serlo.
+or lo tanto7 +ara establecer intervalos de confian2a 1 probar "iptesis debe utili2arse
MC= 1 no MCO% a?n cuando los estimadores derivados de estos ?ltimos sean inses$ados
1 consistentes.
(" Estimacin 9CO i2norando la autocorrelacin
#ur$ir,n los si$uientes errores por las si$uientes ra2ones7
)) Es probable que la varian2a residual de MCO subestime la verdadera varian2a.
*) Como resultado es probable que se subestime el 6
*
.
-) 5?n cuando
*
no se "alle subestimada% la @ar(
<
>
) puede subestimar la @ar(
<
>

)
56)
% a?n cuando esta ?ltima es ineficiente comparada con el valor de la @ar(
<
>

)
MC=
.
A) Las pruebas usuales de si$nificancia t 1 ( dejan de ser v,lidas 1% de ser estas
aplicadas% es probable que condu2can a conclusiones errneas sobre la
si$nificancia estad8stica de los coeficientes de re$resin estimados.
DE.ECCION DE 0A AU.OCO//E0ACION
a" 9'todo ?r)$ico
Ba1 que $raficar los residuales en una $r,fica de secuencia de tiempo.
'ambi:n se pueden $raficar los residuales estandari2ados
( ) > @ >
i
u
.
Observese que los residuales al i$ual que la varian2a estimada% se "allan medidas en
las unidades en las cuales se mide la variable re$resada% CD por lo tanto% el resultado de su
divisin ser, un n?mero puro (desprovisto de unidades de medicin) 1 por lo tanto
pueden ser comparados con los residuales estandari2ados de otras re$resiones. 5dem,s%
los residuales estandari2ados tienen media cero 1 varian2a aproximadamente i$ual a la
unidad.
#i existe al$un patrn similar a los de la p,$ina -./% entonces existe autocorrelacin.
'ambi:n se puede $raficar los residuales contra sus propios re2a$os% para detectarE la
existencia del proceso 56())% tal como aparecen en la +,$. -..% la =rafica )*.-.
(" #rue(a de las 8/acAas:
#i existe un residual positivo 1 el mismo es se$uido por otro positivo% 1 un ne$ativo
por otro ne$ativo% esto no seria posible% si los mismos son aleatorios. Esta es
conocida como prue(a de ?eary
FFFFFFFGGGGGGGGGGGGGGGGGGGGGGGGGFFFFFFFFFFFGGGGGGGGGGGGGGGGGGGGG
#i "a1 muc"as rac"asE si$nifica que existe una correlacin serial ne$ativa
(residuales cambian de si$no frecuentemente) 1 si "a1 pocas rac"asE estas pueden
su$erir autocorrelacin positiva.
#rue(a d de Dur(in-Batson
El estad8stico d de HurbinGIatson es7
( )

n t
t
t
n t
t
t t
u
u u
d
<
<
<
<
,
>
> >
#upuestos del estad8stico
)) #e inclu1e el intercepto
*) Las variables explicativas son no estoc,sticas
-) Las perturbaciones se $eneran mediante el esquema autorre$resivo de primer
orden
A) 9o se inclu1en valores re2a$ados de la variable independiente
/) 9o "a1 observaciones faltantes de datos
La distribucin exacta de este estad8stico es dificil de derivar% 1a que la misma
depende de manera compleja de los valores presentes de J en una muestra dada.
Existe un limite inferior d
L
1 un l8mite superior% d
3
. 5dem,s estos dependen del
n?mero de observaciones n 1 del n?mero de variables explicativas. Hic"os valores
fueron tabulados por Hurbin 1 Iatson en una tabla% se "allan en el apendice H del
libro.
Los l8mites de d son ! 1 A.
Los cuales pueden obtenerse expandiendo la formula previa%

n t
t
t
n t
t
t t
n t
t
t
n t
t
t
u
u u u u
d
<
<
<
,
<
<
,
<
<
>
> > < > >
+uesto que u
t
1 u
tG)
difieren en una sola observacin% la formula anterior se puede
escribir aproximadamente como%

,
_

n t
t
t
n t
t
t t
u
u u
d
<
<
<
,
>
> >
, <
o expresarlo como
( ) > , < d
donde7

n t
t
t
n t
t
t t
u
u u
<
<
<
,
>
> >
>
Mirar fi$ura )*..
#i
>
! entonces d *% es decir% si no "a1 correlacin serial (de primer orden) se
espera que el valor est: alrededor de *. +or consi$uiente% si en una aplicacin se
encuentra 1ue d C < se puede suponer 1ue no Aay correlacin de primer orden;
(ien sea positiva o ne2ativa%
#i
>
F) indica una correlacin positiva perfecta entre los residuales% d !.
#i
>
G) indica una correlacin ne$ativa perfecta entre los residuales% d A
#rocedimiento de la #rue(a Dur(in-Batson.
)) Efectuar la re$resin de MCO 1 obtener los residuales.
*) Calcular d a partir de la formula del mismo
-) +ara un tamaKo dado de la muestra 1 un n?mero dado de variables explicativas%
encuentrense los n?meros cr8ticos d
L
1 d
3
% en la tabla.
A) #i$anse las re$las de decisin de la fi$ura )*.. en la p,$. A)A.
5 pesar de ser mu1 popular este estad8stico% cuando cae en la 2ona de indefinicin no
se puede concluir si la autocorrelacin existe o no.
#"a2am calcula la +rueba d exacta.
Estadstico d de Dur(in-Batson (Cont%"
'al como "ab8amos visto en la clase previa% cuando el estad8stico obtenido cae en la 2ona
de indefinicin% se puede usar la prue(a d e6acta (esta da el valor p% la probabilidad
exacta del valor calculado). Esta prueba es calculada por el pro$rama #B5L5M.
'ambi:n% se "a demostrado que el l8mite superior% d
3
es aproximadamente el verdadero
l8mite de si$nificancia% 1 si el valor d estimado se "alla en la 2ona de indefinicin% se
puede usar el si$uiente procedimiento de la prue(a d modi$icada% Hado el nivel se
si$nificancia .
). B
!
7 ! vs. B
)
7 M !% si el valor d < d
u
% rec",sese B
!
al nivel % es decir% "a1
correlacin positiva estad8sticamente si$nificativa.
*. B
!
7 ! vs. B
)
7 < !% si el valor (A N d) < d
u
% rec",sese B
!
al nivel % es decir% "a1
evidencia estad8sticamente si$nificativa de autocorrelacin ne$ativa.
-. B
!
7 ! vs. B
)
7 !% si el valor d < d
u
o (A N d) < d
u
% rec",sese B
!
al nivel *% es
decir% "a1 evidencia estad8sticamente si$nificativa de autocorrelacin positiva o
ne$ativa.
#i no se desea utili2ar la prueba modificada% se puede usar la prueba no param:trica de
rac"as anteriormente anali2ada.
+ara el caso en el cual% se utili2a como variable explicativa un re2a$o de la variable
explicada el estad8stico d HurbinGIatson no es v,lido. En este caso% se prueba la
correlacin serial con el estadstico A de Hurbin.
Esta es una prueba para muestras $randes 1 el estad8stico es el si$uiente7
( ) [ ]

>
var ,
>
n
n
h

donde7 n tamaKo de la muestraD ( )


>
var varian2a del coeficiente del re2a$o C
tG)
D 1
>
estimacin de % de acuerdo al procedimiento explicado para el estad8stico HurbinG
Iatson.
#i la muestra es $rande% si C !% el estad8stico " si$ue la distribucin normal est,ndar.
En la pr,ctica no "a1 necesidad de estimar
>
% 1a que el mismo puede ser aproximado a
partir del estad8stico d de HurbinGIatson estimado de la si$uiente manera7
d
<
,
, >
1 el estad8stico " puede escribirse como7
( ) [ ]
>
var ,
<
,
,
n
n
d h

,
_


+or lo tanto% los pasos a se$uir son los si$uientes7
).) Estimar por el m:todo de MCO% el modelo con el re2a$o de la variable dependiente.
*.) 5ntese la ( )
>
var
-.) Calc?lese "
A.) #uponiendo que n es $rande%
A D AN(!;,"
es decir% " esta distribuida asintticamente normal con media cero 1 varian2a ).
+ara el caso que se quiera utili2ar el /O de si$nificancia% se sabe que para el caso de
la distribucin normal7
+r(G)%.P " )%.P) !%./
a) #i " M )%.P% rec",cese la "ipotesis nula de que no "a1 autocorrelacin positiva de
primer orden%
b) #i " < G)%.P% rec",cese la "ipotesis nula de que no "a1 autocorrelacin ne$ativa de
primer orden%
c) #i QG)%.P < " < )%.PR no se rec"a2a la "ipotesis de que existe correlacin serial
(positiva o ne$ativa).
#rue(a de EreuscA-?od$rey (E?" so(re autocorrelacin de orden superior5
#upon$amos que el t:rmino de perturbacin es $enerado a trav:s del si$uiente proceso
56(p)%
t p t p t t t
u u u u + + + +

%%%% %%%%%%%%%%
< < , ,
B
!
7
)

*
SSS..
p
!% es decir no "a1 autocorrelacin de nin$?n orden.
Los pasos a se$uir son los si$uientes7
)) Est8mese el modelo a trav:s del m:todo de los MCO 1 $uardense los residuales
*) Efect?ese la re$resion de t
u>
sobre todos los re$resores en el modelo m,s estos
re$resores7
,
>
t
u
%
<
>
t
u
% SSS..% p t
u

>
. Obt:n$ase el 6
*
de esta re$resin.
-) Cuando el tamaKo de la muestra es $rande% (n F p" /
<
D
<
p
%
/e2la5 #i (nGp)6
*
excede el valor cr8tico c"iGcuadrado al nivel de si$nificancia
seleccionado% se puede rec"a2ar la "iptesis nula% 1 en ese caso por lo menos un es
si$nificativamente diferente de cero.
9EDIDA4 /E9EDIA0E4
a" Cuando la estructura de la Autocorrelacin es conocida
Hebido a que las perturbaciones no son observables% la estructura de la correlacin serial
es materia de especulacin. En $eneral% casi siempre se supone que las mismas si$uen un
esquema 56()).
t t t
u u +
,
;;<). #i se conoce % el coeficiente de autocorrelacin% el problema de correlacin serial
puede ser resuelto satisfactoriamente.
+ara el caso del modelo de dos variables7
t t t
u X Y + +
< ,

SSSSS..(5)
#i esto es cierto en t% tambi:n lo es en tG)
, , < , ,
+ +
t t t
u X Y
SSS..(T)
Multiplicando por a ambos lados
, , < , ,
+ +
t t t
u X Y
S..(C)
6estando (C) de (5) obtenemos%
t t t t t t t t t
X X u u X X Y Y + + + +

" ( " , ( " ( " , ( " (
, < , , , < < , ,

Lo cual puede expresarse como%
t
t t
X Y + +
G G G G
< ,
HHHHH%%(D"
Como este modelo satisface todos los supuestos MCO% se puede aplicar dic"o m:todo 1
obtener estimadores MEL&. Esta re$resin es equivalente a aplicar MC=.
La ecuacin es conocida como ecuacin en di$erencia 2enerali*ada o cuasi-.
+ara evitar perder una observacin se puede aplicar la transformacin de #rais-Binsten
de la si$uiente manera%
<
,
, Y D
<
,
, X .
(" Cuando la estructura de la Autocorrelacin es desconocida
)). 9'todo de la #rimera Di$erencia
Hado que se encuentra entre ! 1 t)% se puede partir de posiciones extremas. Es
decir% suponer que C! 1 en el otro extremo considerar que Ct).
En caso de que CI, la ecuacin en diferencia $enerali2ada se reduce a la ecuacin
en primera di$erencia
t t t t t t t t t
X X u u X X Y Y + +

" ( " ( " ( " (
, < , , < ,
t t
X Y +
<
Observese que no existe el t:rmino de intercepto% es decir se debe utili2ar el modelo
de re$resin a trav:s del ori$en. #upon$amos que el modelo ori$inal es el si$uiente%
t t t
u t X Y + + +
J < ,

La transformacin de primera diferencia $enera el si$uiente modelo
t t
X Y + +
J <
Honde
-
es el coeficiente de la variable de tendencia en el modelo ori$inal. Es decir%
si
-
es positivo si$nifica que existe una tendencia "acia arriba en C despues de permitir
la infuencia de todas las otras variables.
En lu$ar de suponer que CI,; si se supone que C-,; es decir% correlacin serial
ne$ativa perfecta (lo cual es t8pico en las series de tiempo econmicas)% la ecuacin de
diferencias $enerali2adas% se convierte a"ora en7
t t t t t
X X Y Y + + + +

" ( < " (
, < , ,
< < <
,
< ,
, t t t t t
X X Y Y
+
+
+
+

Este modelo es conocido como re$resin de promedios mviles (de dos periodos).
La transformacin en primeras diferencias es mu1 facil de reali2ar 1 es mu1 popular.
#in embar$o% la misma depende del supuesto de que CI, 1 si este no es el caso el
remedio puede ser peor 1ue la en$ermedad%
4i CI,; puede probarse a trav:s de la prueba de Eern(lutt-Be((% (@er p,$ina
A*)).
<"% basado en el estad8stico d de HurbinGIatson.
<
, >
d

El supuesto de CI, es v,lido solamente si d !. 'ambi:n cuando d *%
>
! 1
cuando d A%
>
G). #in embar$o% esto solo es una aproximacin 1 puede no cumplirse
para muestras pequeKas 1 para las misma se puede utili2ar el estadstico d modi$icado
de .Aeil-Na2ar%
( )
< <
< <
<
,
>
k n
k
d
n

+

Honde7 U n?mero de coeficientes a ser estimados (inclu1endo el intercepto).
3na ve2 que se obtiene
>
es posible transformar los datos de acuerdo a la ecuacin
de diferencia $enerali2ada 1 estimar los par,metro a trav:s de los MCO.
-). #rocedimiento Iterativo de CocArane-Orcutt para estimar

%
Este procedimiento utili2a los residuales estimados
t
u>
para obtener informacin
acerca del

desconocido. Considerese el modelo de dos variables7


t t
u X Y + +
< < ,

t
u
es $enerado a trav:s de un proceso 56()).
Los pasos a se$uir son los si$uientes7
).) Est8mese el modelo con dos variables si$uiendo el m:todo de los MCO 1
obt:n$ase los residuales% t
u>
.Ulsl
*.) 3tili2,ndose los residuales estimados% efect?ese la si$uiente re$resin7
t t t
v u u +
,
> > >
-.) Con el
>
obtenido en el paso previo% efect?ese la re$resin en diferencia
$enerali2ada.
t t t t t t t t t
X X u u X X Y Y + + + +

" ( " , ( " ( " , ( " (
, < , , , < < , ,

o
t
t t
X Y + +
G G G G
< ,
A.) +uesto que no se sabe si el
>
obtenido es el mejorE estimado de

%
substit?1anse los valores de
G
,

1
G
<

estimados% en la re$resin original 1


obt:n$anse nuevos residuales%
G G
>
t
u
<
G G G G
< ,
> X Y u
t
t

/.) Est8mese%
t
w u u
t t
+

G G G G
,
>
>
> >
5s8
>
>
es la estimacin de

en la se$unda vuelta.
He este modo se puede se$uir a una tercera 1 cuarta vuelta% en $eneral se puede se$uir
"asta que las estimaciones de

difieran en cantidades mu1 pequeKas (!%!) !%!!/).


#rocedimiento de CocArane-Orcutt en dos etapas5
En la etapa )% se estima

a partir de la primera iteracin 1 en la etapa * se utili2a


esta estimacin de

para efectuar la re$resin de la ecuacin en diferencia


$enerali2ada.
'ambi:n existen otros m:todos para estimar

% tales como el M:todo de Hurbin de


dos pasos% los de M,xima @erosimilitud% Bildret"GLu% entre otrosD los cuales son
explicados en el libro de texto.
En $eneral% todos los m:todos de estimacin de

son iterativos o en dos etapas7 en


la primera se obtienen
>
1 en la se$unda se utili2a la misma para transformar las
variables 1 estimar la ecuacin en diferencia $enerali2ada% que es b,sicamente MC=.
Hebido a que se usa
>
1 no el verdadero valor de

% estos m:todos de estimacin se
conocen como 9nimos Cuadrados ?enerali*ados Estimados (9C?E" o
Facti(les
9odelo Autorre2resivo de Keterocedasticidad Condicional (A/CK"
La evidencia emp8rica "a demostrado que el problema de autocorrelacin es una
caracter8stica de la informacin de series de tiempo 1 la "eterocedasticidad una
caracter8stica de la informacin de corte transversal. +uede sur$ir la "eterocedasticidad
con datos de series de tiempo>.
En $eneral% se "a observado que su "abilidad para predecir las variables de series de
tiempo var8a de un per8odo a otro. +ara unos per8odos de tiempo% los errores de
pro1eccin son relativamente pequeKos% durante otros% ellos pueden ser relativamente
$randes 1 volver lue$o a ser relativamente pequeKos.
Esto su$iere que la varian2a de los errores de prediccin no es constante% sino que var8a
de un per8odo a otro% es decir "a1 al$una clase de autocorrelacin en la varian2a de los
errores de prediccin.
+uede suponerse que el comportamiento de los errores de prediccin depende del
comportamiento de las perturbaciones (de la re$resin)% 1 puede presentarse una situacin
de autocorrelacin en la varian2a de u
t
.

La idea central del modelo autorre2resivo de Aeterocedasticidad condicional (A/CK"
es que la varian2a de u

en el tiempo t% depende del tamaKo del t:rmino de error al
cuadrado en el tiempo (tG))% es decir% de u
*
tG)
.
+ara el modelo de re$resin con U variables 1 supn$ase que condicional a la
informacin disponible en el tiempo (tG))% el t:rmino de perturbacin se distribu1e
u
t
V 9Q!% (
!
F
)
u
*
tG)
)R
Como la varian2a de u
t
depende de u
*
tG)
% dando asi la apariencia de correlacin serial.
+uesto que la varian2a depende del t:rmino de perturbacin al cuadrado en el per8odo de
tiempo anterior% el proceso se denomina A/CK(,"% Esto puede $enerali2arse a un
proceso A/CK(p"%
< <
< <
<
, , !
<
> > %% %%%%%%%%%% > > > > > " var(
p t p t t t t
u u u u

+ + + +
#i no "a1 autocorrelacin en la varian2a del error% se tiene que B
!
7
)

*
S.
p
!
La re$resin a efectuar es la si$uiente7
< <
< <
<
, , !
<
> > %% %%%%%%%%%% > > > > > >
p t p t t t
u u u u

+ + + +
#e puede usar la prueba ( usual.
5lternativamente calcular
n/
<
V
*
p
Lue Aacer ante la presencia de A/CK3
#e debe utili2ar el m:todo MC=% el cual veremos la transformacin apropiada en la
si$uiente clase.
El estadstico d y el e$ecto A/CK
5nte la posible presencia del efecto 56CB% se debe efectuar la prueba de dic"o efecto
antes de aceptar la existencia de correlacin serial% basado en el valor del estad8stico d.