Escolar Documentos
Profissional Documentos
Cultura Documentos
Facultad de Humanidades
Ingeniería Comercial
Econometría
Autocorrelación
Econometría
Integrantes:
-Felipe Aillapan
-Cristóbal Cáceres
- Monserrat Fernández
- Germán Jara
- Jorge Monroy
- Matías Sepúlveda
¿QUÉ ES LA AUTOCORRELACIÓN? 4
CAUSAS DE LA AUTOCORRELACIÓN. 6
CONSECUENCIAS. 9
TIPOS DE AUTOCORRELACIÓN. 15
DETECCIÓN DE LA AUTOCORRELACIÓN 16
EJERCICIO EXPLICADO 24
CONCLUSIÓN 26
BIBLIOGRAFÍA 27
Autocorrelación Página 2
Introducción a la Autocorrelación.
A través de la econometría encontramos múltiples formas de analizar la economía
y sus fenómenos. Uno de ellos es el análisis de regresión, en el cual estudiamos la
relación de una variable dependiente (Y) y una o más variables independientes o
explicativas, con el fin de mejorar la precisión del análisis se añaden variables, como por
ejemplo el error y los cuadrados.
Cuando tenemos solo una variable independiente, tenemos el siguiente modelo, llamado:
Por otra parte cuando tenemos más de una variable independiente, el modelo se llamará,
modelo de regresión múltiple, siendo de esta forma:
El modelo de regresión lineal múltiple es idéntico al modelo de regresión lineal simple, con
la única diferencia de que aparecen más variables explicativas.
Autocorrelación Página 3
Sea de simple o múltiple el modelo de regresión tiene ciertos supuestos, que norman este
modelo, uno de ellos habla que de que no existe autocorrelación entre las
perturbaciones, es decir que las perturbaciones no presentan patrones sistemáticos, por
ende su autocorrelación es igual a cero.
¿Qué es la autocorrelación?
La autocorrelación es una relación entre las perturbaciones (µ), violando así uno
de los supuestos para estimar el modelo a partir de la independencia que debe existir
entre estas variables, El término autocorrelación se define como la “correlación entre
miembros de series de observaciones ordenadas en el tiempo (como en datos de
series de tiempo) o en el espacio (como en datos de corte transversal)”.
Cabe recalcar que en el contexto de regresión, el modelo clásico de regresión lineal
supone que no existe tal autocorrelación en las perturbaciones.
Autocorrelación Página 4
Como primera aproximación se asume que las observaciones se generan de la siguiente
manera:
Yt =a + b Xt+ ut
ut=ρ ut
1+εt ; para –1< ρ<1
● Si ρ = 0 no existe autocorrelación
● Si ρ = 1 existe autocorrelación positiva perfecta
● Si ρ =-1 existe autocorrelación negativa perfecta
Patrones de la autocorrelación.
Autocorrelación Página 5
Causas de la Autocorrelación.
La autocorrelación, por lo general se produce mucho en series históricas en las
cuales los errores se mantienen a través del tiempo. Entre las principales causas de la
autocorrelación tenemos las siguientes:
✓ Inercia: cuando la variable debe crecer en el tiempo. También llamada pasividad.
Como sabemos las series temporales o variables temporales, tales como el PIB, el
IPC, la producción, desempleo, etc. Luego de una recesión, cuando se inicia la
recuperación económica, por lo general estas series tienden a moverse hacia
arriba, en este movimiento ascendente los valores de la serie en un punto
determinado del tiempo, serán mayores a los anteriores. Es por estos que las
observaciones de estas series serán interdependientes.
Autocorrelación Página 6
-Forma Funcional Incorrecta: Ocurre cuando se elige mal la forma
funcional, lo cual genera un comportamiento sistemático en el término
estocástico.
Suponga que el modelo “verdadero” o correcto en un estudio de costo-
producción es el siguiente:
Autocorrelación Página 7
✓ Tiempo de ajuste: tiene que ver con el periodo en que los agentes económicos
procesan toda la información, es así como un fenómeno determinado puede
afectar a más de un periodo a lo largo del tiempo.
Autocorrelación Página 8
Consecuencias.
La consecuencia más grave de la autocorrelación de las perturbaciones es que la
estimación MCO deja de ser eficiente y la inferencia estadística también se verá afectada.
Las consecuencias dependen del tipo de autocorrelación (positiva o negativa):
Autocorrelación Página 9
Estimación de MCO en presencia de
autocorrelación
Cuando los términos de error del modelo no son independientes entre sí aparece
la autocorrelación y los MCO obtenidos, en esta situación, dejan de ser eficientes. Lo
siguiente explica cómo cambian los estimadores de mínimos cuadrados ordinarios (MCO)
y sus varianzas si se usa la autocorrelación en las perturbaciones con el siguiente
supuesto:
que generan las ut,dado que E(utut+s S≠ es muy general como supuesto.
Un término de error con las propiedades anteriores es conocido como término de error
de ruido blanco. Lo que este postula es que el valor del término de perturbación en el
periodo t es igual a ρ multiplicada por su valor en el periodo anterior, más un término de
error puramente aleatorio.
Autocorrelación Página 10
Este esquema se conoce como “esquema autorregresivo de primer orden de Markov”
, o simplemente (y de ahora en adelante) esquema autorregresivo de primer orden, y
suele denotarse como AR (1).
Donde, cor(ut, ut+s) es la correlación entre los términos de error de s periodos distantes y
cov(ut, ut+s) es la covarianza entre los términos de error de s periodos distantes. El
estimador de C del coeficiente de pendiente está dado por la siguiente expresión
Autocorrelación Página 11
Estimador MELI en presencia de
autocorrelación.
Al proseguir con el modelo de dos variables y considerar el proceso AR(1), es
posible señalar que el estimador ELI de β2 está dado por la siguiente expresión
Autocorrelación Página 13
Estimación ignorando MCO en la
autocorrelación
Existiendo la autocorrelación, se produce un evento el cual de una magnitud
gravísima siempre y cuando se utilice β2, al igual que var (β2) =σ^2/∑x^2t, debido a esto
se ignora la presencia de autocorrelación, entonces, se cree que los errores de los
supuestos del modelo clásico se mantienen. En consecuencia, se generarían errores
distintas razones, las cuales principalmente son:
Autocorrelación Página 14
Tipos de autocorrelación.
Existen dos tipos autocorrelación, una es la positiva y la otra la negativa:
Autocorrelación Página 15
Detección de la Autocorrelación
Para poder detectar la presencia de autocorrelación se pueden utilizar variados métodos.
Uno de estos métodos es el de contrastes de hipótesis, los que permiten rechazar o aceptar la
hipótesis nula, a través de una regla de decisión y con un nivel de significancia específico. Se puede
señalar de forma general que las hipótesis de estos contrastes son de la siguiente forma:
Método Gráfico:
El método gráfico proporciona información muy útil con respecto a la autocorrelación. Hace
referencia al comportamiento de los residuos, puede examinarlos con respecto al tiempo (gráfica
secuencial de tiempo), en donde se grafica el residuo en tiempo t contra su valor en el tiempo. En
otro caso, se pueden graficar los residuos estandarizados con respecto al tiempo, en donde se
puede establecer si la autocorrelación es positiva o negativa.
Autocorrelación Página 16
Autocorrelación
Autocorrelación Positiva
Negativa
Contraste de Durbin-Watson:
Formulación de Hipótesis:
No existe Autocorrelación AR(1)
Autocorrelación Página 17
Estadígrafo de prueba:
Este se define con un modelo de regresión que incluye término independiente y cuando la
matriz de variables explicativas no es aleatoria. Cuando el tamaño de la muestra es grande el
estadístico d se puede expresar como:
Ausencia de Autocorrelación.
Se hallaron los límites superior (du) e inferior (dL) para la ayuda de la toma de la decisión que existe
o no autocorrelación. Se utiliza el límite superior para no rechazar la hipótesis de ausencia de
autocorrelación (autocorrelación positiva) y el inferior para no rechazar la hipótesis nula
(autocorrelación negativa). Estos límites se establecen en los puntos 4-du y 4-dL.
Autocorrelación Página 18
Se pueden señalar las regiones de contraste de la siguiente manera:
Donde,
0 < d < dL Se rechaza H0, existe autocorrelación positiva con un esquema AR(1)
4-dL < d < 4 Se rechaza H0, existe autocorrelación negativa con esquema AR(1)
Los límites dependen del tamaño de la muestra (n) y los regresores del modelo (k).
1. Estimación del modelo de regresión por método de mínimos cuadrados ordinarios (MCO)
2. Cálculo de los residuos MCO
3. Obtención del estadístico d (experimental) de Durbin-Watson
4. Búsqueda de los niveles críticos del contraste
5. Aplicación de la regla de decisión.
A veces este contraste puede no ser concluyente, por lo que se deben ampliar las regiones de
rechazo, considerando que existe autocorrelación positiva para valores del estadístico
experimental inferiores a du y autocorrelación negativa si los valores son superiores a 4-du.
Autocorrelación Página 19
Contraste de Wallis:
Este contraste presenta una modificación del estadístico de Durbin-Watson para modelos
que utilizan datos trimestrales. En este caso se espera que la perturbación de una observación en
específico se relacione con la del mismo trimestre, pero del año anterior, no como en el caso
original que se relaciona con la perturbación del período inmediatamente anterior.
Donde,
No existe autocorrelación
Existe autocorrelación
Autocorrelación Página 20
Prueba de las Rachas:
La prueba de rachas se utiliza para poder observar un patrón cuando las perturbaciones de
los residuos tienen un comportamiento aleatorio. Se explica anotando los signos (+ o -),
dependiendo de los residuos obtenidos en el método de regresión. Una racha se define por la
sucesión de signos que no es interrumpida por el otro, la que posee una longitud correspondiente
al número de elementos que contiene. Para realizar esta prueba se deben plantear las siguientes
hipótesis:
Dónde:
u: Media
σ2: Varianza
Como regla general, si hay autocorrelación positiva, el número de rachas será reducido. Por otro
lado, si existe autocorrelación negativa, el número de rachas será grande.
Autocorrelación Página 21
¿Qué hacer cuando existe
autocorrelación?
Para modificar la autocorrelación tras emplear uno o más de los test de
diagnóstico, existen 4 opciones:
𝒀𝒕=𝜷𝒐+𝜷𝟏𝑿𝒕+𝝁𝒕
a) Cuando 𝝆 es conocida:
b) Cuando 𝝆 es desconocida:
𝝁𝒕 = 𝝆𝝁𝒕−𝟏 + 𝜶𝒕
Inicialmente, se tiene que estimar el modelo original para luego adquirir los
residuos de 𝜇𝑡; tomando en cuenta que 𝜇𝑡 = 𝜌𝜇𝑡−1 + 𝛼𝑡 para luego obtener 𝜌.Para
continuar, es importante utilizar 𝜌 para conseguir el modelo alterado, en otros términos:
Autocorrelación Página 22
𝒀𝒕∗ = 𝜷𝟎∗ + 𝜷𝟏∗ + 𝑿𝒕∗ + 𝜶𝒕
Autocorrelación Página 23
Ejercicio explicado
Se dispone de la serie de datos anuales desde 1980 hasta 2009 sobre tasas de
pobreza (POB) y de desempleo (D). La relación entre ambas tasas queda especificada en
el siguiente modelo P B D u t t = β0 1 + + β t Los datos (en porcentaje) correspondientes
a los 30 años son los que se muestran a continuación:
Autocorrelación Página 24
a) Contraste la existencia de autocorrelación con un nivel de significación del 5%.
Solución:
Autocorrelación Página 25
Para n=30 y k=1 se tiene que dL=1,352 y dU=1,489. Como d= 0,364< dL=1,352 ⇒ Se
rechaza la hipótesis nula, existiendo autocorrelación positiva.
Conclusión
En este trabajo aprendimos sobre la autocorrelación, un fenómeno que viola uno
de los supuestos sobre la regresión simple y múltiple, debido a las variables
independientes que fluyen a través del tiempo como son las variables económicas como
lo son: el PNB, PIB, desempleo, producción, entre otras.
Presentamos las causas de este fenómeno, tales como la inercia de los datos, su
falta de estacionalidad, manipulación de la información, fenómeno de telaraña, entre
otros; sus consecuencias; los tipos de autocorrelación como lo son la positiva y la
negativa; como detectar si tenemos autocorrelación; su modelación gráfica; qué hacer
cuando tenemos autocorrelación; sus estimadores algunos métodos como lo son Durbin-
Watson, pruebas de racha y contraste de Wallis.
Autocorrelación Página 26
Bibliografía
“Econometría”; Autores Damodar N. Gujarati & Dawn C. Porter
https://scalleruizunp.files.wordpress.com/2015/04/econometria_-_damodar_n-
_gujarati.pdf
http://www.ciberconta.unizar.es/Leccion/autocorrelacion/analisis%20de%20autocor
relacion.PDF
Universitat de les Illes Balears:
http://www.uib.cat/depart/deaweb/webpersonal/hdeawni/en/archivos/Autocorrelacio
n.pdf
http://webdelprofesor.ula.ve/economia/dramirez/MICRO/FORMATO_PDF/Material
econometria/Autocorrelacion.pdf
Autocorrelación Página 27