AUTOCORRELACION ¿QUE SUCEDE SI LOS TERMINOS DE ERROR ESTAN

CORRELACIONADOS?

El termino correlación se puede definir como “la correlación entre miembros de

series de observaciones observadas en el tiempo o en el espacio. En el contexto
de regresión, el modelo clásico de regresión lineal supone que no existe tal
autocorrelacion en las perturbaciones

El modelo clásico supone que el término de perturbación relacionado con una

observación cualquiera no está influido por el término de perturbación relacionado
con cualquier otra observación.

¿Por qué ocurre la correlación serial?

Inercia: una característica relevante de las series de tiempo económicas es la

inercia o lentitud. Las series de tiempo como el PIB presentan ciclos.

Sesgo de especificación: caso de variables excluidas:

En un modelo de regresión un investigador puede graficar los residuos en
obtenidos de la regresión ajustada y obtener el patrón presente en la graficas.
Estos residuos pueden sugerir que algunas variables que se habían sido
candidatas para el modelo y no fueron incluidas deben ser introducidas.

Sesgo de especificación: forma funcional incorrecta.

Fenómeno de la telaraña: la oferta de muchos productos agrícolas reflejan el

llamado fenómeno de la telaraña, en donde la oferta reacciona al precio con un
rezago de un periodo debido a que la implementación de las decisiones de oferta
toman tiempo (periodo de gestación). Por lo tanto en la siembra de cosechas al
principio de este año, los agricultores están influidos por el precio prevaleciente al
año anterior, de tal forma que su función de oferta es:

Supóngase que al final del periodo t, el precio de Pt resulta ser inferior a Pt-1. Por
consiguiente, es muy probable que los agricultores decidan producir en el periodo
t+1 menos de lo que produjeron el periodo t. obviamente en esta situación se
espera que las perturbaciones sean aleatorias porque sin los agricultores
producen excedentes en el años t, es probable que reduzcan su producción en t+1
y así sucesivamente, conduciendo a un patrón de telarañas.

Rezagos:

Manipulación de datos: las técnicas de manejo de la información podrían imponer

sobre la información un patrón sistemático que pudiera no estar presente en la
información original.

Transformación de datos.

No estacionalidad.

Existe una variedad de razones por las que el término de error en un modelo de
regresión pueda estar autocorrelacionado. La autocorrelacion puede ser negativa
o positiva, aunque la mayoría de las series de tiempo económicas por lo general
muestran una autocorrelacion positiva ya que gran parte de ellas tienden hacia
arriba o hacia abajo en extensos periodos, por lo que no exhiben un periodo
ascendentes o descendentes constante, como el mostrado en las siguientes
graficas.
ESTIMACION MCO EN PRESENCIA DE AUTOCORRELACION.

Se volverá de nuevo al modelo de regresión de dos variables para explicar las

ideas básicas involucradas . Se puede suponer que los
términos de error o perturbación se generan de la siguiente manera:

Donde se conoce como el coeficiente de autocovarianza y donde

es la perturbacion estocastica establecida de tal forma que satisface los supuestos
MCO estandar a saber,

Este es el esquema autorregresivo de primer orden de Markov. El nombre

autorregresivo es apropiado puesto que puede ser interpretado como la regresión
de sobre ella misma con un rezago de un periodo. Es de primer orden porque
solamente ut y su valor pasado inmediato están involucrados, es decir el rezago
máximo es 1.

Estimador MELI en presencia de autocorrelacion:

Continuando con los modelos de dos variables y suponiendo el proceso AR (1), es

posible demostrar que el estimador MELI de esta dado por la siguiente
expresión:

…(1)

Donde C es un factor de correlación que puede ignorarse en la práctica.

Obsérvese que el subíndice t varía de t= 2 a t=n. y su varianza está dada por:

…(2)

Donde D es un factor de corrección que también puede ignorarse en la práctica.

El estimador , como lo sugiere el superíndice se obtiene por el método de

MCG.

Bajo autocorrelacion, el estimador MCG dado en la ecuación 1 es MELI y la

varianza mínima está dada ahora por la ecuación 2.

Consecuencia de utilizar MCO en presencia de autocorrelacion:

Se distinguen dos casos:

Estimación MCO con autocorrelacion:

Como se menciono, no es MELI y aun si se fuera a usar Var es

probable que los intervalos de confianza derivados de allí sea más amplios que
aquellos basados en el procedimiento de MCG. Como indica Kmenta, es probable
que este sea el resultado aun si el tamaño de la muestra se incrementa

indefinidamente. Es decir no es asintóticamente eficiente.

Para establecer intervalos de confianza y probar hipótesis, debe utilizarse MCG y
no MCO, aun cuando los estimadores derivados de este ultimo sean insesgados y
consistentes.

Estimación MCO sin la autocorrelacion:

La situación es potencialmente muy grave si no se utiliza , sino que también se

continua utilizando var con lo cual se ignora completamente el

problema de autocorrelacion; es decir, se cree erróneamente que los supuestos
del modelo clásico se mantienen. Surgirán errores por las siguientes razones:

Detección de la autocorrelacion

Recuérdese que el supuesto de no autocorrelacion del modelo clásico se relaciona

con las perturbaciones poblacionales U t las cuales no pueden observarse
directamente. En su lugar se dispone de sus valores aproximados, los residuos

que se obtienen a través del MCO.

Hay diversas formas de examinar los residuos:

Grafica de secuencia de tiempos:

Grafica de los residuos estandarizados.

Prueba d de Durbin-Watson

Se define como:

Que es la simple razón de la suma de las diferencias al cuadrado de residuos

sucesivos sobre la SRC. Obsérvese que el numerador del estadístico d, el número
de observaciones es n-1 porque se pierde una observación al obtener las
diferencias consecutivas.

Una prueba general de autocorrelacion: la prueba Breusch-Godfrey (BF).

Para evitar algunos de los yerros de la prueba d de Durbin-Watson de

autocorrelacion, los estadísticos Breusch y Godfrey desarrollaron una prueba para
la autocorrelacion que es general el sentido que permite:

1) Regresoras no estocásticas
2) Esquemas autoregresivos de orden mayor
3) Promedios movibles

Qué hacer cuando hay autocorrelacion:

Hay cuatro opciones:

Trate de averiguar si la autocorrelacion es una autocorrelacion pura y no una mal

resultado de la especificación del modelo. Como se analizo a veces se observan
patrones en los residuos, debido a que el modelo está mal especificado o porque
su forma funcional no es correcta.

Si se trata de una autocorrelacion pura, se puede utilizar una transformación

apropiada de los modelos originales, de manera que el modelo transformado so se
presente en el problema de autocorrelacion (pura). Como en el caso de la
Heterocedasticidad, se tendrá que utilizar algún método generalizado de mínimos
cuadrados (MCG).

Para muestras grandes, se puede utilizar el método Newey-West para obtener los
errores estándar de los estimadores MCO que están corregidos para
autocorrelacion. Este método en realidad es una extensión del método de errores
estándar consistentes en Heterocedasticidad de White. En algunas situaciones, se
puede seguir utilizando el método MCO.