AUTOCORRELACIÓN
1.- Definición
2.- Causas de la Autocorrelación
3.- Por qué Ocurre la Autocorrelación
4.- Tipos de Autocorrelación
5.- Detección de la Autocorrelación
6.- Cómo corregir la Autocorrelación
AUTOCORRELACIÓN
Aparece cuando los términos de error del
modelo no son independientes entre sí.
E (ui u j ) 0 i j
La autocorrelación generalmente aparece
en datos en serie de tiempo aunque
también se presenta en el caso de en
corte transversal.
Aquí se estudiará el primer caso.
Causas de la
Autocorrelación
Causas de Autocorrelación
Error de especificación por excluir variables
Error de especificación debido a forma funcional incorrecta
El fenómeno de la telaraña
El comportamiento lento, cíclico y sesgado de las variables
económicas
El Uso de modelos Autoregresivos
Consecuencias de la
Autocorrelación
Por qué ocurre la Autocorrelación
Inercia. Cuando existen tendencias marcadas
que influyen en los valores futuros de la serie.
Sesgos de especificación. Cuando se elige mal
la forma funcional o cuando se omiten
variables, lo cual genera un comportamiento
sistemático en el término estocástico.
• Tiempo de ajuste. Implica el tiempo que los agentes económicos deben tomar para
procesar información de un período dado. Así un fenómeno sucedido en un período
determinado puede impactar en uno o varios posteriores.
Tipos de
Autocorrelación
PATRONES DE
AUTOCORRELACIÓN Y
DE NO AUTOCORRELACIÓN
Detección de la
Autocorrelación
Detección de la Autocorrelación
Prueba Gráfica
Prueba de las rachas
Prueba de Durbin y Watson
Modelo Autoregresivo de Markov
Prueba de Breusch – Godfrey
El Correlograma de Residuos
Prueba Gráfica
Durbin y Watson
Para detectar la presencia de
autocorrelación en una serie de datos la
prueba más utilizada, es la de Durbin
Watson.
Para este fin se define el estadístico de la
siguiente manera:
Durbin y Watson
d 2(1 )
Durbin y Watson
Durbin y Watson
Tablas:
Durbin y Watson formularon una tabla donde
se muestran los límites inferiores y superiores
de un valor crítico (dL y dU) que, de acuerdo al
valor obtenido en la estimación del estadístico
d, permite tomar decisiones sobre la posible
presencia de correlación serial positiva o
negativa.
Durbin y Watson
d 2(1 ˆ )
Los valores de significancia de las tablas de
Durbin-Watson se tabulan para probar la
hipótesis de ρ=o, contra ρ>0. La tabla arroja
dos valores dL y dU.
Si d>2 y se desea probar la hipótesis de ρ=o,
contra ρ<0 , se considera 4-d y se hace
referencia a las tablas como si se probara una
autocorrelación positiva
Durbin y Watson
ƒ(d)
¿? ¿?
ρ=1 ρ=0 ρ= -1
0
4
dl du (4-du) (4-dl)
Estadístico de Durbin Watson
Durbin y Watson
Cuando la estimación del modelo excluye el
intercepto u ordenada en el origen la prueba se
invalida.
Cuando existen dos o mas variables rezagadas,
el DW estará cerca de 2 aun cuando los errores
estén correlacionados
Para ello se utiliza el estadístico h de Durbin
dL= 1.338
dU=1.659
d=0.756968
Modelo Autorregresivo de Markov
Modelo Autorregresivo de
Markov
Como primera aproximación se asume que
las perturbaciones se generan de la
siguiente
u manera:
u 1 1
t t 1 t
se le conoce como coeficiente de
autocovarianza o de autocorrelación y
es una perturbación estocástica que
satisface los supuestos MCO tradicionales.
Modelo Autorregresivo de Markov
Sabemos que -1 < < 1
Si = 0 no existe autocorrelación
Si = 1 o >0 existe autocorrelación positiva
Si = -1 o <0 existe autocorrelación negativa
perfecta
Estees un comportamiento autorregresivo de
primer orden y se denota como AR(1).
Modelo Autorregresivo de Markov
Prueba de Breusch – Godfrey
i 0 1 X 1i 2 X 2i ...... k X ki 1t 1 2 t 2 vt
Permite detectar la presencia de autocorrelación de mayor
orden, es decir, con más de un retardo.
Se determina un estadístico igual a n * R² con X2(p) p
grados de libertad p=los retardos
Se establece como decisión “si el estadístico es mayor al
X² (p) no hay autocorrelacion
Ho= No autocorrelacón
Hi= Hay autocorrelacion
El valor del X2 con dos grados de libertad es
igual a 5.99147 y el de n* R² es igual a
13.47355.
Dado a que 5.99147<13.47355 Se rechaza la
hipótesis nula, aceptando los problemas de
autocorrelación correspondientes
Correlograma de Residuos
Es otra forma de identificar la autocorrelación de orden p.
En la ventana de resultados View/ Residual Diagnostics/
Correlogram- q stadistis.
En el cuadro de dialogo que aparece seleccionamos sin transformar
(Level) y el número de rezagos 22 (Lag Specification)
• Las banda esta del
correlograma estan
representada por :
2 2
T 73
• = ± 0.2341los valores
que sean iguales o mayor
ha este valor nos indicara
el orden de AR(r).
Cómo corregir la
Autocorrelación
Autocorrelación: Medidas Remediales
Cuando se conoce la estructura de la
autocorrelación se lleva a cabo una
transformación de la ecuación a estimar para
que cumpla con los supuestos de MCO.
Supongamos un esquema autorregresivo de
primer orden:
ut ut 1 t
También supongamos el siguiente modelo:
Yt 1 2 X t + u t
Tendremos por tanto que:
Yt 1 1 2 X t 1 + u t 1
Multiplicando la ecuacion (2) por tenemos que:
Yt 1 1 2 X t 1 + u t 1
Al restar (1) y (3) tenemos que:
(Yt Yt 1 ) 1 (1 ) 2 X t 2 X t 1 + (u t - u t 1 )
= 1 (1 ) 2 ( X t 2 X t 1 ) + t
La ecuación (4) puede entonces expresarse como:
* * * *
Yt X + t
1 2 t
La cual cumple con todos los supuestos de MCO
pudiendo obtener de las variables transformadas unos
estimadores MELI.
Esta regresión se le conoce como ecuación de diferencia
generalizada, la cual involucra la regresión de Y en X en
forma de diferencias.
Cuando no se conoce la estructura de la correlación
deben llevarse a cabo algunas aproximaciones por
medio de diversos métodos entre los que destacan los
siguientes:
Método de la primera diferencia
Estimación de en base al estadístico d
Procedimiento de Cochrane Orcutt para estimar
La primera etapa consiste en estimar ρ a partir
de los residuales estimados, efectuando para
ello el modelo de Markov
La segunda etapa, se utiliza la estimación de ρ
para hacer la regresión de la ecuación.
Y * Yt Yt 1
X * X t X t 1
Corrección de la
Autocorrelación
Introduciremos el componente
autoregresivo al modelo estimado.
Comando : equation Cagan.LS logm
logpbi inter AR(1) AR(2)
Luego, se incorporo una variable
autoregresiva de 1er orden y otra
variable autorregresiva de 2do orden,
estas variables ayudaron a
perfeccionar el modelo dando solución
al problema de autocorrelación de los
errores en el modelo, considerando de
que el error esta en función del mismo
error pero rezagado hasta el segundo
periodo.
